【超越卡尔曼滤波器：一种基于深度学习的改进目标跟踪滤波器】所提出的滤波器在目标跟踪方面的表现优于传统的KF，特别是在非线性运动模式的情况下——这正是此滤波器最擅长的用例。
题目：Beyond Kalman Filters: Deep Learning-Based Filters for Improved Object Tracking
作者单位：贝尔格莱德大学
传统的基于检测的跟踪系统通常采用卡尔曼滤波器（Kalman Filter，KF）进行状态估计。然而，KF需要领域特定的设计选择，并且不适合处理非线性运动模式。为了解决这些限制作者提出了两种创新的数据驱动滤波方法。
第一种方法采用了一种贝叶斯滤波器，配备了一个可训练的运动模型来预测目标的未来位置，并将其预测结果与从目标检测器获得的观测值相结合，以增强边界框预测的准确性。此外，它摒弃了大多数与KF特征相关的领域特定设计选择。
第二种方法是一种端到端可训练的滤波器，进一步学习纠正检测器的错误，进一步减少了对领域专业知识的需求。此外，还介绍了一系列基于循环神经网络（Recurrent Neural Networks）、神经常微分方程（Neural Ordinary Differential Equations）和条件神经过程（Conditional Neural Processes）的运动模型架构，这些架构与所提出的滤波方法相结合。
在多个数据集上进行了广泛的评估，结果表明，所提出的滤波器在目标跟踪方面的表现优于传统的KF，特别是在非线性运动模式的情况下——这正是此滤波器最擅长的用例。还对滤波器进行了噪声鲁棒性分析，结果令人信服地表现出积极的效果。进一步提出了一种用于将观测值与轨迹相关联的新cost函数。所提出的跟踪器，将这种新的关联cost与所提出的滤波器相结合，在运动丰富的DanceTrack和SportsMOT数据集上，根据多个指标进行了多目标跟踪，表现优于传统的SORT方法和其他基于运动的跟踪器。
以上内容均出自『自动驾驶之心知识星球』，欢迎加入！
