时序数据融合复杂运动建模：面向多目标跟踪的鲁棒且计算高效的运动预测器
计算机视觉与模式识别
2026-05-04 v1
摘要
多目标跟踪（MOT）是诸多实际应用中的关键技术，包括监控、自动驾驶和机器人等领域。准确预测物体运动是 MOT 的核心挑战，但现有方法在处理真实场景中非线性运动的复杂性（如突然停顿、急转弯）时常常吃力。近期研究趋向于采用日益复杂且计算昂贵的生成模型，但实际效用往往受限。本文质疑这种范式，认为此类复杂性不仅非必要，且可能被更高效、专为此任务而设计的方法所取代。我们引入时序卷积运动预测器（TCMP），一种 novel 的 MOT 框架，基于改进的时序卷积网络（TCN）设计，包含膨胀卷积和回归头。该设计实现了对任意时序上下文长度的有效运动预测。实验结果表明，我们的方法实现了最先进的性能，具体改进了前一最佳方法在多个关键指标上的表现：HOTA（整体跟踪精度度量）从 62.3% 提升至 63.4%，IDF1（身份保持度量）从 63.0% 提升至 65.0%，AssA（关联精度度量）从 47.2% 提升至 49.1%。显著的是，TCMP 在保持高效能的同时实现了上述性能；其参数数量仅为 SOTA 方法的 0.014 倍，计算成本（FLOPs）仅为其 0.05 倍。这些发现凸显了该方法在复杂跟踪环境中适应性、准确性和效率的优势。
引用
@article{arxiv.2605.00362,
title = {Time-series Meets Complex Motion Modeling: Robust and Computational-effective Motion Predictor for Multi-object Tracking},
author = {Nhat-Tan Do and Le-Huy Tu and Nhi Ngoc-Yen Nguyen and Dieu-Phuong Nguyen and Trong-Hop Do},
journal= {arXiv preprint arXiv:2605.00362},
year = {2026}
}