Excerpt from PDF:
1 OptiPMB: Enhancing 3D Multi-Object Tracking with Optimized Poisson Multi-Bernoulli Filtering Guanhua Ding, Student Member, IEEE, Yuxuan Xia, Member, IEEE, Runwei Guan, Member, IEEE, Qinchen Wu, Student Member, IEEE, Tao Huang, Senior Member, IEEE, Weiping Ding, Senior Member, IEEE, Jinping Sun, Member, IEEE, and Guoqiang Mao, Fellow, IEEE Abstract—Accurate 3D multi-object tracking (MOT) is cru- cial for autonomous driving, as it enables robust perception, navigation, and planning in complex environments. While deep learning-based solutions have demonstrated impressive 3D MOT performance, model-based approaches remain appealing for their simplicity, interpretability, and data efficiency. Conven- tional model-based trackers typically rely on random vector- based Bayesian filters within the tracking-by-detection (TBD) framework but face limitations due to heuristic data association and track management schemes. In contrast, random finite set (RFS)-based Bayesian filtering handles object birth, survival, and death in a theoretically sound manner, facilitating interpretability and parameter tuning. In this paper, we present OptiPMB, a novel RFS-based 3D MOT method that employs an optimized Poisson multi-Bernoulli (PMB) filter while incorporating several key innovative designs within the TBD framework. Specifically, we propose a measurement-driven hybrid adaptive birth model for improved track initialization, employ adaptive detection probability parameters to effectively maintain tracks for occluded objects, and optimize density pruning and track extraction mod- ules to further enhance overall tracking performance. Extensive evaluations on nuScenes and KITTI datasets show that OptiPMB achieves superior tracking accuracy compared with state-of-the- art methods, thereby establishing a new benchmark for model- based 3D MOT and offering valuable insights for future research on RFS-based trackers in autonomous driving. Index Terms—Autonomous driving, 3D multi-object tracking, random finite set, Poisson multi-Bernoulli, Bayesian filtering. I. INTRODUCTION This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible. The work of Guanhua Ding, Qinchen Wu, and Jinping Sun was supported by National Natural Science Foundation of China, Grant 62131001 and Grant 62171029. (Corresponding author: Jinping Sun.) Guanhua Ding, Qinchen Wu, and Jinping Sun are with the School of Electronic Information Engineering, Beihang University, Beijing 100191, China. Email: buaadgh@buaa.edu.cn, wuqinchen@buaa.edu.cn, sunjinping@ buaa.edu.cn. Yuxuan Xia is with the Department of Automation, Shanghai Jiaotong University, Shanghai 200240, China. Email: yuxuan.xia@sjtu.edu.cn. Runwei Guan is with the Department of Computer Science and Engineering, The Hong Kong University of Science and Technology, Guangzhou 511455, China. Email: runwei.guan@liverpool.ac.uk. Tao Huang is with the College of Science and Engineering, James Cook University, Smithfield QLD 4878, Australia. Email: tao.huang1@jcu.edu.au. Weiping Ding is with the School of Artificial Intelligence and Computer Science, Nantong University, Nantong, 226019, China, and also with the Faculty of Data Science, City University of Macau, Macau 999078, China. Email: dwp9988@163.com. Guoqiang Mao is with Research Laboratory of Smart Driving and Intelligent Transportation Systems, Southeast University, Nanjing 210096, China. Email: g.mao@ieee.org. A CCURATE and reliable 3D multi-object tracking is es- sential for autonomous driving systems to enable robust perception, navigation, and planning in complex dynamic environments. Although deep learning has recently driven the development of many learning-based tracking …더보기
This paper was uploaded based on materials provided by arXiv.
This paper is an open academic resource, and the original text can be accessed on arXiv.
Source: arXiv – A free repository for scientific and technical researchers.
This paper is provided for academic research purposes, and the original can be downloaded from arXiv.
Visit arXiv to explore more recent papers!
