面向自动驾驶车辆基于泊松多伯努利混合滤波的多目标跟踪
机器人学
2021-03-16 v1 计算机视觉与模式识别
信号处理
摘要
自动驾驶车辆执行三维跟踪的能力对于在杂乱环境中的安全规划与导航至关重要。自动驾驶应用中多目标跟踪（MOT）的主要挑战在于关于物体数量的固有不确定性、物体出现与消失的时间和位置的不确定性，以及物体状态的不确定性。基于随机有限集（RFS）的方法能够自然、准确且优雅地对这些不确定性进行建模，并已广泛应用于基于雷达的跟踪应用中。在本工作中，我们开发了一个面向三维LiDAR数据的基于RFS的MOT框架。具体而言，我们提出了一种泊松多伯努利混合（PMBM）滤波器，以解决自动驾驶应用中的非模态MOT问题。据我们所知，这是首次尝试将基于RFS的方法与三维LiDAR数据结合用于MOT应用，并利用行业领先者提供的具有挑战性的数据集进行了全面验证。我们的PMBM跟踪器在公开Waymo和Argoverse数据集上的优越实验结果清楚地表明，基于RFS的跟踪器优于许多最先进的基于深度学习的方法和基于卡尔曼滤波器的方法，因此，这些结果表明了进一步探索基于RFS的框架用于三维MOT应用的巨大潜力。
引用
@article{arxiv.2103.07783,
title = {Multi-Object Tracking using Poisson Multi-Bernoulli Mixture Filtering for Autonomous Vehicles},
author = {Su Pang and Hayder Radha},
journal= {arXiv preprint arXiv:2103.07783},
year = {2021}
}