Multi-Object Tracking based on Imaging Radar 3D Object Detection

有效跟踪周围交通参与者可以准确地估计状态，是预测未来行为和因此适当规划自车轨迹的必要因素。一种检测和跟踪周围交通参与者的方法是将基于学习的目标检测器与经典的跟踪算法结合使用。已经证明，基于学习的目标检测器在激光雷达和相机数据上可以正常工作，而使用标准雷达数据输入的基于学习的目标检测器表现较差。最近，随着成像雷达技术的改进，雷达上的目标检测性能得到了极大的提高，但由于雷达点云的稀疏性，与激光雷达传感器相比仍然受到限制，这为多目标跟踪任务带来了独特的挑战。跟踪算法必须克服有限的检测质量，同时生成一致的轨迹。为此，需要对成像雷达数据上的不同多目标跟踪方法进行比较，以研究其在下游任务中的潜力。本文比较了多种方法，并分析了它们在应用于成像雷达数据时的限制。此外，还考虑了概率关联算法的改进形式，以用于此任务。

论文试图通过比较多种方法来解决基于成像雷达数据的多目标跟踪问题，分析它们在这个任务中的局限性和潜力。

论文提出了一种将基于学习的目标检测器与传统的跟踪算法相结合的方法，来检测和跟踪周围的交通参与者。并且考虑了概率关联算法来增强这种方法的效果。

论文分析了多种方法在成像雷达数据上的表现，并提出了概率关联算法来增强方法的效果。实验使用了多个数据集，并且开源了代码。值得继续深入研究的是如何进一步提高基于雷达数据的目标检测和跟踪的性能。

最近的相关研究包括：1. 'Object Detection and Tracking in 3D Radar Data: A Survey'；2. 'Deep Learning for Radar Object Detection: A Comprehensive Review'；3. 'A Survey on Deep Learning Techniques for Object Detection and Tracking in Radar Imagery'.