번역 (Translation):
1 OPTIPMB : 최적화 된 Poisson Multi-Bernoulli 필터링 Guanhua Ding, 학생 회원, IEEE, Yuxuan Xia, 회원, IEEE, Runwei Guan, 회원, IEEE, Qinchen Wu, 학생 회원, IEEE, Tao Huang, IEEE, IEEE, Weeee, Weiee, Weiee, Weiping Sun, Member, IEEE 및 Guoqiang Mao, 동료, IEEE 초록- Accent 3D Multi-Object Tracking (MOT)은 강력한 인식, 내비게이션 및 복잡한 환경에서의 계획을 가능하게하기 때문에 자율 주행을위한 크게 적용됩니다. 딥 러닝 기반 솔루션은 인상적인 3D MOT 성능을 보여 주었지만 모델 기반 접근 방식은 단순성, 해석 가능성 및 데이터 효율성에 매력적입니다. 편의 모델 기반 추적기는 일반적으로 추적 별 추적 (TBD) 프레임 워크 내의 랜덤 벡터 기반 베이지안 필터에 의존하지만 휴리스틱 데이터 연관 및 트랙 관리 체계로 인한 얼굴 제한 사항. 대조적으로, 무작위 유한 세트 (RFS) 기반 베이지안 필터링은 이론적으로 건전한 방식으로 객체 출생, 생존 및 사망을 처리하여 해석 가능성 및 매개 변수 튜닝을 촉진합니다. 이 논문에서는 TBD 프레임 워크 내에 몇 가지 주요 혁신적인 디자인을 통합하면서 최적화 된 Poisson Multi-Bernoulli (PMB) 필터를 사용하는 새로운 RFS 기반 3D MOT 방법 인 OPTIPMB를 제시합니다. 구체적으로, 우리는 개선 된 트랙 초기화를위한 측정 중심의 하이브리드 적응 형 출생 모델을 제안하고, 적응 형 감지 확률 매개 변수를 사용하여 폐색 된 물체에 대한 트랙을 효과적으로 유지하고 밀도 가지 치기를 최적화하여 추출 모드를 최적화하여 전체 추적 성능을 향상시킵니다. Nuscenes 및 Kitti 데이터 세트에 대한 광범위한 평가에 따르면 OptIPMB는 최첨단 방법과 비교하여 우수한 추적 정확도를 달성하여 모델 기반 3D MOT에 대한 새로운 벤치 마크를 설정하고 자율 주행에서 RFS 기반 추적자에 대한 향후 연구에 대한 귀중한 통찰력을 제공합니다. 인덱스 용어-자율 주행, 3D 다중 관상 추적, 임의의 유한 세트, Poisson Multi-Bernoulli, 베이지안 필터링. I. 서론이 작품은 가능한 출판을 위해 IEEE에 제출되었습니다. 저작권은 통지없이 전송 될 수 있으며,이 버전은 더 이상 액세스 할 수 없을 수 있습니다. Guanhua Ding, Qinchen Wu 및 Jinping Sun의 작품은 중국의 National Natural Science Foundation, Grant 62131001 및 Grant 62171029의 지원을 받았습니다. 이메일 : buaadgh@buaa.edu.cn, wuqinchen@buaa.edu.cn, sunjinping@buaa.edu.cn. Yuxuan Xia는 중국 상하이 200240의 상하이 Jiaotong University의 자동화부와 함께 있습니다. 이메일 : yuxuan.xia@sjtu.edu.cn. Runwei Guan은 중국 광저우 511455에있는 홍콩 과학 기술 대학교 컴퓨터 과학 공학과에서 근무하고 있습니다. 이메일 : runwei.guan@liverpool.ac.uk. Tao Huang은 호주의 Smithfield QLD 4878의 James Cook University의 과학 및 공학 대학에서 근무하고 있습니다. 이메일 : tao.huang1@jcu.edu.au. Weiping Ding은 중국 Nantong, Nantong University, Nantong University의 인공 지능 및 컴퓨터 과학 학교 및 중국 마카오 999078, 마카오 시티 대학교 데이터 과학 학부와 함께 있습니다. 이메일 :
DWP9988@163.com. Guoqiang Mao는 중국 난징 210096, Southeast University의 Smart Driving and Intelligent Transportation Systems의 연구소에서 근무하고 있습니다. 이메일 : g.mao@ieee.org. 자율 주행 시스템은 복잡한 동적 환경에서의 강력한 인식, 탐색 및 계획을 가능하게하는 Ccrate의 신뢰할 수있는 3D 다중 객체 추적이 필수적입니다. 딥 러닝은 최근에 많은 학습 기반 추적의 발전을 주도했지만 … 더보기
이 논문은 arXiv에서 제공되는 자료를 바탕으로 업로드되었습니다.
본 논문은 공개된 학술 자료이며, 원문은 arXiv에서 확인할 수 있습니다.
출처: arXiv – 과학 및 기술 연구자들을 위한 무료 논문 저장소.
이 논문은 학술 연구 목적으로 제공되며, 원문은 arXiv에서 다운로드할 수 있습니다.
더 많은 최신 논문을 보려면 arXiv를 방문하세요!
