[論文レビュー] Probabilistic 3D Multi-Object Tracking for Autonomous Driving

Hsu-kuang Chiu, Antonio Prioletti+2 more|arXiv (Cornell University)|Jan 16, 2020

Video Surveillance and Tracking Methods参考文献 10被引用数 45

ひとこと要約

本論文は、カラマンフィルターとマハラノビスデータ連携およびデータ駆動共分散推定を用いたオンライン3Dマルチオブジェクトトラッカーを提案し、NuScenes Tracking Challengeで最先端のAMOTAを達成します。

ABSTRACT

3D multi-object tracking is a key module in autonomous driving applications that provides a reliable dynamic representation of the world to the planning module. In this paper, we present our on-line tracking method, which made the first place in the NuScenes Tracking Challenge, held at the AI Driving Olympics Workshop at NeurIPS 2019. Our method estimates the object states by adopting a Kalman Filter. We initialize the state covariance as well as the process and observation noise covariance with statistics from the training set. We also use the stochastic information from the Kalman Filter in the data association step by measuring the Mahalanobis distance between the predicted object states and current object detections. Our experimental results on the NuScenes validation and test set show that our method outperforms the AB3DMOT baseline method by a large margin in the Average Multi-Object Tracking Accuracy (AMOTA) metric.

研究の動機と目的

• 自動運転の信頼性の高い世界表現を提供するための堅牢な3D MOTの動機づけ。
• 学習された初期、過程、観測の共分散を用いるカラマンフィルターを活用して追跡の堅牢性を改善。
• 非重複する予測と検出を扱うためデータ連携にマハラノビス距離を使用。
• 軌跡の現実感を高めるため状態に角速度を組み込む。
• NuScenes Tracking Challengeで評価し、AB3DMOTベースラインと比較する。

提案手法

• 各オブジェクトを3D位置、姿勢、サイズ、並進/回転速度を含む11自由度の状態でモデル化。
• 定常速度過程モデルとガウス加速度で予測；Kalman Filterを用いて検出器の測定で更新。
• データ連携にはマハラノビス距離を用い、ハンガリアン法の代わりにしきい値付きの貪欲的二部マッチングを使用し、距離でマッチを選択。
• 検証データセットからリークを避けるため、訓練データから初期、過程、観測の共分散を推定。
• 角度差が90–270度を超える場合には推定を回転させて姿勢補正を組み込む。
• 状態に角速度を含めて定性的な軌跡の現実性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 マハラノビス距離ベースのデータ連携は、自動運転シナリオにおける3D MOTの精度を3D-IOUベースの方法より改善するか。
• RQ2 訓練データからデータ駆動の共分散マトリクスを学習することで、真値リークを起こさずにKalman Filterベースの3D追跡性能を改善できるか。
• RQ3 状態に角速度を含めることが定量的指標と定性的追跡品質に与える影響はどの程度か。

主な発見

方法	全体	自転車	バス	車	オートバイ	歩行者	トレーラー	トラック
AB3DMOT [ 8 ]	17.9	0.9	48.9	36.0	5.1	9.1	11.1	14.2
AB3DMOT [ 8 ] *	50.9	21.8	74.3	69.4	39.0	58.7	35.3	58.1
Ours w/ 3D-IOU, threshold 0.01	52.7	23.2	73.9	72.1	40.4	66.7	34.4	58.3
Ours w/ 3D-IOU, threshold 0.1	49.2	22.3	74.4	68.2	38.9	47.1	35.9	57.8
Ours w/ 3D-IOU, threshold 0.25	43.9	21.3	73.9	63.3	35.1	21.6	36.9	54.9
Ours w/ Hungarian algorithm	49.8	24.2	68.4	63.9	42.9	70.0	27.6	52.0
Ours w/ default covariance	41.7	11.2	57.0	56.8	37.8	63.7	23.4	41.7
Ours w/o angular velocity	56.1	27.2	74.1	73.5	50.7	75.5	33.8	58.1
Ours	56.1	27.2	74.1	73.5	50.6	75.5	33.7	58.0

• 提案手法はNuScenesの検証でAB3DMOTより高いAMOTAを達成し、ベースラインを大きく上回る。
• マハラノビス距離ベースのデータ連携は、3D-IOUと比べ小型物体（例：自転車、歩行者）の追跡性能を改善。
• 貪欲的データ連携アプローチは実験でハンガリアンアルゴリズムより優れている。
• Sigma0、Q、Rのデータ駆動初期化は、ヒューリスティック共分散より追跡の堅牢性を向上。
• 角速度を含めると定性的な軌跡の現実性が向上するが、評価基準のAMOTA感度はこの要素の影響を限定的にしている。
• NuScenesテストセットでは、StanfordIPRL-TRI（私たちのもの）がAMOTA55.0で1位を獲得。