Deployment-fokussiertes Tracker-Evaluierungsprotokoll für Fußgängerumgebungen
Das Paper stellt ein Preprint vor, das ein deployment-fokussiertes, tracker-only Evaluierungsprotokoll mit gemeinsamen Detektionen für die 3D-Personenverfolgung entwickelt. Es testet Initialisierung, Fortsetzung bei Detektionslücken, Identitätswiederherstellung, Nahbereichszuordnung und Echtzeitlaufzeit auf dem JRDB-Datensatz und ergänzt HOTA um interpretierbare Erfolgsprofile. Ohne GT-Unterstützung erreichen die getesteten Tracker nur 24,26 bis 29,67 Prozent HOTA; nach 1,0 Sekunde Detektorausfall behält kein Tracker ohne GT-Hilfe in mehr als der Hälfte der Fälle räumlich korrekte Ausgabe mit gleicher Identität, und die Laufzeit auf dem Jetson Orin zeigt lastabhängige Einbrüche, bei denen mehrere Tracker das 10-Hz-Echtzeitziel unterschreiten.
Wie lässt sich das Verhalten von 3D-Personentrackern unabhängig von der Detektorqualität so evaluieren, dass deployment-relevante Fähigkeiten wie Initialisierung, Fortsetzung bei Detektionslücken, Identitätswiederherstellung, Nahbereichszuordnung und Laufzeit unter Last interpretierbar sichtbar werden?
Mobile Roboter in fußgängerzentrierten Umgebungen benötigen Trajektorien, die schnell verfügbar sind, Identität bewahren, Beobachtungslücken überstehen und im eingebetteten Rechenbudget bleiben. Bestehende aggregierte Tracking-Metriken wie MOTA oder HOTA fassen Fehler über ganze Testsequenzen zusammen und zeigen nicht, wann und wie Trajektorien scheitern. Zudem werden Tracker oft mit unterschiedlichen Detektionen evaluiert, sodass Detektor- und Trackerqualität vermischt werden.
Bisherige 3D-MOT-Evaluierungen nutzen überwiegend autonomes Fahren-Datensätze wie KITTI, nuScenes oder Waymo und berichten aggregierte Scores. Standardmetriken wie MOTA werden von Detektionsfehlern dominiert, IDF1 bestraft Fragmentierung stark, HOTA balanciert Detektion und Assoziation, liefert aber keine situationsbezogenen Fehlerprofile. Zudem erlauben offene Benchmarks unterschiedliche Detektoreingaben, was Vergleiche verzerrt.
Das neue Protokoll verwendet gemeinsame Detektionen aus Person-MinkUNet mit Score mindestens 0,5 für alle Tracker und definiert ereignisbasierte Tests aus Ground-Truth- und Detektionsinformationen: Detektionslücken mit 0,5 s Vorlauf und Auswertung über das Gap-Alter, Identitätswiederherstellung nach Lücken, 1,0-s-Fenster für Nahbereichszuordnung mit Stratifizierung nach Nächster-Nachbar-Distanz sowie kumulative stabile Initialisierung innerhalb von 0,5 s. HOTA bleibt als aggregiertes Komplement erhalten. Zusätzlich wird PedRefTrack als leichtgewichtiger Referenztracker implementiert, der die Coasting-Dauer adaptiv aus Kalman-Residuen und einer Kollisionsprognose für 0,5 m Abstand ableitet sowie versteckte Identitätszustände für 2,5 beziehungsweise 5,0 s hält. Eine GT-assistierte Variante idealisiert Assoziation und Bewegung, um die verbleibende Tracker-seitige Lücke abzuschätzen. Die Laufzeit wird auf einem NVIDIA Jetson Orin 64 GB ohne GPU bei maximaler Leistungsaufnahme gemessen; zusätzlich werden GT-abgeleitete Detektorstörungen mit kontrolliertem Dropout und Box-Instabilität in drei Schweregraden erzeugt. Alle Ergebnisse beruhen auf einer korrigierten JRDB-3D-IoU-Auswertung, die nicht mit dem offiziellen Leaderboard vergleichbar ist.
