通过融合 2D 图像与 3D LiDAR 点云的特征，学习度量，以及在无匹配目标检测时初始化跟踪，提出了一种概率、多模态、多对象跟踪系统，实现了比现有技术更鲁棒、数据驱动的多对象跟踪。

Dec, 2020

本文提出了一个新的全局关联图模型与链接预测方法，以预测现有的 tracklets 位置并通过交叉注意力运动建模和外观重新识别将检测与 tracklets 链接起来，以解决由于不一致的 3D 对象检测引起的问题，并提高 nuScenes 检测挑战中标准 3D 对象检测器的检测准确率。实验结果表明，该方法在现有基于视觉的跟踪数据集上表现出了 SOTA 的性能。

Apr, 2022

本文介绍了一种在线目标跟踪方法，采用卡尔曼滤波器估算对象状态，并测量预测对象状态和当前检测数据之间的马氏距离以进行数据关联，该方法在 NuScenes Tracking Challenge 中表现优异。

Jan, 2020

通过可微分的多传感器卡尔曼滤波器，本文提出了一种新颖的用于自动驾驶的 3D 多目标合作追踪算法，该算法学习估计每个检测的测量不确定性，以更好地利用卡尔曼滤波器追踪方法的理论属性，实验结果表明，与 V2V4Real 中的最新方法相比，我们的算法提高了 17% 的追踪准确性，且仅有 0.037 倍的通信成本。

Sep, 2023

提出了一种实时的多摄像头车辆跟踪系统，能够处理低分辨率的 CCTV 视频流并在交通运输系统中得到实际应用，具有较高的准确性，在 2021 年 NVIDIA AI City 多摄像头跟踪挑战赛中表现优异。

Apr, 2022

提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架，并利用 3D 车辆坐标信息和深度匹配对数据进行关联，并设计了一个基于 LSTM 的动作学习模块，以进行更准确的长期运动外推。实验结果表明，该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力，并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。

Nov, 2018

本文提出了一种灵活的管道来采用任何 2D 检测网络并将其与 3D 点云融合，以产生最小的 2D 检测网络变化的 3D 信息，使用卷积神经网络（CNN）进行改善，实现了机动车无人驾驶三维物体感知，排名第二。

Feb, 2018

本文提出了一种针对单目相机的 3D 车辆定位网络 CenterLoc3D，通过解决摄像头标定和使用空间约束嵌入到 CenterLoc3D 的损失函数实现了用于路侧单目摄像头的 3D 车辆定位，同时提出了 SVLD-3D 数据集、标注工具和评估指标。经实验验证，所提出的方法具有高精度和实时性。

Mar, 2022

本文提出了一种新颖的多模态多目标跟踪算法，用于自动驾驶汽车，该算法结合了相机和 LiDAR 数据。通过使用先进的 3D 物体检测器处理相机帧，以及使用经典的聚类技术处理 LiDAR 观察数据。该算法由三个步骤的联合过程、用于估计每个检测到的动态障碍物运动的扩展卡尔曼滤波器，以及轨迹管理阶段组成。与大多数先进的多模态目标跟踪方法不同，该算法不依赖地图或车辆全局姿态的知识。此外，它专门针对相机使用 3D 检测器，并且对使用的 LiDAR 传感器类型不敏感。该算法在仿真环境和实际数据中进行验证，并且结果令人满意。

Mar, 2024

本文提出了一种多目标跟踪算法，该算法通过使用经过训练的深度神经网络检测和估计单个图像中的物体距离并结合先进的 Poisson 利用伯努利混合（PMBM）跟踪滤波器，能够在仅使用单目相机图像作为输入时实现 3D 跟踪，评估结果表明该算法在 KITTI 目标跟踪数据集中表现良好。

Feb, 2018