探索动态场景特征一致性用于稳健的3D多目标跟踪
计算机视觉与模式识别
2025-12-04 v2
摘要
3D多目标跟踪是自动驾驶领域中的一个关键且具有挑战性的任务。常见的范式依赖于对单个物体运动进行建模(如卡尔曼滤波)来预测轨迹。虽然在简单场景中有效，但该方法在拥挤环境或检测不准时常常难以应对，因为它忽略了物体之间的丰富几何关系。这凸显了需要利用空间线索的必要性。然而，现有的几何感知方法可能受到无关物体的干扰，导致特征模糊且关联错误。为此，我们提出关注特征一致性：识别并匹配随时间变化的稳定空间模式。我们引入动态场景特征一致性跟踪器(DSC-Track)来实现这一原则。首先，我们设计了使用点对特征(PPF)的统一时空编码器，以学习判别性轨迹嵌入并抑制干扰。其次，我们的特征一致性变换器模块显式地对齐历史轨迹与当前检测之间的一致特征表示。最后，一个动态更新机制保留显著时空信息以实现稳定的在线跟踪。在nuScenes和Waymo Open数据集上的大量实验表明，我们的方法在有效性和鲁棒性方面都具有优势。例如，在nuScenes基准测试中，我们的方法在验证集和测试集上分别实现了73.2%和70.3%的AMOTA。
引用
@article{arxiv.2508.11323,
title = {Delving into Dynamic Scene Cue-Consistency for Robust 3D Multi-Object Tracking},
author = {Haonan Zhang and Xinyao Wang and Boxi Wu and Tu Zheng and Wang Yunhua and Zheng Yang},
journal= {arXiv preprint arXiv:2508.11323},
year = {2025}
}