基于半监督 GRU-Kalman 滤波的 3D 多目标跟踪
机器人学
2024-11-14 v1 人工智能
摘要
3D 多目标跟踪 (MOT) 是环境感知的基本组成部分，是智能系统（如自动驾驶和机器人感知）的关键组件。尽管跟踪检测框架在最近几年表现出色，但在实际场景中仍面临重大挑战。复杂环境中的目标运动常呈高度非线性，而现有方法通常依赖于运动的线性近似。此外，系统噪声常被建模为高斯分布，无法捕捉噪声动力学的真实复杂性。这些过于简化的建模假设会显著降低跟踪精度。为此，我们提出一种基于 GRU 的 MOT 方法，引入可学习的 Kalman 滤器于运动模块中。该方法能够通过数据驱动学习来获取目标运动特征，从而避免手动模型设计和模型误差。同时，为避免因注释与轨迹之间的错误关联导致的异常监督，我们设计了一种半监督学习策略以加快收敛速度并提高模型的鲁棒性。在 nuScenes 和 Argoverse2 数据集上的评估实验表明，我们的系统在性能和潜力上均优于传统的 TBD 方法。
引用
@article{arxiv.2411.08433,
title = {3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter},
author = {Xiaoxiang Wang and Jiaxin Liu and Miaojie Feng and Zhaoxing Zhang and Xin Yang},
journal= {arXiv preprint arXiv:2411.08433},
year = {2024}
}