論文の概要: Probabilistic 3D Multi-Object Tracking for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2001.05673v1
- Date: Thu, 16 Jan 2020 06:38:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 00:48:10.398134
- Title: Probabilistic 3D Multi-Object Tracking for Autonomous Driving
- Title（参考訳）: 自律走行のための確率的3次元マルチオブジェクトトラッキング
- Authors: Hsu-kuang Chiu, Antonio Prioletti, Jie Li, Jeannette Bohg
- Abstract要約: 本手法は,NuScenes Tracking Challengeにおいて初となるオンライン追跡手法を提案する。
提案手法は,カルマンフィルタを用いて対象状態を推定する。
NuScenes 検証とテストセットの実験結果から,本手法は AB3DMOT ベースライン法より優れていることが示された。
- 参考スコア（独自算出の注目度）: 23.036619327925088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D multi-object tracking is a key module in autonomous driving applications
that provides a reliable dynamic representation of the world to the planning
module. In this paper, we present our on-line tracking method, which made the
first place in the NuScenes Tracking Challenge, held at the AI Driving Olympics
Workshop at NeurIPS 2019. Our method estimates the object states by adopting a
Kalman Filter. We initialize the state covariance as well as the process and
observation noise covariance with statistics from the training set. We also use
the stochastic information from the Kalman Filter in the data association step
by measuring the Mahalanobis distance between the predicted object states and
current object detections. Our experimental results on the NuScenes validation
and test set show that our method outperforms the AB3DMOT baseline method by a
large margin in the Average Multi-Object Tracking Accuracy (AMOTA) metric.
- Abstract（参考訳）: 3Dマルチオブジェクトトラッキングは、自律運転アプリケーションにおいて重要なモジュールであり、計画モジュールに世界の信頼性の高い動的表現を提供する。
本稿では,ニューオリプス2019で開催されているai driving olympics workshopで開催中のnuscenes tracking challengeにおいて,第1位となったオンライントラッキング手法を提案する。
提案手法はカルマンフィルタを用いて対象状態を推定する。
我々は、状態共分散とプロセスおよび観測ノイズ共分散を、トレーニングセットからの統計と初期化する。
また、予測対象状態と現在の物体検出とのマハラノビス距離を測定することにより、カルマンフィルタからの確率情報をデータアソシエーションステップで利用する。
NuScenes 検証とテストセットの実験結果から,AMOTA(Average Multi-Object Tracking Accuracy) 測定値において,AB3DMOT ベースライン法よりも高い性能を示した。
関連論文リスト
- Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR
based 3D Object Detection [50.959453059206446]
本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。
まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。
従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
論文 参考訳（メタデータ） (2023-04-24T17:59:05Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳（メタデータ） (2022-11-01T20:59:38Z) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳（メタデータ） (2022-03-21T17:59:40Z) - FAST3D: Flow-Aware Self-Training for 3D Object Detectors [12.511087244102036]
最先端の自己学習アプローチは、主に自律運転データの時間的性質を無視している。
連続したLiDAR点雲上の3次元物体検出器の教師なし領域適応を可能にするフロー認識型自己学習法を提案する。
以上の結果から,先進的なドメイン知識がなければ,最先端技術よりも大幅に向上することが示唆された。
論文 参考訳（メタデータ） (2021-10-18T14:32:05Z) - Exploring Simple 3D Multi-Object Tracking for Autonomous Driving [10.921208239968827]
LiDARポイントクラウドにおける3Dマルチオブジェクトトラッキングは、自動運転車にとって重要な要素である。
既存の手法は、主にトラッキング・バイ・検出パイプラインに基づいており、検出アソシエーションのマッチングステップが必然的に必要である。
我々は,手作りの追跡パラダイムをシンプルにするために,原点雲からの共同検出と追跡のためのエンドツーエンドのトレーニング可能なモデルを提案する。
論文 参考訳（メタデータ） (2021-08-23T17:59:22Z) - Score refinement for confidence-based 3D multi-object tracking [14.853897011640022]
トラックレットのスコアに応じてトラックレットを終了させながら、時間的整合性に応じてスコアを操作することにより、トラッキング結果が改善されることを示す。
カウントベースの手法と比較すると,AMOTAとMOTAのスコアは一貫して向上している。
AMOTAスコア67.6のnuScenesテスト評価を達成し、これは他の最先端のトラッカーに匹敵するものであった。
論文 参考訳（メタデータ） (2021-07-09T09:40:07Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳（メタデータ） (2021-04-23T17:59:28Z) - Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。
移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-12T15:30:02Z) - Probabilistic 3D Multi-Modal, Multi-Object Tracking for Autonomous
Driving [22.693895321632507]
異なる訓練可能なモジュールからなる確率的、マルチモーダル、マルチオブジェクトトラッキングシステムを提案する。
本手法はNuScenes Trackingデータセットの現在の状態を上回っていることを示した。
論文 参考訳（メタデータ） (2020-12-26T15:00:54Z) - Tracking from Patterns: Learning Corresponding Patterns in Point Clouds
for 3D Object Tracking [34.40019455462043]
本稿では,時間点雲データから3次元オブジェクト対応を学習し,対応パターンから動き情報を推測する。
提案手法は,KITTIと大規模Nuscenesデータセットの双方において,既存の3次元追跡手法を超えている。
論文 参考訳（メタデータ） (2020-10-20T06:07:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。