Statistical Information Fusion for Multiple-View Sensor Data in Multi-Object Tracking
Changshu Institute of Technology（常熟理工学院）；RMIT University（皇家墨尔本理工大学）
本文提出了一种新的统计信息融合方法，用于整合多视图传感器数据以提高多目标跟踪性能。方法通过自适应权重改进通用协方差交方法，利用Cauchy-Schwarz散度量化信息内容，并采用Labeled Multi-Bernoulli滤波器实现更精确的跟踪。
2017-02-28 cs.SY eess.SY
Asynchronous Distributed Multi-Sensor Fusion Over Sensor Track Hypotheses
University of Colorado Boulder（科罗拉多大学博尔德分校）；Lockheed Martin Space（洛克希德·马丁太空）
该研究针对异步多传感器网络提出分布式多假设跟踪方法，通过分解关联问题降低复杂度，在卫星星座跟踪场景中提升了估计精度与数据关联质量。
2026-10-15 cs.SY eess.SY
Efficient Sensor Management for Multitarget Tracking in Passive Sensor Networks via Cauchy-Schwarz Divergence
针对被动传感器网络中的多目标跟踪问题，提出了一种有效的传感器管理方法。与有源传感器网络相比，无源传感器网络由于其无源感知的特性，具有更大的不确定性。被动传感器网络中的多目标跟踪是一个具有挑战性的问题，因为多传感器多目标融合问题是困难的，传感器管理是必要的，以实现良好的平衡之间的跟踪精度和能量消耗或其他成本。为了解决这个问题，我们提出了一个有效的信息理论的方法来管理传感器更好地跟踪未知和时变数量的目标。这是通过两项主要的技术创新实现的。第一种是通过部分观测的马尔可夫决策过程框架的易处理的基于信息的多传感器选择解决方案。Cauchy-Schwarz发散被用作从候选者中顺序选择信息传感器的标准。第二种是基于迭代校正多传感器广义标记多Bernoulli滤波器的两级融合策略。由于迭代校正方案的性能很大程度上受传感器更新顺序的影响，所选择的传感器首先根据Cauchy-Schwarz散度按其检测目标的能力进行排序，然后进行迭代校正更新。排序的传感器的计算成本是可以忽略不计的，因为柯西-施瓦茨分歧已计算在多传感器选择过程。仿真结果验证了该方法的有效性和效率。
2020-11-03 cs.SY eess.SP eess.SY
Sensor Attacks and Resilient Defense on HVAC Systems for Energy Market Signal Tracking
本文研究了网络攻击对电网交互式建筑中HVAC系统功率跟踪性能的影响，设计了基于随机优化的隐蔽传感器攻击及弹性控制防御框架，无需过滤受损数据即可将功率跟踪误差降低70%以上。
2023-10-24 cs.SY eess.SY
Control Design for Trajectory Tracking and Stabilization of Sensor LOS in an Inertially Stabilized Platform
针对移动平台光学传感器视线控制问题，提出两轴万向节系统状态空间模型，经变量变换转为LTI系统，设计反馈线性化控制律实现稳定与跟踪，并通过MATLAB仿真验证有效性。
2024-03-18 cs.SY eess.SY
Cooperative $\mathcal{H}_\infty$ Fault-Tolerant Tracking with ISS Guarantees for Networked Systems with Sensor Faults
Institut Teknologi Sepuluh Nopember (ITS)（十November理工学院）
本文提出一种协同容错跟踪框架，用于受传感器故障和外部扰动影响的异构网络线性系统。通过凸$\mathcal{H}_\infty$线性矩阵不等式设计内闭环状态反馈增益，以确保鲁棒闭环稳定性和扰动抑制，同时外分布式积分作用消除稳态跟踪误差并实现集点协同跟踪。
2026-05-08 cs.SY eess.SY
Sparse Sensing Architectures with Optimal Precision for Tracking Multi-agent Systems in Sensing-denied Environments
在本文中，跟踪问题的多智能体系统，在一个特定的场景中，一段代理进入一个感知拒绝的环境或行为作为非合作目标，被认为是。重点是确定最佳的传感器精度，同时促进稀疏的传感器测量，以保证指定的估计性能。该问题是制定在离散时间集中卡尔曼滤波框架。该算法通过求解线性矩阵不等式约束下的半定规划，使得精度矩阵的迹最小，精度矩阵定义为传感器噪声协方差矩阵的逆矩阵。仿真结果揭示了传感器精度和感测频率之间的权衡。
2021-03-01 cs.SY eess.SY
Sensor management for multi-target tracking via Multi-Bernoulli filtering
Curtin University（科廷大学）
本文提出基于POMDP框架的多目标传感器管理方法，利用多伯努利滤波器在最大化预测与更新密度的 Rényi 散度和最小化后验卡数方差的目标下进行优化。
2014-04-11 cs.SY eess.SY
High Performance Low Complexity Multitarget Tracking Filter for a Array of Non-directional Sensors
