CN112393724B - 一种针对目标对象的跟随方法及装置 - Google Patents

Abstract

本申请公开了一种针对目标对象的跟随方法，通过判断针对所述目标对象的第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配，并根据匹配结果，对使用的正向跟随器进行更新调整处理，可以使获得的针对所述目标对象的预测跟随结果更为准确，在所述目标对象发生漂移或丢失时进行及时纠正，可以获得实时的鲁棒的预测跟随结果。

Description

一种针对目标对象的跟随方法及装置

技术领域

本申请涉及车辆导航领域，具体涉及一种针对目标对象的跟随方法及装置。本申请另外还提供一种针对被跟随车辆的位置检测方法及装置，以及一种导航方法及装置。

背景技术

近年来，随着增强现实技术(AR，Augmented Reality)的发展，在导航领域，将AR技术用于车辆导航，可以为用户提供更为真实准确的导航信息。

在为车辆提供导航信息时，通常需要对用户车辆所在车道以及临近车道的其它车辆进行跟随分析，并根据跟随分析结果为用户的辅助驾驶提供预警等信息。目前常用的跟随方法主要有：

1、通过用户车辆上携带的图像传感器采集用户车辆周围的实时图像，并使用深度神经网络检测算法对采集的图像进行检测，获取检测结果，同时采用时域关联的方式，将所述检测结果在时域上进行串联，从而获取针对被跟随车辆的跟随结果；

2、首先，通过深度神经网络检测算法获取第一帧时的检测结果，然后使用导航跟随算法，例如，使用正向光流跟随算法创建正向跟随器，并使用所述第一帧时的实时检测结果对所述正向跟随器的初始跟随结果进行初始化，之后，所述正向跟随器通过所述初始化后的初始跟随结果，持续对被跟随车辆进行跟随分析并获取实时的正向跟随结果，其中，所述正向跟随器，具体是指利用跟随算法创建的用于获取针对被跟随车辆的正向连续时刻的预测跟随结果的一种轨迹跟随器，其初始输入数据，即初始跟随结果通常是针对被跟随车辆的第一帧时的实时检测结果，之后，利用其所使用的跟随算法针对所述初始跟随结果进行预测分析，以持续获得针对被跟随车辆的正向连续时刻的预测跟随结果。

采取上述第一种方法时，由于目前用户车辆上携带的嵌入式芯片，例如，车载导航的CPU、手机设备的CPU等嵌入式芯片的计算能力有限，对环境图像的检测分析通常较慢，无法获得实时的鲁棒的检测结果；而采取上述第二种方法时，虽然能够获取实时的跟随结果，但是当车辆运动较剧烈时，跟随结果很容易发生漂移、丢失等问题。

发明内容

本申请提供一种针对目标对象的跟随方法，以解决现有技术存在的无法获得实时的鲁棒的检测结果的问题以及跟随结果容易发生漂移、丢失的问题。

本申请提供一种针对目标对象的跟随方法，包括：

使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果；

使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

获得针对所述目标对象的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得；

如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

可选的，所述使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，包括：

获得针对所述目标对象的第三时刻的参考跟随结果，所述第三时刻早于所述第一时刻；

将所述第三时刻的参考跟随结果作为所述正向跟随器的初始跟随结果；

使用所述正向跟随器，根据所述正向跟随器的初始跟随结果，获取针对所述目标对象的第一时刻的预测跟随结果。

可选的，所述判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配，包括：

对所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果进行交并比计算，获取所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果的交并比重合度；

根据所述交并比重合度，判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配。

可选的，所述如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，包括：

如果所述交并比重合度大于等于预设的第一阈值，则更新所述正向跟随器的状态。

可选的，所述如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果不匹配，则获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果，包括：

如果所述交并比重合度小于预设的第一阈值，则创建新的正向跟随器；

使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

可选的，还包括：

将所述第二时刻的参考跟随结果作为所述新的正向跟随器的初始跟随结果；

所述使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果，包括：

使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果，获得针对所述目标对象的后续连续时刻的预测跟随结果。

可选的，还包括：

使用平滑器针对所述目标对象的正向连续时刻的预测跟随结果进行平滑处理。

可选的，还包括：

如果所述交并比重合度小于预设的第二阈值，则创建新的平滑器，并使用所述新的平滑器对针对所述目标对象的后续连续时刻的预测跟随结果进行平滑处理。

可选的，还包括：

如果所述交并比重合度大于预设的第二阈值，则更新所述平滑器的状态。

可选的，所述获得针对所述目标对象的第二时刻的参考跟随结果，包括：

获取所述第二时刻的针对所述目标对象的实时图像；

根据所述图像，获取针对所述目标对象的所述第二时刻的参考跟随结果。

可选的，所述根据所述图像，获取针对所述目标对象的第二时刻的参考跟随结果，包括：

将所述图像输入到神经网络模型中，获取针对所述目标对象的第二时刻的参考跟随结果，所述神经网络模型为用于根据包含所述目标对象的图像获得针对所述目标图像的参考跟随结果的模型。

可选的，还包括：

如果在跟随所述目标对象的过程中，检测到遮挡住所述目标对象的干扰对象的信息，则获取针对所述目标对象的参考跟随结果，并判断所述参考跟随结果中是否包括所述目标对象的信息；

如果获取到的所述参考跟随结果中包括所述目标对象的信息，则创建新的正向跟随器，并使用所述参考跟随结果作为所述新的正向跟随器的初始跟随结果；

使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果，获得针对所述目标对象的后续连续时刻的预测跟随结果。

本申请还提供一种针对目标对象的跟随装置，包括：

正向预测跟随结果获取单元，用于使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果；

逆向预测跟随结果获取单元，用于使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

参考跟随结果获取单元，用于获得针对所述目标对象的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述目标对象在第二时刻的实际运行信息监测获得；

处理单元，用于如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

本申请还提供一种针对被跟随车辆的位置检测方法，包括：

使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，所述正向跟随器用于获取针对所述被跟随车辆的正向连续时刻的预测位置信息；

使用逆向跟随算法，根据所述第一时刻的预测位置信息，获得针对所述被跟随车辆的第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

获得针对所述被跟随车辆的第二时刻的参考位置信息；

如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。

本申请还提供一种针对被跟随车辆的位置检测装置，包括：

正向预测位置信息获取单元，使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，所述正向跟随器用于获取针对所述被跟随车辆的正向连续时刻的预测位置信息；

逆向预测位置信息获取单元，使用逆向跟随算法，根据所述第一时刻的预测位置信息，获得针对所述被跟随车辆的第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

参考位置信息获取单元，获得针对所述被跟随车辆的第二时刻的参考位置信息，其中，所述参考位置信息是根据所述被跟随车辆在所述第二时刻的实际运行信息监测获得；

信息处理单元，如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。

本申请还提供一种导航方法，包括：

使用所述针对目标对象的跟随方法，获取针对目标对象的预测跟随结果；

根据所述预测跟随结果，为导航对象提供导航信息。

本申请还提供一种导航装置，包括：

预测跟随结果获取单元，用于使用所述针对目标对象的跟随方法，获取针对目标对象的预测跟随结果；

导航信息提供单元，用于根据所述预测跟随结果，为导航对象提供导航信息。

本申请还提供一种导航方法，包括：

使用所述针对被跟随车辆的位置检测方法，获取针对被跟随车辆的预测位置信息；

根据所述预测位置信息，为导航车辆提供导航信息。

本申请还提供一种导航装置，包括：

预测位置信息获取单元，用于使用所述针对被跟随车辆的位置检测方法，获取针对被跟随车辆的预测位置信息；

导航信息提供单元，用于根据所述预测位置信息，为导航车辆提供导航信息。

与现有技术相比，本申请具有以下优点：

本申请提供的一种针对目标对象的跟随方法，包括：使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果；使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；获得针对所述目标对象的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得；如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。通过判断针对所述目标对象的所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配，并根据匹配结果，对使用的正向跟随器进行更新调整处理，可以使获得的针对所述目标对象的预测跟随结果更为准确，在所述目标对象发生漂移或丢失时进行及时纠正，可以获得实时的、鲁棒的预测跟随结果。

