[论文解读] AB3DMOT: A Baseline for 3D Multi-Object Tracking and New Evaluation Metrics

Xinshuo Weng, Jianren Wang+2 more|arXiv (Cornell University)|Aug 18, 2020

Video Surveillance and Tracking Methods参考文献 11被引用 44

一句话总结

一个简单的、实时的3D MOT基线，使用3D卡尔曼滤波和匈牙利数据关联，以及用于KITTI的新3D评估工具和度量。它在3D MOT性能上达到强劲表现，并在现代系统中拥有最快的FPS。

ABSTRACT

3D multi-object tracking (MOT) is essential to applications such as autonomous driving. Recent work focuses on developing accurate systems giving less attention to computational cost and system complexity. In contrast, this work proposes a simple real-time 3D MOT system with strong performance. Our system first obtains 3D detections from a LiDAR point cloud. Then, a straightforward combination of a 3D Kalman filter and the Hungarian algorithm is used for state estimation and data association. Additionally, 3D MOT datasets such as KITTI evaluate MOT methods in 2D space and standardized 3D MOT evaluation tools are missing for a fair comparison of 3D MOT methods. We propose a new 3D MOT evaluation tool along with three new metrics to comprehensively evaluate 3D MOT methods. We show that, our proposed method achieves strong 3D MOT performance on KITTI and runs at a rate of $207.4$ FPS on the KITTI dataset, achieving the fastest speed among modern 3D MOT systems. Our code is publicly available at http://www.xinshuoweng.com/projects/AB3DMOT.

研究动机与目标

• 为需要在准确性与计算效率之间取得平衡的简单、实时的3D MOT基线的必要性提供动机。
• 提出一个使用3D检测、3D卡尔曼滤波和匈牙利算法进行数据关联的直接3D MOT流水线。
• 通过引入直接的3D评估工具和新指标，识别并解决3D MOT评估中的空白。
• 在KITTI 3D MOT上评估所提出的基线，以展示性能和速度优势。

提出的方法

• 使用现货3D检测器从激光雷达点云获取3D检测。
• 将3D卡尔曼滤波状态扩展为包括3D位置、大小、速度和姿态，采用恒定速度模型。
• 在3D空间应用匈牙利算法进行数据关联。
• 通过将2D IoU替换为3D IoU并在3D空间内进行匹配，开发一个3D MOT评估工具。
• 引入三个积分指标（sAMOTA、AMOTA、AMOTP）来总结跨召回阈值的MOT性能。

实验结果

研究问题

• RQ1 使用3D卡尔曼滤波和匈牙利匹配的简单3D MOT流水线是否能在KITTI上实现具有竞争力的性能？
• RQ2 直接在3D空间评估3D MOT是否比投影到2D提供更公平、信息性更强的比较？
• RQ3 跨召回值的积分指标是否比传统的MOT指标更能体现对置信阈值的鲁棒性？

主要发现

• 所提出的3D MOT系统仅使用3D输入，在KITTI上实现了强大性能且不依赖2D数据。
• 该方法在KITTI val集的FPS为207.4，是在不使用GPU的前提下，现代3D MOT系统中最快的。
• 一个3D评估工具和基于3D IoU的匹配使直接在3D评估成为可能，而非将结果投影到2D。
• 三个积分指标（sAMOTA、AMOTA、AMOTP）在跨越召回值时总结MOTA/MOTP，解决对置信阈值的敏感性问题。
• 与mmMOT和FANTrack相比，所提方法在KITTI val上的sAMOTA、AMOTA和AMOTP表现更高，且报告运行中没有身份转换（IDS）。