基于模块化卡尔曼框架的紧凑神经网络多目标跟踪
计算机视觉与模式识别
2026-03-24 v2 机器学习
摘要
我们提出一种模块化、生产就绪的方法，将紧凑神经网络（NN）集成到基于卡尔曼滤波的多目标跟踪（MOT）管道中。我们设计了三个紧凑的任务特定网络，以保持模块化、可解释性和实时性，适用于嵌入式汽车级驾驶辅助系统：（i）SPENT（单预测网络）-预测每个轨迹的状态，取代卡尔曼滤波（KF）中使用的启发式运动模型。（ii）SANT（单关联网络）-为单个传入传感器对象分配到现有轨迹，而无需依赖启发式距离和关联度量。（iii）MANTa（多关联网络）-在单一步骤中联合关联多个传感器对象到多个轨迹。每个模块的可训练参数不足5万个。此外，这三个模块都可以实时运行，基于跟踪数据进行训练，并暴露模块化接口，以便与标准卡尔曼滤波状态更新和轨迹管理集成。这使其与许多现有跟踪器兼容。通过确保每个网络可以独立于其他网络进行训练和评估，实现了模块化。我们的在KITTI跟踪基准测试评估显示，SPENT相对于标准卡尔曼滤波将预测RMSE降低了50%以上，而SANT和MANTa实现了最高达95%的分配准确率。这些结果表明，小型任务特定神经模块在不牺牲模块化、可解释性或汽车部署所需的实时性约束的情况下，能够显著提高跟踪精度和鲁棒性。
引用
@article{arxiv.2504.02519,
title = {Tiny Neural Networks for Multi-Object Tracking in a Modular Kalman Framework},
author = {Christian Alexander Holz and Christian Bader and Markus Enzweiler and Matthias Drüppel},
journal= {arXiv preprint arXiv:2504.02519},
year = {2026}
}