3d object tracking is a critical task in autonomous driving systems. It plays
an essential role for the system's awareness about the surrounding environment.
At the same time there is an increasing interest in al
该研究提出了一种可靠和准确的基于 3D 跟踪的框架,可在众多应用中预测周围物体的未来位置和规划观察者的行动,通过使用拟密度相似性学习,基于 2D 图像,进行初始 2D 关联,并进一步利用 3D 边界框深度排序启发式来实现强健的实例关联和基于运动的 3D 轨迹预测,实验表明,在基准测试中,该框架在城市驾驶场景下具有稳健的物体关联和跟踪,可用于自动驾驶。
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。