基于角度交并比和自适应生命周期的三维多目标跟踪算法

doi:10.19562/j.chinasae.qcgc.2025.06.015

汽车工程 ›› 2025, Vol. 47 ›› Issue (6): 1169-1176.doi: 10.19562/j.chinasae.qcgc.2025.06.015

• • 上一篇

基于角度交并比和自适应生命周期的三维多目标跟踪算法

孙鑫宇¹,金立生^1,²(),霍震¹,王欢欢¹,贺阳^1,²,刘栋³

^1.燕山大学车辆与能源学院，秦皇岛 066004
^2.燕山大学，河北省特种运载装备重点实验室，秦皇岛 066004
^3.北京城建智控科技股份有限公司，北京 100075

收稿日期:2024-10-16 修回日期:2024-12-10 出版日期:2025-06-25 发布日期:2025-06-20
通讯作者: 金立生 E-mail:jinls@ysu.edu.cn
基金资助:
第二十七届中国科协年会学术论文。国家重点研发计划项目(2023YFB2504400);河北省研究生创新资助项目(CXZZBS2024064)

Three-Dimensional Multi-object Tracking Algorithm Based on Angle Intersection over Union and Adaptive Lifecycle

Xinyu Sun¹,Lisheng Jin^1,²(),Zhen Huo¹,Huanhuan Wang¹,Yang He^1,²,Dong Liu³

^1.School of Vehicle and Energy，Yanshan University，Qinhuangdao 066004
^2.Yanshan University，Hebei Key Laboratory of Special Carrier Equipment，Qinhuangdao 066004
^3.Beijing Urban Construction Intelligent Control Co. ，Ltd. ，Beijing 100075

Received:2024-10-16 Revised:2024-12-10 Online:2025-06-25 Published:2025-06-20
Contact: Lisheng Jin E-mail:jinls@ysu.edu.cn

摘要/Abstract

摘要：

针对智能汽车在真实交通环境跟踪周围目标时面临的轨迹错误关联和过早删除问题，本文提出一种基于角度交并比和自适应生命周期的三维多目标跟踪算法。首先，采用分数过滤与非极大值抑制分别去除低置信度和重叠的检测框，结合恒定速度模型与卡尔曼滤波消除轨迹的帧间位移。其次，考虑位置和角度因素设计角度交并比，使用匈牙利算法求解二部图最优匹配。最后，根据轨迹中断与目标距离第一性原理制定自适应生命周期策略，以动态管理轨迹状况。实验表明，改进后的方法在Waymo数据集上车辆、骑车者和行人3类目标的Mismatch依次为0.07％、0.27％和0.29％，相比于基线算法分别下降0.03％、0.18％和0.21％；在nuScenes数据集上，所提方法的IDS为312次，与基线算法相比降低49.9％。提出的角度交并比和自适应生命周期能够减少身份切换次数，改进的三维多目标跟踪算法可以获得准确稳定的时序轨迹。

关键词: 自动驾驶, 激光雷达, 三维多目标跟踪, 角度交并比, 自适应生命周期

Abstract:

For the problems of trajectory error association and premature deletion that intelligent vehicles face when tracking surrounding objects in real traffic environment， a three-dimensional multi-object tracking algorithm based on angle intersection over union and adaptive lifecycle is proposed in this paper. Firstly， low-confidence and overlapping detection boxes are removed using score filtering and non-maximum suppression， respectively， while inter-frame displacement of trajectories is eliminated by combining the constant velocity model and Kalman filter. Secondly， the angle intersection over union is designed by considering the factors of position and angle， and the optimal matching of the bipartite graph is determined through application of the Hungarian algorithm. Finally， an adaptive lifecycle strategy is formulated based on the first principle of the relationship between trajectory interruption and object distance to dynamically manage the trajectory status. The experiments show that the improved method attains 0.07%， 0.27%， and 0.29% Mismatch for Vehicle， Cyclist， and Pedestrian， respectively， on the Waymo dataset， a reduction of 0.03%， 0.18%， and 0.21% compared to the baseline algorithm. On the nuScenes dataset， the proposed method obtains an IDS of 312， a reduction of 49.9% compared to the baseline algorithm. The proposed angle intersection over union and adaptive lifecycle is able to reduce the number of identity switches， while the improved three-dimensional multi-object tracking algorithm can achieve accurate and stable temporal trajectories.

Key words: autonomous driving, LiDAR, 3D multi-object tracking, AIoU, adaptive lifecycle

孙鑫宇,金立生,霍震,王欢欢,贺阳,刘栋. 基于角度交并比和自适应生命周期的三维多目标跟踪算法[J]. 汽车工程, 2025, 47(6): 1169-1176.

