Clustering-based Learning for UAV Tracking and Pose Estimation

本文介绍了我们团队“NTU-ICG”在CVPR 2024 UG2+挑战赛的第五个任务中提出的一种基于聚类学习检测方法（CL-Det）的无人机（UAV）跟踪和姿态估计方法。在飞行过程中，相机和激光雷达是捕捉UAV轨迹的两种主要传感器。然而，这两种传感器在UAV分类和姿态估计方面都有局限性。因此，本文提出了一种基于聚类的学习检测方法，利用Livox Avia和LiDAR 360两种激光雷达的信息来定位三维空间中的无人机。我们首先对Livox Avia数据和LiDAR 360数据的时间戳进行对齐，然后将感兴趣的对象（OOIs）的点云从环境中分离出来。使用DBSCAN方法对OOIs的点云进行聚类，假设最大聚类的中点为UAV位置。此外，我们利用历史估计值来填充缺失的数据。该方法在姿态估计性能上表现竞争力，并在CVPR 2024 UG2+挑战赛的最终排行榜上排名第五。

UAV追踪和姿态估计是无人机相关任务中的重要问题，本文试图通过结合两种激光雷达数据，提出一种基于聚类学习的检测方法来解决这个问题。

本文提出的CL-Det方法，结合了Livox Avia和LiDAR 360两种激光雷达数据，使用DBSCAN算法对感兴趣物体的点云进行聚类，找到最大聚类的中心点作为无人机位置估计，并利用历史估计填补缺失数据。

本文在CVPR 2024 UG2+ Challenge的Track 5中排名第五。实验使用了Livox Avia和LiDAR 360两种激光雷达数据，证明了CL-Det方法在无人机追踪和姿态估计方面具有竞争力。同时，本文提出的方法可以应用于其他领域的目标追踪和姿态估计问题。

最近的相关研究包括使用深度学习方法进行无人机追踪和姿态估计，如《Deep Drone Pose Estimation》和《Drone Pose Estimation via Convolutional Neural Networks and Inertial Sensors》。此外，还有一些基于激光雷达数据的目标检测和追踪方法，如《Real-Time LiDAR-Based 3D Object Detection and Tracking for Autonomous Driving》。