RobMOT: Robust 3D Multi-Object Tracking by Observational Noise and State Estimation Drift Mitigation on LiDAR PointCloud

要約

この研究では、最近の 3D 検出による追跡手法の制限に対処し、正当な軌道の特定とカルマン フィルターの状態推定ドリフトの対処に焦点を当てています。
現在の方法は、ゴースト軌跡を防ぐために、検出スコアを使用した誤検知のしきい値ベースのフィルタリングに大きく依存しています。
ただし、このアプローチは、検出スコアが低下する傾向があり、しきい値を超える誤検知が発生する可能性がある、遠くにあるオブジェクトや部分的に遮蔽されたオブジェクトには不適切です。
さらに、文献では一般に、検出を物体の正確な位置特定として扱っています。
私たちの研究では、検出時のノイズが位置情報に影響を与え、遮蔽されたオブジェクトの軌道ドリフトを引き起こし、回復を妨げていることが明らかになりました。
この目的を達成するために、我々は、正規のトラックとゴーストトラックを一時的に区別する新しいオンライントラック有効性メカニズムと、受信観測に対する多段階の観測ゲートプロセスを提案します。
このメカニズムにより追跡パフォーマンスが大幅に向上し、HOTA では $6.28\%$、MOTA では $17.87\%$ 増加しました。
また、軌道ドリフトのノイズ軽減を強化するカルマン フィルターの改良も導入し、遮蔽されたオブジェクトのより堅牢な状態推定を実現します。
当社のフレームワークである RobMOT は、さまざまな検出器にわたって深層学習アプローチを含む最先端の手法を上回り、HOTA では最大 $4\%$、MOTA では $6\%$ のマージンを達成します。
RobMOT は、長時間のオクルージョンや遠くのオブジェクトの追跡などの困難な条件下で優れており、処理遅延が最大 59\% 改善されます。

要約(オリジナル)

This work addresses limitations in recent 3D tracking-by-detection methods, focusing on identifying legitimate trajectories and addressing state estimation drift in Kalman filters. Current methods rely heavily on threshold-based filtering of false positive detections using detection scores to prevent ghost trajectories. However, this approach is inadequate for distant and partially occluded objects, where detection scores tend to drop, potentially leading to false positives exceeding the threshold. Additionally, the literature generally treats detections as precise localizations of objects. Our research reveals that noise in detections impacts localization information, causing trajectory drift for occluded objects and hindering recovery. To this end, we propose a novel online track validity mechanism that temporally distinguishes between legitimate and ghost tracks, along with a multi-stage observational gating process for incoming observations. This mechanism significantly improves tracking performance, with a $6.28\%$ in HOTA and a $17.87\%$ increase in MOTA. We also introduce a refinement to the Kalman filter that enhances noise mitigation in trajectory drift, leading to more robust state estimation for occluded objects. Our framework, RobMOT, outperforms state-of-the-art methods, including deep learning approaches, across various detectors, achieving up to a $4\%$ margin in HOTA and $6\%$ in MOTA. RobMOT excels under challenging conditions, such as prolonged occlusions and tracking distant objects, with up to a 59\% improvement in processing latency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google