歩行者中心環境の追跡評価、固定検出下で能力差を可視化する新プロトコル

歩行者中心環境でモバイルロボットが使う3D追跡器の展開適性を、集約指標に依存せず解釈可能に評価するにはどうすればよいか。

病院、空港、駅など歩行者中心空間では、ロボットは近距離で非線形な歩行、頻繁な部分遮蔽、群衆による相互遮蔽に対処する必要がある。しかし既存の3DMOT評価は自動運転データセット中心で、集約スコアは誤検出と追跡の寄与を混在させ、いつどのように失敗するかを示さない。また検出器入力が統一されず、追跡器単体の品質が分離できなかった。

従来はHOTA、MOTA、IDF1などの集約指標や、KITTI、nuScenes、Waymoなどの車両中心ベンチマークが使われてきた。2D MOTでは共有検出が確立しているが、3D MOTやロボット中心の歩行者追跡ベンチマークでは強制されておらず、入力検出の差が追跡性能に混入していた。集約指標は系列全体を要約するため、展開時に重要な時間的条件や負荷依存の挙動を直接評価できなかった。

本プロトコルは共通検出を全追跡器に与え、GTと検出から同一のイベントを定義して追跡器のみを分離する。初期化遅延、検出ギャップ継続、ギャップ後ID回復、近接隣人対応の4つの成功プロファイルと、Jetson Orin上での入力検出数に依存するトラッカーステップ実行時間を評価する。HOTAは補助指標として保持する。また軽量歩行者参照追跡器PedRefTrackを実装し、カルマンフィルタの残差から予測誤差を推定して公開コースティング期間を0.5〜2.0秒の範囲で適応的に設定する。GT支援版は理想的な対応付けと運動推定を模擬し、追跡器側の残存ギャップを診断する。評価にはJRDBの27系列を使用し、STEAM-LOオドメトリの共通ワールド座標とPerson-MinkUNet検出（スコア0.5以上）を用い、公式の3D-IoU評価器の高さ重なりと向き付きフットプリント処理のバグを修正した。

固定検出下でGT支援なし追跡器のHOTAは24.26〜29.67%に留まり、GT支援PedRefTrackが33.33%、PedRefTrackが29.67%、Fast-Polyが27.48%だった。LocAは65.49〜66.15%と狭く、差は主に対応付けと出力挙動に由来した。1.0秒の検出ギャップではGT支援なしで同一IDかつ空間的に正しい出力を半分以上維持できる追跡器はなく、GT支援版は86.8%を維持した。SimpleTrackは45.4%、PedRefTrackは37.0%、他は1%未満だった。ギャップ後ID回復は継続より強く、0.5秒時点でFast-Poly、GNN-PMB、CBMOTはギャップ中有効出力が約0.2%でも回復率はそれぞれ78.9%、59.8%、75.1%だった。1.5秒時点ではPedRefTrack 69.8%、Fast-Poly 55.8%、SimpleTrack 50.0%、CBMOT 41.9%、AB3DMOT、GNN-PMB、ELPTNetは5%未満だった。近接隣人では距離が0.7〜0.8mから0.3〜0.4mに縮まると失敗率がPedRefTrackで2.3ポイント、GNN-PMBで最大13.5ポイント上昇した。初期化は0.5秒までに全追跡器で39.1〜56.0%の軌跡が安定確立し、0.2秒時点ではFast-Poly 45.0%に対しPedRefTrack 29.4%だった。ランタイムはJetson Orin上で負荷依存が強く、Fast-Polyは約45検出で10Hzを下回り、AB3DMOT、GNN-PMB、SimpleTrackはより低負荷で下回った。CBMOT、ELPTNet、PedRefTrackは最高表示負荷でも10Hz超を維持し、PedRefTrackは75〜80検出ビンで約15.2FPSだった。

著者らは、評価がJRDBで学習した単一検出器の動作点と単一データセットに限定され、GT由来摂動は学習済み検出器の全誤差構造を再現しないと述べている。結果はHOTA調整済み設定、選択したマッチング閾値と時間範囲に依存し、ランタイムは1つの組込みプラットフォーム上のトラッカーステップのみで認識やナビゲーションスタック全体を除外している。テストは展開の代理指標であり、直接のナビゲーション性能ではない。また本論文はプレプリントで査読済みではない。