ref: https://zhuanlan.zhihu.com/p/80993033
流程：
使用PointRCNN的目标检测结果来跟踪；
使用卡尔曼滤波器跟踪；
使用匈牙利算法匹配前后帧的对象。
特点：
使用了3D的卡尔曼滤波器
优点：
简单快速效果好
使用的特征和状态转移模型？
10-dimensional vector T = (x, y, z, θ, l, w, h, vx, vy, vz) ，没有使用角速度，加入后效果不好；
状态转移方程是恒定速率模型
论文的结果表显示使用2D的卡尔曼效果也还挺好，MOTA 仅仅降低了一个百分点左右；
匈牙利匹配的cost matrix 是什么？
是跟踪器预测的3D box 和 检测的3D box的 3dIOU矩阵；
怎么创建跟踪器跟踪器的？ 怎么销毁的？
至少3帧发现同一个物体，才会创建跟踪器（Fmin）
丢失物体的跟踪器，还会继续检测2帧（age）
为什么有一个把x,y,z,alpha,l,w,h 的顺序调换的步骤，后续又换回来了？
这里 pointRCNN 给出的结果顺序是反的，代码里面只是把它重新调整回来而已。
状态转移矩阵为什么要加3个1，恒速率模型怎么得到它的？
因为 下一时刻距离=上一时刻距离+速度，所以三个方向的速度要加1，但是实际上这里有个问题，每个时刻的间隔不一定是1秒，这样算会带来误差。
使用数据集
kitti MOT 数据集；
这么快的原因？
使用了numba 加速
Total Tracking took: 98.099 for 8008 frames or 81.6 FPS
没有使用 numba 加速
Total Tracking took: 145.496 for 8008 frames or 55.0 FPS
可以得出，不使用 numba 加速的话，速度降低了 32%；
匈牙利算法和NN、 GNN方法有什么区别？
没有很大的差别，都是用于求解指派问题的方法，NN是局部最优，GNN和匈牙利是全局最优；
可以做的改进：
1 把 KF 改为 UKF、EKF效果应该更好吧；
2 使用循环计算 3D IOU 应该是比较慢的，这里其实可以使用2D IOU，并且可以使用 cython 的计算过程来进一步加速。