基于激光雷达点云的鲁棒 3D 多目标跟踪：观测噪声与状态估计漂移缓解
计算机视觉与模式识别
2025-06-23 v4 机器人学
摘要
本文针对 3D 跟踪-检测方法中识别合法轨迹和减少卡尔曼滤波器状态估计漂移的局限性提出解决方案。现有方法常采用基于阈值的检测得分过滤，此类方法对远距离和遮挡对象易出错，导致误报。为此，我们提出一种新颖的轨迹有效性机制和多阶段观测门控过程，显著减少幽灵轨迹并提升跟踪性能。该方法在KITI 验证数据集上使用 Second 检测器实现了 29.47% 的多目标跟踪准确率 (MOTA) 提升。此外，改进的卡尔曼滤波项减少了定位噪声，提升了更高阶跟踪准确率 (HOTA) 高达 4.8%。在KITI 测试数据集上，线上框架 RobMOT 相较于前沿方法实现了最高达 3.92% 的 HOTA 提升，验证数据集上提升 8.7%，同时保持低身份切换分数。RobMOT 在挑战场景下表现突出，尤其擅长跟踪远距离对象和持续遮挡，Waymo Open 数据集上 MOTA 提升 1.77%，单 CPU 上实现 3221 FPS，证明其实时多目标跟踪的高效性。
引用
@article{arxiv.2405.11536,
title = {RobMOT: Robust 3D Multi-Object Tracking by Observational Noise and State Estimation Drift Mitigation on LiDAR PointCloud},
author = {Mohamed Nagy and Naoufel Werghi and Bilal Hassan and Jorge Dias and Majid Khonji},
journal= {arXiv preprint arXiv:2405.11536},
year = {2025}
}