協調認識/3D多物体追跡2026/9/22arXiv:2609.25668

CDKF-Track: クラスタ対応データ駆動型カルマンフィルタによる協調3D多物体追跡

CDKF-Track: Cluster-aware Data-Driven Kalman Filtering for Cooperative 3D Multi-Object Tracking

複数車両のLiDAR検出をグラフラプラシアンで融合し、クラスタ単位で冗長検出を削減した上で、データから運動ダイナミクスを学習するカルマンフィルタとウェーブレット時間補正で協調3D多物体追跡を行うフレームワーク。

詳しい要約

1. どんなもの？

- Cooperative 3D Multi-Object Tracking (MOT) のためのフレームワーク。 - Cluster-aware Data-Driven Kalman Filtering を提案。 - 複数車両の 3D LiDAR 検出を統合し、追跡精度を向上。 - EdgeAI 知覚システムを想定。

2. 先行研究と比べてどこがすごい？

- 単一エージェント MOT は遮蔽・センサノイズ・部分的理解に弱い。 - マルチエージェントは冗長測定による誤関連付けと非線形動態の捕捉が課題。 - 本手法は検出レベル融合の冗長性と学習可能な運動モデリングを初めて同時に扱う。 - V2V4Real で最大 27.99% の追跡精度改善。

3. 技術・手法の肝は？

- Graph Laplacian ベースの定式化でマルチ車両 3D LiDAR 検出を融合。 - Cluster-aware 冗長削減スキームで空間的に関連する検出をグループ化し代表観測を選択。 - Data-driven Kalman filter で物体運動動態をデータから学習。 - Wavelet-based temporal refinement で短期的位置変動を減衰し軌道連続性を改善。

4. どうやって有効だと検証した？

- 実世界データセット V2V4Real で実験。 - 最先端のマルチエージェント MOT 手法と比較。 - 追跡精度が最大 27.99% 向上。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: 最先端のマルチエージェント MOT 手法（具体的名称は要旨に無し）。 - 関連手法: Graph Laplacian, Data-driven Kalman filter, Wavelet-based temporal refinement。 - 同分野の定番: マルチエージェント MOT, 3D LiDAR 検出融合。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Maria Damanaki, Nikos Piperigkos, Alexandros Gkillas, Aris S. Lalos

分類: cs.RO, eess.SP

原文アブストラクト

Multi-Object Tracking (MOT) is essential for EdgeAI perception systems, where accurate object localization and reliable identification enable safe decision-making. Singleagent MOT suffers from occlusions, sensor noise, and partial scene understanding in complex real-world scenarios. While multi-agent systems improve robustness by exploiting shared information, they introduce redundant measurements that lead to false data associations, and still struggle to capture nonlinear object dynamics. To address these challenges, we propose CDKFTrack, a Cluster-aware Data-Driven Kalman Filtering framework for Cooperative 3D MOT. The proposed method first fuses multivehicle 3D LiDAR detections through a Graph Laplacian-based formulation. Then, a cluster-aware redundancy reduction scheme groups spatially related detections and selects representative observations to reduce duplicate inputs to the tracker. The resulting detections are processed by a data-driven Kalman filter that learns object motion dynamics from data, reducing dependence on predefined linear motion assumptions. Furthermore, a wavelet-based temporal refinement module leverages the multiresolution decomposition property of wavelets to attenuate shortterm positional fluctuations and improve trajectory continuity. To the best of our knowledge, CDKF-Track is the first framework to jointly address detection-level fusion redundancy and learnable motion modeling in cooperative 3D MOT. Experimental results on the real-world V2V4Real dataset indicate that CDKF-Track achieves up to 27.99% improvements in tracking accuracy over state-of-the-art multi-agent MOT methods.

arXivで原文を読む →arXiv概要ページ

← 論文一覧