Data-driven clustering and Bernoulli merging for the Poisson multi-Bernoulli mixture filter
针对高目标数场景下泊松多伯努利混合滤波器计算复杂度高的问题,提出测量驱动聚类与伯努利分量合并交换的方法,经千级目标仿真验证可有效降维并适配多目标跟踪。
2022-11-15 eess.SP stat.CO
Multi-Bernoulli Mixture Filter: Complete Derivation and Sequential Monte Carlo Implementation
多伯努利混合(MBM)滤波器是随机有限集(RFS)框架下的一种精确封闭形式的多目标贝叶斯滤波器,它利用多伯努利混合密度作为多目标共轭先验。该滤波器是Poisson多Bernoulli混合滤波器在出生过程变为多Bernoulli RFS或Poisson RFS变为多Bernoulli混合RFS时的变体。另一方面,标记的多伯努利混合滤波器演变为MBM滤波器时,标签被丢弃。在这封信中,我们提供了一个完整的推导MBM滤波器的更新步骤的推导不使用概率生成功能。我们还描述了顺序蒙特卡罗实现,并采用吉布斯采样截断MBM滤波密度。非线性测量模型的数值模拟表明,MBM滤波器优于经典的概率假设密度滤波器。
2019-11-09 eess.SP
An Efficient Labeled/Unlabeled Random Finite Set Algorithm for Multiobject Tracking
我们提出了一种有效的随机有限集(RFS)为基础的多目标跟踪算法,其中对象的状态是由一个标记的多伯努利(LMB)RFS和泊松RFS的组合建模。该算法的计算要求较低的泊松部分用于跟踪不太可能存在的潜在对象。只有当表征对象存在的可扩展性的量高于阈值时,才创建新的标记的伯努利分量,并且通过算法的更准确但计算要求更高的LMB部分来跟踪对象。相反,如果相应的存在概率低于另一个阈值,则标记的伯努利分量被转移回泊松RFS。与现有的基于多Bernoulli和Poisson RFS的混合算法相反,该方法有利于跟踪连续性并实现复杂度降低功能。仿真结果表明,一个大的复杂度降低相对于其他基于RFS的算法具有可比的性能。
2022-04-19 eess.SP
Poisson multi-Bernoulli mixture trackers: continuity through random finite sets of trajectories
Chalmers Univ. of Tech.(查尔姆斯理工大学);Defence Science and Tech. Group(国防科学与技术集团);Univ. of Liverpool(利物浦大学)
本文提出了一种基于随机有限集(RFS)轨迹的泊松多伯努利混合跟踪器(PMBM跟踪器),通过将多目标跟踪问题建模为轨迹的RFS,建立了与MHT相似的连续性。
2018-12-12 cs.SY eess.SP eess.SY
Linear Complexity Gibbs Sampling for Generalized Labeled Multi-Bernoulli Filtering
针对GLMB滤波中NP难的计算瓶颈,提出线性复杂度温和吉布斯采样框架,将复杂度从O(TP²M)降至O(T(P+M+logT)+PM),并验证收敛性与性能。
2023-12-28 eess.SP stat.CO stat.ML
A Computationally Efficient EK-PMBM Filter for Bistatic mmWave Radio SLAM
毫米波(mmWave)信号由于其与传播环境和传播信道的固有几何连接而可用于同时定位和映射(SLAM)。为了解决SLAM问题,现有的方法依赖于基于西格玛点或粒子的近似,导致高计算复杂度,妨碍实时执行。基于泊松多伯努利混合滤波器(Poisson multi-Bernoulli mixture,PMBM),提出了一种新的低复杂度SLAM滤波器。它利用扩展卡尔曼(EK)的一阶泰勒级数为基础的高斯近似的滤波分布,并应用面向跟踪的边缘多伯努利/泊松(TOMB/P)算法来近似产生的PMBM作为一个泊松多伯努利(PMB)。滤波器可以考虑无线电SLAM中的不同地标类型和多个数据关联假设。因此,它具有可调整的复杂性/性能权衡。仿真结果表明,改进的SLAM滤波器在保持良好的映射性能和用户状态估计性能的同时,大大降低了计算量。
2021-09-08 eess.SP
Poisson multi-Bernoulli mixture filter for trajectory measurements
Department of Electrical Engineering and Electronics, University of Liverpool(利兹大学电子工程与电子系);IPTC, ETSI de Telecomunicación, Universidad Politécnica de Madrid(马德里理工大学电信工程系)
本文提出了一种基于轨迹测量的多目标滤波器,通过轨迹测量集估计目标状态,并提出更高效的替代方案。
2025-10-06 cs.CV eess.SP stat.AP
Multi-Object Tracking using Poisson Multi-Bernoulli Mixture Filtering for Autonomous Vehicles
Michigan State University(密歇根州立大学)
自动驾驶汽车执行3D跟踪的能力对于在混乱环境中安全规划和导航至关重要。在自动驾驶应用中,多目标跟踪(MOT)的主要挑战在于关于目标的数量、目标可能出现和消失的时间和地点以及关于目标状态的不确定性的固有不确定性。基于随机有限集(RFS)的方法可以很自然地对这些不确定性进行精确和优雅的建模,并且它们已经被广泛地应用于雷达跟踪应用中。在这项工作中,我们开发了一个基于RFS的MOT框架的三维激光雷达数据。特别地,我们提出了一种泊松多伯努利混合(PMBM)滤波器来解决自动驾驶应用中的非模态MOT问题。据我们所知,这是首次尝试将基于RFS的方法与3D LiDAR数据结合用于MOT应用,并使用行业领导者提供的具有挑战性的数据集进行全面验证。我们的PMBM跟踪器在公共Waymo和Argoverse数据集上的卓越实验结果清楚地表明,基于RFS的跟踪器优于许多最先进的基于深度学习和基于卡尔曼滤波器的方法,因此,这些结果表明进一步探索基于RFS的3D MOT应用框架的巨大潜力。
