LEGO: Learning and Graph-Optimized Modular Tracker für Online Multi-Object Tracking mit Punktwolken

Online Multi-Object Tracking (MOT) spielt eine entscheidende Rolle in autonomen Systemen. Die derzeit fortschrittlichsten Ansätze verwenden typischerweise eine Tracking-by-Detection-Methode, bei der die Datenassoziierung eine zentrale Aufgabe darstellt. In dieser Arbeit wird ein lernbasierter und graphenoptimierter (LEGO) modulare Tracker vorgestellt, um die Leistung der Datenassoziierung im Vergleich zur bestehenden Literatur zu verbessern. Der vorgeschlagene LEGO-Tracker integriert Graphenoptimierung und Selbst-Attention-Mechanismen, um effizient eine Assoziations-Score-Karte zu formulieren, was die präzise und effiziente Zuordnung von Objekten über Zeitrahmen hinweg ermöglicht. Um den Zustandsaktualisierungsprozess weiter zu verfeinern, wird ein Kalman-Filter hinzugefügt, um eine konsistente Verfolgung durch Einbeziehung der zeitlichen Kohärenz der Objektzustände sicherzustellen. Unser vorgeschlagener Ansatz, der ausschließlich auf LiDAR-Daten basiert, zeigt gegenüber anderen Online-Tracking-Methoden – einschließlich LiDAR-basierter und LiDAR-Kamera-Fusionsverfahren – hervorragende Ergebnisse. LEGO belegte zum Zeitpunkt der Einreichung der Ergebnisse die 1. Platzierung in der KITTI Object Tracking Evaluation-Rangliste und bleibt zum Zeitpunkt der Einreichung dieses Papers auf Platz 2 unter allen Online-Trackern im KITTI MOT-Benchmark für Fahrzeuge.