摘要

在线多目标跟踪（Online Multi-Object Tracking, MOT）在自主系统中发挥着关键作用。当前最先进的方法通常采用“检测后跟踪”（tracking-by-detection）范式，其中数据关联环节起着至关重要的作用。本文提出了一种基于学习与图优化相结合的模块化跟踪器（Learning and Graph-optimized, LEGO），旨在提升现有文献中数据关联的性能。所提出的LEGO跟踪器融合了图优化与自注意力机制，能够高效地构建关联得分图，从而实现跨时间帧的精准且高效的物体匹配。为进一步优化状态更新过程，系统引入卡尔曼滤波器，通过融合目标状态的时间一致性，确保跟踪过程的稳定性与连续性。实验结果表明，仅使用LiDAR数据的LEGO方法，在性能上显著优于其他在线跟踪方法，包括基于LiDAR的方法以及LiDAR-相机融合方法。在向KITTI目标跟踪评测排行榜提交结果时，LEGO在车辆类目标跟踪任务中位列第一；截至本文提交时，仍保持所有在线跟踪器中的第二名，展现出卓越的跟踪性能。