紧密跟随：一种用于移动机器人的鲁棒单目行人跟随系统

单目行人跟随（MPF）是支撑移动机器人许多有用应用的能力。然而，现有的 MPF 方案尚不能完全令人满意。首先，它们常在近距离下跟踪失败，原因在于其基于视觉伺服或需要机器人观测到完整身体。其次，在目标外观变化及干扰者外观高度相似的情况下，其目标重识别（Re-ID）能力较弱。为去除全身观测的假设，我们提出一种基于宽度的跟踪模块，其依赖于即便在近距离也可观测到的目标宽度。为处理外观变化相关问题，我们使用全局 CNN（卷积神经网络）描述子表示目标，并采用岭回归模型在线学习目标外观模型。我们采用一种涉及长期与短期样本的在线分类器学习采样策略。我们在两个数据集上评估了我们的方法，包括一个公开行人跟随数据集和一个具有挑战性目标外观与目标距离的自定义数据集。我们的方法在两个数据集上均取得了最先进（SOTA）结果。为惠及社区，我们公开了该数据集与源代码。