Observability-driven Assignment of Heterogeneous Sensors for Multi-Target Tracking
Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology, School of Automation and Intelligent Manufacturing, Southern University of Science and Technology (SUSTech)(广东省全驱动系统控制理论与技术重点实验室,自动化与智能制造学院,南方科技大学)
针对异构机器人多目标跟踪分配问题,提出基于拟阵理论的贪婪算法,在多项式时间内最大化跟踪质量,并具有1/3与1/2近似保证,仿真显示其接近最优分配。
2025-08-29 cs.RO
A Graph Neural Network Approach for Solving the Ranked Assignment Problem in Multi-Object Tracking
Institute of Measurement, Control and Microtechnology, Ulm University(乌尔姆大学测量、控制与微技术研究所)
本文提出RAPNet,利用图神经网络解决多目标跟踪中的排名分配问题,相比Murty算法和Gibbs采样提升准确性。
2026-04-02 cs.RO
A Lower Bound on Observability for Target Tracking with Range Sensors and its Application to Sensor Assignment
Virginia Tech(弗吉尼亚理工大学)
我们研究了两个传感器分配问题的多目标跟踪的目标,以提高潜在的估计器的可观测性。在限制版本的问题,我们专注于分配独特的传感器对每个目标。我们提出了一个1/3-近似算法。我们使用条件数的倒数作为价值函数。如果目标的运动模型未知,则无法精确地计算逆。相反,我们提出了一个下限范围内只感测。在一般版本中,传感器必须组成团队来跟踪单个目标。我们没有对每个团队的规模施加任何特定的限制,而是假设价值函数是单调递增的,并且是次模的。一种产生1/2近似值的贪心算法。然而,我们证明了条件数的逆既不是单调的,也不是次模的。相反,我们提出了其他措施,是单调和submodular。除了理论结果,我们通过模拟经验评估我们的结果。
2017-09-20 cs.RO
Sensor Assignment Algorithms to Improve Observability while Tracking Targets
我们研究了两个传感器分配问题的多目标跟踪的目标,以提高潜在的估计器的可观测性。我们考虑可观测性矩阵的各种度量作为分配价值函数。我们首先研究一般的版本,传感器必须形成团队来跟踪单个目标。如果价值函数是单调递增的且是次模的,则贪心算法产生1/2-近似。然后,我们研究了一个限制的版本,正好有两个传感器必须分配给每个目标。我们提出了一个1/3-近似算法,适用于任意价值函数(不一定是次模或单调)。除了近似算法,我们还提出了各种性质的可观性措施。我们证明了可观测性矩阵的条件数的逆既不是单调的,也不是次模的,但提出了其他的措施。具体地说,我们证明了对称可观测性矩阵的迹和秩是单调的和次模的和对称可观测性矩阵的对数行列式是单调的和次模的矩阵是非奇异的。如果目标的运动模型未知,则无法精确地计算逆。相反,我们提出了一个距离传感器的下限。除了理论结果,我们通过模拟经验评估我们的结果。
2018-10-23 cs.RO
Integrated Design of Cooperative Area Coverage and Target Tracking with Multi-UAV System
National University of Defense Technology(国防科技大学)
本文系统地研究了多无人机协同区域覆盖和目标跟踪问题。将该问题分解为三个子问题:信息融合、任务分配和多无人机行为决策。具体来说,在信息融合过程中,我们使用最大一致性协议来更新多目标联合估计状态(JESMT)和区域检测信息。区域检测信息由基于区域检测概率和实际访问时间构建的等效访问时间图(EVTM)表示。然后,将多无人机搜索跟踪多目标的任务分配问题建模为一个具有上、下界的网络流模型。提出了一种任务分配最小成本最大流算法(TAMM)。协同行为决策以Fisher信息作为任务奖励,以获得无人机的最优跟踪动作。在此基础上,设计了一种基于防群集方法的无人机覆盖行为决策算法。最后,设计了一种融合信息融合、任务分配和行为决策的分布式多无人机协同区域覆盖和目标跟踪算法。数值仿真和半实物仿真结果表明,该方法能够实现持续区域覆盖和协同目标跟踪。
2023-03-16 cs.MA cs.RO
Path Assignment Techniques For Vehicle Tracking
Driver Assistance Systems, ZF TRW(驾驶辅助系统,ZF TRW);Deutsches Krebsforschungszentrum(德国癌症研究中心)
本文提出两种路径分配方法,旨在通过延迟处理阶段来过滤测量数据,以避免延迟和其他中间滤波器的伪影,通过生成离散后验概率分布并使用中位数估计器提取路径或车道索引,通过ROC曲线展示方法性能。
2017-02-11 cs.RO cs.SY eess.SY
