基于多模态融合与动态补偿的鲁棒三维多目标跟踪方法及其在自动驾驶环境感知中的应用

本文提出了一种融合相机与LiDAR数据的实时鲁棒三维多目标跟踪（3D MOT）框架，通过两级关联策略（先3D IoU匹配后深度外观特征匹配）和轨迹漂移补偿机制，有效解决了遮挡环境下低质量检测与关联鲁棒性难题，在KITTI和nuScenes数据集上分别达到79.36% HOTA和74% AMOTA，显著提升自动驾驶系统环境感知可靠性。

　　

^_亮点

本研究提出了一种基于相机与LiDAR融合的实时三维多目标跟踪框架，通过创新性的两级关联策略和轨迹漂移补偿技术，显著提升了遮挡环境下的跟踪鲁棒性。

^{_相关研究}

本节回顾了基于检测跟踪（TBD）范式中的核心子模块，并与联合检测跟踪（JDT）方法进行对比分析，明确了本研究的创新定位。

^_方法论

跟踪框架包含五个核心组件：2D与3D边界框融合、轨迹状态预测、两级关联、轨迹漂移补偿和生命周期管理。通过2D-3D边界框融合有效过滤误检（FP），轨迹预测采用卡尔曼滤波，两级关联先通过3D IoU匹配高置信度对，再在动态搜索范围内基于深度外观特征进行二次关联。轨迹漂移补偿模块利用历史轨迹信息在线优化低质量检测结果。

^{_{数据集与实验细节}}

使用KITTI和nuScenes两大自动驾驶数据集进行验证，严格遵循官方数据划分。实验采用PyTorch框架，在NVIDIA RTX 3080 GPU上实现实时处理（20FPS）。深度外观特征提取器采用ResNet-50架构。

^_结论

本研究提出的融合感知框架通过动态关联策略和轨迹优化机制，有效解决了长期遮挡后的目标重识别难题，为自动驾驶系统提供了更可靠的环境感知解决方案。

^{_{作者贡献声明}}

陈谢：原始文稿撰写/数据管理/方法论/验证/可视化；林词云：原始文稿撰写/指导/文稿审阅与编辑；郑晓宇：数据管理/文稿审阅/可视化；龚博文：指导；安东尼奥·M·洛佩兹：指导。

^{_{利益冲突声明}}

作者声明存在以下可能构成竞争利益的财务/人际关系：林词云获得吉林大学科研资助，并与吉林省科学技术厅存在基金资助关系。其他作者声明无已知竞争利益。