Multi-robot Task Assignment for Aerial Tracking with Viewpoint Constraints
Massachusetts Institute of Technology(麻省理工学院);Delft University of Technology(代尔夫特理工大学)
我们解决的问题,分配一个团队的无人机自主捕捉一组所需的镜头的动态目标中存在的障碍物。我们提出了一个两阶段的规划管道,离线生成无人机的镜头分配和本地优化在线的观点。给定期望的镜头参数,高级规划器使用可见性启发式来预测捕捉每个镜头的良好时间,并使用一个线性规划来计算无人机分配。在线模型预测控制算法使用分配作为参考来捕获镜头。通过一对无人机和一辆遥控汽车对算法进行了硬件验证。
2022-05-31 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
Assignment Algorithms for Multi-Robot Multi-Target Tracking with Sufficient and Limited Sensing Capability
Drexel University(德雷塞尔大学)
针对机器人不同感知能力下的多机器人多目标跟踪分配问题,提出两种贪心算法分别解决单机器人足跟踪单目标、双机器人需跟踪单目标场景,证明其近似界与多项式时间特性,实验表明性能接近最优且优于近似界。
2023-07-30 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
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
Distributed Assignment with Limited Communication for Multi-Robot Multi-Target Tracking
Virginia Tech(弗吉尼亚理工学院暨州立大学)
我们研究的问题,跟踪多个移动目标,使用移动机器人的团队。每个机器人都有一组运动基元可供选择,以便共同最大化跟踪的目标数量或跟踪的总质量。我们的重点是在通信有限的情况下,机器人有有限的时间与邻居分享信息。因此,我们寻求分布式算法,可以在有限的时间内找到解决方案。我们提出了两种算法:(1)尽管在最坏情况下需要$|R|$通信回合,但保证找到最优(集中式)解的$2$近似的贪心算法,其中$|R|$表示机器人的数量;以及(2)在$\mathcal{O}(h\log 1/ε)$通信回合中找到$\mathcal{O}\left((1+ε)(1+1/h)\right)$近似算法的局部算法。这里,$h$和$ε$是允许用户权衡解决方案质量与通信时间的参数。除了理论结果,我们提出了实证评估,包括与集中式最优解的比较。
2019-05-29 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
Embodying Multi-Hand Manipulation Policies by Searching the Assignment and Null Spaces
研究多臂机器人执行操作策略的问题,基于冲突搜索构建框架,通过搜索轨迹分配空间和零空间,统一处理分配与零空间运动,有效解决多手操作策略执行难题,实现多臂机器人协调操作。
2026-07-27 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
Beyond Pixels: Leveraging Geometry and Shape Cues for Online Multi-Object Tracking
IIIT Hyderabad(海得拉巴国际信息技术学院);Mila, Universite de Montreal(蒙特利尔大学米拉研究所)
本文介绍了城市驾驶场景中多目标跟踪的几何和对象形状和姿态成本。单独使用单目摄像机的图像,我们设计成对的成本对象的轨道,基于几个3D线索,如对象的姿势,形状和运动。所提出的成本对于数据关联方法是不可知的,并且可以被并入任何优化框架中以输出成对数据关联。这些成本很容易实现,可以实时计算,并相互补充,以解决检测跟踪框架中可能出现的错误。我们进行了广泛的分析设计成本和经验证明一致的改进,在不同的条件下,采用了一系列的对象检测器的最先进的,表现出各种相机和对象的运动,更重要的是,不依赖于选择的关联框架。我们还表明,通过使用最简单的关联框架(两帧匈牙利分配),我们超越了国家的最先进的道路场景中的多目标跟踪。更多的定性和定量结果可以在以下URL中找到:https://junaidcs032.github.io/Geometry_ObjectShape_MOT/。
2018-07-27 cs.CV cs.RO
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
Distributed Multi-object Tracking under Limited Field of View Sensors
School of Computer Science, The University of Adelaide(阿德莱德大学计算机学院);Monash University(莫纳什大学);Curtin University(科廷大学)
我们认为具有挑战性的问题,跟踪多个对象使用分布式网络的传感器。针对节点视场、计算能力和通信资源有限的实际情况,提出了一种新的分布式多目标跟踪算法。为了实现这一点,我们首先正式的标签一致性的概念,确定一个充分条件,以实现它,并开发一种新的\textit{label consensus approach},减少标签不一致所造成的对象的移动从一个节点的有限的FoV到另一个。其次,我们开发了一种分布式多目标融合算法,融合局部多目标状态估计,而不是局部多目标密度。该算法:i)需要比多目标密度融合方法显著更少的处理时间; ii)通过考虑在几次扫描而不是单次扫描上的最优子模式分配(OSPA)跟踪误差来实现更好的跟踪精度; iii)与局部多目标跟踪技术无关,并且仅需要每个节点提供一组估计的轨迹。因此,没有必要假设节点保持多对象密度,并且因此融合结果不修改局部多对象密度。数值实验表明,我们提出的解决方案的实时计算效率和准确性相比,国家的最先进的解决方案在具有挑战性的情况下。我们还在https://github.com/AdelaideAuto-IDLab/Distributed-limitedFoV-MOT上发布了融合方法的源代码,以促进DMOT算法的发展。
2021-07-31 cs.MA cs.RO
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
Formation Control with Lane Preference for Connected and Automated Vehicles in Multi-lane Scenarios
Tsinghua University(清华大学);Intel Lab China(英特尔中国研究院)
多车道道路是现实交通系统中的典型场景。车辆通常根据其路线和目的地对车道有偏好。现有的研究很少考虑控制车辆在其期望的车道上行驶的问题。提出了一种考虑不同车道上车辆偏好的编队控制方法。采用双层编队控制框架规划车辆的无碰撞运动,上层进行相对目标分配和路径规划,下层进行轨迹规划和跟踪。将考虑车道偏好的无碰撞多车辆路径规划问题解耦为两个子问题:计算费用不减的分配表和根据给定的分配结果规划无碰撞路径。根据给定的分配结果,采用基于启发式搜索的方法规划车辆的无碰撞路径。进行了案例研究,并进行了模拟在一个三车道的道路场景。结果表明,所提出的形成控制方法显着减少拥挤,提高交通效率,在高交通量相比,基于规则的方法。
2021-06-18 cs.RO cs.SY eess.SY
Decentralized Multi-Agent Active Search and Tracking when Targets Outnumber Agents
School of Computer Science, Carnegie Mellon University(卡内基梅隆大学计算机科学学院)
针对目标多于智能体且通信异步的去中心化主动搜索跟踪问题,提出 DecSTER,结合 PHD 滤波器的序贯蒙特卡洛推断与 Thompson 采样,并在 OSPA 指标上优于信息贪婪基线。
2024-01-09 cs.AI cs.LG cs.MA