用于多目标跟踪的神经增强信念传播

多目标跟踪(MOT)的算法解决方案是自主导航与应用海洋科学中应用的关键赋能技术。最先进的 MOT 方法完全依赖于统计模型,并通常将预处理后的传感器数据用作量测。特别地,量测由检测器产生,该检测器从为离散时间步收集的原始传感器数据中提取潜在目标位置。这一预备处理步骤降低了数据流与计算复杂度,但可能导致信息损失。基于信念传播(BP)的最先进贝叶斯 MOT 方法系统性地利用统计模型的图结构以降低计算复杂度并改善可扩展性。然而,作为一种完全基于模型的方法,BP 在统计模型与真实数据生成过程不匹配时只能提供次优估计。现有的基于 BP 的 MOT 方法进一步只能利用预处理量测。本文中,我们引入一种结合基于模型与数据驱动 MOT 的 BP 变体。所提出的神经增强信念传播(NEBP)方法通过从原始传感器数据学习到的信息补充 BP 的统计模型。该方法推测所学信息可减少模型失配,从而改善数据关联与虚警抑制。我们的 NEBP 方法相较基于模型的方法提升了跟踪性能。同时,它继承了基于 BP 的 MOT 的优势,即仅随目标数量呈二次方扩展,从而可生成并维持大量目标航迹。我们在 nuScenes 自动驾驶数据集上评估了 NEBP 方法的 MOT 性能,并证明其具有最先进的性能。