LEGO：ポイントクラウドを用いたオンライン多対象追跡における学習およびグラフ最適化モジュール型トラッカー

オンライン多対象追跡（Online Multi-Object Tracking, MOT）は自律システムにおいて中心的な役割を果たしている。最新のアプローチは一般的に「検出による追跡（tracking-by-detection）」を採用しており、その中でデータ関連付け（data association）が極めて重要な役割を担っている。本論文では、既存の研究においてデータ関連付け性能を向上させるため、学習とグラフ最適化を統合したモジュール型追跡器「LEGO（Learning and Graph-optimized）」を提案する。LEGO追跡器は、グラフ最適化と自己注意機構（self-attention mechanism）を統合することで、効率的な関連スコアマップの構築を実現し、時間フレーム間での対象の正確かつ高速なマッチングを可能にしている。さらに、状態更新プロセスの性能を向上させるために、カルマンフィルタを導入し、対象状態における時間的整合性（temporal coherence）を考慮することで、一貫性のある追跡を確保している。本研究で提案する手法は、LiDARのみを用いる点で他手法（LiDARベースおよびLiDAR-カメラ融合ベースの手法を含む）と比較して優れた性能を示しており、KITTIオブジェクト追跡評価ランキングボードにおいて結果を提出した時点では、車両クラスのオンライン追跡器として1位を獲得し、本論文を提出する時点でも2位を維持している。