Auf 27 Sequenzen des JRDB-Testsplits erreicht GT-assistiertes PedRefTrack 33,33 % HOTA, PedRefTrack 29,67 %, Fast-Poly 27,48 %, AB3DMOT 26,83 %, SimpleTrack 26,53 %, CBMOT 26,51 %, ELPTNet 24,53 % und GNN-PMB 24,26 %. Die LocA-Werte ohne GT-Unterstützung liegen bei 65,49 bis 66,15 %. Bei der Fortsetzung durch Detektionslücken behält GT-assistiertes PedRefTrack nach 1,0 s in 86,8 % der Fälle die Identität und räumliche Gültigkeit, SimpleTrack 45,4 %, PedRefTrack 37,0 %, alle übrigen unter 1 %. Die Identitätswiederherstellung ist stärker: Nach 1,5 s erreichen PedRefTrack 69,8 %, Fast-Poly 55,8 %, SimpleTrack 50,0 %, CBMOT 41,9 %, AB3DMOT, GNN-PMB und ELPTNet unter 5 %. Die Kontinuitätsfehler steigen bei abnehmender Distanz: von 0,7 bis 0,8 m auf 0,3 bis 0,4 m steigt die Fehlerrate bei PedRefTrack um 2,3 Prozentpunkte, bei GNN-PMB um 13,5 Prozentpunkte; der Abstand zur GT-assistierten Referenz wächst von 2,0 bis 15,7 Prozentpunkten auf 4,1 bis 25,2 Prozentpunkte im engsten Bin. Nach 0,5 s sind 39,1 bis 56,0 % der Trajektorien stabil initialisiert; bei 0,2 s initialisiert Fast-Poly 45,0 %, PedRefTrack 29,4 %, bei 0,4 s liegen beide bei 46,5 % und 46,8 %. Auf dem Jetson Orin erreicht PedRefTrack im Median 74,96 FPS, GT-assistiert 62,26 FPS, Fast-Poly 29,15 FPS, AB3DMOT 9,59 FPS, SimpleTrack 2,23 FPS, CBMOT 315,25 FPS, ELPTNet 163,52 FPS und GNN-PMB 7,02 FPS. Fast-Poly fällt bei etwa 45 Detektionen unter 10 Hz, AB3DMOT, GNN-PMB und SimpleTrack schon bei deutlich geringeren Lasten; CBMOT, ELPTNet und PedRefTrack bleiben auch bei höchsten dargestellten Lasten über 10 Hz, PedRefTrack bei 15,2 FPS im 75-80-Detektions-Bin. Die GT-abgeleiteten Störungen zeigen: Unter milder Korruption sind die HOTA-Defizite komprimiert, nehmen aber mit steigender Schwere auseinander; PedRefTrack und Fast-Poly zeigen das geringste Defizitwachstum.
Die Autoren nennen als Grenzen: nur ein Datensatz (JRDB) und ein auf JRDB trainierter Detektor-Betriebspunkt; GT-abgeleitete Störungen bilden nicht die volle Fehlerstruktur eines gelernten Detektors ab; die Profile gelten für HOTA-optimierte Konfigurationen unter gewählten Schwellen und Zeithorizonten; die Laufzeit umfasst nur den Tracker-Schritt auf einer eingebetteten Plattform ohne restlichen Wahrnehmungs- und Navigationsstack; die Tests sind deployment-orientierte Proxys und keine direkten Navigationsmaße. Im Paper nicht berichtet sind Tests auf weiteren Datensätzen, Detektorregimen, Hardwareplattformen oder nachgelagerten Navigationsaufgaben.
Hersteller von autonomen mobilen Robotern und Servicerobotern für Krankenhäuser, Flughäfen und Verkehrsknotenpunkte können das Protokoll kurzfristig nutzen, um Tracking-Komponenten unter realen Fußgängerbedingungen mit begrenztem Compute zu bewerten. Innerhalb von 1 bis 3 Jahren könnte es als Ergänzung zu aggregierten Metriken in Benchmark-Suiten wie JRDB etabliert werden und die Auswahl von Trackern für soziale Navigation unterstützen. Voraussetzungen dafür sind reproduzierbare Open-Source-Implementierungen, Validierung auf weiteren Datensätzen und Detektoren sowie Integration in bestehende Evaluierungspipelines. Mehr als 3 Jahre dürfte die Entwicklung reicherer Fußgänger-Bewegungsmodelle und Interaktionsmerkmale benötigen, die aus den identifizierten Lücken abgeleitet werden.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.