点云序列中无模型车辆跟踪与状态估计
计算机视觉与模式识别
2021-08-06 v2 机器人学
摘要
估计周围交通参与者的状态是自动驾驶的核心问题。在本文中，我们研究该问题的一个新设定：无模型单目标跟踪（SOT），其将第一帧中的物体状态作为输入，并在后续帧中联合求解状态估计与跟踪。这一新设定的主要目的是打破多目标跟踪中流行的“检测与跟踪”范式的强限制。此外，我们注意到，通过叠加点云进行形状补全（这是我们提出任务的副产品）不仅提升了状态估计性能，还具有众多应用。由于迄今尚无该任务的基准，我们基于 Waymo Open 数据集构建了新数据集 LiDAR-SOT 及相应评估协议。然后，我们提出一种名为 SOTracker 的基于优化的算法，涉及点云配准、车辆形状、对应关系和运动先验。我们的定量与定性结果证明了 SOTracker 的有效性，并揭示了点云中 SOT 的挑战性情形，包括 LiDAR 数据的稀疏性、突变运动等。最后，我们还探索了所提任务与算法如何惠及其他自动驾驶应用，包括模拟 LiDAR 扫描、生成运动数据和标注光流。我们的基准与算法的代码和协议可在 https://github.com/TuSimple/LiDAR_SOT/ 获取。视频演示见 https://www.youtube.com/watch?v=BpHixKs91i8。
引用
@article{arxiv.2103.06028,
title = {Model-free Vehicle Tracking and State Estimation in Point Cloud Sequences},
author = {Ziqi Pang and Zhichao Li and Naiyan Wang},
journal= {arXiv preprint arXiv:2103.06028},
year = {2021}
}
备注
Accepted by IROS2021, Camera ready version