该报告介绍了一种名为 SAMTrack 的框架，它允许用户精确有效地分割和跟踪视频中的任何物体，同时使用多模态交互方法对选择的多个物体进行追踪，可以在无人机技术、自动驾驶、医学成像、增强现实和生物分析等领域中使用。SAM-Track 将交互式关键帧分割模型 SAM 与提出的具有 AOT 的跟踪模型（DeAOT）结合起来，以便在视频中追踪物体，并融合了 Grounding-DINO，使该框架支持基于文本的交互。我们在 DAVIS-2016 Val（92.0％），DAVIS-2017 Test（79.2％）中展示了 SAM-Track 的显着能力，并在实际应用中展现其实用性。

May, 2023

文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题，提出了一种实时的对象定位和跟踪策略，将对象检测和跟踪有效地集成到动态卡尔曼模型中，并使用卡尔曼滤波提供对象状态的粗略预测，而无需对其进行手动初始化，具有比同类技术更快的运行速度和竞争性的跟踪性能。

Mar, 2017

本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

Oct, 2019

移动自主性依赖于对动态环境的精确感知。因此，鲁棒地跟踪三维世界中的移动物体对于轨迹预测、避障和路径规划等应用至关重要。尽管大多数当前方法利用激光雷达或摄像头进行多目标跟踪 (MOT)，但四维成像雷达的能力仍然很少被探索。针对四维雷达数据中的雷达噪声和点稀疏性带来的挑战，我们介绍了一种针对基于雷达的跟踪的创新解决方案 RaTrack。我们的方法摒弃了对特定物体类型和三维边界框的依赖，而是专注于运动分割和聚类，并且通过运动估计模块进一步丰富。在 View-of-Delft 数据集上进行评估，RaTrack 展示了对移动物体的优越跟踪精度，明显超过了最新研究的性能。

Sep, 2023

使用光学传感器进行无人机的检测、跟踪和距离估计，通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。

May, 2024

本文着重于构建一个针对复杂场景的无人机基准测试数据集，并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析，实验结果表明目前最先进的方法在这个数据集上的表现相对较差，给出了这一问题的多方面解决方案。

Mar, 2018

该研究提出了一种多模态无人机追踪和位姿估计方法，通过利用多模态传感器信息，包括立体视觉、各种雷达和音频阵列，以及针对无人机检测、分类和 3D 跟踪的困难，提高了准确度和稳健性，并在 MMUAD 数据集的分类和跟踪任务中取得了最好的性能。

May, 2024

该研究介绍了一个多样化的跟踪数据集，采用自下而上的方法获取了一个比以前跟踪基准的种类翻了一个数量级的大词汇，并进行评估表明现有的多种对象跟踪器在野外场景中存在困难，而基于检测的多对象跟踪器实际上是有竞争力的。

May, 2020

本文使用基于机器学习的物体检测和跟踪算法，并利用 OpenCV 在物体周围设置兴趣范围（ROI）。同时使用跟踪算法以及两个伺服电机来保持物体在画面中居中。论文中包含了详细的过程和代码。

Jan, 2024

我们探讨了密集跟踪作为一种表征工具，使机器人能够更快、更通用地从示教中学习，并展示了通过密集跟踪生成的稳健机器人策略能够解决复杂的物体排列任务，如形状匹配、堆叠，甚至全路径跟踪任务，如涂胶并粘合物体，这些示教仅需数分钟即可收集。

Aug, 2023