Ein topologiebewusstes raumzeitliches Handover-Framework für kontinuierliches Multi-UAV-Tracking

Zusammenfassung

Die Integration von Unmanned Aerial Vehicles (UAVs) in Intelligente Transportsysteme (ITS) ermöglicht eine synoptische Übersicht für die Verkehrsüberwachung, doch wird die skalierbare Bereitstellung durch Trajektorienfragmentierung behindert, bei der die Persistenz der Fahrzeugidentität über die Sichtfelder mehrerer UAVs (FOV) hinweg verloren geht. Während moderne Frameworks darin exzellieren, die lokale Trajektorienextraktion und -stabilität für Einzel-Drohnen-Bildmaterial zu optimieren, fungieren sie häufig als isolierte Datensilos, die zusammenhangslose Trajektorien erzeugen und damit eine Analyse auf Netzwerkebene wie die Quell-Ziel-Schätzung verhindern. Dieses Paper stellt ein Echtzeit-Multi-Kamera-Multi-Fahrzeug-Tracking-System (MCMT) vor, das auf die globale Identitätspersistenz abzielt. Zur Bewältigung der visuellen Mehrdeutigkeit und des Rechenaufwands erscheinungsbasierter Wiedererkennung (Re-ID) in Nadiransichten führen wir einen leichtgewichtigen topologiebasierten raumzeitlichen Übergabemechanismus (Handover) ein. Wir implementieren eine parallele Pipeline mit hohem Durchsatz unter Verwendung von YOLO11 und ByteTrack, um gleichzeitige 4K-Ströme zu verarbeiten. Unser Kernbeitrag ist ein deterministischer warteschlangenbasierter Abgleichsalgorithmus, der geometrische Überlappungen und virtuelle Fahrspurdiskretisierung nutzt, um die Identitätsübergabe über FIFO-Warteschlangen vorhersagend zu verwalten. Experimentelle Ergebnisse in komplexen städtischen Umgebungen, darunter Kreuzungen und zusammenfließender Verkehr, zeigen eine Übergabeerfolgsrate (HOSR) von 99,8 % in kontinuierlichen Verkehrsströmen, was die Re-ID-Baselines (74,1 %) deutlich übertrifft, während gleichzeitig die Machbarkeit des Edge-Einsatzes validiert wird. Der Quellcode ist unter https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system verfügbar.

English

The integration of Unmanned Aerial Vehicles(UAVs) into Intelligent Transportation Systems (ITS) offers synoptic visibility for traffic monitoring, yet scalable deployment is hindered by trajectory fragmentation, where vehicle identity persistence is lost across multi-UAV Fields of View (FOV). While state-of-the-art frameworks excel in optimizing local trajectory extraction and stability for single-drone imagery, they often function as isolated data silos that generate disjointed trajectories, thereby precluding network-level analysis such as Origin-Destination estimation. This paper presents a real-time Multi-Camera Multi-Vehicle Tracking (MCMT) system designed to handle global identity persistence. Addressing the visual ambiguity and computational cost of appearance-based Re-Identification (Re-ID) in nadir views, we introduce a lightweight Topology-Based Spatiotemporal Handover mechanism. We implement a high-throughput parallel pipeline leveraging YOLO11 and ByteTrack to process concurrent 4K streams. Our core contribution is a deterministic queue-based matching algorithm that utilizes geometric overlaps and virtual lane discretization to predictively manage identity handover via FIFO queues. Experimental results on complex urban environments, including intersections and merging traffic, demonstrate a Handover Success Rate (HOSR) of 99.8% in continuous traffic flows, significantly outperforming Re-ID baselines (74.1%) while validating edge deployment feasibility. The source code is available at https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system.