速度驱动的多目标跟踪：可学习卡尔曼滤波

多目标跟踪（MOT）使自动驾驶车辆能够持续感知动态目标，为预测、行为理解和安全规划提供关键的时序线索。然而，传统的基于检测的跟踪方法通常依赖于基于车主姿态的静态坐标变换，忽略了车主速度引起的观测噪声和参考系变化，这在动态、高速场景下会严重降低跟踪稳定性和准确性。本文研究了车主速度在MOT中的关键作用，提出了一种速度引导的可学习卡尔曼滤波器（SG-LKF），该滤�器动态适应不确定性建模以响应车主速度，从而在高度动态场景中显著提升跟踪稳定性和准确性。SG-LKF的核心是MotionScaleNet（MSNet），一种解耦的token混合和通道混合MLP，用于自适应预测SG-LKF的关键参数。为增强帧间关联和轨迹连续性，我们引入了一个自监督轨迹一致性损失，联合语义约束和位置约束进行优化。大量实验表明，SG-LKF在KITTI 2D MOT数据集上以79.59%的HOTA指数位列所有基于视觉的方法之首，在KITTI 3D MOT数据集上以82.03%的HOTA成绩斐然， 在nuScenes 3D MOT数据集上相较于SimpleTrack提升了2.2%的AMOTA。