卡爾曼慮波＋目標檢測創新結合，新作準確率突破100%!

一個有前景且好發論文的方向:卡爾曼濾波＋目標檢測!

這種創新結合，得到學術界的廣泛認可，多篇成果陸續登上頂會頂刊。例如無人機競速系統 Swift，登上nature,實現冠軍級別的無人機競速。目標檢測是機器學習的重要分支，但會受到參數不確定性問題的影響，卡爾曼濾波作為一種高效的遞歸濾波器，能很好處理帶有噪聲的數據。兩者結合，可以充分發揮各自的優勢，達到互補的效果!

我整理了一些時間序列【論文+代碼】合集

? ? ?整理出了相關的論文+開源代碼，以下是精選部分論文

論文1

標題：

Automatic Labeling to Generate Training Data for Online LiDAR-based Moving Object Segmentation

自動標記以生成在線激光雷達移動目標分割的訓練數據

方法：

• 激光雷達里程估計：使用SuMa方法估計每個激光雷達掃描的位姿，為后續處理提供基礎。

• 粗動態目標移除：利用ERASOR方法，通過比較轉換后的點云與聚合地圖之間的差異，檢測可能的動態目標。

• 類別無關實例分割：使用HDBSCAN算法對檢測到的動態目標進行聚類，生成目標實例。

• 多目標跟蹤：應用基于擴展卡爾曼濾波器的多目標跟蹤方法，通過計算目標實例之間的相似度來關聯軌跡，并根據軌跡確定目標的運動狀態。

• 神經網絡訓練：使用自動生成的標簽訓練LiDAR-MOS網絡LMNet，以實現在線移動目標分割。

創新點：

• 自動數據標注：提出了一種自動標注激光雷達數據的新方法，能夠有效減少手動標注的工作量，提高標注效率。

• 動態目標檢測：通過結合激光雷達里程估計和粗動態目標移除技術，準確檢測出動態目標，為后續的實例分割和跟蹤提供了可靠的基礎。

• 性能提升：與手動標注數據訓練的網絡相比，使用自動生成的標簽訓練的LMNet網絡在移動目標分割任務上表現出了相似甚至更好的性能，特別是在使用額外自動生成數據進行訓練時，性能提升更為顯著。例如，在KITTI數據集上，使用自動生成標簽訓練的LMNet網絡在IoU指標上達到了54.3，與手動標注訓練的網絡（58.3）接近，而在使用額外數據后，性能提升到62.3。

• 泛化能力：該方法在多個不同環境和傳感器的數據集上進行了驗證，表現出良好的泛化能力，能夠生成適用于不同場景的訓練數據。

論文2

標題：

Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking

以觀測為中心的SORT：重新思考SORT以實現魯棒的多目標跟蹤

方法：

• 觀測中心重更新（ORU）：當目標在被跟蹤期間丟失后重新被檢測到時，通過生成虛擬軌跡來糾正卡爾曼濾波器參數的累積誤差。

• 觀測中心動量（OCM）：在關聯階段引入運動方向一致性，通過觀測數據計算目標的運動方向，減少方向估計的噪聲。

• 卡爾曼濾波器改進：在標準卡爾曼濾波器的基礎上，通過ORU和OCM改進了對目標運動的估計，提高了在遮擋和非線性運動情況下的跟蹤性能。

創新點：?

• 魯棒性提升：通過ORU和OCM的改進，OC-SORT在處理遮擋和非線性運動時的魯棒性得到了顯著提升。例如，在DanceTrack數據集上，OC-SORT的HOTA指標達到了54.6，相比SORT的47.9有顯著提高。

• 實時性能：OC-SORT保持了實時性，能夠在單個CPU上以700+ FPS的速度運行，適用于在線多目標跟蹤任務。

• 性能提升：在多個數據集上，OC-SORT均取得了SOTA（State-of-the-Art）性能。例如，在MOT20數據集上，OC-SORT的HOTA指標達到了62.1，相比其他方法有顯著提升。

• 簡單易用：OC-SORT在保持高性能的同時，仍然保持了簡單、在線和實時的特點，易于實現和部署。

論文3

標題：

Parametric and Multivariate Uncertainty Calibration for Regression and Object Detection

回歸和目標檢測中的參數化和多變量不確定性校準

方法：

• 高斯過程校準框架擴展：將高斯過程校準框架擴展到使用參數化概率分布（如高斯或柯西分布）作為校準輸出。

• 聯合回歸校準：提出了一種聯合校準多維回歸任務的方法，能夠捕捉不同維度之間的相關性。

• 協方差估計：通過引入協方差估計方案，能夠對獨立學習的分布進行后處理，引入條件相關性。

• 量化校準誤差：提出了一種基于馬氏距離的量化校準誤差（QCE）度量方法，用于評估多變量和可能相關數據的聯合校準。

創新點：

• 參數化輸出：與現有的非參數化校準方法相比，提出的GP-Normal和GP-Cauchy方法能夠提供參數化概率分布，便于后續處理，如卡爾曼濾波。

• 多變量校準：首次提出了一種能夠聯合校準多維回歸任務的方法，能夠捕捉不同維度之間的相關性，提高了不確定性表示的準確性。

• 性能提升：實驗表明，GP-Normal方法在方差校準方面取得了最佳結果，特別是在需要正態分布作為輸出的應用中。例如，在MS COCO數據集上，GP-Normal方法的NLL指標為3.554，相比未校準的4.052有顯著降低。

• 校準度量改進：提出的QCE度量方法能夠更準確地評估多變量數據的校準性能，為不確定性校準提供了新的評估工具。

?

論文4

標題：

Probabilistic 3D Multi-Object Cooperative Tracking for Autonomous Driving via Differentiable Multi-Sensor Kalman Filter

通過可微多傳感器卡爾曼濾波器實現自動駕駛中的概率3D多目標協同跟蹤

方法：

• 可微多傳感器卡爾曼濾波器：提出了一個可微多傳感器卡爾曼濾波器，用于估計每個檢測的觀測噪聲協方差，以更好地利用卡爾曼濾波器的理論最優性。

• 局部BEV特征和位置特征：使用局部鳥瞰圖（BEV）特征和位置特征作為輸入，通過神經網絡學習每個檢測的觀測噪聲協方差。

• 多數據關聯和更新步驟：通過多個數據關聯和卡爾曼濾波器更新步驟，將來自不同車輛的檢測信息融合，生成最終的協同跟蹤結果。

?

創新點：

• 跟蹤精度提升：與V2V4Real數據集中的現有方法相比，DMSTrack算法在跟蹤精度上取得了顯著提升。例如，在AMOTA指標上，DMSTrack達到了43.52，相比CoBEVT的32.12有17%的相對提升。

• 通信成本降低：DMSTrack算法的通信成本僅為CoBEVT方法的0.037倍，顯著降低了數據傳輸需求。

• 觀測噪聲協方差估計：通過學習每個檢測的觀測噪聲協方差，更好地利用了卡爾曼濾波器的理論最優性，提高了跟蹤性能。

• 多目標跟蹤能力：擴展了單目標跟蹤的多傳感器卡爾曼濾波器，使其具備多目標跟蹤能力，適用于復雜的自動駕駛場景

?

?