Extended Target Tracking Using ET‐PMHT for 3D Convex Polytope Shapes With Partial Visibility
Notice bibliographique
Résumé
ABSTRACT This article discusses the problem of tracking a single 3D extended target (or widely separated targets) with convex polytope shape when the target may only be partially visible. An extended target (as opposed to a point target) may generate multiple measurements in a single frame. With the advent of high‐resolution sensors (such as LiDAR), the targets need to be considered as extended targets and their shape as well as kinematics need to be estimated. The extended target may only be partially visible (self‐occlusion) and the measurements occur only from the visible parts of the target. In this work, different parts of a single extended target are assumed to be different targets constrained by the rigid body motion of the whole target, and the multitarget tracking framework is used to handle the tracking. The target shape is described using a convex hull represented by its vertices and a Delaunay triangulation. The point target PMHT is modified to develop an extended target PMHT (ET‐PMHT) joint association and filtering by assuming that the face triangulations are separate targets. Face management is incorporated into the algorithm to delete erroneous faces and the algorithm is able to add new faces to refine the shape estimate. The framework can handle self‐occlusion (partial visibility) by associating measurements only to the visible parts of the target. The algorithm's performance is compared with the 3D Gaussian Process under various scenarios, and RMSE of the centre, velocity and IoU metrics are used to quantify the performance. The proposed algorithm is able to outperform the 3D Gaussian Process in the centre RMSE metric by about 40% while achieving an IoU of 0.6 (on average) even when the target is only partially visible.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».