Factor Graph based 3D Multi-Object Tracking in Point Clouds
TU Chemnitz(开姆尼茨工业大学)
在三维空间中准确可靠地跟踪多个运动目标是城市场景理解的重要组成部分。这是一项具有挑战性的任务,因为它需要将当前帧中的检测分配给来自前一帧的预测对象。如果初始分配不正确,现有的基于过滤器的方法往往会很困难,这很容易发生。我们提出了一种新的基于优化的方法,不依赖于明确的和固定的分配。相反,我们将现成的3D对象检测器的结果表示为高斯混合模型,该模型被纳入因子图框架中。这使我们能够灵活地将所有检测同时分配给所有对象。因此,分配问题的解决隐式和联合的三维空间多目标状态估计使用非线性最小二乘优化。尽管它的简单性,所提出的算法实现了强大的和可靠的跟踪结果,可以应用于离线以及在线跟踪。我们证明了它的性能在现实世界中的KITTI跟踪数据集,并取得更好的结果比许多国家的最先进的算法。特别是估计的轨迹的一致性是优越的离线以及在线。
2020-08-12 cs.CV cs.RO
S$^2$MAT: Simultaneous and Self-Reinforced Mapping and Tracking in Dynamic Urban Scenariosorcing Framework for Simultaneous Mapping and Tracking in Unbounded Urban Environments
the University of Hong Kong(香港大学);Southern University of Science and Technology(南方科技大学)
本文提出S$^2$MAT框架,通过集成前端动态物体检测跟踪与后端静态建图模块,利用两者互惠耦合关系,解决了高度动态场景下的同步建图与跟踪问题,并在超7公里真实场景中验证了其导航鲁棒性与最先进性能。
2023-11-20 cs.RO
Cooperative Simultaneous Tracking and Jamming for Disabling a Rogue Drone
KIOS Research and Innovation Centre of Excellence (KIOS CoE)(KIOS卓越研究与创新中心(KIOS CoE));University of Cyprus(塞浦路斯大学)
本文研究了在3D空间中与一组合作的无人机(UAV)同时跟踪和干扰流氓无人机的问题。我们提出了一个分散的估计,决策和控制框架,其中一组无人机合作,以a)最佳地选择他们的移动性控制行动,导致准确的目标跟踪和b)选择所需的发射功率电平,造成不间断的无线电干扰,从而最终破坏流氓无人机的操作。所提出的决策和控制框架允许无人机在3D空间中重新配置自己,从而实现协同同时跟踪和干扰(CSTJ)的目标;同时确保在CSTJ期间引起的不必要的无人机间干扰保持在指定的临界阈值以下。最后,我们在具有挑战性的条件下制定这个问题,即,不确定的动态、噪声测量和错误警报。大量的仿真实验说明了所提出的方法的性能。
2023-02-15 cs.RO
Solving Simultaneous Target Assignment and Path Planning Efficiently with Time-Independent Execution
Tokyo Institute of Technology(东京工业大学)
针对多智能体的目标分配和路径规划的组合问题的实时规划,也称为多智能体路径查找(MAPF)的未标记版本,对于多智能体系统中的高层协调至关重要,例如,由机器人群体形成的模式。本文研究了两个方面的unlabeled-MAPF:(1)离线场景:解决大型实例的集中式方法与小的计算时间,(2)在线场景:执行unlabeled-MAPF,尽管真实机器人的时间不确定性。为此,我们提出了TSWAP,一种新的次优完整算法,它采取了任意的初始目标分配,然后重复一个时间步的路径规划与目标交换。TSWAP可以适应离线和在线场景。我们的经验表明,离线TSWAP是高度可扩展的,提供接近最佳的解决方案,同时减少运行时间的数量级相比,现有的方法。此外,我们提出了在线TSWAP的好处,如延迟容忍,通过真实的机器人演示。
2022-02-28 cs.MA cs.RO
Improving trajectory continuity in drone-based crowd monitoring using a set of minimal-cost techniques and deep discriminative correlation filters
Institute of Robotics and Machine Intelligence(机器人与机器智能研究所);Poznań University of Technology(波兹南技术大学)
本文提出一种基于 SORT 框架的面向点在线跟踪算法,结合三种低成本技术和 DDCF 滤波器,有效提升了无人机 crowd monitoring 的轨迹连续性与计数可靠性。
2025-04-28 cs.CV cs.RO
DL-SLOT: Dynamic LiDAR SLAM and object tracking based on collaborative graph optimization
Tongji University(同济大学)
本文提出DL-SLOT,通过滑动窗口协同图优化联合估计自车、静止与动态目标状态,并结合全局位姿图,在KITTI上提升动态场景下LiDAR SLAM和目标跟踪的精度与鲁棒性。
