[论文解读] Probabilistic 3D Multi-Object Tracking for Autonomous Driving
本文提出一种基于卡尔曼滤波的 online 3D 多目标跟踪器，使用马氏数据关联和数据驱动协方差估计，在 NuScenes Tracking Challenge 上达到最先进的 AMOTA。
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.
研究动机与目标
- 推动鲁棒的用于自动驾驶的3D MOT，以提供用于规划的可靠世界表示。
- 利用带有学习得到的初始、过程和观测协方差的卡尔曼滤波以提高跟踪鲁棒性。
- 使用马氏距离进行数据关联，以处理不重叠的预测与检测。
- 将角速度纳入状态以提高轨迹的真实感。
- 在 NuScenes Tracking Challenge 上进行评估并与 AB3DMOT 基线进行比较。
提出的方法
- 将每个对象建模为11自由度状态，包括3D位置、方向、大小，以及线性/角速度。
- 使用常速率过程模型和高斯加速度进行预测；通过卡尔曼滤波利用检测器测量更新。
- 使用马氏距离进行数据关联，并采用带阈值的贪婪二分匹配，而非匈牙利算法，按距离选择匹配项。
- 从训练数据估计初始、过程和观测协方差，以避免来自验证/测试集的信息泄露。
- 通过在角度差超过90–270度时旋转预测来进行方向修正。
- 将角速度纳入状态以提高定性轨迹真实感。
实验结果
研究问题
- RQ1基于马氏距离的数据关联是否在自动驾驶场景中提升了相对于3D-IOU方法的3D MOT准确性？
- RQ2能否通过从训练数据学习数据驱动的协方差矩阵来提升基于卡尔曼滤波的3D跟踪性能，同时避免真实标签泄露？
- RQ3将角速度纳入状态对定量指标和定性跟踪质量有何影响？
主要发现
- 所提出的方法在 NuScenes 验证集上获得比 AB3DMOT 更高的 AMOTA，远超基线。
- 基于马氏距离的数据关联在较小物体（如自行车、行人）上的跟踪效果优于 3D-IOU。
- 在他们的实验中，贪婪数据关联方法优于匈牙利算法。
- 数据驱动初始化 Sigma0、Q 和 R 相较于启发式协方差提升了跟踪鲁棒性。
- 包含角速度提高了定性轨迹真实感，尽管由于评估标准，AMOTA 对该特征的敏感度有限。
- 在 NuScenes 测试集上，StanfordIPRL-TRI (Ours) 以 AMOTA 55.0 名列首位。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。