Xinyu Sun,Lisheng Jin,Zhen Huo,Huanhuan Wang,Yang He,Dong Liu. Three-Dimensional Multi-object Tracking Algorithm Based on Angle Intersection over Union and Adaptive Lifecycle[J]. Automotive Engineering, 2025, 47(6): 1169-1176.

图/表 11

图1

图2

图3

图4

图5

表1

表2

图6

表3

图7

图8

参考文献 20

1	ZHAO J Y， ZHAO W Y， DENG B， et al. Autonomous driving system： a comprehensive survey［J］. Expert Systems with Applications， 2024， 242： 122836.
2	王海，李洋，蔡英凤，等. 基于激光雷达的3D实时车辆跟踪［J］. 汽车工程， 2021， 43（7）： 1013-1021.
	WANG H， LI Y， CAI Y F， et al. 3D real⁃time vehicle tracking based on Lidar［J］. Automotive Engineering， 2021， 43（7）： 1013-1021.
3	PANDHARIPANDE A， CHENG C H， DAUWELS J， et al. Sensing and machine learning for automotive perception： a review［J］. IEEE Sensors Journal， 2023， 23（11）： 11097-11115.
4	程鑫，周经美，刘霈源，等. 基于任务联合的三维车辆检测与跟踪集成算法［J］. 中国公路学报， 2023， 36（9）： 288-301.
	CHENG X， ZHOU J M， LIU P Y， et al. 3D vehicle detection and tracking integration algorithm based on task collaboration［J］. China Journal of Highway and Transport， 2023， 36（9）： 288-301.
5	LIU M， NIU J W， LIU Y. UKF-MOT： an unscented Kalman filter-based 3D multi-object tracker［J］. CAAI Transactions on Intelligence Technology， 2024， 9（4）： 1031-1041.
6	ZHU Z M， NIE J H， WU H， et al. MSA-MOT： multi-stage association for 3D multimodality multi-object tracking［J］. Sensors， 2022， 22（22）： 8650.
7	WENG X S， WANG J R， HELD D， et al. 3D multi-object tracking： a baseline and new evaluation metrics［C］. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. IEEE， 2020： 10359-10366.
8	LIU J N， BAI L P， XIA Y X， et al. GNN-PMB： a simple but effective online 3D multi-object tracker without bells and whistles［J］. IEEE Transactions on Intelligent Vehicles， 2023， 8（2）： 1176-1189.
9	SADLI R， AFKIR M， HADID A， et al. Aggregated euclidean distances for a fast and robust real-time 3D-MOT［J］. IEEE Sensors Journal， 2021， 21（19）： 21872-21884.
10	PANG Z Q， LI Z C， WANG N Y. SimpleTrack： understanding and rethinking 3D multi-object tracking［C］. Proceedings of the European Conference on Computer Vision. Springer， 2022： 680-696.
11	MOHAMMED S A K， RAZAK M Z A， RAHMAN A H A. 3D-DIoU： 3D distance intersection over union for multi-object tracking in point cloud［J］. Sensors， 2023， 23（7）： 3390.
12	WANG Q T， CHEN Y T， PANG Z Q， et al. Immortal Tracker： tracklet never dies［J］. arXiv preprint arXiv：， 2021.
13	BENBARKA N， SCHRODER J， ZELL A. Score refinement for confidence-based 3D multi-object tracking［C］. 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. IEEE， 2021： 8083-8090.
14	LI X Y， LIU D D， WU Y T， et al. Fast-Poly： a fast polyhedral framework for 3D multi-object tracking［J］. IEEE Robotics and Automation Letters， 2024， 9（11）： 10519-10526.
15	熊珍凯，程晓强，吴幼冬，等. 基于激光雷达的无人驾驶3D 多目标跟踪［J］. 自动化学报， 2023， 49（10）： 2073-2083.
	XIONG Z K， CHENG X Q， WU Y D， et al. LiDAR-based 3D multi-object tracking for unmanned vehicles［J］. Acta Automatica Sinica， 2023， 49（10）： 2073-2083.
16	SUN P， KRETZSCHMAR H， DOTIWALLA X， et al. Scalability in perception for autonomous driving： Waymo open dataset［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 2443-2451.
17	CAESAR H， BANKIYI V， LANG A H， et al. nuScenes： a multimodal dataset for autonomous driving［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 11618-11628.
18	SUN X Y， JIN L S， WANG H H， et al. Spatial awareness enhancement based single-stage anchor-free 3D object detection for autonomous driving［J］. Displays， 2024， 85： 102821.
19	CHIU H K， PRIOLETTI A， LI J， et al. Probabilistic 3D multi-object tracking for autonomous driving［J］. arXiv preprint arXiv：， 2020.
20	JIN J Y， ZHANG J D， ZHANG K P， et al. 3D multi-object tracking with boosting data association and improved trajectory management mechanism［J］. Signal Processing， 2024， 218： 109367.

