二维和三维中目标定位与跟踪的传感器最优布置

用于目标定位的隐蔽最优距离传感器部署

Stealthy Optimal Range-Sensor Placement for Target Localization

针对需平衡目标定位能力与传感器隐蔽性的开放挑战问题，研究了隐蔽距离传感器部署，提供了二维场景下任意数量传感器定位两个目标的解析解。

GPS拒绝环境中的地标定位

Landmark Placement for Localization in a GPS-denied Environment

在许多监视应用中，用于无人驾驶航空器或地面车辆的路径规划算法依赖于全球定位系统（GPS）信息来进行定位。然而，GPS信号的中断，无论是有意还是无意，都可能使这些计划和算法无效。本文提供了一种解决这个问题的方法，利用固定的地标，以帮助定位在这样的GPS中断或GPS拒绝的环境。特别是，给定车辆的路径，我们制定了一个地标放置问题，并提出了算法来放置最少数量的地标，同时满足定位，传感和防撞约束。这种布局的性能也通过地面机器人上的广泛模拟进行评估。

传感器网络中同时自定位与跟踪的分布式最大似然方法

Distributed Maximum Likelihood for Simultaneous Self-localization and Tracking in Sensor Networks

将传感器自定位问题转化为隐马尔可夫模型的静态参数估计问题，并实现递归最大似然和在线期望最大化算法的全分布式版本，以同时进行传感器网络定位与目标跟踪。

Local Strong Convexity of Source Localization and Error Bound for Target Tracking under Time-of-Arrival Measurements

In this paper, we consider a time-varying optimization approach to the problem of tracking a moving target using noisy time-of-arrival (TOA) measurements. Specifically, we formulate the problem as that of sequential TOA-based source localization and apply online gradient descent (OGD) to it to generate the position estimates of the target. To analyze the tracking performance of OGD, we first revisit the classic least-squares formulation of the (static) TOA-based source localization problem and elucidate its estimation and geometric properties. In particular, under standard assumptions on the T…

Utility and Privacy in Object Tracking from Video Stream using Kalman Filter

Tracking objects in Computer Vision is a hard problem. Privacy and utility concerns adds an extra layer of complexity over this problem. In this work we consider the problem of maintaining privacy and utility while tracking an object in a video stream using Kalman filtering. Our first proposed method ensures that the localization accuracy of this object will not improve beyond a certain level. Our second method ensures that the localization accuracy of the same object will always remain under a certain threshold.

基于Sigma点的EM单粒子跟踪同时定位和参数估计

Simultaneous Localization and Parameter Estimation for Single Particle Tracking via Sigma Points based EM

单粒子跟踪（SPT）是一种强大的工具，用于分析活细胞内单个生物大分子的动力学。所获取的数据通常是相机图像序列的形式，然后对其进行后处理以揭示关于运动的细节。在这项工作中，我们开发了一种算法，用于联合估计粒子轨迹和运动模型参数的数据。我们的方法使用期望最大化（EM）与无迹卡尔曼滤波器（UKF）和无迹Rauch-Tung-Striebel平滑器（URTSS）相结合，使我们能够使用相机获取的观测值的准确的非线性模型。由于光子产生过程的散粒噪声特性，该模型使用泊松分布来捕获成像中固有的测量噪声。为了应用UKF，我们首先必须将测量值转换为具有加性高斯噪声的模型。我们考虑两种方法，一种是基于方差稳定变换（我们比较Anscombe和Freeman-Tukey变换），另一种是基于泊松分布的高斯近似。通过模拟，我们证明了该方法的有效性，并探讨这些测量转换之间的差异。