基于Transformer的关联机制和场景感知阈值的自适应多级3D多目标跟踪技术在自动驾驶中的应用 张永泽、 达飞鹏、 周浩成

《Machines》：Adaptive Multi-Level 3D Multi-Object Tracking with Transformer-Based Association and Scene-Aware Thresholds for Autonomous Driving Yongze Zhang, Feipeng Da and Haocheng Zhou

　　

摘要

3D多目标跟踪（MOT）在自动驾驶中仍然具有挑战性，这主要是由于在拥挤场景中目标身份频繁变化、目标被遮挡时轨迹断裂，以及难以根据场景复杂性的不同调整关联策略。现有方法依赖于固定的几何或基于外观的关联方式，但在处理模糊情况或检测失败时存在困难。我们提出了一种自适应的多层次3D MOT框架，通过三项关键创新实现了稳健的跟踪能力：(1) 多粒度时间建模，通过双尺度时空注意力同时捕捉细粒度的短期运动和粗粒度的长期趋势，从而在不同目标运动情况下实现准确的运动预测；(2) 基于Transformer的外观关联机制，利用交叉注意力来模拟目标间的全局关系，在仅靠几何线索无法解决模糊关联的拥挤场景中发挥作用；(3) 适应场景的学习阈值，根据目标密度、运动复杂性和遮挡程度自动调整关联的严格程度，避免了固定阈值的一刀切问题。我们的分层四级跟踪策略逐步处理从简单几何匹配（第1级）到复杂间隔帧恢复（第4级）的各种情况，并通过基于SOT的虚拟检测生成机制来弥补检测器的不足。在nuScenes基准测试中的大量实验表明了该框架的先进性能。