DIMM：用于3D目标跟踪的解耦多层级卡尔曼滤波器
计算机视觉与模式识别
2025-05-20 v1
摘要
对于高度机动的3D目标跟踪，状态估计颇具挑战，因为目标的状态转移函数会快速、不规则地变化且对估计器而言是未知的。基于交互式多模型（IMM）的现有工作通过模型组合实现比单滤波器更精确的估计，随时间将合适的模型与目标对象在不同运动模式下对齐。然而，传统IMM仍存在两个未解决的局限性：其首先，模型组合的解空间受限，因为目标在不同方向上的多样化运动特性被忽略；其二，使用观测似然度计算得到的模型组合权重不够准确，因为存在测量不确定性。本文提出一种新框架DIMM，通过在每个方向上有效组合来自不同运动模型的估计，从而提高3D目标跟踪的精度。首先，DIMM通过设计一种3D解耦多层级滤波器银行，将模型组合的解空间从超平面扩展到超立方体，以各种阶数的线性模型描述目标的运动。其二，DIMM通过一种可微分的自适应融合网络生成更可靠的组合权重矩阵，而不是仅依赖观测似然度；该网络包含一种基于注意力的双延迟深度确定性政策梯度（TD3）方法，具有层次奖励。实验表明，DIMM通过31.61%~99.23%显著提高了现有状态估计方法的跟踪精度。
引用
@article{arxiv.2505.12340,
title = {DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking},
author = {Jirong Zha and Yuxuan Fan and Kai Li and Han Li and Chen Gao and Xinlei Chen and Yong Li},
journal= {arXiv preprint arXiv:2505.12340},
year = {2025}
}
备注
10 pages