本申请提供的一种针对被跟随车辆的位置检测方法，包括：使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，所述正向跟随器用于获取针对所述被跟随车辆的正向连续时刻的预测位置信息；使用逆向跟随算法，根据所述第一时刻的预测位置信息，获得针对所述被跟随车辆的第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；获得针对所述被跟随车辆的第二时刻的参考位置信息；如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。通过判断针对所述被跟随车辆的所述第二时刻的预测位置信息与所述第二时刻的位置信息是否匹配，并根据匹配结果，对使用的正向跟随器进行更新调整处理，可以使获得的针对所述被跟随车辆的预测位置信息更为准确，在所述被跟随车辆发生漂移或丢失时进行及时纠正，可以获得实时的、鲁棒的预测位置信息。

本申请提供的一种导航方法，包括：使用所述针对目标对象的跟随方法，获取针对目标对象的预测跟随结果；根据所述预测跟随结果，为导航对象提供导航信息。通过使用所述针对目标对象的跟随方法，可以使获得的针对所述目标对象的预测跟随结果更为准确，在所述目标对象发生漂移或丢失时进行及时纠正，可以获得实时的、鲁棒的预测跟随结果，进而为导航对象提供更为准确的导航信息。

本申请提供的另一种导航方法，包括：使用所述针对被跟随车辆的位置检测方法，获取针对被跟随车辆的预测位置信息；根据所述预测位置信息，为导航车辆提供导航信息。通过使用所述针对被跟随车辆的位置检测方法，可以使获得的针对所述被跟随车辆的预测位置信息更为准确，在所述被跟随车辆发生漂移或丢失时进行及时纠正，可以获得实时的、鲁棒的预测位置信息，进而为导航车辆提供更为准确的导航信息。

附图说明

图1是本申请第一实施例提供的一种针对目标对象的跟随方法的应用场景示意图；

图1-A是本申请第一实施例提供的一种针对目标对象的跟随方法的应用场景的细节示意图；

图2是本申请第一实施例提供的一种针对目标对象的跟随方法的流程图；

图3是本申请第二实施例提供的一种针对目标对象的跟随装置的示意图；

图4是本申请第三实施例提供的一种针对被跟随车辆的位置检测方法的流程图；

图5是本申请第四实施例提供的一种针对被跟随车辆的位置检测装置的示意图；

图6是本申请第五实施例提供的一种导航方法的流程图；

图7是本申请第六实施例提供的一种导航装置的示意图；

图8是本申请第七实施例提供的另一种导航方法的流程图；

图9是本申请第八实施例提供的另一种导航装置的示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

首先，为了使本领域的技术人员更好的理解本申请方案，下面基于本申请提供的一种针对目标对象的跟随方法，对其实施例的具体应用场景进行详细描述。如图1、图1-A所示，其分别为本申请第一实施例提供的一种针对目标对象的跟随方法的应用场景示意图，以及应用场景的细节示意图。

在具体实施过程中，本申请实施所述针对目标对象的跟随方法，一般情况下是在为导航车辆提供AR(增强现实)导航时，通过导航车辆上的计算设备来实现，其中，所述计算设备可以是导航车辆上放置的带有图像传感器的移动终端设备(如手机、平板电脑)，当然也可以是导航车辆上搭载的车载导航设备、行车记录仪等设备，所述图像传感器具体可以是具有拍摄功能的摄像设备。例如：导航车辆101在行车道104中行驶时，导航车辆101上搭载或放置的计算设备102为所述导航车辆101提供AR导航，所述计算设备102对所述导航车辆101前方的车辆(以下简称为被跟随车辆)103进行跟随，具体是通过使用正向跟随器获取针对被跟随车辆103的第一时刻的预测跟随结果，其中，所述正向跟随器用于获取针对所述被跟随车辆103的正向连续时刻的预测跟随结果；之后，使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述被跟随车辆103的第二时刻的预测跟随结果，所述第二时刻早已所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；获取针对所述被跟随车辆的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述被跟随车辆103在所述第二时刻的实际运行信息监测获得；如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆103的后续连续时刻的预测跟随结果。在计算设备102获取到针对被跟随车辆103的预测跟随结果后，根据所述预测跟随结果，为导航车辆101提供针对被跟随车辆103的AR导航信息，具体可以是辅助驾驶信息等信息，同时还可以针对被跟随车辆103的行驶情况，及时为导航车辆101提供预警信息。

其中，所述跟随算法主要是指正向光流跟随算法，当然，不仅限于所述算法，也可以是其它轨迹跟随算法，例如：判别相关滤波(DCF，Discriminative Correlation Filter)算法、基于MeanShift的目标跟随算法等。另外，所述正向连续时刻的预测跟随结果主要是指按照自然时间正向连续的时刻的预测跟随结果，例如：n，n+1，n+2，…，n+m(其中，n>＝0,m>2)；所述逆向跟随算法主要是指采取的正向光流跟随算法的逆向运算，其获取的是与自然时间相逆的某时刻的预测跟随结果，例如：在使用正向光流跟随算法获取了n(n>＝0)刻的跟随结果nResult后，可以使用与所述正向光流跟随算法相逆的逆向算法进行逆向运算，获取n时刻之前的某时刻如n-5时刻的跟随结果nResult-5，其中，当n时刻的自然时间是17:00，则n-5时刻对应的自然时间则是16:55。

所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得，主要是指利用所述导航车辆101上的图像传感器105，或所述计算设备102携带的图像传感器105，如摄像设备拍摄针对被跟随车辆103的实时图像，然后所述计算设备102根据所述图像，利用其内部的深度神经网络检测算法对所述图像进行检测，获得的检测结果，即所述被跟随车辆103的参考位置信息，因为所述参考结果是基于所述图像传感器105拍摄的实时图像进行检测获得的，所以能表示导航车辆101与被跟随车辆103的真实位置关系，但是，因为导航车辆101上的计算设备102一般是嵌入式设备，其计算能力有限，因此，在检测分析获取所述参考结果时较慢，例如：导航车辆101或计算设备102上的图像传感器105拍摄了16:55时刻的所述被跟随车辆103的实时图像img-1，计算设备102基于所述图像img-1开始检测，可能在16:57时刻才能获取针对所述图像img-1的检测结果，即针对所述被跟随车辆103的准确的参考跟随结果nRefer-5。

当然，以上只是举例说明，实际中，在跟随目标对象时，是可能出现各种导致预测跟随结果和参考跟随结果差异较大的突发情况或紧急情况，如目标对象突然故障，或在两者之间突然出现目标对象之外的干扰对象等等，因此为了保证预测跟随结果的相对实时性，获取的预测跟随结果的间隔时间可能较短，若干秒或若干毫秒即可获取一次预测跟随结果，并且，参考跟随结果的获取频率及获取时间也是较快的，可能若干秒或若干毫秒就会获取一次参考跟随结果。

