マルチオブジェクトトラッキングにおけるランキング付き割り当て問題を解くためのグラフニューラルネットワーク手法

arXiv cs.RO / 2026/4/3

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、マルチオブジェクトトラッキング（MOT）におけるランキング付き割り当て問題を対象とする。通常、この問題で仮説の打ち切りはMurtyのアルゴリズムまたはGibbsサンプリングによって扱われるが、複雑さや精度の面でトレードオフがある。
学習ベースの予測のために、データアソシエーションのランキング付き割り当て課題を二部グラフとして定式化する、RAPNet（Ranked Assignment Prediction Graph Neural Network）を提案する。
本アプローチでは、δ-GLMBフィルタリングの枠組みのもとでランキング付き割り当てをより良く計算できるよう、グラフニューラルネットワークを活用する。
実験により、RAPNetはMurtyのアルゴリズムおよびGibbsサンプリングと比較した場合に、Gibbsサンプリングよりも高い精度を達成することが報告されている。

Abstract

計測値をトラックに関連付けることは、自動運転車の安全性を保証するためのマルチオブジェクトトラッキング（MOT）において重要なステップである。増大の一途をたどるトラック仮説の数を管理するには、打ち切り（トランケーション）が必要となる。

delta

-Generalized Labeled Multi-Bernoulli (

delta

-GLMB) フィルタの適用において、この打ち切りは通常、ランク付け付き割当問題（ranked assignment problem）を用いることで行われ、その解法として Murty のアルゴリズム、またはギブスサンプリングのアプローチが用いられる。しかし、いずれもそれぞれ計算量または精度の点で制限がある。本論文はこれらの制限を改善する動機に基づき、データ関連付けタスクから生じるランク付け付き割当問題に対して、グラフニューラルネットワーク（GNN）を用いるアプローチを提案する。提案する Ranked Assignment Prediction Graph Neural Network（RAPNet）は二部グラフを用いて問題をモデル化し、深層学習の計算能力を活用する。最終的な評価では、RAPNet を Murty のアルゴリズムおよびギブスサンプラーと比較し、ギブスサンプラーに比べて精度の向上が示される。