本文开发了一种精确，高效的过滤器（称为“TT过滤器”），用于跟踪多个目标，使用空间分布的振幅传感器网络，估计距离，但不方向。算法中包含了几项创新，提高了准确性并降低了复杂性。对于初始目标采集，一旦跟踪开始，一个受约束的海森搜索被用来找到最大似然（ML）目标向量，基于测量模型和高斯近似的先验。ML向量处的Hessian用于给出目标向量分布的负对数似然的初始近似：如果Hessian由于远近问题而不是正定的，则应用校正。通过应用与仅距离传感器引入的已知非线性相匹配的变换来进行进一步的校正。使用该信息构造一组积分点，其用于估计目标向量分布的均值和矩。结果表明，TT滤波器提供了优越的精度和较低的复杂度比以前的替代品，如卡尔曼滤波器或粒子滤波器。
2020-09-16 cs.SY eess.SY
Novel Sensor Scheduling Scheme for Intruder Tracking in Energy Efficient Sensor Networks
Department of Computer Science and Automation, Indian Institute of Science（计算机科学与自动化系，印度科学研究院）
本文提出基于POMDP的强化学习算法，用于在能量受限下高效跟踪入侵者，通过UCT方法实现状态和动作空间的扩展，验证了算法在大规模问题中的有效性。
2018-02-24 cs.AI cs.SY eess.SY
Consensus-based joint target tracking and sensor localization
School of Electronic Engineering, Center for Cyber Security, University of Electronic Science and Technology of China（电子科技大学电子工程学院网络安全中心）；Dipartimento di Ingegneria dell’Informazione (DINFO), Università degli Studi di Firenze（佛罗伦萨大学信息与工程学院）
本文提出基于共识的卡尔曼滤波方法，用于分布式无线传感器网络中的目标跟踪与传感器自定位，通过平均加权Kullback-Leibler散度作为代价函数，并引入在线技术优化漂移参数，实验验证了算法的有效性。
2017-07-27 cs.SY eess.SY
Incorporating Bayesian Transfer Learning into Particle Filter for Dual-Tracking System with Asymmetric Noise Intensities
George Mason University（乔治梅森大学）
本文提出一种结合贝叶斯迁移学习的粒子滤波方法，用于改进双跟踪系统中噪声不对称情况下的跟踪性能。
2025-11-21 cs.SY eess.SP eess.SY
Viability of Low-Cost Infrared Sensors for Short Range Tracking
针对机器人外部环境目标跟踪任务，提出采用红外飞行时间传感器的低成本短程跟踪新方法，相比传统摄像头、超声波方案在成本和简洁性上更具优势。
2024-07-10 cs.RO cs.SY eess.SY
Circular-Line Trajectory Tracking Controller for Mobile Robot using Multi-Pixy2 Sensors
Saigon University（西贡大学）；University of Technology (HCMUT)（胡志明市理工大学）；Vietnam National University Ho Chi Minh City（胡志明市越南国家大学）
针对移动机器人圆-线轨迹跟踪问题，提出利用三个 Pixy2 传感器获取信息并建立运动学模型，结合滑模控制器调节跟踪误差，仿真验证了方法有效性。
2023-08-12 cs.RO cs.SY eess.SY
Vehicle Tracking in Wireless Sensor Networks via Deep Reinforcement Learning
Nanjing University of Science and Technology（南京理工大学）
车辆跟踪已成为无线传感器网络在救援、监控、交通监控等领域的重要应用之一，但跟踪精度的提高需要更多的能量消耗。在这封信中，分散的车辆跟踪策略的构想，以提高跟踪精度和节能，这是基于调整之间的交叉区域的固定传感区域和动态激活区域。然后，两个深度强化学习（DRL）的辅助解决方案，提出了依赖于激活区域半径的动态选择。最后，仿真结果显示了我们的DRL辅助设计的优越性。
2020-02-22 cs.LG cs.SY eess.SY
Optimal Sensor Placement for Target Localization and Tracking in 2D and 3D
National University of Singapore（新加坡国立大学）
本文通过统一框架和框架理论，分析了二维和三维中仅方位、仅距离和接收信号强度三种传感器的最优布置问题，给出了最优布置的充要条件及其解析性质，并提出了梯度控制律以数值构造最优布置。
2012-10-28 cs.SY eess.SY math.OC
Multi-Sensor Control for Multi-Target Tracking Using Cauchy-Schwarz Divergence
University of Electronic Science and Technology of China（电子科技大学）
