Exploring Simple 3D Multi-Object Tracking for Autonomous Driving（速读）

不碎碎念了嘤嘤嘤

算了，还是碎碎念一句~！

保护好自己

abstract

先是说这个3D mulit-object tracking 非常重要，然后说传统的一般啥都需要一个启发式的匹配（heuristic matching step）

这篇paper里提出了一个SimTrack简化了这个步骤

key design：

introduction

主要还是说了之前启发式的缺点

a图是启发式，b图是本paper的

有三个分支：

• hybrid-time centerness map branch:检测目标在输入的多个点云中首次出现的位置
• motion branch:预测目标在输入的多个点云中的运动偏移量
• regression branch:预测目标的其他属性

Our model consists of a hybrid-time centerness map branch that detects the
first-appear location of each object in the input snippet, a motion updating branch to predict the motion of an object within
the period, and a regression branch to estimate other object properties.

首先将上一时刻推理得到的 updated centerness map通过自车位姿（ego-motion）转换到当前坐标系下，然后将其与当前时刻的融合，并进行阈值判断以去掉dead object；其次从上一时刻的updated centerness map读取跟踪身份到当前时刻的hybrid-time centerness map；最后使用motion updating分支输出的motion信息更新当前目标的位置

conclusion

这一段总结也很不错，就是说出来一个网络SimTrack，是一个端到端可训练的网络。（其实我没太注意这个点云，感觉就是一个输入嘛）主要就是这句：通过结合所提出的混合时间中心图和运动更新分支，我们的设计将跟踪对象关联、新生对象检测和死亡对象去除无缝集成在一个统一的模型中

其实我这个时间中心图公式没有看

我觉得这篇因为涉及一点机器人的知识（之前机器人这个课也涉及了这些位姿什么的）然后还涉及了很多公式，，，感觉它的大意也没有那么好懂，只能说大概知道了嗯这个东西不需要启发式的管道，但是说具体不需要启发式的管道到底相对于原来的技术进步了多少我也不太清楚，而且中间的公式推导我都直接省略掉了。。。理论上应该好好看看它的算法流程，包括之后补习的时候，要把最基础的一些网络以及loss function的定义什么的公式也要会呀~~~
基础要打牢~~~