EM-Fusion: Dynamic Object-Level SLAM with Probabilistic Data Association
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
大多数使用RGB-D相机获取密集3D环境地图的方法都假设静态环境或拒绝将移动对象作为异常值。然而，移动对象的表示和跟踪在机器人技术或增强现实中具有重要的应用潜力。在本文中，我们提出了一种新的方法，动态SLAM密集对象级表示。我们表示刚性物体在本地体积签署的距离函数（SDF）的地图，并制定多目标跟踪的RGB-D图像与SDF表示的直接对齐。我们的主要新颖性是一个概率公式，自然导致数据关联和遮挡处理的策略。我们在实验中分析了我们的方法，并证明了我们的方法与最先进的方法相比，在鲁棒性和准确性。
2020-11-24 cs.CV cs.RO
Moment-Matching Probabilistic Data Association for Optimization-Based SLAM
University of California San Diego（加州大学圣迭戈分校）；Georgia Institute of Technology（佐治亚理工学院）
本文提出将矩匹配概率数据关联与基于优化的SLAM结合，通过概率性多测量关联和虚拟测量模型，在假阴性和假阳性场景下提升iSAM2的定位性能。
2026-09-09 cs.RO stat.AP
Pedestrian Tracking by Probabilistic Data Association and Correspondence Embeddings
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
本文研究了运动学（位置和速度）和外观线索之间的相互作用，以建立多目标行人跟踪的对应关系。我们研究了基于深度学习检测器、联合集成概率数据关联（JIPDA）和基于外观的深度对应嵌入跟踪的检测跟踪方法。我们首先通过微调卷积检测器来实现准确的行人检测，并将其与仅运动学的JIPDA相结合来解决固定摄像头设置。最终提交的作品在3DMOT 2015基准中排名第一。然而，在具有移动相机和未知自我运动的序列中，我们通过用深度对应嵌入的全局最近邻跟踪替换运动学线索来实现最佳结果。我们通过使用由边际项扩展的角度损失来微调ResNet-18第二块的特征来训练嵌入。我们注意到，直接在JIPDA中集成深度对应嵌入并没有带来显着的改进。看来，软数据关联的深度对应嵌入的几何结构需要进一步研究，以便从两个世界中获得最佳效果。
2019-07-16 cs.CV cs.LG cs.RO
Nonparametric Spatio-Temporal Joint Probabilistic Data Association Coupled Filter and Interfering Extended Target Tracking
Dalhousie University（达尔豪斯大学）；Nipissing University（尼皮辛大学）；McMaster University（麦克马斯特大学）
本文提出非参数时空联合概率数据关联耦合滤波器（ST-JPDACF），通过可学习的核函数建模扩展目标测量在空间和时间上的依赖性，以解决多扩展目标共享测量时的干扰跟踪问题，并在干扰场景下取得优于现有监督方法的结果。
2023-08-22 cs.CV cs.RO
Probabilistic Data Association for Semantic SLAM at Scale
University of Melbourne（墨尔本大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）；Australian National University（澳大利亚国立大学）
随着图像处理和机器学习的进步，现在可以将语义信息并入同时定位和映射（SLAM）问题中。以前，SLAM是使用较低级别的几何特征（点，线和平面）进行的，这些特征通常依赖于视点，并且在视觉重复的环境中容易出错。语义信息可以提高识别先前访问过的位置的能力，以及为长期SLAM应用维护更稀疏的地图。然而，重复环境中的SLAM具有将测量值分配给生成它们的地标的关键问题。在本文中，我们使用k-最佳分配枚举计算边缘分配概率为每个测量地标对，在实时的。我们目前的KITTI数据集的数值研究，以证明所提出的框架的有效性和速度。
2022-02-25 cs.RO cs.SY eess.SY
Probabilistic 3D Multi-Modal, Multi-Object Tracking for Autonomous Driving
Stanford University（斯坦福大学）；Toyota Research Institute（丰田研究院）
多目标跟踪是自主车辆安全行驶的重要能力。当前的现有技术遵循通过检测来跟踪的范例，其中现有的轨迹通过某种距离度量与检测到的对象相关联。提高跟踪准确性的关键挑战在于数据关联和跟踪生存周期管理。我们提出了一个概率，多模态，多目标跟踪系统，由不同的可训练模块，以提供强大的和数据驱动的跟踪结果。首先，我们学习如何融合来自2D图像和3D LiDAR点云的特征，以捕获对象的外观和几何信息。其次，我们建议学习一个度量，结合了Mahalanobis和特征距离比较时的轨道和数据关联的新检测。第三，我们建议学习何时从不匹配的目标检测初始化跟踪。通过大量的定量和定性结果，我们表明，当使用相同的对象检测器时，我们的方法在NuScenes和KITTI数据集上的性能优于最先进的方法。