需要说明的是，虽然在图1以及图1-A中仅标示了一辆在所述导航车辆101的前方、与所述导航车辆101处于同一车道104的被跟随车辆103，但是，所述计算设备102当然也可以对所述导航车辆101前方相邻车道的其它被跟随车辆同时进行跟随并获取其对应的预测跟随结果，即所述被跟随车辆103可以是位于导航车辆101前方同一车道或相邻车道的一辆或多辆车辆，在本实施例中，为了描述方便，以被跟随车辆进行统称。

当然，针对非导航场景，比如在前车检测后车的跟随情况，或者前车检测其并行车辆的行驶情况的场景中，也可使用本申请所述针对目标对象的跟随方法。在所述场景中，所述图像传感器可以安装在前车的后方或侧方，以用来获取后车或并行车辆的行驶情况。例如，在婚庆场合，婚庆车队的头车通常需要获取后车的行驶情况来相应的调整其行驶速度，其中，所述头车也称为主车，所述后车，也称为从车。此时，可以由头车内的计算设备实施本申请所述针对目标对象的跟随方法，通过所述头车安装在后方的图像传感器来获取后车的行驶情况，并提供所述后车的预测跟随结果，所述头车根据所述预测跟随结果来随时调整其行驶速度以使后车可以保持跟随。

另外，也可以是发生跟随情形的两个对象或多个对象之间来自行协调哪方作为被跟随的目标对象。例如，用户1驾驶车辆1，用户2驾驶车辆2约定外出行驶时。在路段1中，因为用户1比较熟悉所述路段的路况，则可由用户1、用户2约定，由驾驶车辆2跟随驾驶车辆1；而在路段2中，因为用户2比较熟悉所述路段的路况，则可由驾车车辆1跟随驾驶车辆2。当然，在具体实施时，还可以由发生跟随情形的两个对象或多个对象之间通过无线连接，将所述两个对象或多个对象内的用于提供预测跟随结果的计算设备相互连接，使所述计算设备可以相互通信；同时，通过所述两个对象或多个对象中的显示设备显示包含这些对象的设备对象列表，供用户选择哪个对象来作为被跟随的目标对象；进一步的，还可以是在所述两个对象或多个对象行驶的过程中，根据不同对象间的行驶速度或不同对象间的距离间隔，由建立无线连接的多个计算设备内基于调度算法来决定哪方作为被跟随的目标对象，并在这些对象中的显示设备中显示是否变更被跟随的目标对象的确认信息，若用户选择确认，则自动变更被跟随的目标对象。此处不再一一描述。

另外，在具体实施过程中，当针对目标对象进行跟随时，可以由用户根据不同的情况来决定是否启用本申请所述针对目标对象的跟随方法。例如，当计算设备102判断当前为无人驾驶模式时，可以自动启用本申请所述针对目标对象的跟随方法；当为有人驾驶模式时，则由用户根据具体场景来决定是否启用本申请所述针对目标对象的跟随方法，比如，当路况较复杂时，因为需要频繁的进行校正，计算量较大，此时可能不适宜使用本申请所述针对目标对象的跟随方法。

此外，所述导航对象、所述目标对象中的图像传感器的位置，可以在两者的前方，后方或前后及后方都设置，当然也可以是直接设置一个可以360度范围内旋转检测的图像传感器。

为了更进一步的说明本申请所述的针对目标对象的跟随方法，以下结合图1、图1-A进行更进一步的具体说明，例如，导航车辆101在行车道104中行驶时，导航车辆101上搭载或放置的计算设备102为所述导航车辆101提供AR导航信息，其具体过程为，计算设备102基于预先获得的被跟随车辆103的初始位置信息，使用其内部的正向跟随器中的正向跟随算法获取针对被跟随车辆103在第一时刻的预测位置信息；之后，基于被跟随车辆103在第一时刻的预测位置信息，计算设备102使用逆向跟随算法获得针对被跟随车辆103在第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；与此同时，基于导航车辆101或计算设备102上搭载或携带的图像传感器105拍摄的针对被跟随车辆103的实时图像，计算设备102获得针对被跟随车辆102在第二时刻的参考位置信息；在之后，计算设备102判断被跟随车辆103在第二时刻的预测位置信息与其在第二时刻的参考位置信息是否匹配，如果匹配，则更新其使用的正向跟随器的状态，并继续使用所述正向跟随器获取被跟随车辆103在后续时刻的预测位置信息，否则，计算设备102获取新的正向跟随器，并使用所述新的正向跟随器获取被跟随车辆103在后续时刻的预测位置信息。同时，计算设备102基于获取的被跟随车辆103的后续时刻的预测位置信息，向导航车辆101提供针对被跟随车辆103的AR导航信息。

在现有技术中，当导航对象中的计算设备针对目标对象进行跟随，并为导航对象提供辅助导航信息时，一般是计算设备在其内部创建正向跟随器，并利用正向跟随算法对目标对象进行跟随，并持续获取目标对象的预测跟随结果。采用该方法对目标对象进行跟随，当导航对象与目标对象移动的较为平稳时，其结果一般较为准确，但是当导航对象或目标对象运动剧烈时，就可能出现跟随漂移或丢失的问题。

而当采取利用导航对象或导航对象搭载或携带的计算设备上的图像传感器拍摄的实时图像，并对所述图像使用深度神经网络算法进行检测来获取导航对象与目标对象的位置关系时，因为所述计算设备一般为嵌入式设备，其计算能力有限，获取的检测结果通常较为滞后，无法获得实时的鲁棒的检测结果。

因此，为了解决上述问题，在本实施例中，通过使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果；使用逆向跟随算法，根据所述第一时刻的跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；获得针对所述目标对象的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得；如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。如图2所示，其为本申请第一实施例提供的一种针对目标对象的跟随方法的流程图。以下结合图2对该实施例予以详细说明。

S201，使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果。

在本实施例中，所述目标对象，主要是指处于导航车辆101前方相同或相邻车道的被跟随车辆103，当然，在其它应用场景中，也可以指其它导航设备和被跟随设备，例如，使用无人机进行目标跟随拍摄时，所述无人机所针对的拍摄目标或对象也可以视为目标对象，所述无人机可以视为导航对象；在船队协同行驶时，为了使不同的船只间保持安全距离，不同的船只间可以互为目标对象及导航对象；在为飞行器提供燃油时，为了保持提供燃油的飞行器和待供燃油的飞行器之间的相对距离，两者可以互为目标对象及导航对象。

所述正向跟随器，具体是指利用跟随算法创建的用于获取针对目标对象的正向连续时刻的预测跟随结果的一种轨迹跟随器，所述正向跟随器的初始输入数据，即初始跟随结果通常是针对目标对象的第一帧时的实时检测结果，之后，利用所述正向跟随器所使用的跟随算法针对所述初始跟随结果进行预测分析，以持续获得针对目标对象的正向连续时刻的预测跟随结果。

所述预测跟随结果，是使用所述正向跟随器针对所述目标对象的运动轨迹进行跟随预测，获取的一个预测跟随结果。此处，以导航车辆101与被跟随车辆103举例说明，导航车辆101上搭载或携带的计算设备102使用其内部的正向跟随器获取的针对被跟随车辆103的一个预测跟随结果，具体为导航车辆101与被跟随车辆103的相对位置信息，包括导航车辆101与被跟随车辆103的相对距离、被跟随车辆103的实时速度等信息，当然也可以包括其它信息，此处不再一一描述。

所述使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，具体是指使用正向跟随器获取针对目标对象的某一个时刻的预测跟随结果，此处，依然以导航车辆101与被跟随车辆103举例说明，所述第一时刻，具体可以是计算设备102使用其内部的正向跟随器获取的针对被跟随车辆103的17:55时刻的位置关系信息。

