Probabilistic 3D Multi-Object Cooperative Tracking for Autonomous Driving via Differentiable Multi-Sensor Kalman Filter

要約

現在の最先端の自動運転車は、主に個々のセンサー システムに依存して認識タスクを実行します。
このようなフレームワークの信頼性は、閉塞やセンサーの故障によって制限される可能性があります。
この問題に対処するために、最近の研究では、車車間 (V2V) 通信を使用して他のユーザーと知覚情報を共有することが提案されています。
しかし、関連する研究のほとんどは協調検出のみに焦点を当てており、協調追跡は未開拓の研究分野となっています。
V2V4Real などのいくつかの最近のデータセットは、3D マルチオブジェクト協調追跡ベンチマークを提供します。
ただし、彼らが提案した方法は主に、標準的な単一センサーのカルマン フィルター ベースの追跡アルゴリズムへの入力として協調検出結果を使用します。
彼らのアプローチでは、さまざまなコネクテッド自律走行車 (CAV) からのさまざまなセンサーの測定の不確実性が、カルマン フィルター ベースの追跡アルゴリズムの理論的な最適性特性を利用するために適切に推定されていない可能性があります。
本稿では、微分可能なマルチセンサーカルマンフィルターを介した自動運転のための新しい3Dマルチオブジェクト協調追跡アルゴリズムを提案します。
私たちのアルゴリズムは、カルマン フィルター ベースの追跡方法の理論的特性をより適切に活用できるように、検出ごとに測定の不確実性を推定する方法を学習します。
実験の結果、V2V4Real の最先端の方法と比較して、当社のアルゴリズムはわずか 0.037 倍の通信コストで追跡精度が 17% 向上することがわかりました。
コードとビデオは https://github.com/eddyhkchiu/DMSTrack/ および https://eddyhkchiu.github.io/dmstrack.github.io/ で入手できます。

要約(オリジナル)

Current state-of-the-art autonomous driving vehicles mainly rely on each individual sensor system to perform perception tasks. Such a framework’s reliability could be limited by occlusion or sensor failure. To address this issue, more recent research proposes using vehicle-to-vehicle (V2V) communication to share perception information with others. However, most relevant works focus only on cooperative detection and leave cooperative tracking an underexplored research field. A few recent datasets, such as V2V4Real, provide 3D multi-object cooperative tracking benchmarks. However, their proposed methods mainly use cooperative detection results as input to a standard single-sensor Kalman Filter-based tracking algorithm. In their approach, the measurement uncertainty of different sensors from different connected autonomous vehicles (CAVs) may not be properly estimated to utilize the theoretical optimality property of Kalman Filter-based tracking algorithms. In this paper, we propose a novel 3D multi-object cooperative tracking algorithm for autonomous driving via a differentiable multi-sensor Kalman Filter. Our algorithm learns to estimate measurement uncertainty for each detection that can better utilize the theoretical property of Kalman Filter-based tracking methods. The experiment results show that our algorithm improves the tracking accuracy by 17% with only 0.037x communication costs compared with the state-of-the-art method in V2V4Real. Our code and videos are available at https://github.com/eddyhkchiu/DMSTrack/ and https://eddyhkchiu.github.io/dmstrack.github.io/ .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google