RobMOT: تتبع متين لعدة أشياء ثلاثية الأبعاد من خلال تخفيف الضوضاء الملاحظة وانحراف تقدير الحالة في بيانات نقاط ليدار

يتناول هذا البحث القيود الموجودة في طرق تتبع الكائنات ثلاثية الأبعاد عن طريق الكشف، خاصةً في تحديد المسارات الحقيقية وتخفيض انحراف تقدير الحالة في مرشحات كالمان. تستخدم الطرق الحالية غالبًا ترشيحًا قائمًا على العتبات لدرجات الكشف، مما يمكن أن يفشل في حالة الكائنات البعيدة والمخفية، مما يؤدي إلى ظهور نقاط إيجابية خاطئة. للتعامل مع هذه المشكلة، نقترح آلية جديدة لصلاحية المسار وعملية تقييد مراقبة متعددة المراحل، مما يقلل بشكل كبير من المسارات الوهمية ويحسن أداء التتبع. حققت طريقة بحثنا تحسينًا بنسبة $29.47\%$ في دقة تتبع الكائنات المتعددة (MOTA) على مجموعة بيانات التحقق من KITTI باستخدام كاشف Second. بالإضافة إلى ذلك، يقلل المصطلح المُعَدَّل لمرشح كالمان من الضوضاء في التموضع، مما يحسن دقة تتبع الرتب العليا (HOTA) بنسبة $4.8\%$. يعمل الإطار الفوري RobMOT بشكل أفضل من الأساليب الأكثر حداثة عبر عدة كاشفات، حيث يصل تحسين HOTA إلى $3.92\%$ على مجموعة بيانات الاختبار KITTI و$8.7\%$ على مجموعة بيانات التحقق، مع تحقيق درجات انقلاب الهوية منخفضة. يتميز RobMOT بأدائه المتميز في السيناريوهات الصعبة، مثل تتبع الكائنات البعيدة والخسوف الطويل الأمد، حيث حقق تحسينًا بنسبة $1.77\%$ في MOTA على مجموعة بيانات Waymo Open، ويُشغل بمعدل مدهش يبلغ 3221 إطارًا في الثانية على معالج واحد فقط (CPU)، مما يثبت كفاءته للتتبع الفوري للكائنات المتعددة.