本文提出基于Cauchy-Schwarz散度的多传感器控制方法，用于多目标跟踪，通过标签随机有限集在传感器网络中实现最优和次优的联合与独立决策方法。
2016-03-28 cs.SY eess.SY stat.ME
Multisensor Poisson Multi-Bernoulli Filter for Joint Target-Sensor State Tracking
Chalmers University of Technology（查尔姆斯理工大学）；DENSO Sweden AB（电装瑞典有限公司）
本文提出了一种多传感器低复杂度泊松多伯努利多目标跟踪滤波器，用于联合跟踪不确定的车辆状态和目标状态，通过逐步融合不同传感器的测量数据来提高跟踪性能。
2019-01-14 cs.SY eess.SP eess.SY
Multi-sensor joint target detection, tracking and classification via Bernoulli filter
研究了多传感器融合的目标\textit{joint detection, tracking and classification}（JDTC）。目标可以存在或不存在，可以属于不同的类，并且根据其类可以根据不同的运动模式表现。因此，它被建模为一个适当的扩展伯努利\textit{random finite set}（RFS）唯一的特征在于存在，分类，类条件模式和类\&模式条件状态概率分布。通过设计合适的集中式和分布式融合规则，融合来自不同传感器节点的目标存在、类别、模式和状态信息，提出了新的\textit{centralized}和\textit{distributed} JDTC \textit{Bernoulli filters}（C-JDTC-BF和D-JDTC-BF）。通过仿真实验对所提出的JDTC-BF方法的性能进行了评估。
2021-09-23 cs.SY eess.SP eess.SY
Sensor Selection for Target Tracking in Wireless Sensor Networks with Uncertainty
Syracuse University（雪城大学）；Yeditepe University（耶迪特佩大学）
本文提出了一种多目标优化框架，用于解决不确定无线传感器网络中的传感器选择问题，通过低计算复杂度的MIUB方法实现估计性能，揭示了传感器选择策略中目标最小化和性能差距的权衡。
2015-10-07 cs.SY eess.SY stat.OT
Optimal Dynamic Sensor Subset Selection for Tracking a Time-Varying Stochastic Process
University of Southern California（南加州大学）
研究动态传感器激活以高效跟踪时间变化过程，结合Gibbs采样、随机逼近和共识算法改进，实现高能效跟踪机制。
2017-11-28 cs.NI cs.SY eess.SY
Enhanced Multi-Target Tracking in Dynamic Environments: Distributed Flooding Control in the Random Finite Set Framework
本文针对联网自动驾驶车辆在动态环境中的多目标跟踪问题，提出了一种基于泛洪通信的分布式多传感器控制方法，确保了传感器网络中最佳动作的分布式共识，显著提升了跟踪精度与计算效率。
2025-03-04 cs.SY eess.SP eess.SY
A Bayesian Approach to Low-Thrust Maneuvering Spacecraft Tracking
本文提出基于多元 Laplace 推力先验、稀有事件尾部传播、多保真度加速与 k-近邻集成 Gaussian mixture 滤波的贝叶斯方法，实现每日少于两次观测下的低推力机动航天器跟踪。
2024-10-23 cs.SY eess.SP eess.SY
Target Tracking via Crowdsourcing: A Mechanism Design Approach
Department of Electrical Engineering and Computer Science, Syracuse University（雪城大学电气与计算机工程学院）
本文提出一种基于众包的框架，通过设计在无线传感器网络中的最优拍卖机制，实现我的opic目标跟踪。该方法通过拍卖征集自利传感器的投标，保证传感器的理性与诚实，最终将问题转化为多选背包问题并用动态规划解决。
2014-05-21 cs.GT cs.SY eess.SY
Distributed Variational Bayesian Algorithms for Extended Object Tracking
College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）
本文研究了分布式扩展目标跟踪问题，提出了一种基于变分贝叶斯方法的集中算法，并扩展到分布式场景，通过交替方向乘子法技术，同时估计扩展目标状态和测量噪声协方差。
2019-03-01 cs.DC cs.LG cs.SY
Deep Learning-Based Robust Multi-Object Tracking via Fusion of mmWave Radar and Camera Sensors
The University of Arizona（亚利桑那大学）
针对自动驾驶中多目标跟踪的准确性与鲁棒性需求，提出融合毫米波雷达与相机数据的深度学习方法，结合双向LSTM、类FaceNet外观模型与三输出机制，在真实数据集尤其是低能见度场景下实现跟踪精度显著提升。
