SWTrack: Multiple Hypothesis Sliding Window 3D Multi-Object Tracking

要約

最新のロボット システムは、高密度の動的環境で動作する必要があり、高精度のリアルタイムの追跡識別と推定が必要です。
3D マルチオブジェクト追跡の場合、最近のアプローチでは単一の測定フレームを貪欲な関連付けで再帰的に処理するため、あいまいな関連付けの決定でエラーが発生する傾向があります。
私たちの手法である Sliding Window Tracker (SWTrack) は、リアルタイムでオンラインで実行しながら、多くのフレームのセンサー データをバッチ処理することで、より正確な関連付けと状態推定を実現します。
最も可能性の高いトラックの関連付けは、時間スライディング ウィンドウ全体で考えられるすべてのトラック仮説を評価することによって特定されます。
新しいグラフ最適化アプローチは、検出漏れを考慮して導入されたリフト グラフ エッジと、リアルタイム効率を維持するために強制されたグラフ スパース性を使用して、多次元割り当て問題を解決するために定式化されます。
NuScenes自動運転データセットでSWTrack実装$^{2}$を評価し、追跡パフォーマンスの向上を実証します。

要約(オリジナル)

Modern robotic systems are required to operate in dense dynamic environments, requiring highly accurate real-time track identification and estimation. For 3D multi-object tracking, recent approaches process a single measurement frame recursively with greedy association and are prone to errors in ambiguous association decisions. Our method, Sliding Window Tracker (SWTrack), yields more accurate association and state estimation by batch processing many frames of sensor data while being capable of running online in real-time. The most probable track associations are identified by evaluating all possible track hypotheses across the temporal sliding window. A novel graph optimization approach is formulated to solve the multidimensional assignment problem with lifted graph edges introduced to account for missed detections and graph sparsity enforced to retain real-time efficiency. We evaluate our SWTrack implementation$^{2}$ on the NuScenes autonomous driving dataset to demonstrate improved tracking performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google