論文の概要: A New Adaptive Noise Covariance Matrices Estimation and Filtering
Method: Application to Multi-Object Tracking
- arxiv url: http://arxiv.org/abs/2112.12082v1
- Date: Mon, 20 Dec 2021 03:11:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 15:41:06.041336
- Title: A New Adaptive Noise Covariance Matrices Estimation and Filtering
Method: Application to Multi-Object Tracking
- Title（参考訳）: 適応型雑音共分散行列推定法とフィルタリング法:マルチオブジェクト追跡への応用
- Authors: Chao Jiang, Zhiling Wang, Shuhang Tan, and Huawei Liang
- Abstract要約: カルマンフィルタは物体追跡に広く使われており、一般にプロセスと測定ノイズは正確に知られ、一定であると考えられている。
本稿では,Kalmanフィルタプロセスとノイズ共分散行列をオンラインで推定するための新しい推定補正閉ループ推定法を提案する。
- 参考スコア（独自算出の注目度）: 6.571006663689735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Kalman filters are widely used for object tracking, where process and
measurement noise are usually considered accurately known and constant.
However, the exact known and constant assumptions do not always hold in
practice. For example, when lidar is used to track noncooperative targets, the
measurement noise is different under different distances and weather
conditions. In addition, the process noise changes with the object's motion
state, especially when the tracking object is a pedestrian, and the process
noise changes more frequently. This paper proposes a new
estimation-calibration-correction closed-loop estimation method to estimate the
Kalman filter process and measurement noise covariance matrices online. First,
we decompose the noise covariance matrix into an element distribution matrix
and noise intensity and improve the Sage filter to estimate the element
distribution matrix. Second, we propose a calibration method to accurately
diagnose the noise intensity deviation. We then propose a correct method to
adaptively correct the noise intensity online. Third, under the assumption that
the system is detectable, the unbiased and convergence of the proposed method
is mathematically proven. Simulation results prove the effectiveness and
reliability of the proposed method. Finally, we apply the proposed method to
multiobject tracking of lidar and evaluate it on the official KITTI server. The
proposed method on the KITTI pedestrian multiobject tracking leaderboard
(http://www.cvlibs.net/datasets /kitti/eval_tracking.php) surpasses all
existing methods using lidar, proving the feasibility of the method in
practical applications. This work provides a new way to improve the performance
of the Kalman filter and multiobject tracking.
- Abstract（参考訳）: カルマンフィルタは物体追跡に広く使われており、一般にプロセスと測定ノイズは正確に知られ、一定であると考えられている。
しかし、正確な既知かつ定常的な仮定が常に成り立つとは限らない。
例えば、ライダーを用いて非協調目標を追跡する場合、測定ノイズは異なる距離と気象条件下で異なる。
また、特に追跡対象が歩行者である場合には、プロセスノイズが物体の運動状態とともに変化し、プロセスノイズがより頻繁に変化する。
本稿では,カルマンフィルタ法と測定ノイズ共分散行列をオンライン上で推定するための新しい推定・校正閉ループ推定法を提案する。
まず、ノイズ共分散行列を要素分布行列と雑音強度に分解し、Sageフィルタを改善して要素分布行列を推定する。
第2に,ノイズ強度偏差を正確に診断するキャリブレーション手法を提案する。
次に,オンラインの雑音強度を適応的に補正する手法を提案する。
第三に、システムが検出可能であると仮定すると、提案手法の偏りや収束が数学的に証明される。
シミュレーションの結果,提案手法の有効性と信頼性が示された。
最後に,提案手法をライダーの多目的追跡に適用し,それを公式のKITTIサーバ上で評価する。
kitti pedestrian multiobject tracking leaderboard (http://www.cvlibs.net/datasets /kitti/eval_tracking.php) で提案された手法はlidarを使用する既存の手法を全て上回っており、実際にこの手法が実現可能であることを証明している。
この作業は、Kalmanフィルタとマルチオブジェクトトラッキングのパフォーマンスを改善する新しい方法を提供する。
関連論文リスト
- StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。
我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。
ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
論文 参考訳（メタデータ） (2024-05-14T05:41:59Z) - SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。
本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。
既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文 参考訳（メタデータ） (2024-03-21T08:49:34Z) - Outlier-Insensitive Kalman Filtering: Theory and Applications [29.37450052092755]
本稿では,リニアカルマンフィルタの標準更新ステップの短い反復処理しか必要とせず,アウトリーチの有害な影響を軽減できるパラメータフリーアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-18T06:33:28Z) - Variational Bayes for robust radar single object tracking [5.390933335965428]
我々は、レーダによる物体追跡と、現在最先端の手法による異常処理の堅牢性に対処する。
本稿では,ガウス型サムフィルタをベースラインとして,ガウス型よりも重い分布を持つプロセスノイズをモデル化して修正を提案する。
シミュレーションにより, プロセスアウトレーヤの存在下では, ロバストトラッカーは単一物体の追跡においてガウス・サムフィルタよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-09-28T19:41:33Z) - Robust Meta-learning with Sampling Noise and Label Noise via
Eigen-Reptile [78.1212767880785]
Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。
ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。
本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
論文 参考訳（メタデータ） (2022-06-04T08:48:02Z) - Kalman Filtering with Adversarial Corruptions [33.99155519390116]
我々は, 線形二次推定において, 一定数の測定値が逆向きに破損した場合に, 最初の強い証明可能な保証を与える。
我々の研究はベイズ的な挑戦的な状況にあり、測定の回数は見積もりの複雑さと共にスケールする。
我々は、異なる時間ステップと異なる時間スケールにまたがる情報を堅牢に抽出する一連の新しい技術を開発した。
論文 参考訳（メタデータ） (2021-11-11T18:59:21Z) - Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian
Noise [59.47042225257565]
雑音分布の明示的な表現に依存しない新しい計画法を提案する。
まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。
いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
論文 参考訳（メタデータ） (2021-10-25T06:18:55Z) - Learning Noise Transition Matrix from Only Noisy Labels via Total
Variation Regularization [88.91872713134342]
本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。
提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
論文 参考訳（メタデータ） (2021-02-04T05:09:18Z) - Learning based signal detection for MIMO systems with unknown noise
statistics [84.02122699723536]
本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。
実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。
我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
論文 参考訳（メタデータ） (2021-01-21T04:48:15Z) - Surface Denoising based on Normal Filtering in a Robust Statistics
Framework [2.294014185517203]
3Dスキャナーを用いた表面取得プロセスではノイズは避けられない。
ノイズ除去処理(デノイング)は、表面正規化を先にフィルタリングすることで行うことができる。
多くの利用可能な denoising アルゴリズムでは、ノイズフリーな正規化の堅牢性が重要な要素である。
論文 参考訳（メタデータ） (2020-07-02T02:31:24Z) - Multi-class Gaussian Process Classification with Noisy Inputs [2.362412515574206]
いくつかの状況では、騒音の量は事前に知ることができる。
提案手法を,合成データと実データを含むいくつかの実験により評価した。
論文 参考訳（メタデータ） (2020-01-28T18:55:13Z)
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。