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

📄 arXiv: 2609.25668v1 📥 PDF

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

分类: cs.RO, eess.SP

发布日期: 2026-09-22

💡 一句话要点

提出CDKF-Track以解决3D多目标跟踪中的冗余测量问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 多目标跟踪 卡尔曼滤波 数据驱动 集群感知 3D感知 边缘AI 运动建模

📋 核心要点

  1. 现有的多目标跟踪方法在复杂场景中面临遮挡、噪声和冗余测量等挑战，导致跟踪精度下降。
  2. CDKF-Track通过集群感知和数据驱动的卡尔曼滤波，减少冗余测量并学习物体运动动态，从而提高跟踪性能。
  3. 在V2V4Real数据集上的实验结果显示，CDKF-Track的跟踪精度比现有方法提高了27.99%。

📝 摘要（中文）

多目标跟踪（MOT）在边缘人工智能感知系统中至关重要，准确的物体定位和可靠的识别能够支持安全决策。单一代理的MOT在复杂的现实场景中面临遮挡、传感器噪声和部分场景理解等挑战。尽管多代理系统通过共享信息提高了鲁棒性，但也引入了冗余测量，导致错误的数据关联，并且仍然难以捕捉非线性物体动态。为了解决这些问题，本文提出了CDKF-Track，一个集群感知数据驱动的卡尔曼滤波框架，用于合作3D多目标跟踪。该方法首先通过基于图拉普拉斯的公式融合多车辆3D LiDAR检测，然后通过集群感知冗余减少方案对空间相关的检测进行分组，选择代表性观测以减少跟踪器的重复输入。最后，数据驱动的卡尔曼滤波器学习物体运动动态，减少对预定义线性运动假设的依赖。实验结果表明，CDKF-Track在真实世界的V2V4Real数据集上相较于现有的多代理MOT方法，跟踪精度提升了27.99%。

🔬 方法详解

问题定义：本文旨在解决合作3D多目标跟踪中的冗余测量和非线性物体动态建模问题。现有方法在复杂环境中容易受到遮挡和噪声影响，导致跟踪精度下降。

核心思路：CDKF-Track通过集群感知技术减少冗余测量，并采用数据驱动的卡尔曼滤波器学习物体运动动态，降低对线性运动假设的依赖。

技术框架：该方法包括三个主要模块：首先，通过图拉普拉斯公式融合多车辆的3D LiDAR检测；其次，实施集群感知冗余减少方案，分组空间相关检测并选择代表性观测；最后，利用数据驱动的卡尔曼滤波器处理检测结果。

关键创新：CDKF-Track是首个同时解决检测级融合冗余和可学习运动建模的合作3D多目标跟踪框架，显著提升了跟踪精度。

关键设计：该方法在冗余减少阶段采用了基于图的聚类算法，并在卡尔曼滤波器中引入了学习机制，以适应非线性运动动态，具体参数设置和损失函数的设计在实验中进行了优化。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

CDKF-Track在真实世界的V2V4Real数据集上表现出色，相较于最先进的多代理MOT方法，跟踪精度提升了27.99%。这一显著的性能提升证明了该方法在处理复杂场景中的有效性和鲁棒性。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在自动驾驶、智能监控和机器人导航等领域。通过提高多目标跟踪的精度和鲁棒性，CDKF-Track能够支持更安全和高效的决策过程，推动相关技术的发展和应用。未来，该方法还可以扩展到其他动态场景中的目标跟踪任务。

📄 摘要（原文）

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.