基于改进Bytetrack的群体机器人跟踪算法

针对群体机器人在实际跟踪场景中常常受到遮挡、目标密集、尺度变换等因素的影响导致漏检、轨迹中断和ID频繁跳变等问题，基于Bytetrack跟踪算法，改进了卡尔曼滤波的状态变量，提出了噪声尺度自适应卡尔曼算法（NASA-Kalman），并在卡尔曼滤波中引入加速度参数（AMA）提高跟踪的准确性。实验表明，在MOTA、MOTP方面相较于原算法均有所提高。为了进一步验证跟踪算法的有效性，在MOT20数据集上对算法进行了评估，在MOTA、MOTP方面分别提高了0.65%和1.26%。