Convolutional Unscented Kalman Filter for Multi-Object Tracking with Outliers

多目标跟踪（MOT）是自动驾驶导航中的重要技术。在基于检测的跟踪系统中，由于复杂的交通场景，偏差、误报和漏报（称为离群值）是不可避免的。最近的跟踪方法基于滤波算法，忽略这些离群值，导致跟踪精度降低甚至对象轨迹丢失。为了应对这一挑战，我们采用概率视角，将离群值的产生视为测量数据的实际分布与用于滤波的名义测量模型之间的误差。我们进一步证明，通过设计卷积操作，我们可以减轻这种误差。将这种操作纳入常用跟踪算法中广泛采用的无迹卡尔曼滤波器（UKF）中，我们推导出一种对离群值具有鲁棒性的UKF变体，称为卷积UKF（ConvUKF）。我们证明ConvUKF保持高斯共轭性质，从而允许实时跟踪。我们还证明，ConvUKF在存在离群值的情况下具有有界的跟踪误差，这意味着鲁棒稳定性。在KITTI和nuScenes数据集上的实验结果显示，与MOT任务的代表性基准算法相比，ConvUKF的精度得到了改善。

解决问题：论文试图解决多目标跟踪中存在的偏差、误检、漏检等异常数据对跟踪精度的影响问题。

关键思路：通过概率模型来处理测量数据的实际分布与过滤器所使用的理论分布之间的偏差，提出了一种卷积操作来解决这种偏差，将其应用于无迹卡尔曼滤波器中，提出了一种新的算法ConvUKF来实现对异常数据的鲁棒跟踪。

其他亮点：ConvUKF算法具有高精度、实时性、鲁棒性等优点，通过在KITTI和nuScenes数据集上的实验验证了其优越性。论文还提供了开源代码，为多目标跟踪领域的研究提供了新思路和方法。

相关研究：在多目标跟踪领域，近期的研究主要集中在基于深度学习的方法，如SORT、DeepSORT等。