[논문 리뷰] Probabilistic 3D Multi-Object Tracking for Autonomous Driving

Hsu-kuang Chiu, Antonio Prioletti외 2명|arXiv (Cornell University)|2020. 01. 16.

Video Surveillance and Tracking Methods참고 문헌 10인용 수 45

한 줄 요약

논문은 Mahalanobis 데이터 할당 및 학습된 잡음 공분산 추정을 사용하는 Kalman Filter를 이용한 온라인 3D 다중 객체 추적기를 제시하며, NuScenes Tracking Challenge에서 최신 AMOTA를 달성합니다.

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.

연구 동기 및 목표

• 자율 주행에 대한 견고한 3D MOT를 동기 부여하여 계획을 위한 신뢰할 수 있는 세계 표현을 제공한다.
• 학습된 초기, 프로세스 및 관측 공분산을 사용한 Kalman Filter를 활용하여 추적 견고성을 향상시킨다.
• 비선형 비중첩 예측 및 탐지에 대응하기 위해 데이터 할당에 Mahalanobis 거리를 사용한다.
• 상태에 각속도를 포함시켜 궤적 현실감을 향상시킨다.
• NuScenes Tracking Challenge에서 평가하고 AB3DMOT 기반선과 비교한다.

제안 방법

• 각 객체를 3D 위치, 방향, 크기, 선형/각 가속도를 포함하는 11-DOF 상태로 모델링한다.
• 상수 속도 프로세스 모델과 가우시안 가속도으로 예측하고 Kalman Filter를 통해 탐지 측정값으로 업데이트한다.
• 데이터 할당에 Mahalanobis 거리를 사용하고 Hungarian 알고리즘 대신 임계값이 있는 탐욕적 이분 매칭을 사용하여 거리에 따라 매치를 선택한다.
• 훈련 데이터에서 초기, 프로세스 및 관측 공분산을 추정하여 검증/테스트 세트 누수를 피한다.
• 각도 차이가 90–270도 초과 시 예측치를 회전시켜 방향 보정 기능을 포함한다.
• 상태에 각속도를 포함시켜 정성적 궤적 현실감을 향상시킨다.

실험 결과

연구 질문

• RQ1 Mahalanobis 거리 기반 데이터 할당이 자율 주행 시나리오에서 3D MOT 정확도를 3D-IOU 기반 방법보다 향상시키는가?
• RQ2 훈련 데이터에서 학습된 공분산 행렬을 통해 Kalman Filter 기반 3D 추적 성능을 판별하는가? 진실 레이블 누수 없이 가능하는가?
• RQ3 상태에 각속도를 포함하는 것이 정량적 지표와 정성적 추적 품질에 미치는 영향은 무엇인가?

주요 결과

• 제안된 방법이 NuScenes 검증에서 AB3DMOT보다 더 높은 AMOTA를 달성하여 기준선보다 큰 폭으로 우수한 성능을 보인다.
• Mahalanobis 거리 기반 데이터 할당이 3D-IOU에 비해 소형 객체(예: 자전거, 보행자) 추적에서 더 나은 성능을 보인다.
• 실험에서 탐욕적 데이터 할당 방식이 Hungarian 알고리즘보다 우수하다.
• 데이터 기반 Sigma0, Q, R 초기화가 휴리스틱 공분산보다 추적 강인성을 향상시킨다.
• 각속도 포함이 정성적 궤적 현실감을 향상시키나 평가 기준으로 인한 AMOTA 민감도는 제한적이다.
• NuScenes 테스트 세트에서 StanfordIPRL-TRI(Our)가 AMOTA 55.0으로 1위를 차지했다.