CANMOT: 自動運転におけるマルチオブジェクト追跡のためのクラス認識ノイズモデリング

本論文は、Kalman filter (KF) ベースの multi-object tracking (MOT) において、従来は全クラス共通でグローバルに設定されていた process noise と measurement noise の共分散を、クラスごと・物体座標系ごとにモデル化する CANMOT を提案する。 - 対象は autonomous driving の 3D MOT。 - KF の枠組みは変えず、ノイズ共分散のみを class-aware かつ object-aligned に設計する。 - コードは公開されている。

従来の KF ベース MOT は、process noise と measurement noise の共分散を全クラスで共有し、異種交通参加者の不確かさ特性が同一であると仮定していた。 - 本論文はこの仮定を見直し、クラス別の対角共分散を導入する。 - nuScenes benchmark で tracking 性能が向上し、identity switches が大幅に減少したと報告。 - さらに ANEES と χ² 検定により、標準 KF ベース MOT の severe overconfidence を明らかにした。

KF ベース 3D MOT のノイズモデリングを変更する。 - クラス固有の対角 process covariance と measurement covariance を導入。 - 必要に応じて物体座標系で表現し、longitudinal-lateral anisotropy を保持。 - フィルタリングの枠組み自体は変更しない。 - 推定不確かさの整合性を ANEES と χ² ベースの violation tests で評価。

nuScenes benchmark 上で系統的な実験を実施。 - class-aware かつ object-aligned なノイズモデリングが tracking 性能を改善し、SotA と比較して identity switches を大幅に削減。 - ANEES と χ² ベースの violation tests で不確かさの整合性を分析。 - 標準 KF ベース MOT ベースラインの severe overconfidence を示した。

提案手法はキャリブレーションを改善するが、依然として substantial inconsistency を示す。 - このことは、この領域におけるさらなる研究の必要性を強調している。 - フィルタリングの枠組みを変更せずにノイズモデルのみを調整するアプローチの限界が議論されている。

要旨で参照・比較されている研究は明示されていない。 - 関連手法として Kalman filter (KF)-based multi-object tracking (MOT)、nuScenes benchmark、Average Normalized Estimation Error Squared (ANEES)、χ²-based violation tests が挙げられる。 - 同分野の定番として SotA の 3D MOT 手法や KF ベース MOT の研究を読むべき。