无人驾驶车辆在行车途中不仅要捕捉周围静止环境的信息,更重要的是获取运动障碍的信息,其中首要的关注对象是行人和其它车辆。基于摄像头采集的图像序列,通过多目标跟踪可以获取视野中每个目标在图像上的历史轨迹框,联合其他传感器如激光雷达,可以得到目标在真实世界中的历史运动轨迹,根据目标的历史轨迹可以进行合理的轨迹预测,用于无人驾驶车辆避障策略的制定。现实环境中的多目标跟踪存在诸多问题,比如因为车体抖动使得摄像头采集到的图像产生模糊,因为检测算法的不稳定导致的漏检等等。因此,本文针对多目标跟踪可能存在的一些实际问题进行改进,在原始的跟踪系统上增加了多个容错改进模块,在提升精度的同时使得其鲁棒性更强。并基于多目标跟踪得到的结果,对现实环境中的车辆运动轨迹进行预测,探究了多目标跟踪的实际用途。本文主要的研究工作和成果如下:1)针对原始多目标跟踪系统中可能存在的检测失效问题做了容错,对遮挡目标跟踪算法做了改进。多目标跟踪系统的性能很大程度上取决于检测算法的优劣,一旦检测算法失效将使得多目标跟踪的性能大大降低。因而本文考虑通过MIL滤波器来对检测算法进行容错,在检测器失效的情况下采用MIL滤波器来跟踪已经存在的目标,减少漏检。现实环境中的多目标跟踪因为目标众多、背景繁杂,使得目标遮挡的情况常有发生。本文对原始的卡尔曼滤波预测算法进行修正,采用指数变化的方式拟合目标框的变化率,同时还提出了一种基于邻近目标变化信息的运动背景补偿策略,来消除因背景运动导致的遮挡预测漂移。在MOT和KITTI数据集上分别进行了实验,证明了改进方案的有效性。2)针对摄像机可能采集到模糊图像导致多目标跟踪效果变差的问题做了容错,提出了一种基于生成对抗网络的图像去模糊算法。现实环境中,无人驾驶车辆在行驶途中可能因路面凹凸不平导致相机采集到的图像产生运动模糊,使得对前方障碍物的跟踪效果变差,影响后续的导航规划。本文基于深度学习对模糊图像进行恢复,以原始生成对抗网络为基础,提出了基于残差逼近的生成对抗网络,同时加入了新的损失函数,在图像去模糊数据集GOPRO上得到了较好的效果。针对所提出的图像去模糊算法,本文将其增加在多目标跟踪系统中作为前置容错模块,在KITTI数据集上对其进行有效性验证,结果证明本文增加的模糊图像容错模块确实可以增加多目标跟踪系统的抗模糊能力。3)提出了一种基于注意力机制的车辆运动轨迹预测算法。多目标跟踪得到目标在图像层面的历史运动轨迹框,联合其他距离传感器即可获取目标在真实世界坐标系中的历史运动轨迹。本文基于原始的Convolution Social LSTM网络进行改进,采用横向的注意力机制获取邻居车辆相对目标车辆的重要性,对邻居信息进行加权求和得到全局的特征,与采用卷积池化提取的局部特征相加得到完整的邻居特征,用于后续预测轨迹。同时在预测轨迹时对传统的Encoder-Decoder结构进行改进,引入针对历史轨迹的纵向注意力机制,在预测的每一个时刻都采用与其最为相关的历史节点信息。在NGSIM提供的US101和180数据集上进行实验验证,结果表明本文改进的算法能得到更为精确的预测轨迹。