2022-12-05 cs.RO
Efficient and accurate object detection with simultaneous classification and tracking
University of New South Wales(新南威尔士大学)
移动机器人与环境的交互,如目标检测和跟踪,是移动机器人的一项重要能力。除了高精度之外,还期望在处理工作量和能量消耗方面的效率。为了满足这两个要求,我们提出了一个检测框架的基础上同时分类和跟踪点流。在这个框架中,跟踪器在点云的序列中执行数据关联,引导检测器避免冗余处理(即对已知对象进行分类)。对于其分类不是足够确定的对象,融合模型被设计为融合在跟踪跨度上提供不同视角的所选关键观测。因此,可以提高性能(检测的精度和效率)。该方法特别适合于检测和跟踪移动对象,如果使用传统程序来解决该过程,则需要昂贵的计算。在基准数据集上进行的实验表明,该方法在效率和准确性上均优于传统的检测跟踪方法。
2020-07-04 cs.CV cs.RO
Target assignment for robotic networks: asymptotic performance under limited communication
我们有相同数量的移动机器人代理和不同的目标位置。每个智能体都有简单的积分动力学,有限的通信范围,以及每个目标位置的知识。我们解决的问题,设计一个分布式算法,允许一组代理之间划分的目标,同时,导致每个代理达到其独特的目标。我们在任何时候都不需要通信图的连通性。我们介绍了一种新的基于分配的算法,具有以下特点:初始分配和机器人运动遵循贪婪的规则,和分布式的分配细化利用一个隐含的循环排序的目标。我们证明了算法的正确性,并给出了最坏情况下的渐近界的时间完成分配的环境增长的代理人的数量。我们证明了在一类分布式算法中,我们的算法是渐近最优的。分析利用欧几里德旅行推销员问题的结果。
2007-03-20 cs.RO
A Certifiable Algorithm for Simultaneous Shape Estimation and Object Tracking
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(麻省理工学院信息与决策系统实验室)
针对已知类别目标的形状与位姿联合跟踪,本文提出基于RGB-D语义关键点和固定滞后平滑的可认证最优算法,并用半定松弛、离群点剔除及渐进非凸优化提升鲁棒性。
2024-12-05 cs.RO
MultiDLO: Simultaneous Shape Tracking of Multiple Deformable Linear Objects with Global-Local Topology Preservation
Department of Electrical and Computer Engineering and Coordinated Science Laboratory, University of Illinois at Urbana-Champaign(电气与计算机工程系和协调科学实验室,伊利诺伊大学厄巴纳-香槟分校);Department of Aerospace Engineering and Coordinated Science Laboratory, University of Illinois at Urbana-Champaign(航空航天工程系和协调科学实验室,伊利诺伊大学厄巴纳-香槟分校)
MultiDLO 提出一种基于全局-局部拓扑保持的实时算法,利用测地距离同时跟踪多根纠缠的可变形线性物体,并在三绳缠绕场景中验证了其有效性。
2025-06-03 cs.RO
SWTrack: Multiple Hypothesis Sliding Window 3D Multi-Object Tracking
University of Toronto(多伦多大学);University of Toronto Robotics Institute(多伦多大学机器人研究所)
SWTrack提出一种基于多假设滑动窗口的3D多目标跟踪方法,通过批处理多帧数据并利用图优化解决关联问题,在NuScenes数据集上实现了更准确的跟踪性能。
2024-03-17 cs.RO
DetFlowTrack: 3D Multi-object Tracking based on Simultaneous Optimization of Object Detection and Scene Flow Estimation
Shanghai Jiao Tong University(上海交通大学)
三维多目标跟踪是无人机感知模块的重要组成部分。大多数方法独立地优化目标检测和数据关联。这些方法使网络结构复杂,限制了MOT精度的提高。提出了一种基于同时优化目标检测和场景流估计的三维MOT框架。在该框架中,提出了一个检测引导场景流模块,以缓解错误的帧间关联的问题。为了更准确地标注场景流,特别是在运动和旋转的情况下,提出了一种基于盒变换的场景流地面真值计算方法。在KITTI MOT数据集上的实验结果表明,该算法在极端运动和旋转下具有较好的鲁棒性。
2022-03-04 cs.CV cs.RO
Probabilistic Trajectory GOSPA: A Metric for Uncertainty-Aware Multi-Object Tracking Performance Evaluation