当然，在所述正向跟随器获取针对目标对象的第一时刻的预测跟随结果之前，所述正向跟随器肯定需要获取一个初始跟随结果，之后，所述正向跟随器才可以利用其对应的正向跟随算法(如正向光流跟随算法)基于所述初始跟随结果，获取针对所述目标对象的第一时刻正向连续时刻的预测跟随结果。因此，所述使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，包括：获得针对所述目标对象的第三时刻的参考跟随结果，所述第三时刻早于所述第一时刻；将所述第三时刻的参考跟随结果作为所述正向跟随器的初始跟随结果；使用所述正向跟随器，根据所述正向跟随器的初始跟随结果，获取针对目标对象的第一时刻的预测跟随结果。

所述获得针对所述目标对象的第三时刻的参考跟随结果，所述第三时刻早于所述第一时刻。主要是指在使用所述正向跟随器获取针对目标对象的第一时刻的预测跟随结果之前，获取所述第一时刻之前的某个时刻(例如第三时刻)的参考跟随结果。所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得，主要是一个导航对象与目标对象的真实位置信息，此处，依然以导航车辆101与被跟随车辆103举例说明，所述导航对象即是导航车辆101，目标对象即是被跟随车辆103，所述参考跟随结果，主要是指利用所述导航车辆101或所述计算设备102上的图像传感器105，如摄像设备拍摄针对被跟随车辆103的实时图像，然后所述计算设备102根据所述图像，利用其内部的深度神经网络检测算法对所述图像进行检测，获得的检测结果，所述检测结果包含导航车辆101与被跟随车辆103的真实位置关系。当然，此处仅描述了一种通过图像传感器采集的针对所述目标对象的实时图像来获取参考跟随结果的方式，在具体实施时，也可以通过其它方式获取针对所述目标对象的参考跟随结果，例如，通过测距传感器，如雷达设备来获取针对所述目标对象的实际运行信息，进而分析获取针对所述目标对象的参考跟随结果。

在本实施例中，因为参考跟随结果是基于真实的图像检测获取的，可以代表导航对象与目标对象的真实位置关系，所以一般在使用正向跟随器利用正向跟随算法获取针对目标对象的第一时刻的预测跟随结果之前，会获取针对所述目标对象的早于所述第一时刻的第三时刻的参考跟随结果，然后，将所述第三时刻的参考跟随结果作为所述正向跟随器的初始跟随结果，之后，使用所述正向跟随器，根据所述正向跟随器的初始跟随结果，获取针对目标对象的第一时刻的预测跟随结果。例如：在使用计算设备102内部的正向跟随器获取被跟随车辆103在17:55时刻的跟随预测结果之前，需要在17:55之前的某个时刻，例如17:30时刻获取所述导航车辆101与被跟随车辆103的参考跟随结果，然后将所述参考跟随结果作为所述正向跟随器的初始跟随结果，之后所述计算设备102使用所述正向跟随器，根据所述正向跟随器的初始跟随结果，获取针对所述被跟随车辆103在17:30之后时刻，如17:55时刻的预测跟随结果。

请继续参看图2，在步骤S201之后，执行步骤S202，使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算。

在步骤S201使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果之后，使用逆向跟随算法，根据所述第一时刻的跟随结果，获得针对所述目标对象的早于所述第一时刻的第二时刻的预测跟随结果。

所述逆向跟随算法在本实施例的应用场景的描述中已经有详细介绍，此处不再赘述。

所述使用逆向跟随算法，根据所述第一时刻的跟随结果，获得针对所述目标对象的早于所述第一时刻的第二时刻的预测跟随结果，此处，依然以导航车辆101与被跟随车辆103来举例说明，例如：在步骤S201中获取的为17:55时刻的预测跟随结果，则在此处，使用本实施例采用的正向光流跟随算法逆向获取被跟随车辆103在17:45时刻的预测跟随结果。因为17:55时刻的预测跟随结果是使用计算设备102内部的正向跟随器使用的正向光流跟随算法推导获得的，所以，根据所述17:55时刻的预测跟随结果，使用所述跟随算法进行逆向运算，来获得17:45时刻的预测跟随结果。

请继续参看图2，在步骤S202之后，执行步骤S203，获得针对所述目标对象的第二时刻的参考跟随结果。

在步骤S201使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，以及在步骤S202使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果之后，获得针对所述目标对象的第二时刻的参考跟随结果。

所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得，主要是一个导航对象与目标对象的真实位置信息，此处，依然以导航车辆101与被跟随车辆103举例说明，所述导航对象即是导航车辆101，目标对象即是被跟随车辆103，所述参考跟随结果，主要是指利用所述导航车辆101或所述计算设备102上的图像传感器105，如摄像设备拍摄针对被跟随车辆103的实时图像，然后所述计算设备102根据所述图像，利用其内部的深度神经网络检测算法对所述图像进行检测，获得的检测结果，所述检测结果包含导航车辆101与被跟随车辆103的真实位置关系。当然，在具体实施时，也可以通过其它方式获取针对所述目标对象的参考跟随结果，例如，通过测距传感器，如雷达设备来获取针对所述目标对象的实际运行信息，进而分析获取针对所述目标对象的参考跟随结果。

所述获得针对所述目标对象的第二时刻的参考跟随结果。具体包括，获取所述第二时刻的针对所述目标对象的实时图像，根据所述图像，获取针对所述目标对象的所述第二时刻的参考跟随结果。其中，所述根据所述图像，获取针对所述目标对象的所述第二时刻的参考跟随结果，具体包括，将所述图像输入到神经网络模型中，获取针对所述目标对象的第二时刻的参考跟随结果，所述神经网络模型为用于根据包含所述目标对象的图像获得针对所述目标图像的参考跟随结果的模型。

此处，依然以导航车辆101及被跟随车辆103来举例说明，例如：在上述步骤S201使用导航车辆101搭载或携带的计算设备102中的正向跟随器获得被跟随车辆103在17:55时刻的预测跟随结果，以及在步骤S202使用逆向跟随算法，根据所述17:55时刻的预测跟随结果获取的17:45时刻的预测跟随结果之后。因为导航车辆101在行驶的过程中，也同时在利用其自身或其携带或搭载的计算设备102上的图像传感器105，如摄像设备在采集其行驶前方的实时图像，同时在采集所述实时图像后，所述计算设备102利用其内部的深度神经网络检测算法对采集的所述图像进行检测分析，并获取真实、准确的检测结果。如在17:45时刻所述导航车辆101或其携带或搭载的计算设备102搭载的摄像设备也采集了针对被跟随车辆103的实时图像，根据所述图像，所述计算设备102利用其内部的深度神经网络检测算法对17:45时刻采集的所述图像进行检测分析，并在17:48时刻获取到了检测结果，所述检测结果即可作为17:45时刻的针对被跟随车辆103的参考跟随结果。其中，需要说明的是，本实施例中所述深度神经网络检测算法是SSD深度神经网络检测算法，当然也可以是Mask-RCNN、Faster-RCNN等算法。

请继续查看图2，在步骤S203之后，执行步骤S204，如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

所述判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配，包括：对所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果进行交并比计算，获取所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果的交并比重合度；根据所述交并比重合度，判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配。

