MLO: Multi-Object Tracking and Lidar Odometry in Dynamic Environment

摘要：当场景中存在大量的运动目标时，基于静态的场景假设的SLAM系统会存在较大的误差估计，语义对象的跟踪和维护有利于场景理解，为规划控制模块提供丰富的决策信息，本文介绍了MLO，一种仅使用激光雷达传感器跟踪ego-motion和语义对象的多目标激光雷达里程计，为了达到准确和鲁棒的多目标跟踪结果，提出了一种融合3d-box和几何点云的最小二乘估计器用于目标状态更新，通过分析跟踪队列中的目标对象的运动状态，在建图模块利用静态的object和环境特征来消除累计误差，同时，提供map坐标下连续的object轨迹，在kitti公开数据集的不同场景下进行了定量和定性的实验评估。实验结果表明MLO在高动态、非结构化和未知的语义场景中得到的ego-motion精度优于其他算法，同时，与基于滤波的多目标跟踪方法相比，基于语义几何融合的多目标跟踪方法在跟踪精度和一致性方面也具有明显优势

目前，在3D激光雷达SLAMMOT技术领域，大部分工作都集中在环境信息和语义对象的分离和跟踪上，然而对于obj的绝对运动估计和obj在mapping模块的作用少有研究，因此本文的另一个目的是恢复每一个obj在map坐标下的绝对轨迹，并且通过利用静态objs和环境特征来提高SLAM系统的精度和鲁棒性。（做跟踪和去除动态点）