Motion estimation is crucial to predict where other traffic participants will be at a certain period of time, and accordingly plan the route of the ego-vehicle. This paper presents a novel approach to estimate the motion state by using region-level instance segmentation and extended Kalman filter (EKF). Motion estimation involves three stages of object detection, tracking and parameter estimate. We first use a region-level segmentation to accurately locate the object region for the latter two stages. The region-level segmentation combines color, temporal (optical flow), and spatial (depth) information as the basis for segmentation by using super-pixels and Conditional Random Field. The optical flow is then employed to track the feature points within the object area. In the stage of parameter estimate, we develop a relative motion model of the ego-vehicle and the object, and accordingly establish an EKF model for point tracking and parameter estimate. The EKF model integrates the ego-motion, optical flow, and disparity to generate optimized motion parameters. During tracking and parameter estimate, we apply edge point constraint and consistency constraint to eliminate outliers of tracking points so that the feature points used for tracking are ensured within the object body and the parameter estimates are refined by inner points. Experiments have been conducted on the KITTI dataset, and the results demonstrate that our method presents excellent performance and outperforms the other state-of-the-art methods either in object segmentation and parameter estimate.

中文翻译：

---

使用区域级分割和扩展卡尔曼滤波器的自动驾驶运动估计

运动估计对于预测特定时间段内其他交通参与者的位置至关重要，并据此规划自我车辆的路线。本文提出了一种使用区域级实例分割和扩展卡尔曼滤波器（EKF）估计运动状态的新颖方法。运动估计包括对象检测，跟踪和参数估计三个阶段。我们首先使用区域级分割来精确定位后两个阶段的对象区域。区域级分割通过使用超像素和条件随机场将颜色，时间（光流）和空间（深度）信息组合为分割的基础。然后，使用光流来跟踪对象区域内的特征点。在参数估算阶段，我们开发了一个自我车辆和物体的相对运动模型，并因此建立了用于点跟踪和参数估计的EKF模型。EKF模型整合了自我运动，光流和视差，以生成优化的运动参数。在跟踪和参数估计的过程中，我们应用边缘点约束和一致性约束来消除跟踪点的离群值，从而确保用于跟踪的特征点在对象体内，并且参数估计由内部点精炼。在KITTI数据集上进行了实验，结果表明我们的方法在对象分割和参数估计方面表现出优异的性能，并且优于其他最新方法。并据此建立用于点跟踪和参数估计的EKF模型。EKF模型整合了自我运动，光流和视差，以生成优化的运动参数。在跟踪和参数估计的过程中，我们应用边缘点约束和一致性约束来消除跟踪点的离群值，从而确保用于跟踪的特征点在对象体内，并且参数估计由内部点精炼。在KITTI数据集上进行了实验，结果表明我们的方法在对象分割和参数估计方面表现出优异的性能，并且优于其他最新方法。并据此建立用于点跟踪和参数估计的EKF模型。EKF模型整合了自我运动，光流和视差，以生成优化的运动参数。在跟踪和参数估计的过程中，我们应用边缘点约束和一致性约束来消除跟踪点的离群值，从而确保用于跟踪的特征点在对象体内，并且参数估计由内部点精炼。在KITTI数据集上进行了实验，结果表明我们的方法在对象分割和参数估计方面表现出出色的性能，并且优于其他最新方法。在跟踪和参数估计的过程中，我们应用边缘点约束和一致性约束来消除跟踪点的离群值，从而确保用于跟踪的特征点在对象体内，并且参数估计由内部点精炼。在KITTI数据集上进行了实验，结果表明我们的方法在对象分割和参数估计方面表现出优异的性能，并且优于其他最新方法。在跟踪和参数估计过程中，我们应用边缘点约束和一致性约束来消除跟踪点的离群值，从而确保用于跟踪的特征点在对象体内，并且参数估计由内部点精炼。在KITTI数据集上进行了实验，结果表明我们的方法在对象分割和参数估计方面表现出优异的性能，并且优于其他最新方法。