所述交并比重合度(IOU，intersection over union)，是在目标检测评价体系中所使用的一个参数，其计算方式具体是，目标对象的检测结果与其实际结果的交集比上它们的并集。主要用于评价检测结果与标准结果的匹配度。在本实施例中，主要是用于计算预测跟随结果与参考跟随结果的匹配度。通常来讲，当所述交并比重合度为1时，说明两个比较对象完全重合，交并比重合度越小，则说明两个比较对象的差异较大，说明预测跟随结果可能发生了偏移，即对目标对象的预测跟随结果发生了漂移。在以下描述中，为了描述方便，将交并比重合度简称为IOU。

所述对所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果进行交并比计算，即对所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果进行交并比计算，获取两者的IOU数值。所述交并比计算方法在现有技术中有详细描述，此处，不再赘述。在获取到所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果的IOU后，根据所述IOU数值，判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配。

所述如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，包括：如果所述交并比重合度大于等于预设的第一阈值，则更新所述正向跟随器的状态。在本实施例中，所述第一阈值为预先设置的，其数值为1。所述如果所述交并比重合大于等于预设的第一阈值，则更新所述正向跟随器的状态，具体是指当所述交并比重合度大于等于1时，则说明所述第二时刻的预测跟随结果相对于所述第二时刻的参考跟随结果发生了部分偏移，此时，需要对所述正向跟随器的状态参数进行更新调整，以修正所述正向跟随器在所述第二时刻之后的时刻获取的预测跟随结果。例如，当在计算设备102内使用逆向跟随算法获取的17:45时刻的针对被跟随车辆103的预测跟随结果为nResult-45，同时所述计算设备102检测获取的17:45时刻的针对被跟随车辆103的参考跟随结果为nRefer-45，则IOU-45＝(nResult-45∩nRefer-45)/(nResult-45∪nRefer-45)，如果所述IOU-45>＝1，则说明nResult-45相对于所述nRefer-45发生了部分偏移，此时，需要对计算设备102所使用的正向跟随器的状态参数进行更新调整，以修正所述正向跟随器在17:45时刻之后的时刻获取的预测跟随结果。当然，上述描述的是修正所述正向跟随器的状态后，重新获取所述第二时刻之后的针对所述目标对象的预测跟随结果，以使形成的预测跟随结果轨迹较为准确；也可以是在修正所述正向跟随器的状态后，不再获取所述第二时刻到所述第一时刻之间的针对所述目标对象的预测跟随结果，直接获取所述第一时刻之后时刻的针对所述目标对象的预测跟随结果，此处，不再赘述。

所述如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果不匹配，则使用新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果，包括：如果所述交并比重合度小于预设的第一阈值，则创建新的正向跟随器；使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

即，当所述交并比重合度小于1时，则说明所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果的差异较大，此时有可能是跟丢了目标对象，也有可能是在导航对象与目标对象之间被插入了其它对象，当然也有可能是别的会使两者的差异较大的情况。因此，当所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果的差异较大时，需要舍弃原来使用的正向跟随器，使用新的跟随器来获取针对所述目标对象的后续连续时刻的预测跟随结果。

例如，当导航车辆101在跟随被跟随车辆103的过程中，在17:45时刻或17:45时刻之前的某个时刻，导航车辆101与被跟随车辆103中间被插入了别的车辆，为方便描述，将所述紧急插入的车辆称为干扰车辆。然而此时计算设备102内使用逆向跟随算法获取的17:45时刻的针对被跟随车辆103的预测跟随结果nResult-45内并不会有所述干扰车辆，同时所述计算设备102检测获取的17:45时刻的针对被跟随车辆103的参考跟随结果nRefer-45内将会出现所述干扰车辆，则计算IOU-45＝(nResult-45∩nRefer-45)/(nResult-45∪nRefer-45)时，因为干扰车辆的存在，针对被跟随车辆103在17:45时刻的预测跟随结果与参考跟随结果的差异肯定会比较大，也就是说，计算得出的IOU-45将会小于1，当然，这种情况也可以理解为是跟丢了被跟随车辆103，此时，需要舍弃计算设备102原来使用的正向跟随器，并创建新的正向跟随器来获取所述目标对象在17:45时刻之后的时刻获取的预测跟随结果。需要说明的是，所述新的正向跟随器的初始跟随结果可以是所述17:45时刻的参考跟随结果，也可以由计算设备102重新获取针对被跟随车辆103的实时跟随结果来作为所述新的正向跟随器的初始跟随结果。另外，所述使用新的跟随器来获取针对所述目标对象的后续连续时刻的预测跟随结果，可以是重新获取所述第二时刻之后时刻的预测跟随结果以使形成的预测跟随结果轨迹图更为准确；也可以不再修正所述第二时刻到所述第一时刻之间的针对所述目标对象的预测跟随结果，直接使用所述新的正向跟随器来获取所述第一时刻之后时刻的针对所述目标对象的预测跟随结果，此处，不再赘述。

另外，在实施本申请所述针对目标对象的跟随方法的过程中，为了避免发生碰撞，在导航对象与目标对象之间被插入了其它能够遮挡住所述目标对象的干扰对象，或者别的可能导致发生碰撞的情况时。针对上述请求，本申请所述针对目标对象的跟随方法，还包括：如果在跟随所述目标对象的过程中，检测到遮挡住所述目标对象的干扰对象的信息，则获取针对所述目标对象的参考跟随结果，并判断所述参考跟随结果中是否包括所述目标对象的信息；如果获取到的所述参考跟随结果中包括所述目标对象的信息，则创建新的正向跟随器，并使用所述参考跟随结果作为所述新的正向跟随器的初始跟随结果；使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果，获得针对所述目标对象的后续连续时刻的预测跟随结果。

例如，当导航车辆101在跟随被跟随车辆103的过程中，导航车辆101中的计算设备102通过图像传感器105拍摄的实时图像检测到在17:56时刻出现了能够遮挡住被跟随车辆103的干扰车辆的信息。此时，计算设备102可以暂停获取针对被跟随车辆103的预测跟随结果，并发出类似“发生紧急情况，请减速”的警告信息通知用户采取减速措施以避免碰撞；同时，计算设备102持续获取针对被跟随车辆103的参考跟随结果，如果在所述参考跟随结果中检测到了被跟随车辆103的信息，则可以重新开始获取被跟随车辆103的预测跟随结果。如在18:00时刻的参考跟随结果中检测到了被跟随车辆103的信息，则计算设备102可以重新创建新的正向跟随器，并将所述18:00时刻的参考跟随结果作为所述新的正向跟随器的初始跟随结果；并使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果，获得针对所述目标对象的后续连续时刻的预测跟随结果。

其中，所述如果所述交并比重合度小于预设的第一阈值，则创建新的正向跟随器；使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。所述使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果，包括：使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果，获得针对所述目标对象的后续连续时刻的预测跟随结果。具体是指当使用原来的正向跟随器跟丢了目标对象后，说明此正向跟随器获取的跟随结果严重错误，因此，需要丢弃此正向跟随器，并创建新的正向跟随器，同时，使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。另外，在此时，创建了新的正向跟随器之后，还可以将所述第二时刻的参考跟随结果作为所述新的正向跟随器的初始跟随结果，并使用所述新的正向跟随器重新获取所述第二时刻之后时刻的预测跟随结果，或者获取所述第一时刻之后时刻的预测跟随结果，以达到纠正原来错误的预测跟随结果的目的。例如，在计算设备102舍弃原来使用的正向跟随器，并创建新的正向跟随器后，可以将针对所述被跟随车辆103的参考跟随结果nRefer-45作为所述新的正向跟随器的初始跟随结果，所述计算设备102使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果nRefer-45，获得针对所述被跟随车辆103的后续连续时刻的预测跟随结果。

