3D Multi-Object Tracking
PulseAugur coverage of 3D Multi-Object Tracking — every cluster mentioning 3D Multi-Object Tracking across labs, papers, and developer communities, ranked by signal.
-
新研究通过3D几何和LLM集成推进多目标跟踪 · 已跟踪4个来源
研究人员开发了用于视频中多目标跟踪的新方法，旨在提高准确性和效率。PLANET，一种新的端到端跟踪器，通过整合3D场景几何并实现基准测试中的最先进性能，超越了图像平面的限制。YesTrack将指代式多目标跟踪重新表述为判别式任务，利用多模态大语言模型进行是/否验证，并引入时间一致性约束。此外，TQD-Track引入了用于3D多目标跟踪的时间查询去噪，通过将时间信息纳入训练过程来增强现有方法。
-
Fusion-Poly框架通过异步传感器融合增强3D多目标跟踪
研究人员推出Fusion-Poly，一个旨在通过有效整合激光雷达（LiDAR）和摄像头数据来增强3D多目标跟踪的新型框架。该系统通过允许在同步和异步时间戳下进行更新来解决不同传感器采样率的挑战，从而利用更多的观测数据。Fusion-Poly包含一个频率感知匹配模块、一个高频轨迹估计模块和一个全状态观测对齐模块，以提高跟踪的准确性和可靠性。
-
NOVA模型使用LLM进行自动驾驶中的高级3D多目标跟踪
研究人员推出NOVA，一种用于3D多目标跟踪（3D MOT）的新型自回归公式，旨在克服自动驾驶感知中闭集假设的局限性。NOVA将3D轨迹重新表述为时空语义序列，从而能够将语言先验与物理运动连续性相结合。通过利用大型语言模型（LLM），该系统将跟踪视为下一步序列完成任务，从而能够进行高级常识推理以保持身份一致性。在nuScenes、V2X-Seq-SPD和KITTI等数据集上的实验显示出显著的改进，特别是在nuScenes的新类别上，N…
-
新型卡尔曼滤波器提升三维多目标跟踪精度
研究人员开发了一种新的运动动力学卡尔曼滤波器（MD-KF），旨在提高三维多目标跟踪（MOT）的精度，应用于自动驾驶汽车等场景。与假设匀速运动的传统卡尔曼滤波器不同，MD-KF将物体运动的变化建模为高斯分布，自适应地权衡其运动模型。这种方法在遮挡期间增强了轨迹估计，并提高了静止物体的稳定性，同时降低了计算延迟，优于现有方法。