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

该研究提出了一种基于自回归运动模型的多目标跟踪算法，能够处理长期的遮挡问题，通过训练模型去学习自然轨迹的分布，与传统方法相比，在多个 MOT 基准数据集上表现更好。

Dec, 2020

该研究改进了基于时间一致性的得分函数和轨迹终止方法，以提高多目标跟踪的结果，特别是晚期聚合方法，以及在不同数据集上比较了不同检测器和过滤算法的AMOTA和MOTA分数表现,其优化方法与其他最新的跟踪器相当。

Jul, 2021

本研究提出了一种基于SimTrack的3D多目标跟踪系统，旨在简化手工制作的跟踪范例，通过使用端到端可训练的模型从原始点云中进行联合检测和跟踪，无需启发式匹配步骤，将跟踪对象的关联，新生对象的检测和死亡轨迹的消除集成为一个统一的模型。

Aug, 2021

本文总结了目前三维多目标跟踪方法并提出了 SimpleTrack 算法，指出了现有方法的缺陷并为其提出改进方案；在 Waymo Open Dataset 和 nuScenes 数据集上得到了新的最佳结果。本文还分析了现有数据集对算法真实能力的反映以及剩余失败情况的分布和原因，并提出了未来三维多目标跟踪的研究方向。

Nov, 2021

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

基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer，在进行跟踪检测双向图的基础上，通过边分类进行数据关联，并提出了一种新颖的在线训练策略，通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。

Aug, 2023

通过对Kalman滤波进行改进以减小轨迹漂移噪声，并引入一种新的在线轨迹有效性机制来减少幽灵轨迹，从而在3D多物体跟踪中提出了RobMOT框架，该框架在各种检测器上表现出优于截至目前最先进方法的卓越性能，包括深度学习方法，在MOTA上的边缘为3.28％，在HOTA上的边缘为2.36％，并且在处理延迟上提高了59％。

May, 2024

我们介绍了DeepMoveSORT，这是一个专门设计用于动态和非线性运动模式场景的多目标跟踪器。通过使用可学习的深度滤波器和一系列新提出的启发式方法，我们改善了基于运动的关联方法，从而提高了关联性能，并在三个具有非线性运动的数据集上超过了现有跟踪器的最新结果。我们的研究表明，使用可学习的滤波器代替Kalman滤波器，并结合基于外观的关联是实现强大的通用跟踪性能的关键。

Jun, 2024

本研究解决了传统3D多目标跟踪系统受限于预定义对象类别的问题，提出了开放词汇3D跟踪的方法。通过将开放词汇能力整合进3D跟踪框架，研究展示了其在动态环境中对未知对象的适应能力，显著缩小了已知对象与新对象之间的性能差距。这一方法对自主驾驶系统的现实应用具有重要意义。

Oct, 2024