基于贝叶斯近似的 4D 雷达轨迹预测与跟踪
计算机视觉与模式识别
2025-02-04 v1
摘要
精确的 3D 多目标跟踪（MOT）对自动驾驶汽车至关重要，然而基于激光雷达和相机的方法在恶劣天气下性能会下降。同时，基于雷达的解决方案虽然保持鲁棒性，但通常存在垂直分辨率有限和运动模型过于简单的问题。现有的基于卡尔曼滤波的方法也依赖于固定的噪声协方差，当目标进行突然机动时，其适应性会受到影响。我们提出了 Bayes-4DRTrack，这是一个基于 4D 雷达的 MOT 框架，它采用基于 Transformer 的运动预测网络来捕捉非线性运动动力学，并在检测和预测步骤中都采用贝叶斯近似。此外，我们的两阶段数据关联利用多普勒测量来更好地区分距离很近的目标。在 K-Radar 数据集（包括恶劣天气场景）上的评估显示，Bayes-4DRTrack 的平均多目标跟踪精度（AMOTA）比采用传统运动模型和固定噪声协方差的方法提高了 5.7%。这些结果展示了在苛刻的真实世界条件下增强的鲁棒性和准确性。
引用
@article{arxiv.2502.01357,
title = {Bayesian Approximation-Based Trajectory Prediction and Tracking with 4D Radar},
author = {Dong-In Kim and Dong-Hee Paek and Seung-Hyun Song and Seung-Hyun Kong},
journal= {arXiv preprint arXiv:2502.01357},
year = {2025}
}
备注
6pages, 4 figures