MinkSORT：一种基于稀疏卷积的3D深度特征提取器用于改善温室番茄植株的3D多目标跟踪
机器人学
2024-12-20 v2
摘要
农业食品行业正转向机器人以应对劳动力短缺挑战。然而，由于高度变化与遮挡，农业食品环境给机器人带来困难。面对这些挑战，包含物体位置、形状与属性信息的精确世界模型对机器人准确执行任务至关重要。由于农业食品环境复杂且独特，构建此类模型十分困难，且模型中的错误会导致任务执行问题。本文提出MinkSORT，一种在deepSORT类方法中利用3D稀疏卷积网络生成跟踪特征的新方法，用于提高农业食品环境中世界模型的准确性。MinkSORT使用在番茄温室中收集的真实世界数据进行评估，其显著改善了使用卡尔曼滤波和马氏距离跟踪番茄3D位置的基线模型性能。MinkSORT将HOTA从42.8%提升至44.77%，关联准确率从32.55%提升至35.55%，MOTA从57.63%提升至58.81%。我们还评估了用于训练MinkSORT的不同对比损失函数，并证明其在三项独立的精度与召回检测结果上带来性能提升。所提方法提高了世界模型准确性，使机器人能够以更高效率与精度执行采收与植株维护等任务，这对以可持续方式满足日益增长的粮食需求至关重要。
引用
@article{arxiv.2307.05219,
title = {MinkSORT: A 3D deep feature extractor using sparse convolutions to improve 3D multi-object tracking in greenhouse tomato plants},
author = {David Rapado-Rincon and Eldert J. van Henten and Gert Kootstra},
journal= {arXiv preprint arXiv:2307.05219},
year = {2024}
}