This thesis investigated the robustness of 3D object-tracking algorithms undersnowy weather conditions, focusing particularly on snowy scenarios affecting au-tonomous vehicle perception systems. The principal objective was to evaluateand compare the performance of four tracking methods: Kalman Filter, ExtendedKalman Filter, Particle Filter, and ByteTrack. Each method was assessed using Li-DAR data obtained from the Canadian Adverse Driving Conditions (CADC) dataset,representing harsh winter conditions, and the nuScenes dataset, representing clear,optimal weather conditions.

The methodology involved processing sequential frames of LiDAR data, detected3D bounding boxes, and tracking objects through association and state estima-tion. Standard metrics such as HOTA, IDF1, AMOTA, and AMOTP were used tomeasure tracking accuracy and consistency across both datasets. Results indicatedsignificant performance degradation for all algorithms under snowy weather con-ditions compared to clear weather. The Kalman methods suffered from the linearbehaviorand the noise, while the Particle Filter provided a more robust estimationdue to its ability to cope with the uncertainty via its multiple hypotheses.

Deep learning-based solution ByteTrack demonstrated better performance, withbetter accuracy and fewer identity switches inchallenging scenarios. It wasfoundthat deep learning based tracking can provide more solid guarantee on point tra-jectoryThe study concluded that deep learning-based tracking methods offer enhancedreliability for autonomous vehicles in challenging environments.

Denna avhandling undersökte robustheten hos 3D-objektspårningsalgoritmer un-der snöiga väderförhållanden, med särskilt fokus på snöiga scenarier som påverkarperceptionssystem i autonoma fordon. Det huvudsakliga målet var att utvärderaoch jämföra prestandan hos fyra spårningsmetoder: Kalmanfilter, Utökat Kalman-filter, Partikelfilter och ByteTrack. Varje metod bedömdes med hjälp av LiDAR-data från CADC-datamängden, som representerar hårda vinterförhållanden, samtnuScenes-datamängden, som representerar klart och optimalt väder.Metodiken innebar bearbetning av sekventiella LiDAR-ramar, detekterade av 3D-bounding boxes och spårning av objekt genom association och tillståndsestimer-ing. Standardmått som HOTA, IDF1, AMOTA och AMOTP användes för att mätaspårningsnoggrannhet och konsistens i båda datamängderna.Resultaten visade en tydlig försämring i prestanda för alla algoritmer under snöigaväderförhållanden jämfört med klart väder. Kalmanbaserade metoder hade svårtatt hantera detta på grund av sina linjära antaganden och känslighet för brus,medan Partikelfiltret visade ökad robusthet genom att hantera osäkerhet effek-tivt via flera tillståndshypoteser. ByteTrack, som bygger på djupinlärning, prester-ade konsekvent bäst, med högre noggrannhet och färre identitetsfel under svåraförhållanden.Studien drog slutsatsen att djupinlärningsbaserade spårningsmetoder erbjuderhögre tillförlitlighet för autonoma fordon i utmanande miljöeer.