2024-07-10 cs.CV cs.SY eess.SP
Multi-sensor Joint Adaptive Birth Sampler for Labeled Random Finite Set Tracking
本文提出了一种可扩展的，多传感器测量自适应航迹起始技术标记随机有限集滤波器。多传感器测量自适应出生集分布的朴素构造导致传感器数量中的新生组件的指数数量。建立了标记多重Bernoulli随机有限集出生密度的截断准则。所提出的截断准则被证明在广义标记多伯努利后验密度中具有有界L1误差。这个标准是用来构建一个吉布斯采样器，产生一个截断的测量生成的标记的多伯努利出生分布与二次复杂的传感器的数量。假设线性高斯似然的条件采样分布的封闭形式的解决方案，旁边的近似解决方案，使用蒙特卡洛重要性抽样。多个仿真结果验证了截断准则的有效性，以及复杂度的降低。
2022-04-29 cs.SY eess.SP eess.SY
Distributed Target Tracking with Fading Channels over Underwater Wireless Sensor Networks
针对水下无线传感器网络中信道衰落导致跟踪精度下降的问题，本文提出考虑测量波动、传输失败和信道估计误差的改进分布式无迹卡尔曼滤波器DUKF-Fc，并给出误差有界条件，仿真验证其有效性并讨论能耗权衡。
2023-08-08 cs.IT cs.SY eess.SY
Object Tracking Incorporating Transfer Learning into Unscented and Cubature Kalman Filters
King Saud University（沙特国王大学）；George Mason University（乔治梅森大学）
本文提出一种新的滤波算法，通过贝叶斯迁移学习解决两个传感器在非线性动态系统模型下噪声不匹配的问题，通过将源传感器的预测观测参数迁移到主传感器并作为过滤过程中的额外先验，提高主传感器的估计精度。
2026-05-18 cs.SY eess.SP eess.SY
Multi-Target Tracking in Distributed Sensor Networks using Particle PHD Filters
Technische Universität Darmstadt（达姆施塔特工业大学）
本文研究了分布式传感器网络中的多目标跟踪问题，提出了一种基于随机有限集的粒子PHD滤波器，解决了数据关联问题，并通过OSPA指标评估了其性能，同时与现有方法进行了比较。
2018-12-02 cs.MA cs.SY eess.SY
Online Bayesian Meta-Learning for Cognitive Tracking Radar
Virginia Tech（弗吉尼亚理工大学）；US Army Research Laboratory（美国陆军研究实验室）
认知雷达的一个关键组成部分是泛化能力，或在一系列感知环境中实现一致的性能，因为物理场景的各个方面可能会随时间而变化。这对基于学习的波形选择方法提出了挑战，因为在一个场景中有效的传输策略在另一个场景中可能是非常次优的。我们解决这个问题的战略偏见的学习算法，通过利用高层次的结构跟踪实例，称为元学习。在这项工作中，我们开发了一种在线元学习方法，用于波形敏捷跟踪。该方法使用从先前目标跟踪中获得的信息来加速和增强新跟踪实例中的学习。这导致在样本有效的学习，通过利用固有的相似性，在跟踪场景中，由于共同的物理元素，如目标类型或杂波统计的一类有限状态目标通道。我们制定的贝叶斯学习的框架内的在线波形选择问题，并提供先验依赖的性能界限的元学习问题，使用概率近似正确（PAC）贝叶斯理论。我们提出了一个计算上可行的元后验采样算法，并研究了在不同场景的仿真研究中的性能。最后，我们研究了与波形敏捷跟踪的在线元学习相关的潜在性能优势和实际挑战。
2023-02-07 cs.IT cs.LG cs.SY
Distributed Maximum Likelihood for Simultaneous Self-localization and Tracking in Sensor Networks
Imperial College（帝国理工学院）；University of Cambridge（剑桥大学）；University of Oxford（牛津大学）
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。
2012-06-19 cs.DC cs.SY eess.SY
Linear TDOA-based Measurements for Distributed Estimation and Localized Tracking
Aalto University（阿尔托大学）；Semnan University（塞姆南大学）；University of Cyprus（塞浦路斯大学）
提出了一种线性的到达时间差（TDOA）测量模型，以提高局部目标跟踪的\textit{distributed}估计性能。我们设计分布式过滤器稀疏（可能是大规模的）通信网络，使用基于共识的数据融合技术。建议的分布式和本地化的跟踪协议大大降低了传感器网络的所需的连接和通信速率。我们，进一步考虑$κ$ -冗余的可观测性和容错设计的情况下，失去通信链路或传感器节点。我们提出的最小条件，其余的传感器网络（链路/节点删除后），使分布式的可观测性仍然保留，因此，传感器网络可以跟踪（单个）机动目标。动机是减少通信负载与处理负载，因为计算单元通常比通信设备成本低。我们通过MATLAB仿真评估跟踪性能。
2022-04-26 cs.MA cs.RO cs.SY
