诺亚方舟实验室(诺亚方舟实验室自动驾驶展示)学会了吗

继华为自动驾驶云服务与诺亚方舟实验室团队获得nuScenes detection challenge和KITTI Car 3D Detectio

HUAWEI Octopus & Noah CV lab继华为自动驾驶云服务与诺亚方舟实验室团队（Octopus & Noah CV lab）获得nuScenes detection challenge和KITTI Car 3D Detection比赛双第一后，该团队再下一城，在nuScenes tracking challenge中夺冠，取得了AMOTA 0.68，AMOTP 0.56的优异成绩。

本次参加角逐的还有西门子、UT Austin、Stanford University、VayaVision、上海交通大学等众多实力团队nuScenes 数据集是自动驾驶领域规模最大的数据集之一，包含1000多个场景、140万幅图像、40万帧激光雷达数据。

在nuScenes tracking challenge指标中，最重要指标是AMOTA（average multi object tracking accuracy，多目标追踪平均准确度），该指标衡量了追踪算法克服漏检和误检的能力，AMOTA数值越高，则表示算法的追踪精度越好。

次重要指标为AMOTP（average multi object tracking precision，多目标追踪平均精确度），该指标衡量了追踪轨迹与目标实际轨迹的偏差，算法的AMOTP指标越低，则表示算法的追踪轨迹与实际值的偏差越小，性能越好。

Tracking是将连续点云数据中的检测目标在时间上关联起来，形成一条连续轨迹，是自动驾驶感知模块中重要的组成部分，为下一步的目标轨迹预测提供历史轨迹信息，这也是自动驾驶车辆分析他车行为进而进行决策控制的基础能力。

而目标追踪算法相对于目标检测算法更具挑战性，一方面，精准的目标检测是目标追踪的前提，误检和漏检都将影响追踪算法的性能；另一方面，由于各个目标都会随时间发生动态的空间位置变化，多目标之间的轨迹可能由于空间重叠或邻近而造成误匹配，这也是多目标轨迹跟踪算法面临的最大的挑战。

点云图像中的目标追踪，方框代表车辆，绿色和蓝色的虚线是运动轨迹那么怎么看得出算法好呢？主要有两个方面：1.方框和实际车辆目标基本贴合，表示车辆目标追踪位置准确2.同一个车辆的方框颜色不发生变化，表明车辆目标每次匹配正确。

HUAWEI Octopus自动驾驶云服务八爪鱼团队通过使用自研的点云目标检测算法提升目标检测精度，在目标追踪算法中对不同运动状态的多类别目标设计多种运动模型来预测其运动趋势，同时优化帧间多目标匹配策略，成功在nuScenes tracking challenge登顶。

HUAWEI Octopus 在 nuScenes tracking challenge 的排名end