L-Shape model based vehicle tracking with joint kinematic and geometric estimation using Lidar
Notice bibliographique
Résumé
In this paper, the problem of tracking vehicles using lidar sensors mounted on an ego-vehicle is addressed. Due to line-of-sight limitations, the back (or front) of a vehicle as seen by the lidar on the ego-vehicle behind (or ahead of) it is often modeled as L-shaped. In this paper, an L-shape based vehicle tracking algorithm with joint kinematic and geometric estimation is presented. By feeding back tracking results to L-shape fitting, an L-shape detection method that is robust to outliers is proposed. In the L-shape tracker currently available in the literature, the kinematic and geometric states of the L-shape model are separately estimated and maintained. However, the kinematic and geometric states are not independent since the orientation of a vehicle influences its velocity. Also, the dependency between the kinematic and the geometric states is caused by anchor-point (the closest point on the vehicle being tracked) switching, which is required during changes in the relative position between vehicles. To address this limitation, the proposed L-shape tracker exploits this dependency and estimates the kinematic and geometric states jointly. The proposed L-shape model based tracking algorithm is evaluated and compared with the original algorithm using the real traffic data from the KITTI datasets. The results demonstrate the superiority of the proposed algorithm over the original algorithm in terms of L-shape detection and tracking accuracies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».