Collaborative Multi-Object Tracking with Conformal Uncertainty Propagation

要約

物体検出と複数物体追跡 (MOT) は、自動運転システムの重要なコンポーネントです。
自動運転車の安全性と堅牢性を向上させるには、正確な検出と不確実性の定量化の両方が、認識、予測、計画などの車載モジュールにとって重要です。
協調的物体検出 (COD) は、複数のエージェントの視点を活用することで検出精度を向上させ、不確実性を低減するために提案されています。
しかし、COD から得られる不確実性の定量化を活用して MOT パフォーマンスを向上させる方法についてはほとんど注目されていません。
この論文では、この課題に対処する最初の試みとして、MOT-CUPと呼ばれる不確実性伝播フレームワークを設計します。
私たちのフレームワークは、まず直接モデリングと等角予測を通じて COD の不確実性を定量化し、この不確実性の情報を動き予測と関連付けのステップに伝播します。
MOT-CUP は、さまざまな協調オブジェクト検出器およびベースライン MOT アルゴリズムと連携して動作するように設計されています。
私たちは、包括的な共同認識データセットである V2X-Sim で MOT-CUP を評価し、ベースラインと比較して精度が 2% 向上し、不確実性が 2.67 倍減少することを実証しました。
SORT とバイトトラック。
高いオクルージョン レベルを特徴とするシナリオでは、当社の MOT-CUP は精度において $4.01\%$ の注目に値する向上を示しています。
MOT-CUP は、COD と MOT の両方における不確実性の定量化の重要性を実証し、不確実性の伝播を通じて COD に基づいて MOT の精度を向上させ、不確実性を低減する最初の試みを提供します。
私たちのコードは https://coperception.github.io/MOT-CUP/ で公開されています。

要約(オリジナル)

Object detection and multiple object tracking (MOT) are essential components of self-driving systems. Accurate detection and uncertainty quantification are both critical for onboard modules, such as perception, prediction, and planning, to improve the safety and robustness of autonomous vehicles. Collaborative object detection (COD) has been proposed to improve detection accuracy and reduce uncertainty by leveraging the viewpoints of multiple agents. However, little attention has been paid to how to leverage the uncertainty quantification from COD to enhance MOT performance. In this paper, as the first attempt to address this challenge, we design an uncertainty propagation framework called MOT-CUP. Our framework first quantifies the uncertainty of COD through direct modeling and conformal prediction, and propagates this uncertainty information into the motion prediction and association steps. MOT-CUP is designed to work with different collaborative object detectors and baseline MOT algorithms. We evaluate MOT-CUP on V2X-Sim, a comprehensive collaborative perception dataset, and demonstrate a 2% improvement in accuracy and a 2.67X reduction in uncertainty compared to the baselines, e.g. SORT and ByteTrack. In scenarios characterized by high occlusion levels, our MOT-CUP demonstrates a noteworthy $4.01\%$ improvement in accuracy. MOT-CUP demonstrates the importance of uncertainty quantification in both COD and MOT, and provides the first attempt to improve the accuracy and reduce the uncertainty in MOT based on COD through uncertainty propagation. Our code is public on https://coperception.github.io/MOT-CUP/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google