需要说明的是，在本实施例中，所述第一阈值为1，在实际实施时，也可以根据实际需要对所述第一阈值进行调整，如将所述第一阈值设置为0.5或0.6，此处，不再赘述。

另外，通常在使用正向跟随器获取针对目标对象的某一时刻的预测跟随结果后，因为所述预测跟随结果为一个具体的图像，其边缘可能不够平滑或有别的显示问题，即所述图像噪音较多，因此，为了方便与参考跟随结果进行交并比计算，通常，在使用正向跟随器获取针对目标对象的正向连续时刻的预测跟随结果之后，还会使用平滑器针对所述目标对象的正向连续时刻的预测跟随结果进行平滑处理。其中，所述平滑器主要是指kalman滤波器，关于kalman滤波器的详细介绍，因为是现有技术，此处，不再赘述，在本实施例中，主要是使用kalman滤波器作为平滑器对使用正向跟随器获取的针对目标对象的正向连续时刻的预测跟随结果进行平滑处理。当然，在使用所述逆向跟随算法，根据所述正向跟随器获取的第一时刻的预测跟随结果，获得针对所述目标对象的早于所述第一时刻的第二时刻的预测跟随结果后，也可以使用所述平滑器对所述第二时刻的预测跟随结果进行平滑处理。

在将针对所述目标对象的所述第二时刻的预测跟随结果与针对所述目标对象的所述第二时刻的参考跟随结果进行交并比计算，并获得所述两个比较对象的交并比重合度之后，还可以预设一个第二阈值，用于评估使用的上述平滑器的状态。在本实施例中，所述第二阈值为2，如果所述交并比重合度小于所述第二阈值，则创建新的平滑器，并使用所述新的平滑器对针对所述目标对象的后续连续时刻的预测跟随结果进行平滑处理。例如：当在计算设备102内使用逆向跟随算法获取的17:45时刻的针对被跟随车辆103的预测跟随结果为nResult-45，所述计算设备102检测获取的17:45时刻的针对被跟随车辆103的参考跟随结果为nRefer-45，同时所述计算设备102在其内部使用kalman滤波器对nResult-45及nRefer-45进行了平滑处理，nResult-45与nRefer-45的交并比重合度，即IOU-45＝(nResult-45∩nRefer-45)/(nResult-45∪nRefer-45)，如果所述1<IOU-45<2，则认为所述计算设备102原来使用的kalman滤波器中的状态数值对处理对象处理后发生的偏差较大，需要舍弃，并重新创建新的平滑器，并使用所述新的平滑器对针对所述被跟随车辆103的后续连续时刻的预测跟随结果进行平滑处理。其中，所述使用所述新的平滑器对针对所述目标对象的后续连续时刻的预测跟随结果进行平滑处理，可以是使用所述新的平滑器对针对所述目标对象的所述第二时刻之后时刻的预测跟随结果进行平滑处理，也可以不再处理所述第二时刻与所述第一时刻之间的预测跟随结果，仅使用所述新的平滑器对所述第一时刻之后时刻获取的预测跟随结果进行平滑处理。

如果所述交并比重合度大于预设的第二阈值，则更新所述平滑器的状态。例如：当在计算设备102内使用逆向跟随算法获取的17:45时刻的针对被跟随车辆103的预测跟随结果为nResult-45，所述计算设备102检测获取的17:45时刻的针对被跟随车辆103的参考跟随结果为nRefer-45，同时所述计算设备102在其内部使用kalman滤波器对nResult-45及nRefer-45进行了平滑处理，nResult-45与nRefer-45的交并比重合度，即IOU-45＝(nResult-45∩nRefer-45)/(nResult-45∪nRefer-45)，如果所述IOU-45>2，则认为所述计算设备102使用的kalman滤波器中的状态数值对处理对象处理后虽然有偏差，但在可接受范围内，此时，可以仅对所述kalman滤波器中的状态数值进行更新调整即可。

需要说明的是，在本实施例中，所述第二阈值为2，在实际实施时，也可以根据实际需要对所述第二阈值进行调整，如将所述第二阈值设置为2.5或2.6，此处，不再赘述。

综上所述，本申请提供的针对目标对象的跟随方法，包括：使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果；使用逆向跟随算法，根据所述第一时刻的跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；获得针对所述目标对象的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得；如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。通过获取针对所述目标对象的所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果的交并比重合度，并根据所述交并比重合度与预设的第一阈值以及第二阈值进行比较，并根据比较结果，对使用的正向跟随器进行更新调整处理，可以使获得的针对所述目标对象的预测跟随结果更为准确，在发生漂移或丢失时进行及时纠正，可以获得实时的鲁棒的预测跟随结果。

在以上描述中，提供了一种针对目标对象的跟随方法，与上述的针对目标对象的跟随方法相对应，本申请还提供一种针对目标对象的跟随装置，请参考图3所示，其为本申请第二实施例提供的一种针对目标对象的跟随装置的示意图，由于装置实施例基本相似于方法实施例，所以描述的比较简单，相关之处参见本申请第一实施例提供的一种针对目标对象的跟随方法中的部分说明即可，下述描述的装置实施例仅仅是示意性的。本申请提供的一种针对目标对象的跟随装置包括如下部分。

正向预测跟随结果获取单元301，用于使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果；

其中，所述正向预测跟随结果获取单元301，包括：

第三时刻参考跟随结果获取子单元，用于获得针对所述目标对象的第三时刻的参考跟随结果；

初始跟随结果获取子单元，用于将所述第三时刻参考跟随结果获取子单元获取的所述第三时刻的参考跟随结果作为所述正向跟随器的初始跟随结果；

正向预测跟随结果获取子单元，用于使用所述正向跟随器，根据所述正向跟随器的初始跟随结果，获取针对目标对象的第一时刻的预测跟随结果。

请继续参看图3，所述针对目标对象的跟随装置还包括逆向预测跟随结果获取单元302，用于使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

请继续参看图3，所述针对目标对象的跟随装置还包括参考跟随结果获取单元303，用于获得针对所述目标对象的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得；

其中，所述第二时刻参考跟随结果获取单元303，包括：

图像获取子单元，用于获取所述第二时刻的针对所述目标对象的实时图像；

第二时刻参考跟随结果获取子单元，用于根据所述图像，获取针对所述目标对象的所述第二时刻的参考跟随结果，具体是将所述图像输入到神经网络模型中，获取针对所述目标对象的第二时刻的参考跟随结果，所述神经网络模型为用于根据包含所述目标对象的图像获得针对所述目标图像的参考跟随结果的模型。

请继续参看图3，所述针对目标对象的跟随装置处理单元304，用于如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

其中，所述判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配，包括：对所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果进行交并比计算，获取所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果的交并比重合度；根据所述交并比重合度，判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配。

所述如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，包括：如果所述交并比重合度大于等于预设的第一阈值，则更新所述正向跟随器的状态。

所述如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果不匹配，则获取新的争相跟随其，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果，包括：如果所述交并比重合度小于预设的第一阈值，则创建新的正向跟随器；使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。其中，还可以将所述第二时刻的参考跟随结果作为所述新的正向跟随器的初始跟随结果，所述使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果，包括：使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果，获得针对所述目标对象的后续连续时刻的预测跟随结果。

另外，还可以使用平滑器针对所述目标对象的正向连续时刻的预测跟随结果进行平滑处理。如果所述交并比重合度小于预设的第二阈值，则创建新的平滑器，并使用所述新的平滑器对针对所述目标对象的后续连续时刻的预测跟随结果进行平滑处理。如果所述交并比重合度大于等于预设的第二阈值，则更新所述平滑器的状态。

