Fast-Poly: A Fast Polyhedral Framework For 3D Multi-Object Tracking

本文提出了一种名为Fast-Poly的快速有效的基于滤波器的3D多目标跟踪方法，用于捕捉周围障碍物的稳定和全面的运动状态，对于机器人感知至关重要。Fast-Poly在我们之前的工作Poly-MOT的基础上，解决了3D空间中物体旋转各向异性的问题，增强了局部计算密集度，并利用并行化技术，提高了推理速度和精度。Fast-Poly在两个大规模跟踪基准测试中得到了广泛的测试和Python实现。在nuScenes数据集上，Fast-Poly在所有方法中实现了75.8％的AMOTA新的最优性能，并可以在个人CPU上以34.2 FPS运行。在Waymo数据集上，Fast-Poly表现出具有竞争力的准确性，具有63.6％的MOTA和令人印象深刻的推理速度（35.5 FPS）。源代码可公开访问，网址为https://github.com/lixiaoyu2000/FastPoly。

Fast-Poly提出了一种快速有效的基于滤波器的3D多目标跟踪方法，旨在解决当前3D跟踪器在准确性和延迟一致性方面面临的问题。

Fast-Poly通过处理3D空间中物体的旋转各向异性，增强本地计算密度和利用并行化技术，提高推理速度和精度。

Fast-Poly在两个大型跟踪基准测试中进行了广泛的测试，展现了新的最先进性能。在nuScenes数据集上，Fast-Poly在所有方法中实现了75.8％的AMOTA，并且可以在个人CPU上以34.2 FPS运行。在Waymo数据集上，Fast-Poly表现出有竞争力的准确性，具有63.6％的MOTA和令人印象深刻的推理速度（35.5 FPS）。

最近的相关研究包括："CenterTrack: Tracking Objects as Points"和"Joint Detection and Multi-Object Tracking with Graph Neural Networks"等。