卡尔曼虑波＋目标检测创新结合，新作准确率突破100%!

一个有前景且好发论文的方向:卡尔曼滤波＋目标检测!

这种创新结合，得到学术界的广泛认可，多篇成果陆续登上顶会顶刊。例如无人机竞速系统 Swift，登上nature,实现冠军级别的无人机竞速。目标检测是机器学习的重要分支，但会受到参数不确定性问题的影响，卡尔曼滤波作为一种高效的递归滤波器，能很好处理带有噪声的数据。两者结合，可以充分发挥各自的优势，达到互补的效果!

我整理了一些时间序列【论文+代码】合集

     整理出了相关的论文+开源代码，以下是精选部分论文

论文1

标题：

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

自动标记以生成在线激光雷达移动目标分割的训练数据

方法：

• 激光雷达里程估计：使用SuMa方法估计每个激光雷达扫描的位姿，为后续处理提供基础。

• 粗动态目标移除：利用ERASOR方法，通过比较转换后的点云与聚合地图之间的差异，检测可能的动态目标。

• 类别无关实例分割：使用HDBSCAN算法对检测到的动态目标进行聚类，生成目标实例。

• 多目标跟踪：应用基于扩展卡尔曼滤波器的多目标跟踪方法，通过计算目标实例之间的相似度来关联轨迹，并根据轨迹确定目标的运动状态。

• 神经网络训练：使用自动生成的标签训练LiDAR-MOS网络LMNet，以实现在线移动目标分割。

创新点：

• 自动数据标注：提出了一种自动标注激光雷达数据的新方法，能够有效减少手动标注的工作量，提高标注效率。

• 动态目标检测：通过结合激光雷达里程估计和粗动态目标移除技术，准确检测出动态目标，为后续的实例分割和跟踪提供了可靠的基础。

• 性能提升：与手动标注数据训练的网络相比，使用自动生成的标签训练的LMNet网络在移动目标分割任务上表现出了相似甚至更好的性能，特别是在使用额外自动生成数据进行训练时，性能提升更为显著。例如，在KITTI数据集上，使用自动生成标签训练的LMNet网络在IoU指标上达到了54.3，与手动标注训练的网络（58.3）接近，而在使用额外数据后，性能提升到62.3。

• 泛化能力：该方法在多个不同环境和传感器的数据集上进行了验证，表现出良好的泛化能力，能够生成适用于不同场景的训练数据。

论文2

标题：

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

以观测为中心的SORT：重新思考SORT以实现鲁棒的多目标跟踪

方法：

• 观测中心重更新（ORU）：当目标在被跟踪期间丢失后重新被检测到时，通过生成虚拟轨迹来纠正卡尔曼滤波器参数的累积误差。

• 观测中心动量（OCM）：在关联阶段引入运动方向一致性，通过观测数据计算目标的运动方向，减少方向估计的噪声。

• 卡尔曼滤波器改进：在标准卡尔曼滤波器的基础上，通过ORU和OCM改进了对目标运动的估计，提高了在遮挡和非线性运动情况下的跟踪性能。

创新点： 

• 鲁棒性提升：通过ORU和OCM的改进，OC-SORT在处理遮挡和非线性运动时的鲁棒性得到了显著提升。例如，在DanceTrack数据集上，OC-SORT的HOTA指标达到了54.6，相比SORT的47.9有显著提高。

• 实时性能：OC-SORT保持了实时性，能够在单个CPU上以700+ FPS的速度运行，适用于在线多目标跟踪任务。

• 性能提升：在多个数据集上，OC-SORT均取得了SOTA（State-of-the-Art）性能。例如，在MOT20数据集上，OC-SORT的HOTA指标达到了62.1，相比其他方法有显著提升。

• 简单易用：OC-SORT在保持高性能的同时，仍然保持了简单、在线和实时的特点，易于实现和部署。

论文3

标题：

Parametric and Multivariate Uncertainty Calibration for Regression and Object Detection

回归和目标检测中的参数化和多变量不确定性校准

方法：

• 高斯过程校准框架扩展：将高斯过程校准框架扩展到使用参数化概率分布（如高斯或柯西分布）作为校准输出。

• 联合回归校准：提出了一种联合校准多维回归任务的方法，能够捕捉不同维度之间的相关性。

• 协方差估计：通过引入协方差估计方案，能够对独立学习的分布进行后处理，引入条件相关性。

• 量化校准误差：提出了一种基于马氏距离的量化校准误差（QCE）度量方法，用于评估多变量和可能相关数据的联合校准。

创新点：

• 参数化输出：与现有的非参数化校准方法相比，提出的GP-Normal和GP-Cauchy方法能够提供参数化概率分布，便于后续处理，如卡尔曼滤波。

• 多变量校准：首次提出了一种能够联合校准多维回归任务的方法，能够捕捉不同维度之间的相关性，提高了不确定性表示的准确性。

• 性能提升：实验表明，GP-Normal方法在方差校准方面取得了最佳结果，特别是在需要正态分布作为输出的应用中。例如，在MS COCO数据集上，GP-Normal方法的NLL指标为3.554，相比未校准的4.052有显著降低。

• 校准度量改进：提出的QCE度量方法能够更准确地评估多变量数据的校准性能，为不确定性校准提供了新的评估工具。

 

论文4

标题：

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

通过可微多传感器卡尔曼滤波器实现自动驾驶中的概率3D多目标协同跟踪

方法：

• 可微多传感器卡尔曼滤波器：提出了一个可微多传感器卡尔曼滤波器，用于估计每个检测的观测噪声协方差，以更好地利用卡尔曼滤波器的理论最优性。

• 局部BEV特征和位置特征：使用局部鸟瞰图（BEV）特征和位置特征作为输入，通过神经网络学习每个检测的观测噪声协方差。

• 多数据关联和更新步骤：通过多个数据关联和卡尔曼滤波器更新步骤，将来自不同车辆的检测信息融合，生成最终的协同跟踪结果。

 

创新点：

• 跟踪精度提升：与V2V4Real数据集中的现有方法相比，DMSTrack算法在跟踪精度上取得了显著提升。例如，在AMOTA指标上，DMSTrack达到了43.52，相比CoBEVT的32.12有17%的相对提升。

• 通信成本降低：DMSTrack算法的通信成本仅为CoBEVT方法的0.037倍，显著降低了数据传输需求。

• 观测噪声协方差估计：通过学习每个检测的观测噪声协方差，更好地利用了卡尔曼滤波器的理论最优性，提高了跟踪性能。

• 多目标跟踪能力：扩展了单目标跟踪的多传感器卡尔曼滤波器，使其具备多目标跟踪能力，适用于复杂的自动驾驶场景