本申请另外还提供一种针对被跟随车辆的位置检测方法，其为上述第一实施例中所述一种针对目标对象的跟随方法的具体场景应用方法，请参看图4，其为本申请第三实施例提供的一种针对被跟随车辆的位置检测方法的流程图。其中，与上述第一实施例中相同或相近的部分请参看上述第一实施例中的描述，此处不再赘述，下述描述仅就其区别于第一实施例中的部分做详细说明。

如图4所示，其为本申请第三实施例提供的一种针对被跟随车辆的位置检测方法的流程图。以下结合图4予以说明。

步骤S401,使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，所述正向跟随器用于获取针对所述被跟随车辆的正向连续时刻的预测位置信息。

其中，所述使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，包括：获得针对所述被跟随车辆的第三时刻的参考位置信息，所述第三时刻早于所述第一时刻；将所述第三时刻的参考位置信息作为所述正向跟随器的初始位置信息；使用所述正向跟随器，根据所述正向跟随器的初始位置信息，获取针对所述被跟随车辆的第一时刻的预测位置信息。

步骤S402,使用逆向跟随算法，根据所述第一时刻的预测位置信息，获得针对所述被跟随车辆的第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算。

步骤S403,获得针对所述被跟随车辆的第二时刻的参考位置信息，其中，所述参考位置信息是根据所述被跟随车辆在所述第二时刻的实际运行信息监测获得。

其中，所述获得针对所述被跟随车辆的第二时刻的参考位置信息，包括：获取所述第二时刻的针对所述被跟随车辆的实时图像；根据所述图像，获取针对所述被跟随车辆的所述第二时刻的参考位置信息。

步骤S404,如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。

所述判断所述第二时刻的预测位置信息与所述第二时刻的参考位置信息是否匹配，包括：对所述第二时刻的预测位置信息与所述第二时刻的参考位置信息进行交并比计算，获取所述第二时刻的预测位置信息与所述第二时刻的参考位置信息的交并比重合度；根据所述交并比重合度，判断所述第二时刻的预测位置信息与所述第二时刻的参考位置信息是否匹配。

所述如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，包括：如果所述交并比重合度大于等于预设的第一阈值，则更新所述正向跟随器的状态。

所述如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息不匹配，则获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息，包括：如果所述交并比重合度小于预设的第一阈值，则创建新的正向跟随器；使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。其中，还可以将所述第二时刻的参考位置信息作为所述新的正向跟随器的初始位置信息；所述使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息，包括：使用所述新的正向跟随器，根据所述新的正向跟随器的初始位置信息，获得针对所述被跟随车辆的后续连续时刻的预测位置信息。

另外，还可以使用平滑器针对所述被跟随车辆的正向连续时刻的预测位置信息进行平滑处理。如果所述交并比重合度小于预设的第二阈值，则创建新的平滑器，并使用所述新的平滑器对针对所述被跟随车辆的后续连续时刻的预测位置信息进行平滑处理。如果所述交并比重合度大于预设的第二阈值，则更新所述平滑器的状态。

综上所述，本申请提供的针对被跟随车辆的位置检测方法，包括：使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，所述正向跟随器用于获取针对所述被跟随车辆的正向连续时刻的预测位置信息；使用逆向跟随算法，根据所述第一时刻的预测位置信息，获得针对所述被跟随车辆的第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；获得针对所述被跟随车辆的第二时刻的参考位置信息，其中，所述参考位置信息是根据所述被跟随车辆在所述第二时刻的实际运行信息监测获得；如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。通过获取针对所述被跟随车辆的所述第二时刻的预测位置信息与所述第二时刻的参考位置信息的交并比重合度，并根据所述交并比重合度与预设的第一阈值以及第二阈值进行比较，并根据比较结果，对使用的正向跟随器进行更新调整处理，可以使获得的针对所述被跟随车辆的预测位置信息更为准确，在发生漂移或丢失时进行及时纠正，可以获得实时的鲁棒的预测位置信息。

在以上描述中，提供了一种针对被跟随车辆的位置检测方法，与上述的针对被跟随车辆的位置检测方法相对应，本申请还提供一种针对被跟随车辆的位置检测装置，请参考图5，其为本申请第四实施例提供的一种针对被跟随车辆的位置检测装置的示意图，由于装置实施例基本相似于方法实施例，所以描述的比较简单，相关之处参见本申请第三实施例提供的一种针对被跟随车辆的位置检测方法中的部分说明即可，下述描述的装置实施例仅仅是示意性的。本申请提供的一种针对被跟随车辆的位置检测装置包括如下部分。

正向预测位置信息获取单元501，使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，所述正向跟随器用于获取针对所述被跟随车辆的正向连续时刻的预测位置信息；

逆向预测位置信息获取单元502，使用逆向跟随算法，根据所述第一时刻的预测位置信息，获得针对所述被跟随车辆的第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

参考位置信息获取单元503，获得针对所述被跟随车辆的第二时刻的参考位置信息，其中，所述参考位置信息是根据所述被跟随车辆在所述第二时刻的实际运行信息监测获得；

信息处理单元504，如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。

在以上描述中，提供了一种针对目标对象的跟随方法，与上述针对目标对象的跟随方法相对应，本申请还提供一种导航方法，请参看图6，其为本申请第五实施例提供的一种导航方法的流程图。其中，与上述实施例中相同或相近的部分请参看上述实施例中的描述，此处不再赘述。

请参看图6，其为本申请第五实施例提供的一种导航方法的流程图。以下结合图6予以说明。

步骤S601，使用所述针对目标对象的跟随方法，获取针对目标对象的预测跟随结果。

步骤S602，根据所述预测跟随结果，为导航对象提供导航信息。

本申请提供的所述导航方法，通过使用所述针对目标对象的跟随方法，可以使获得的针对所述目标对象的预测跟随结果更为准确，在所述目标对象发生漂移或丢失时进行及时纠正，可以获得实时的、鲁棒的预测跟随结果，进而为导航对象提供更为准确的导航信息。

在以上描述中，提供了一种导航方法，与上述的导航方法相对应，本申请还提供一种导航装置，请参考图7，其为本申请第六实施例提供的一种导航装置的示意图，由于装置实施例基本相似于方法实施例，所以描述的比较简单，相关之处参见上述实施例中的部分说明即可，下述描述的装置实施例仅仅是示意性的。本申请提供的一种导航装置包括如下部分。

预测跟随结果获取单元701，用于使用所述针对目标对象的跟随方法，获取针对目标对象的预测跟随结果。

导航信息提供单元702，用于根据所述预测跟随结果，为导航对象提供导航信息。

在以上描述中，提供了一种针对被跟随车辆的位置检测方法，与上述针对被跟随车辆的位置检测方法相对应，本申请还提供另一种导航方法，请参看图8，其为本申请第七实施例提供的一种导航方法的流程图。其中，与上述实施例中相同或相近的部分请参看上述实施例中的描述，此处不再赘述。

请参看图8，其为本申请第七实施例提供的一种导航方法的流程图。以下结合图8予以说明。

步骤S801，使用所述针对被跟随车辆的位置检测方法，获取针对被跟随车辆的预测位置信息。

步骤S802，根据所述预测位置信息，为导航车辆提供导航信息。

本申请提供的所述导航方法，通过使用所述针对被跟随车辆的位置检测方法，可以使获得的针对所述被跟随车辆的预测位置信息更为准确，在所述被跟随车辆发生漂移或丢失时进行及时纠正，可以获得实时的、鲁棒的预测位置信息，进而为导航车辆提供更为准确的导航信息。