2021-10-11 cs.CV cs.RO
Multiple Hypothesis Semantic Mapping for Robust Data Association
ETH Zurich（苏黎世联邦理工学院）；Sevensense Robotics AG（Sevensense Robotics AG（七感机器人股份公司））
在本文中，我们提出了一个语义映射方法与多假设跟踪数据关联。由于语义信息具有克服测量和位置识别中的模糊性的潜力，因此它形成了自治系统的一种突出形式。这在具有几个相似环境的城市场景中尤其明显。然而，它需要处理来自对象检测器的非高斯和离散随机变量。以前的方法促进语义信息的全球定位和数据关联，以减少实例之间的模糊性的地标。然而，这些方法中的许多方法不处理环境的完整的全局一致的表示的创建，并且通常不能很好地扩展。我们利用多个假设树，通过位置，实例和类来获得语义测量的概率数据关联，以创建语义表示。我们提出了一种优化的映射方法，并利用姿态图来推导出一种新的语义SLAM解决方案。此外，我们表明，语义共视图允许在城市环境中进行精确的位置识别。我们使用真实世界的户外数据集验证我们的方法，并证明平均漂移减少33% w.r.t.原始里程计源。此外，我们的方法比常规的多假设方法平均少产生55%的假设。
2020-12-08 cs.RO
All Weather Perception: Joint Data Association, Tracking, and Classification for Autonomous Ground Vehicles
本文提出一种新型概率感知算法，用于自主地面车辆在全天候条件下的数据关联、目标跟踪和分类。该算法扩展了原有的 Rao-Blackwellized 粒子滤波器，结合多模型跟踪进行分类，并通过升级 Cornell 的 AGV 实验证明了先进视觉算法在恶劣天气下的鲁棒性。
2016-05-07 cs.CV cs.LG cs.RO
Line Maps in Cluttered Environments
Universidad Michoacana（米却肯大学）
本文采用平滑和映射框架来解决室内环境下的SLAM问题，重点研究了如何应用概率技术来处理特征提取和数据关联等关键问题。对于特征提取，提出了一种从激光扫描中发现多条线的优势比方法，该标准允许决定哪个模型必须合并并输出最佳数量的模型。此外，为了解决数据关联问题，提出了一种基于线段的数据关联方法。实验结果表明，该方法可以从噪声数据中获得高质量的室内地图
2014-02-20 cs.RO
Probabilistic Point Cloud Modeling via Self-Organizing Gaussian Mixture Models
Carnegie Mellon University（卡内基梅隆大学）
这封信提出了一种连续的概率建模方法，空间点云数据使用有限高斯混合模型（GARCH）的组件的数量是适应场景的复杂性的基础上。已经提出了一些分层和自适应的方法来解决平衡模型保真度与大小的挑战。相反，最先进的映射方法需要针对特定用例调优参数，但不能在不同的环境中推广。为了解决这个问题，我们利用信息理论学习的自组织原理，根据传感器数据中的相关信息自动调整GMM模型的复杂性。该方法进行评估对现有的点云建模技术在现实世界的数据与不同程度的场景复杂性。
2023-03-13 cs.GR cs.LG cs.RO
Probabilistic 3D Multi-Object Tracking for Autonomous Driving
3D多目标跟踪是自动驾驶应用中的一个关键模块，它为规划模块提供了可靠的动态世界表示。在本文中，我们介绍了我们的在线跟踪方法，该方法在2019年NeurIPS的AI驾驶奥运会研讨会上举行的NuScenes跟踪挑战赛中获得第一名。我们的方法通过采用卡尔曼滤波器来估计对象的状态。我们初始化状态协方差以及过程和观测噪声协方差与统计数据的训练集。我们还通过测量预测对象状态和当前目标检测之间的马氏距离，在数据关联步骤中使用来自卡尔曼滤波器的随机信息。我们在NuScenes验证和测试集上的实验结果表明，我们的方法在平均多目标跟踪精度（AMOTA）度量方面优于AB3DMOT基线方法。
2020-01-16 cs.CV cs.RO
Robust Monocular Edge Visual Odometry through Coarse-to-Fine Data Association
在这项工作中，我们提出了一个单目视觉里程计框架，它允许利用最好的属性的边缘功能的照明鲁棒相机跟踪，而在同一时间改善的性能退化的边缘映射。在前端，基于ICP的边缘配准可以在光照变化下提供鲁棒的运动估计和粗略的数据关联。在后端，一个新的边缘引导的数据关联管道搜索最佳光度匹配点沿几何可能的边缘通过模板匹配，使匹配可以在以后的光束法平差进一步细化。我们提出的数据关联策略的核心在于一个点到边的几何不确定性分析，分析得出（1）的概率搜索长度公式，显着减少了搜索空间的系统加速和（2）的几何置信度映射退化检测的基础上预测的深度不确定性。此外，基于匹配置信度的补丁大小自适应策略被集成到我们的管道中，与其他组件连接，以减少匹配歧义。我们提出了广泛的分析和评估，我们提出的系统的影响下，照明变化和大的相机运动，我们提出的系统优于当前最先进的算法的合成和真实世界的基准数据集。
2020-03-16 cs.CV cs.RO eess.IV
