《智能駕駛之激光雷達(dá)算法詳解》基于 3D 激光點云的多目標(biāo)跟蹤

jinchanchanwaji

多目標(biāo)跟蹤中的檢測后跟蹤（Tracking-by-Detection）方法，其核心在于利用當(dāng)前幀與先前幀的目標(biāo)檢測結(jié)果進(jìn)行匹配。該方法架構(gòu)由數(shù)據(jù)關(guān)聯(lián)與濾波器兩大模塊構(gòu)成。數(shù)據(jù)關(guān)聯(lián)模塊負(fù)責(zé)解決跨時間點的目標(biāo)匹配難題，而濾波器模塊則專注于目標(biāo)的運動狀態(tài)預(yù)估與軌跡更新。在數(shù)據(jù)關(guān)聯(lián)方面，業(yè)界廣泛采用的方法包括多重假設(shè)跟蹤（MHT）、匈牙利算法（Hungarian Algorithm）、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（JPDA）及全局最近鄰（GNN）等。至于濾波器，卡爾曼濾波器與粒子濾波器則是最為常見的選擇。ABJDMOT算法，作為這一領(lǐng)域的創(chuàng)新之作，巧妙地將匈牙利匹配與卡爾曼濾波器結(jié)合，以應(yīng)對3D MOT挑戰(zhàn)，其在性能上的顯著提升贏得了工業(yè)界的廣泛青睞。然而，ABJDMOT在4D（即加入時間維度的三維空間）匹配時，僅依賴于目標(biāo)矩形框的3D重疊度，這在某些情境下可能導(dǎo)致前后幀間無重疊部分的目標(biāo)被遺漏。為解決此問題，斯坦福大學(xué)與豐田技術(shù)研究院于2020年推出了PDMOT算法，該算法引入馬氏距離作為匹配依據(jù)，結(jié)合匈牙利算法，旨在進(jìn)一步提升算法性能。此外，學(xué)者們還不斷探索在匹配過程中融入更多特征信息，如目標(biāo)的幾何尺寸、朝向、外形等，以增強(qiáng)匹配的準(zhǔn)確性。例如，H.Wa等人的研究便是在此方向上的一次有益嘗試。         針對多目標(biāo)跟蹤（MOT）領(lǐng)域，一些學(xué)者聚焦于改進(jìn)基于軌進(jìn)片段（tracklet-based）的方法，指出傳統(tǒng)檢測驅(qū)動的多目標(biāo)跟蹤算法過度依賴目標(biāo)檢測的性能，忽視了目標(biāo)歷史信息的有效利用。為此，他們探索了利用多幀點云序列或軌進(jìn)片段，結(jié)合深度學(xué)習(xí)技術(shù)來提取目標(biāo)的獨特特征，旨在實現(xiàn)端到端的多目標(biāo)跟蹤解決方案。例如，在UCAI會議上，H.Wa等人提出的PC-TCNN算法便是這一思路的杰出代表。該算法創(chuàng)新性地從點云序列中初步生成候選軌進(jìn)片段，隨后對這些片段進(jìn)行精細(xì)化處理，并通過將精細(xì)化的軌進(jìn)與先前片段相關(guān)聯(lián)，有效實現(xiàn)了對目標(biāo)的連續(xù)追蹤。相較于基于檢測的3D MOT算法，此類基于軌進(jìn)片段的方法往往能取得更高的跟蹤精度，但在實時性方面仍有待進(jìn)一步優(yōu)化和提升。         在2020年的OS會議上，針對3D多目標(biāo)跟蹤問題，基于經(jīng)典的2D圖像目標(biāo)跟蹤算法SORT，創(chuàng)新性地提出了ABJDMOT算法。該算法聚焦于目標(biāo)跟蹤的精確性，通過采用向量匹配策略，有效對比當(dāng)前幀與歷史幀中目標(biāo)的數(shù)據(jù)，并借助卡爾曼濾波在多維空間中精準(zhǔn)估計目標(biāo)的運動狀態(tài)。