每个跟踪器的跟踪级别或定位精度也可以在每个时间步通过GOSPA指标进行定量评估。值越低，表示跟踪精度越高。由于没有错过目标或错误轨迹，该指标捕获由每辆车的状态估计引起的定位误差。请注意，融合估计值的 GOSPA 指标低于单个传感器的指标，这表示在融合来自每个传感器的轨迹估计值后，轨道精度提高。

如前所述，此示例使用基于欧氏距离的聚类和边界框拟合将激光雷达数据馈送到传统的追踪算法。聚类分析算法通常在对象间距较近时受到影响。使用本例中使用的探测器配置，当过往车辆接近自向车辆前方的车辆时，探测器将来自每辆车的点云聚集成一个更大的边界框。可以在下面的动画中注意到，轨道偏离了车辆中心。由于在估计几步时，轨道的确定性更高，因此最初也影响了融合估计值。然而，随着不确定性的增加，它与融合估计值的关联变得越来越弱。这是因为协方差交集算法根据每个估计值的确定性为每个分配的轨迹选择混合权重。

这种影响也反映在 GOSPA 指标中。可以在上面的 GOSPA 衡量指标图中注意到，激光雷达指标显示了第 65 个时间步长附近的峰值。

由于两个主要原因，雷达轨迹在此事件期间不受影响。首先，雷达传感器在每次检测中输出测距率信息，与移动较慢的汽车相比，超车的噪声水平不同。这导致与单个汽车的检测之间的统计距离增加。其次，扩展对象跟踪器根据预测的轨迹评估多个可能的聚类假设，这导致拒绝不正确的聚类并接受正确的聚类。请注意，要使扩展对象跟踪器正确选择最佳聚类，磁道的过滤器必须具有能够捕获两个聚类之间的差异的鲁棒性。例如，具有高过程噪声和高度不确定尺寸的轨道可能无法正确声明集群，因为它的年龄过早，并且具有更大的灵活性来解释不确定的事件。

当目标远离雷达传感器时，由于探测器的信噪比降低以及传感器的分辨率有限，测量的准确性会降低。这导致测量中的高不确定性，从而降低轨道精度。请注意，在下面的特写显示中，雷达的轨迹估计值与雷达传感器的地面实况相差甚远，并且报告的不确定性更高。但是，激光雷达传感器在点云中报告足够的测量值以生成“缩小”边界框。激光雷达跟踪算法的测量模型中建模的收缩效应允许跟踪器保持具有正确尺寸的轨迹。在这种情况下，激光雷达混合重量高于雷达，并允许融合估计值比雷达估计值更准确。