Mar, 2024

自动驾驶中的多目标跟踪与摄像头激光融合

PDF
TL;DR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。
发现论文，激发创造
  • 基于相机 - LiDAR 融合的自动驾驶多目标检测与跟踪

    本文提出了一种有效的多模态 MOT 框架，包括使用 2D 和 3D 测量的联合目标检测和关联的端到端深度神经网络、用于计算 3D 空间中遮挡感知的外观和运动相似度的有效计算模块、以及联合优化检测置信度、相似度和开始 - 结束概率的综合数据关联模块，实验证明所提出方法在跟踪精度和处理速度方面优于 KITTI 跟踪基准。

    Aug, 2021

  • 无盲区：使用相机和激光雷达进行全方位多目标自动驾驶跟踪

    本文提出了一种多模态传感器模块化框架，用于实现在线多目标追踪，并对该方法进行了实验证明其在真实场景下对自主驾驶领域有重要的应用。

    Feb, 2018

  • MotionTrack: 基于 Transformer 的端到端多目标追踪与 LiDAR - 摄像头融合

    提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法（MotionTrack），它由基于 Transformer 的数据关联（DA）模块和基于 Transformer 的查询增强模块组成，同时实现了多目标检测（MOD）。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果（AMOTA 得分为 0.55），与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。

    Jun, 2023

  • EagerMOT：通过传感器融合实现的三维多物体跟踪

    本文介绍了一种新的多目标跟踪方法 EagerMOT，它使用深度传感器和相机来融合对目标的观察，以实现对移动机器人周围物体在三维空间和时间上的定位，实验表明 EagerMOT 方法在 KITTI 和 NuScenes 数据集上达到了先进水平。

    Apr, 2021

  • 自主驾驶的概率三维多模态、多目标跟踪

    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

  • 自动驾驶的概率三维多目标跟踪

    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

  • 鲁棒性多模态多目标追踪

    该研究提出了一个通用的、传感器无关的多模态多目标跟踪框架，通过在数据关联过程中编码点云的深度表示，使每种模态能够独立执行其职能以保证其可靠性，并通过新型的多模态融合模块进一步提高其精度。该框架在 KITTI 基准上的表现达到了最新水平。

    Sep, 2019

  • 高级相机 - LiDAR 融合与机器学习的 3D 物体检测

    本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术，通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云，从而检测运动平台周围的车辆的 3D 边界框参数， 最终验证集准确率达到 87.1％。

    May, 2021

  • 3D 多目标跟踪：基线和新的评估指标

    该论文提出了一个简单实时的 3D 多目标跟踪系统，使用 3D Kalman 滤波器和匈牙利算法进行状态估计和数据关联，并提出了新的 3D MOT 评估工具和新的评估指标，可在 KITTI 和 nuScenes 数据集上获得最先进的性能和最快的速度。

    Jul, 2019

  • 自动驾驶中的三维多目标跟踪：文献综述

    3D 多目标跟踪是自动驾驶领域中的一个重要问题，本文对该领域的研究现状进行了综述和总结，提出了未来的研究方向，包括问题界定、分类、方法论、挑战、实验指标和数据集等方面的系统讲解和比较，为未来的研究提供了指导。

    Sep, 2023