面向含异常值多目标跟踪的卷积无迹卡尔曼滤波器
计算机视觉与模式识别
2024-09-17 v2 应用统计
摘要
多目标跟踪是自动驾驶导航中的关键技术。在基于检测的跟踪系统中，由于复杂的交通场景，偏差、误检和漏检（称为异常值）不可避免。最近的跟踪方法基于滤波算法，但这些算法忽略了异常值，导致跟踪精度下降甚至丢失目标轨迹。为应对这一挑战，我们采用概率视角，将异常值的产生视为测量数据实际分布与用于滤波的名义测量模型之间的错误指定。我们进一步证明，通过设计卷积操作，可以缓解这种错误指定。将该操作融入广泛使用的无迹卡尔曼滤波器（常见于跟踪算法中），我们推导出UKF的一个变体——卷积UKF，它对异常值具有鲁棒性。我们证明ConvUKF保持高斯共轭性质，从而允许实时跟踪。我们还证明ConvUKF在存在异常值时具有有界跟踪误差，这意味着鲁棒稳定性。在KITTI和nuScenes数据集上的实验结果表明，与MOT任务的代表性基线算法相比，精度有所提高。
引用
@article{arxiv.2406.01380,
title = {Convolutional Unscented Kalman Filter for Multi-Object Tracking with Outliers},
author = {Shiqi Liu and Wenhan Cao and Chang Liu and Tianyi Zhang and Shengbo Eben Li},
journal= {arXiv preprint arXiv:2406.01380},
year = {2024}
}
备注
IEEE Transactions on Intelligent Vehicles