Department of Automation and Intelligent Sensing, Shanghai Jiao Tong University(自动化与智能感知系,上海交通大学);Information Processing and Telecommunications Center, Universidad Politécnica de Madrid(信息处理与电信中心,马德里理工大学);Department of Mathematics, KTH Royal Institute of Technology(数学系,皇家理工学院);Department of Electrical Engineering, Chalmers University of Technology(电气工程系,查尔姆斯理工大学)
本文提出概率轨迹GOSPA度量,用于评估具有轨迹级不确定性的多目标跟踪算法,可分解为定位误差、存在概率失配、漏检虚警及轨迹切换代价,并通过仿真验证有效性。
2025-06-18 cs.RO eess.SP
Robust Localization and Tracking of Simultaneous Moving Sound Sources Using Beamforming and Particle Filtering
CSIRO ICT Centre(澳大利亚联邦科学与工业研究组织信息与通信技术中心);Université de Sherbrooke(舍布鲁克大学)
现实生活中的移动机器人将受益于能够定位和跟踪声源。这样的能力可以帮助定位环境中的人或感兴趣的事件,并且还为诸如语音识别的其他能力提供增强的处理。为了赋予机器人这种能力,挑战不仅是定位同步声源,而且要随着时间的推移跟踪它们。在本文中,我们提出了一个强大的声源定位和跟踪方法,使用八个麦克风阵列。该方法是基于一个频域实现的转向波束形成器以及基于粒子滤波器的跟踪算法。结果表明,移动机器人可以定位和跟踪实时多个不同类型的移动源在7米的范围内。这些新功能允许移动机器人使用更自然的方式与现实生活中的人进行交互。
2016-02-25 cs.RO cs.SD
Simultaneous Spatial and Temporal Assignment for Fast UAV Trajectory Optimization using Bilevel Optimization
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出一种基于双层优化的无人机快速轨迹规划框架,将安全集约束从下层QP移至上层,利用OptNet解析梯度同时更新航路点与时间分配,使计算时间随安全集数量线性增长。
2023-04-13 cs.RO cs.SY eess.SY
Bayesian Simultaneous Localization and Multi-Lane Tracking Using Onboard Sensors and a SD Map
Zenseact(森赛克特公司);Linköping University(林雪平大学)
提出一种融合 SD 地图、GNSS、视觉里程计与车道边缘检测的贝叶斯 TPMBM 滤波框架,可同时估计车辆 6D 位姿并跟踪多车道三维几何。
2024-05-07 cs.RO eess.SP
Solving Multi-Agent Target Assignment and Path Finding with a Single Constraint Tree
Carnegie Mellon University(卡内基梅隆大学)
针对CBS-TA算法在解决TAPF问题时的可扩展性瓶颈,本文提出ITA-CBS算法,通过构建单一搜索树并增量计算1最优分配来避免重复碰撞解决与昂贵计算,在保证最优性的同时提升了计算效率。
2023-10-23 cs.AI cs.RO
Optimal target assignment for massive spectroscopic surveys
Swiss Federal Institute of Technology in Lausanne (EPFL)(洛桑联邦理工学院)
机器人技术最近为宇宙光谱学做出了贡献,使用机器人光纤定位器自动获得可观测宇宙的地图。为此,需要一种分配算法来将每个机器人光纤定位器分配给与特定观察相关联的目标。分配过程直接影响机器人光纤定位器的协调,以达到其分配的目标。在本文中,我们建立了一个最佳的目标分配方案,同时提供了最快的协调伴随着最少的碰撞场景之间的机器人纤维定位器。特别是,我们提出了一个成本函数,其最小化的引用的要求都考虑到在目标分配过程中。应用模拟表明,使用我们的最佳方法的收敛速度的改善。我们表明,我们的算法规模的解决方案在二次时间的情况下,充分的观察。此外,收敛时间和碰撞的情况下的百分比也减少了监督和混合协调策略。
2020-05-18 astro-ph.IM cs.RO
TOAST: Trajectory Optimization and Simultaneous Tracking using Shared Neural Network Dynamics
Agency for Defense Development(国防发展局);Ground Technology Research Institute(地面技术研究院)