类别	方法	MOTA↑	MOTP↓	Miss↓	Mismatch↓
Vehicle	SimpleTrack^［10］	48.7	17.3	43.5	0.10
Vehicle	AA-MOT	48.7	17.3	43.5	0.07
Cyclist	SimpleTrack^［10］	34.0	25.5	60.1	0.45
Cyclist	AA-MOT	34.1	25.5	60.1	0.27
Pedestrian	SimpleTrack^［10］	46.3	32.8	42.7	0.50
Pedestrian	AA-MOT	46.6	32.8	42.7	0.29

方法	AMOTA↑	AMOTP↓	FRAG↓	IDS↓
AB3DMOT^［7］	50.9％	0.934 m	742	1 138
Probabilistic^［19］	56.1％	0.800 m	606	679
SimpleTrack^［10］	58.9％	0.649 m	544	623
EAFF^［20］	59.5％	0.744 m	481	565
AA-MOT	59.7％	0.616 m	419	312

SimpleTrack	分数过滤	角度交并比	自适应生命周期	AMOTA↑	AMOTP↓	FRAG↓	IDS↓	FPS↑
√				58.9％	0.649 m	544	623	0.42 Hz
√	√			59.6％	0.686 m	562	612	1.12 Hz
√	√	√		59.7％	0.686 m	475	537	1.07 Hz
√	√	√	√	59.7％	0.616 m	419	312	0.50 Hz

[1]	王明辰,王海,蔡英凤,陈龙,李祎承. MSF-Diffuser：BEV下基于扩散模型的多传感器自适应融合自动驾驶方法[J]. 汽车工程, 2025, 47(6): 1122-1132.
[2]	朱凌云,王海洋. 基于LiDAR点云特征补全的雪天无人车目标检测[J]. 汽车工程, 2025, 47(6): 1133-1143.
[3]	马庆禄,蹇秋伟,李美强,邹政. 自动驾驶环境下车道级雷视融合SLAM[J]. 汽车工程, 2025, 47(6): 1155-1168.
[4]	刘宸宇,王海,蔡英凤,陈龙. 面向自动驾驶道路场景的相机与毫米波融合的多目标检测算法[J]. 汽车工程, 2025, 47(5): 829-838.
[5]	秦启瑞,王海,蔡英凤,陈龙,李祎承. 基于实例激活图的自动驾驶实时实例分割算法[J]. 汽车工程, 2025, 47(4): 614-624.
[6]	索锦辉, 王晓伟, 蒋沛文, 丁驰, 高铭, 边有钢. 基于多粒度关系推理的自动驾驶域自适应视觉目标检测算法[J]. 汽车工程, 2025, 47(2): 201-210.
[7]	朱冰,贾士政,赵健,韩嘉懿,张培兴,宋东鉴,陈志成. 考虑主观认知的自动驾驶汽车序贯博弈类人决策[J]. 汽车工程, 2025, 47(1): 13-22.
[8]	李江坤,纵瑞雪,邓伟文,王莹,丁娟. 基于有向图的城市交叉口场景相似性评价方法[J]. 汽车工程, 2025, 47(1): 23-34.
[9]	陈鹏,蔡英凤,原海波,陈龙,孙晓强. 基于二型模糊逻辑控制的半挂车轨迹跟踪研究[J]. 汽车工程, 2025, 47(1): 55-66.
[10]	李道飞,潘豪. 场景复杂度评估在轨迹预测和驾驶决策中的应用[J]. 汽车工程, 2024, 46(9): 1556-1563.
[11]	朱冰,范天昕,赵健,张培兴,宋东鉴,薛越,赵文博. 自动驾驶拟人连续交互测试场景生成方法[J]. 汽车工程, 2024, 46(9): 1600-1607.
[12]	王海,李建国,蔡英凤,陈龙. 基于激光雷达点云的动态驾驶场景多任务分割网络[J]. 汽车工程, 2024, 46(9): 1608-1616.
[13]	张国娟,胡宏宇,李浩淼,王明剑,高菲,高镇海. 自动驾驶车辆乘坐舒适性评价研究综述[J]. 汽车工程, 2024, 46(9): 1617-1627.
[14]	张佳楠,胡钊政,孟杰,胡华桦,左洁. 面向车-路-图协同的分布式自动驾驶仿真平台架构及应用[J]. 汽车工程, 2024, 46(8): 1335-1345.
[15]	颜伏伍,向博文,胡杰,陈锐鹏,张志豪,刘昊岩,高宠智. 基于改进LPV模型的自动驾驶轻型货车横向控制[J]. 汽车工程, 2024, 46(8): 1403-1413.

基于角度交并比和自适应生命周期的三维多目标跟踪算法

Three-Dimensional Multi-object Tracking Algorithm Based on Angle Intersection over Union and Adaptive Lifecycle

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 20

相关文章 15

Metrics

本文评价

推荐阅读 0