在以上描述中，提供了一种导航方法，与上述的导航方法相对应，本申请还提供另一种导航装置，请参考图9，其为本申请第八实施例提供的一种导航装置的示意图，由于装置实施例基本相似于方法实施例，所以描述的比较简单，相关之处参见上述实施例中的部分说明即可，下述描述的装置实施例仅仅是示意性的。本申请提供的一种导航装置包括如下部分。

预测位置信息获取单元901，用于使用所述针对被跟随车辆的位置检测方法，获取针对被跟随车辆的预测位置信息。

导航信息提供单元902，用于根据所述预测位置信息，为导航车辆提供导航信息。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (19)

1.一种针对目标对象的跟随方法，其特征在于，包括：

使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果；

使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

获得针对所述目标对象的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述目标对象在所述第二时刻的实际运行信息监测获得；

如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

2.根据权利要求1所述的针对目标对象的跟随方法，其特征在于，所述使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，包括：

获得针对所述目标对象的第三时刻的参考跟随结果，所述第三时刻早于所述第一时刻；

将所述第三时刻的参考跟随结果作为所述正向跟随器的初始跟随结果；

使用所述正向跟随器，根据所述正向跟随器的初始跟随结果，获取针对所述目标对象的第一时刻的预测跟随结果。

3.根据权利要求1所述的针对目标对象的跟随方法，其特征在于，判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配，包括：

对所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果进行交并比计算，获取所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果的交并比重合度；

根据所述交并比重合度，判断所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果是否匹配。

4.根据权利要求3所述的针对目标对象的跟随方法，其特征在于，所述如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，包括：

如果所述交并比重合度大于等于预设的第一阈值，则更新所述正向跟随器的状态。

5.根据权利要求3所述的针对目标对象的跟随方法，其特征在于，所述如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果不匹配，则获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果，包括：

如果所述交并比重合度小于预设的第一阈值，则创建新的正向跟随器；

使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

6.根据权利要求5所述的针对目标对象的跟随方法，其特征在于，还包括：

将所述第二时刻的参考跟随结果作为所述新的正向跟随器的初始跟随结果；

所述使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果，包括：

使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果，获得针对所述目标对象的后续连续时刻的预测跟随结果。

7.根据权利要求3所述的针对目标对象的跟随方法，其特征在于，还包括：

使用平滑器针对所述目标对象的正向连续时刻的预测跟随结果进行平滑处理。

8.根据权利要求7所述的针对目标对象的跟随方法，其特征在于，还包括：

如果所述交并比重合度小于预设的第二阈值，则创建新的平滑器，并使用所述新的平滑器对针对所述目标对象的后续连续时刻的预测跟随结果进行平滑处理。

9.根据权利要求7所述的针对目标对象的跟随方法，其特征在于，还包括：

如果所述交并比重合度大于预设的第二阈值，则更新所述平滑器的状态。

10.根据权利要求1所述的针对目标对象的跟随方法，其特征在于，所述获得针对所述目标对象的第二时刻的参考跟随结果，包括：

获取所述第二时刻的针对所述目标对象的实时图像；

根据所述图像，获取针对所述目标对象的所述第二时刻的参考跟随结果。

11.根据权利要求10所述的针对目标对象的跟随方法，其特征在于，所述根据所述图像，获取针对所述目标对象的第二时刻的参考跟随结果，包括：

将所述图像输入到神经网络模型中，获取针对所述目标对象的第二时刻的参考跟随结果，所述神经网络模型为用于根据包含所述目标对象的图像获得针对所述目标对象的参考跟随结果的模型。

12.根据权利要求1所述的针对目标对象的跟随方法，其特征在于，还包括：

如果在跟随所述目标对象的过程中，检测到遮挡住所述目标对象的干扰对象的信息，则获取针对所述目标对象的参考跟随结果，并判断所述参考跟随结果中是否包括所述目标对象的信息；

如果获取到的所述参考跟随结果中包括所述目标对象的信息，则创建新的正向跟随器，并使用所述参考跟随结果作为所述新的正向跟随器的初始跟随结果；

使用所述新的正向跟随器，根据所述新的正向跟随器的初始跟随结果，获得针对所述目标对象的后续连续时刻的预测跟随结果。

13.一种针对目标对象的跟随装置，其特征在于，包括：

正向预测跟随结果获取单元，用于使用正向跟随器获取针对目标对象的第一时刻的预测跟随结果，所述正向跟随器用于获取针对所述目标对象的正向连续时刻的预测跟随结果；

逆向预测跟随结果获取单元，用于使用逆向跟随算法，根据所述第一时刻的预测跟随结果，获得针对所述目标对象的第二时刻的预测跟随结果，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

参考跟随结果获取单元，用于获得针对所述目标对象的第二时刻的参考跟随结果，其中，所述参考跟随结果是根据所述目标对象在第二时刻的实际运行信息监测获得；

处理单元，用于如果所述第二时刻的预测跟随结果与所述第二时刻的参考跟随结果匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述目标对象的后续连续时刻的预测跟随结果。

14.一种针对被跟随车辆的位置检测方法，其特征在于，包括：

使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，所述正向跟随器用于获取针对所述被跟随车辆的正向连续时刻的预测位置信息；

使用逆向跟随算法，根据所述第一时刻的预测位置信息，获得针对所述被跟随车辆的第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

获得针对所述被跟随车辆的第二时刻的参考位置信息，其中，所述参考位置信息是根据所述被跟随车辆在所述第二时刻的实际运行信息监测获得；

如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。

15.一种针对被跟随车辆的位置检测装置，其特征在于，包括：

正向预测位置信息获取单元，使用正向跟随器获取针对被跟随车辆的第一时刻的预测位置信息，所述正向跟随器用于获取针对所述被跟随车辆的正向连续时刻的预测位置信息；

逆向预测位置信息获取单元，使用逆向跟随算法，根据所述第一时刻的预测位置信息，获得针对所述被跟随车辆的第二时刻的预测位置信息，所述第二时刻早于所述第一时刻，所述逆向跟随算法是所述正向跟随器的跟随算法的逆向运算；

参考位置信息获取单元，获得针对所述被跟随车辆的第二时刻的参考位置信息，其中，所述参考位置信息是根据所述被跟随车辆在所述第二时刻的实际运行信息监测获得；

信息处理单元，如果所述第二时刻的预测位置信息与所述第二时刻的参考位置信息匹配，则更新所述正向跟随器的状态，否则，获取新的正向跟随器，并使用所述新的正向跟随器获得针对所述被跟随车辆的后续连续时刻的预测位置信息。

16.一种导航方法，其特征在于，包括：

使用权利要求1-12中任意一项所述的针对目标对象的跟随方法，获取针对目标对象的预测跟随结果；

根据所述预测跟随结果，为导航对象提供导航信息。

17.一种导航装置，其特征在于，包括：

预测跟随结果获取单元，用于使用权利要求1-12中任意一项所述的针对目标对象的跟随方法，获取针对目标对象的预测跟随结果；

导航信息提供单元，用于根据所述预测跟随结果，为导航对象提供导航信息。

18.一种导航方法，其特征在于，包括：

使用权利要求14所述的针对被跟随车辆的位置检测方法，获取针对被跟随车辆的预测位置信息；

根据所述预测位置信息，为导航车辆提供导航信息。

19.一种导航装置，其特征在于，包括：

预测位置信息获取单元，用于使用权利要求14所述的针对被跟随车辆的位置检测方法，获取针对被跟随车辆的预测位置信息；

导航信息提供单元，用于根据所述预测位置信息，为导航车辆提供导航信息。