STT: 자율 주행을 위한 트랜스포머 기반 상태 유지형 추적

초록

3차원 공간에서 물체를 추적하는 것은 자율 주행에 있어 매우 중요합니다. 안전한 주행을 보장하기 위해, 추적기는 프레임 간에 물체를 안정적으로 추적하고 현재의 속도 및 가속도와 같은 상태를 정확하게 추정할 수 있어야 합니다. 기존 연구들은 주로 연관 작업에 초점을 맞추면서 상태 추정에서의 모델 성능을 간과하거나 복잡한 휴리스틱을 사용하여 상태를 예측하는 경우가 많았습니다. 본 논문에서는 Transformer 기반의 Stateful Tracking 모델인 STT를 제안합니다. STT는 장면 내 물체를 일관되게 추적하면서도 그들의 상태를 정확하게 예측할 수 있습니다. STT는 오랜 기간에 걸친 탐지 기록을 통해 풍부한 외형, 기하학적, 그리고 운동 신호를 활용하며, 데이터 연관과 상태 추정 두 작업에 대해 공동으로 최적화됩니다. MOTA 및 MOTP와 같은 표준 추적 지표는 물체 상태의 광범위한 스펙트럼에서 두 작업의 결합된 성능을 포착하지 못하기 때문에, 이러한 한계를 해결하기 위해 S-MOTA 및 MOTPS라는 새로운 지표를 도입했습니다. STT는 Waymo Open Dataset에서 경쟁력 있는 실시간 성능을 달성했습니다.

English

Tracking objects in three-dimensional space is critical for autonomous driving. To ensure safety while driving, the tracker must be able to reliably track objects across frames and accurately estimate their states such as velocity and acceleration in the present. Existing works frequently focus on the association task while either neglecting the model performance on state estimation or deploying complex heuristics to predict the states. In this paper, we propose STT, a Stateful Tracking model built with Transformers, that can consistently track objects in the scenes while also predicting their states accurately. STT consumes rich appearance, geometry, and motion signals through long term history of detections and is jointly optimized for both data association and state estimation tasks. Since the standard tracking metrics like MOTA and MOTP do not capture the combined performance of the two tasks in the wider spectrum of object states, we extend them with new metrics called S-MOTA and MOTPS that address this limitation. STT achieves competitive real-time performance on the Waymo Open Dataset.

STT: 자율 주행을 위한 트랜스포머 기반 상태 유지형 추적

STT: Stateful Tracking with Transformers for Autonomous Driving

초록

Summary

Support

Support