面向自动驾驶扩展目标跟踪的深度多模态目标检测测量空间表示评估

基于摘要分析。研究针对自动驾驶中 LiDAR 与相机早期融合后的测量空间选择问题，将深度多模态目标检测网络作为 Lie groups 上扩展目标跟踪算法的测量源，比较不同几何表示对跟踪性能的影响。主要研究对象是车辆环境感知与目标跟踪，并非 EEG/BCI，也不是通常所指的序列建模 State Space Model 架构。 方法上，作者构建扩展 Kalman filter，将状态空间建模为直积 Aff(2) × ℝ⁶，并纳入二阶与三阶动力学；比较的测量空间为 SO(2) × ℝ⁴、SO(2)² × ℝ³ 和 Aff(2)。这一设计关注检测输出中的测量参数及其不确定性如何被空间表示所承载，而不是仅比较目标检测精度。摘要未说明检测网络结构、训练目标、测量噪声估计或滤波更新的具体实现。 作者报告，在单目标跟踪条件下，以仿射群 Aff(2) 表示测量空间获得最低跟踪误差，但摘要未提供误差数值、指标定义、数据集或评估划分。作者据此推测，检测网络捕获了测量参数的内在关系，尤其是位置与朝向之间的关系；该解释应与已报告的误差比较结果区分。实验协议、消融及统计信息尚未验证，多目标场景中的结论也尚未验证。 平台推测（待验证）：其可能可复用的部分是几何状态表示与扩展 Kalman filter，而非 LiDAR—相机检测网络。若 EEG 任务中已有具备明确几何含义的连续隐状态及观测不确定性，可假设联合表示有助于保留变量耦合；但 EEG 通道与目标位置、朝向不存在天然对应，需重新定义状态、观测映射和噪声模型。低信噪比、跨被试变化、通道差异及小样本条件可能使几何或噪声假设失效。一个可证伪的小实验是在固定 EEG 特征、数据划分和滤波流程下，比较具有领域依据的联合表示与独立变量表示；这仅是迁移假设，不是已证实的 BCI 效果。已有 EEG 相关工作尚未检索确认。