摘要

本文针对基于检测的3D跟踪方法中的局限性进行了研究，特别是在识别合法轨迹和减少卡尔曼滤波器的状态估计漂移方面。现有的方法通常使用基于阈值的检测分数过滤，这在处理远距离和被遮挡物体时容易失效，导致误检。为了解决这一问题，我们提出了一种新颖的轨迹有效性机制和多阶段观测门控过程，显著减少了幽灵轨迹（ghost tracks），并提高了跟踪性能。我们的方法在使用Second检测器的情况下，在KITTI验证数据集上实现了29.47%的多目标跟踪精度（MOTA）提升。此外，通过改进卡尔曼滤波器项，降低了定位噪声，使高阶跟踪精度（HOTA）提高了4.8%。在线框架RobMOT在多个检测器上均优于现有最先进方法，在KITTI测试数据集上HOTA提升了3.92%，在验证数据集上提升了8.7%，同时身份切换得分较低。RobMOT在挑战性场景中表现出色，能够有效跟踪远距离物体和长时间遮挡情况，在Waymo开放数据集上的MOTA提升了1.77%，并且在单个CPU上以惊人的3221帧每秒运行，证明了其在实时多目标跟踪中的高效性。