RobMOT : Suivi robuste de plusieurs objets en 3D par atténuation du bruit d'observation et de la dérive de l'estimation d'état sur le nuage de points LiDAR

Ce travail aborde les limitations des méthodes de suivi 3D par détection, en particulier dans l'identification des trajectoires légitimes et la réduction du décalage d'estimation d'état dans les filtres de Kalman. Les méthodes existantes utilisent souvent un filtrage basé sur des seuils pour les scores de détection, ce qui peut échouer pour les objets distants et occultés, entraînant des faux positifs. Pour remédier à cela, nous proposons un nouveau mécanisme de validité des pistes et un processus de filtrage observationnel en plusieurs étapes, réduisant considérablement les pistes fantômes et améliorant les performances de suivi. Notre méthode réalise une amélioration de $29,47\%$ en précision de suivi multi-objets (MOTA) sur l'ensemble de validation KITTI avec le détecteur Second. De plus, un terme affiné du filtre de Kalman réduit le bruit de localisation, améliorant la précision de suivi d'ordre supérieur (HOTA) de $4,8\%$. Le cadre en ligne RobMOT surpassent les méthodes d'avant-garde sur plusieurs détecteurs, avec des améliorations HOTA allant jusqu'à $3,92\%$ sur l'ensemble de test KITTI et $8,7\%$ sur l'ensemble de validation, tout en obtenant des scores faibles d'échange d'identité. RobMOT se distingue dans des scénarios difficiles, en suivant efficacement les objets distants et les occultations prolongées, avec une amélioration MOTA de $1,77\%$ sur le jeu de données Waymo Open, et fonctionne à un remarquable 3221 FPS sur un seul CPU, prouvant son efficacité pour le suivi multi-objets en temps réel.