3D 激光点云的多目标跟踪

多目标跟踪中的检测后跟踪（Tracking-by-Detection）方法，其核心在于利用当前帧与先前帧的目标检测结果进行匹配。该方法架构由数据关联与滤波器两大模块构成。数据关联模块负责解决跨时间点的目标匹配难题，而滤波器模块则专注于目标的运动状态预估与轨迹更新。在数据关联方面，业界广泛采用的方法包括多重假设跟踪（MHT）、匈牙利算法（Hungarian Algorithm）、联合概率数据关联（JPDA）及全局最近邻（GNN）等。至于滤波器，卡尔曼滤波器与粒子滤波器则是最为常见的选择。ABJDMOT算法，作为这一领域的创新之作，巧妙地将匈牙利匹配与卡尔曼滤波器结合，以应对3D MOT挑战，其在性能上的显著提升赢得了工业界的广泛青睐。然而，ABJDMOT在4D（即加入时间维度的三维空间）匹配时，仅依赖于目标矩形框的3D重叠度，这在某些情境下可能导致前后帧间无重叠部分的目标被遗漏。为解决此问题，斯坦福大学与丰田技术研究院于2020年推出了PDMOT算法，该算法引入马氏距离作为匹配依据，结合匈牙利算法，旨在进一步提升算法性能。此外，学者们还不断探索在匹配过程中融入更多特征信息，如目标的几何尺寸、朝向、外形等，以增强匹配的准确性。例如，H.Wa等人的研究便是在此方向上的一次有益尝试。 针对多目标跟踪（MOT）领域，一些学者聚焦于改进基于轨进片段（tracklet-based）的方法，指出传统检测驱动的多目标跟踪算法过度依赖目标检测的性能，忽视了目标历史信息的有效利用。为此，他们探索了利用多帧点云序列或轨进片段，结合深度学习技术来提取目标的独特特征，旨在实现端到端的多目标跟踪解决方案。例如，在UCAI会议上，H.Wa等人提出的PC-TCNN算法便是这一思路的杰出代表。该算法创新性地从点云序列中初步生成候选轨进片段，随后对这些片段进行精细化处理，并通过将精细化的轨进与先前片段相关联，有效实现了对目标的连续追踪。相较于基于检测的3D MOT算法，此类基于轨进片段的方法往往能取得更高的跟踪精度，但在实时性方面仍有待进一步优化和提升。 在2020年的OS会议上，针对3D多目标跟踪问题，基于经典的2D图像目标跟踪算法SORT，创新性地提出了ABJDMOT算法。该算法聚焦于目标跟踪的精确性，通过采用向量匹配策略，有效对比当前帧与历史帧中目标的数据，并借助卡尔曼滤波在多维空间中精准估计目标的运动状态。ABJDMOT算法展现出卓越的性能，据统计，在多个基准测试中，其平均运行精度高达207 APPS，同时在多目标跟踪准确度（MOTA）方面亦表现优异。ABJDMOT算法的整体架构其核心流程包括五个关键步骤：首先，从目标检测模块获取当前帧（t时刻）目标的位置、大小及特征信息（A）；随后，利用历史帧（t-1时刻）中各目标的运动信息，通过卡尔曼滤波预测其在当前帧的潜在状态（B）；接着，通过数据关联模型，将当前帧的检测结果与卡尔曼滤波预测的目标状态进行匹配（C）；对于成功匹配的目标，采用卡尔曼滤波的更新步骤，以获取其最新的运动状态估计（D）。这一过程确保了ABJDMOT算法在复杂场景下的高效与准确。 SimTrack，一种基于tracking-by-detection理念的3D多目标跟踪算法，当前在工业界占据核心地位。然而，其高度依赖即时的目标检测结果，且目标跟踪信息对检测优化的反馈不足。此外，匹配步骤复杂，需人工定制匹配规则并精细调整阈值与参数。SimTrack的运作流程，其核心在于利用多帧点云作为输入，通过基于柱状体素或普通体素的骨架网络提取特征，生成伪BEVs图像。随后，网络输出分化为三个关键分支：混合时间中心图分支用于定位目标在多帧点云序列中的首次出现位置，运动估计分支负责估算目标运动偏移，而回归分支则专注于获取目标的详细尺寸与姿态信息。在推理阶段，SimTrack凭借先前混合时间中心图中的位置信息与运动预测，预判当前各目标的可能位置，并与最新混合时间中心图进行关联，实现精准的目标跟踪与检测。SimTrack通过混合时间中心图创新性地整合了多帧点云中的目标信息，实现了目标的自动化匹配、消失目标的智能剔除与新生目标的即时检测，彻底摒弃了传统跟踪方法中的复杂启发式匹配步骤。这一创新不仅简化了跟踪流程，更为我们未来的研究与实践开辟了新的思路与方向。