论文阅读：MCTrack: A Unified 3D Multi-Object Tracking Framework for Autonomous Driving

目录

前言

📚一、研究背景

🧭 二、概要

🎯 三、Motivation

🧩 四、系统概述

1. BaseVersion 格式化（跨数据集统一）

2. 第一阶段：BEV 视角匹配

3. 第二阶段：RV / 图像补全匹配

4. Kalman Filter 状态更新

5. 输出轨迹 + 运动指标

🔬 五、技术细节（Technical Details）

🧮 1. Ro_GDIoU（Robust Generalized Distance IoU）

🧠 2. Motion Metrics（轨迹运动指标）

⚙️ 3. 系统实现效率

✅ 六、总结与贡献（Conclusion）

---

l论文地址：2409.16149

代码地址：GitHub - megvii-research/MCTrack: [IROS2025]This is the offical implementation of the paper "MCTrack: A Unified 3D Multi-Object Tracking Framework for Autonomous Driving"

---

前言

当前的tracknig算法通常只在某一类数据集上能取得较好的效果，但是缺乏泛化性。如上图中detzero，fastpoly等tracking算法只在某个数据集上达到sota，而不能同时在所有数据集上取得sota。论文提出了MCTrack，同时在KITTI, nuScenes和 Waymo数据集上都取得了sota的性能。

此外，由于不同数据集之间的数据格式差异较大，需要花费很多时间来将tracking算法适配到不同的数据集上。论文对于不同数据集提出了一个统一的perception的输出形式，称为BaseVersion，使研究人员能将精力放在算法优化上，而不是处理不同数据集的格式上。

最后对于目前tracking metric的一些局限性，论文提出了一些新的metric，用于评估motion information(速度，加速度)。因为tracking不仅需要能够提供检测框正确的链接，同时也要能为下游任务提供更准确的速度，加速度等信息。

---

📚一、研究背景

在自动驾驶系统中，3D多目标跟踪（3D Multi-Object Tracking, 3D MOT） 是理解动态环境的关键任务，依赖于高质量的检测器与跟踪算法，将目标在三维空间中持续跟踪。

现有挑战包括：

• 检测器差异性大，难以跨数据集部署统一跟踪器；

• 关联误差大，尤其在稀疏点云、遮挡、雷达等低信噪场景下；

• 缺乏运动信息评估指标，现有指标（如 MOTA、HOTA）主要关注空间位置精度，未能反映对后续规划/预测任务的支持性。

🧭 二、概要

MCTrack 是一个统一、高效、轻量的 3D 多目标跟踪框架，能够适配多种数据集与感知模态。其创新点包括：

• 统一 BaseVersion 表达，兼容 KITTI、nuScenes、Waymo；

• 二阶段跟踪框架（BEV + RV） 提升鲁棒性；