ABJDMOT算法展現(xiàn)出卓越的性能，據(jù)統(tǒng)計，在多個基準(zhǔn)測試中，其平均運行精度高達(dá)207 APPS，同時在多目標(biāo)跟蹤準(zhǔn)確度（MOTA）方面亦表現(xiàn)優(yōu)異。ABJDMOT算法的整體架構(gòu)其核心流程包括五個關(guān)鍵步驟：首先，從目標(biāo)檢測模塊獲取當(dāng)前幀（t時刻）目標(biāo)的位置、大小及特征信息（A）；隨后，利用歷史幀（t-1時刻）中各目標(biāo)的運動信息，通過卡爾曼濾波預(yù)測其在當(dāng)前幀的潛在狀態(tài)（B）；接著，通過數(shù)據(jù)關(guān)聯(lián)模型，將當(dāng)前幀的檢測結(jié)果與卡爾曼濾波預(yù)測的目標(biāo)狀態(tài)進(jìn)行匹配（C）；對于成功匹配的目標(biāo)，采用卡爾曼濾波的更新步驟，以獲取其最新的運動狀態(tài)估計（D）。這一過程確保了ABJDMOT算法在復(fù)雜場景下的高效與準(zhǔn)確。         SimTrack，一種基于tracking-by-detection理念的3D多目標(biāo)跟蹤算法，當(dāng)前在工業(yè)界占據(jù)核心地位。然而，其高度依賴即時的目標(biāo)檢測結(jié)果，且目標(biāo)跟蹤信息對檢測優(yōu)化的反饋不足。此外，匹配步驟復(fù)雜，需人工定制匹配規(guī)則并精細(xì)調(diào)整閾值與參數(shù)。SimTrack的運作流程，其核心在于利用多幀點云作為輸入，通過基于柱狀體素或普通體素的骨架網(wǎng)絡(luò)提取特征，生成偽BEVs圖像。隨后，網(wǎng)絡(luò)輸出分化為三個關(guān)鍵分支：混合時間中心圖分支用于定位目標(biāo)在多幀點云序列中的首次出現(xiàn)位置，運動估計分支負(fù)責(zé)估算目標(biāo)運動偏移，而回歸分支則專注于獲取目標(biāo)的詳細(xì)尺寸與姿態(tài)信息。在推理階段，SimTrack憑借先前混合時間中心圖中的位置信息與運動預(yù)測，預(yù)判當(dāng)前各目標(biāo)的可能位置，并與最新混合時間中心圖進(jìn)行關(guān)聯(lián)，實現(xiàn)精準(zhǔn)的目標(biāo)跟蹤與檢測。SimTrack通過混合時間中心圖創(chuàng)新性地整合了多幀點云中的目標(biāo)信息，實現(xiàn)了目標(biāo)的自動化匹配、消失目標(biāo)的智能剔除與新生目標(biāo)的即時檢測，徹底摒棄了傳統(tǒng)跟蹤方法中的復(fù)雜啟發(fā)式匹配步驟。這一創(chuàng)新不僅簡化了跟蹤流程，更為我們未來的研究與實踐開辟了新的思路與方向。 最近組里有崗位，需要大量招聘汽車設(shè)計師，具體要求如下： 內(nèi)外飾數(shù)字模型工程師       1、負(fù)責(zé)內(nèi)飾全倉數(shù)字模型設(shè)計工作 2、對內(nèi)飾零部件有充分了解、IP、門板、console等零部件 3、負(fù)責(zé)內(nèi)飾IP、門板、座椅、console、頂棚、立柱等零部件的設(shè)計工作 4、掌握內(nèi)飾零部件之間的配合關(guān)系，并完整表達(dá)設(shè)計意圖。       要求 1、大專及以上學(xué)歷，藝術(shù)設(shè)計、工業(yè)設(shè)計相關(guān)專業(yè) 2、熟練使用ALIAS軟件 3、 測試A級至少5-8年實際CAS、A面設(shè)計工作經(jīng)驗 測試B級至少3-5年CAS、A面設(shè)計工作經(jīng)驗 4、善于團(tuán)隊合作、有責(zé)任心、敢于擔(dān)當(dāng)、工作主動積極 有意者戳汽車造型/產(chǎn)品設(shè)計師社會招聘-表單-金數(shù)據(jù) (jsj.top)