神经网络越来越多地应用于模型预测控制器(MPC)中,以控制非线性动态系统。然而,MPC仍然提出了一个问题,即可实现的更新速率不足以应付模型的不确定性和外部干扰。在本文中,我们提出了一种新的控制方案,可以设计一个最佳的跟踪控制器使用的神经网络动态的MPC,使其有可能被应用为任何现有的基于模型的前馈控制器的即插即用扩展。我们还描述了我们的方法如何处理包含历史信息的神经网络,它不遵循一般形式的动态。所提出的方法进行评估,其在经典的控制基准与外部干扰的性能。我们还扩展了我们的控制框架,以应用于具有未知摩擦的激进自动驾驶任务。在所有的实验中,我们的方法优于比较方法的大幅度。我们的控制器也表现出较低的控制抖振水平,表明我们的反馈控制器不干扰MPC的最优命令。
2022-07-14 cs.RO cs.SY eess.SY
A two-stage data association approach for 3D Multi-object Tracking
Laboratoire des Sciences du Numérique de Nantes (LS2N)(南特数字科学实验室(LS2N));École Centrale de Nantes(南特中央理工学院)
多对象跟踪(MOT)是任何自动驾驶管道的一个组成部分,因为它产生场景中其他移动对象的轨迹,并帮助预测它们的未来运动。由于深度学习在3D目标检测方面的最新进展,逐检测跟踪已成为3D MOT中的主导范例。在这种模式中,MOT系统基本上由对象检测器和建立跟踪到检测对应关系的数据关联算法组成。虽然3D目标检测已经被积极研究,但3D MOT的关联算法似乎停留在被公式化为线性分配问题(Linear AssignmentProblem,简称NLP)的二方匹配上,并由匈牙利算法来求解。在本文中,我们采用了两阶段的数据关联方法,这是成功的基于图像的跟踪到3D设置,从而提供了一种替代的数据关联的3D MOT。我们的方法通过在NuScenes验证集上实现0.587 AMOTA,优于使用一阶段双向匹配进行数据关联的基线。
2021-01-21 cs.AI cs.CV cs.RO
Modeling and Control of AWOISV: A Filtered Tube-Based MPC Approach for Simultaneous Tracking of Lateral Position and Heading Angle
School of Mechanical Engineering, Beijing Institute of Technology(机械工程学院,北京理工大学)
本文针对全轮全向独立转向车辆,提出基于θ_R-β_R表示的广义v-β-r动力学模型和滤波管式LTVMPC策略,实现横向位置与任意航向角的同时高精度跟踪,并通过仿真与硬件在环实验验证了其鲁棒性和实时性。
2025-08-19 cs.RO cs.SY eess.SY
A Complete Derivation Of The Association Log-Likelihood Distance For Multi-Object Tracking
Driver Assistance Systems, ZF TRW(ZF TRW驾驶辅助系统);German Cancer Research Center(德国癌症研究中心)
本文基于多目标跟踪中的关联问题,推导了关联对数似然距离,并通过蒙特卡洛模拟验证了其在关联关系准确性上的优越性。
2015-09-08 cs.RO cs.SY eess.SY
FANTrack: 3D Multi-Object Tracking with Feature Association Network
University of Waterloo(滑铁卢大学)
我们提出了一种数据驱动的在线多目标跟踪(MOT)方法,该方法使用卷积神经网络(CNN)在检测跟踪框架中进行数据关联。多目标跟踪问题的目的是分配噪声检测先验未知的和时变数量的跟踪对象在一个序列的帧。大多数现有的解决方案都集中在繁琐的成本函数设计或制定数据关联的任务作为一个复杂的优化问题,可以有效地解决。相反,我们利用深度学习的力量将数据关联问题公式化为CNN中的推理。为此,我们建议学习一个相似性函数,它结合了对象的图像和空间特征的线索。我们的解决方案学习纯粹从数据中执行3D全局分配,处理噪声检测和不同数量的目标,并且易于训练。我们在具有挑战性的KITTI数据集上评估了我们的方法,并显示了有竞争力的结果。我们的代码可在https://git.uwaterloo.ca/wise-lab/fantrack上获得。
2019-05-07 cs.AI cs.CV cs.LG
A time-weighted metric for sets of trajectories to assess multi-object tracking algorithms
University of Liverpool(利物浦大学);Universidad Antonio de Nebrija(内布里哈大学);Zenseact;Chalmers University of Technology(查尔姆斯理工大学)
本文提出了一种度量的轨迹集,以评估多目标跟踪算法,包括时间加权成本的定位错误的正确检测到的目标,假目标,错过的目标和轨道开关。所提出的度量通过包括与不同时间步长相关联的成本的权重来扩展[1]中的度量。时间加权成本增加了度量的灵活性[1],以适应更多的应用程序和用户偏好。我们首先介绍了一个基于多维分配的度量,然后介绍了它的线性规划松弛,它是在多项式时间内可计算的,也是一个度量。度量还可以扩展到随机有限轨迹集上的度量,以跨不同场景评估和排名算法,每个场景具有轨迹的地面实况集。
2021-10-26 cs.CV cs.LG cs.RO