OptiPMB：通过优化泊松多伯努利滤波增强3D多目标跟踪
计算机视觉与模式识别
2026-02-04 v2 机器人学
摘要
准确的3D多目标跟踪（MOT）对于自动驾驶至关重要，它使系统能够在复杂环境中实现鲁棒的感知、导航和规划。尽管基于深度学习的解决方案已展现出令人印象深刻的3D MOT性能，但基于模型的方法因其简单性、可解释性和数据效率依然具有吸引力。传统的基于模型的跟踪器通常在“基于检测的跟踪”（TBD）框架内依赖基于随机向量的贝叶斯滤波器，但由于启发式的数据关联和航迹管理方案而面临局限性。相比之下，基于随机有限集（RFS）的贝叶斯滤波以理论上严谨的方式处理目标的出生、存活和消亡，促进了可解释性和参数调优。在本文中，我们提出了 OptiPMB，一种基于 RFS 的3D MOT新方法，该方法采用优化的泊松多伯努利（PMB）滤波器，并在 TBD 框架内融入了若干关键创新设计。具体而言，我们提出了一种测量驱动的混合自适应出生模型以改进航迹初始化，采用自适应检测概率参数以有效维持被遮挡目标的航迹，并优化了密度剪枝和航迹提取模块以进一步增强整体跟踪性能。在 nuScenes 和 KITTI 数据集上的广泛评估表明，OptiPMB 与 SOTA 方法相比实现了更高的跟踪精度，从而为基于模型的3D MOT建立了新的基准，并为未来自动驾驶中基于 RFS 的跟踪器研究提供了有价值的见解。
引用
@article{arxiv.2503.12968,
title = {OptiPMB: Enhancing 3D Multi-Object Tracking with Optimized Poisson Multi-Bernoulli Filtering},
author = {Guanhua Ding and Yuxuan Xia and Runwei Guan and Qinchen Wu and Tao Huang and Weiping Ding and Jinping Sun and Guoqiang Mao},
journal= {arXiv preprint arXiv:2503.12968},
year = {2026}
}