#每天一篇论文 266/365 A Baseline for 3D Multi-Object Tracking
3D多目标追踪基准
代码
MOT数据集处理
摘要
三维多目标跟踪（MOT）是自动驾驶或辅助机器人等实时应用的重要组成部分。然而，最近的3D MOT作品倾向于更多地关注精确的系统，而较少考虑计算成本和系统复杂性。相比之下，本文提出了一种简单而精确的实时基线3D-MOT系统。使用现成的三维物体探测器从激光雷达点云获得定向的三维边界盒。然后，结合三维卡尔曼滤波和Hun-garian算法进行状态估计和数据关联。尽管我们的基线系统是标准方法的直接组合，但我们获得了最新的结果。为了评估基线系统，本文提出了一个新的3D MOT扩展到官方的KITTI 2D MOT评估以及两个新的度量。本文提出的3D-MOT基线方法为KITTI的3D-MOT建立了新的最新性能，将3D-MOTA从现有技术的72.23提高到76.47。比较意外的是，通过将我们的3D跟踪结果投影到2D图像平面并与已发布的2D MOT方法进行比较，我们的系统在KITTI官方排行榜上排名第二。此外，我们提出的3D-MOT方法以214.7fps的速率运行，比最先进的2D-MOT系统快65倍。
本文算法在KITTI 2DMOT 速度和准确率对比
在准确率和速度方面，本文的算法在准确率和速度上有明显的提高
本文贡献（1）为在线和实时应用提供了一个简单而准确的3D-MOT基线系统；（2）对官方的KITTI-2D-MOT评价进行了3D扩展，实现了3D-MOT评价；（3）提出了两种新的稳健的MOT评价指标；（4）我们的系统在拟议的KITTI-3DMOT评估工具上建立了最新的最新性能，并在KITTI官方排行榜上的所有已发表作品中排名第二，同时实现了最快的速度。
方法
3D MOT 主要工作是判断连续视频帧的3D边界box，本文提出一个在线的实时方法，在每一个帧上3D追踪只需要前一帧的追踪结果本文的算法结构如下：
（1）激光雷达三维点云提供数据3D边界box检测；（2）三维卡尔曼滤波器将目标状态预测到当前帧；（3）数据关联模块将检测与预测的轨迹匹配；（4）三维卡尔曼滤波器根据测量结果更新目标状态；（5）产生和删除记忆控制新出现和消失的轨迹。
3D Object Detection
本文使用最新的3D目标检测算法将3D点云检测目标
Monocular 3D Object Detection with Pseudo-LiDAR Point Cloud
PointRCNN: 3D Object Proposal Generation and Detection from
Point Cloud
3D Kalman Filter —– State Prediction
为了预测下一帧中的对象状态，使用恒定速度模型来近似对象的帧间位移，不考虑摄像机的自运动。具体地说，把物体的轨迹状态表示为一个10维向量T=（x，y，z，θ，l，w，h，vx，vy，vz），其中附加变量vx，vy，vz表示三维空间中物体的速度。本文不包括状态空间中的角速度vθ。
用卡尔曼滤波将位置信息更新
3D Kalman Filter —– State Update
轨迹产生删除控制管理
结果
