.png){kind=icon}
返回
Adaptive probabilistic multi-model framework for robust 3D multi-object tracking under uncertainty
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126719.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
三维多目标跟踪对于智能导航系统和自动驾驶车辆至关重要，能够实现周围对象的连续定位和再识别。当前方法通常依赖于简单的运动模型（如恒定速度和恒定加速度模型）进行轨迹预测。然而，这些模型在存在不确定性的环境中表现不佳，因为对象可能因避碰、好奇心驱动的探索或场景动态等因素而执行突发机动。此外，近期排名靠前的跟踪器采用类别特定的运动模型，虽然略微提高了精度，但增加了复杂性，且难以应对非典型对象机动。为解决这些挑战，我们提出了一种动态概率多模型框架，该框架利用多个并行运动模型以提高预测精度，并考虑了潜在的对象机动。我们的框架引入了两种基于学习概率多类别偏离角的新型运动模型。结合恒定速度模型，这些模型产生三种轨迹预测，每种预测均被赋予发生概率。我们利用基于逻辑回归的机器学习模型，根据对象的动量估计每种预测的概率。此外，我们引入了两种概率成本函数，用于在两阶段数据关联过程中更新轨迹，优先考虑概率较高的预测。我们在KITTI和nuScenes跟踪基准上进行了系列验证实验。结果表明，所提出的框架实现了稳健的跟踪性能，优于许多当前最佳跟踪器。值得注意的是，在KITTI上，它实现了80.27%（车辆）和52.48%（行人）的高阶跟踪精度，在nuScenes上实现了75.5%的平均多目标跟踪精度。代码已公开于https://github.com/elhamesmaeeli/PMM-MOT。
Keyword:
Multi-object tracking
Motion modeling
Trajectory prediction
Logistic regression
Kalman filter
Computer vision
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
分享收藏
A Multi-Modal Fusion-Based 3D Multi-Object Tracking Framework With Joint Detection基于多模态融合的3D多目标跟踪联合检测框架
PREAI
分享收藏No Blind Spots: Full-Surround Multi-Object Tracking for Autonomous Vehicles Using Cameras and LiDARs
PREAI
分享收藏FairMOT: On the Fairness of Detection and Re-identification in Multiple Object TrackingFairMOT: 关于多目标跟踪中检测和重新识别的公平性
PREAI
分享收藏
查看更多内容