本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

Aug, 2020

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

本文提出了一种基于 3D 变形车辆模型的车辆定位方法，通过使用形状适配度评估以及颜色信息来跟踪车辆对象，结合了 SSD 和 YOLO9000 两种先进的算法实现车辆的检测和分类，并利用集成学习技术来提高分类的准确性，实验结果表明该方法性能优于当前领先的跟踪算法。同时，该方法还实现了自动化的相机自标定过程。

Aug, 2017

本研究提出一种新型的多粒子卡尔曼滤波器，用于解决复杂和对称环境下的目标定位问题。该算法结合了卡尔曼滤波器和粒子滤波器两种方法的优点，并在对称和嘈杂环境中验证了其性能优于单纯的粒子滤波器。

Mar, 2023

通过发展一种称为 Pathspace Kalman Filter (PKF) 的 KF 扩展算法，我们能够动态跟踪与底层数据和先验知识相关的不确定性，并利用贝叶斯方法量化不同的不确定性来源，并且在生物学时间序列数据集上的应用表明，PKF 在合成数据集上的表现优于传统的 KF 方法，均方误差缩小了几个数量级。

Feb, 2024

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

本研究的目标是在已经映射的区域内，为移动设备提供一致的、实时的三维定位能力。为此，我们介绍了 Cholesky-Schmidt-Kalman 滤波器 (C-SKF)，该滤波器显式考虑了先前地图的不确定性，通过使用地图海森矩阵的稀疏 Cholesky 因子，而不是其密集协方差矩阵。同时，我们还提出了 sC-SKF 算法，通过将轨迹和观测值分成重叠段的独立子地图，对 C-SKF 进行松弛以限制处理需求。最后，我们评估了所提出的 C-SKF 和 sC-SKF 算法的处理和内存需求，并将它们的定位精度与其他近似基于地图的定位方法进行了比较。

Apr, 2016

本文研究如何改进 Kalman filter 在多目标追踪中的表现，在处理时间比较大的遮挡情况下使用 Observation-Centric SORT 方法才能维护准确度。

Mar, 2022

利用传统概率方法和语义对象分割的先进技术，通过跟踪鱼群在世界坐标系中的位置和空间扩展，结合视频数据和无人机上的传感器信息，从而实现对鱼群行为的长期分析。

Jun, 2024