2021-03-13 cs.CV cs.RO eess.SP
Robust multi-sensor Generalized Labeled Multi-Bernoulli filter
本文提出了一种有效的和强大的算法来估计目标的轨迹与未知的目标检测轮廓和杂波率从多个传感器的测量。特别是,我们建议结合多传感器广义标记多伯努利(MS-GLMB)滤波器估计目标轨迹和强大的基数化概率假设密度(CPHD)滤波器估计杂波率。将目标检测概率扩充到滤波状态空间进行联合估计。实验结果表明,所提出的鲁棒滤波器具有接近最佳的性能,在这个意义上,它是可比的最佳MS-GLMB操作与真实杂波率和检测概率。更重要的是,它优于其他研究滤波器的检测轮廓和杂波率是未知的和时变的。这归因于鲁棒滤波器在运行中学习背景参数的能力。
2021-11-03 eess.SP
A Merge/Split Algorithm for Multitarget Tracking Using Generalized Labeled Multi-Bernoulli Filters
被称为增量广义标记多伯努利(dGLMB)滤波器的标记随机有限集滤波器的类别将滤波密度表示为加权假设的集合,其中每个假设由标记轨迹的集合组成,所述标记轨迹又是轨迹标记和轨迹运动密度的对。在用一批测量更新时,每个假设产生许多子假设,因此对于任何实际应用都必须执行截断。有限的计算预算可能导致退化,从而丢失磁道。为了减轻,我们通过使用一种新的合并/分裂算法,采用了一个因子过滤密度。合并早已建立在文献中,我们的分裂算法是通过一个高效和有效的边缘化方案,通过索引的运动密度的测量ID(在移动窗口),已在其更新。这使我们能够确定何时独立性可以被认为近似地保持给定的公差,以便自适应地选择跟踪的“分辨率”,从单个因子(dGLMB)到所有单例因子(标记多伯努利,LMB),以及介于两者之间的任何地方。
2021-08-08 eess.IV eess.SP
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
Poisson Multi-Bernoulli Mixtures for Sets of Trajectories
Zoox(佐克斯公司);Chalmers University of Technology(查尔姆斯理工大学);Shanghai Jiaotong University(上海交通大学);Whipbird Signals(惠普伯德信号公司);University of Liverpool(利物浦大学)
本文证明PMBM密度对轨迹集合共轭,提出两个轨迹PMBM滤波器以递归计算后验密度,实现最优轨迹估计,并验证其性能优于现有算法。
2024-12-15 cs.RO eess.IV eess.SP
Set-Type Belief Propagation with Applications to Poisson Multi-Bernoulli SLAM
Chungnam National University(忠南大学);University of Liverpool(利物浦大学);Universidad Antonio de Nebrija(安东尼奥·德·内布里哈大学);Chalmers University of Technology(查尔姆斯理工大学);Linköping University(林雪平大学)
本文提出适用于元素数量未知 RFS 序列因子图的集合型 BP 规则,并将其用于 PMB-SLAM,推导多种新滤波器且性能优于向量型 BP-SLAM。
2024-04-04 cs.AI eess.SP
A Track-Before-Detect Trajectory Multi-Bernoulli Filter for Nested Superpositional Measurements
University of Liverpool(利物浦大学);Universidad Politécnica de Madrid(马德里理工大学)
本文提出了一种适用于通用叠加测量的轨迹先检测多伯努利滤波器,通过高斯实现实现了计算高效的跟踪性能提升。
2026-08-28 eess.SP
Gaussian implementation of the multi-Bernoulli mixture filter
University of Liverpool(利物浦大学);Chalmers University of Technology(查尔姆斯理工大学);Commonwealth Scientific and Industrial Research Organisation(联邦科学与工业研究组织)
本文提出了多伯努利混合(MBM)滤波器的高斯实现。MBM滤波器在出生模型为多伯努利或多伯努利混合时为标准动态和雷达测量模型提供滤波(多目标)密度。在线性/高斯模型下,MBM混合物的单个目标密度允许高斯封闭形式的表达式。Murty算法用于选择具有最高权重的全局假设。MBM滤波器与文献中的其他算法进行了比较,通过数值模拟。
2019-08-23 cs.CV eess.SP stat.AP
PMBM-based SLAM Filters in 5G mmWave Vehicular Networks
基于无线电的车辆同步定位与地图构建(SLAM)旨在定位车辆的同时绘制环境中的地标。我们提出了一个序列的三个泊松多伯努利混合(PMBM)基于SLAM过滤器,处理整个SLAM问题在理论上最优的方式。三个建议的SLAM过滤器的复杂性逐步降低,同时通过导出SLAM密度近似与滋扰参数(车辆状态或数据关联)的边缘化,保持高精度。首先,PMBMSLAM滤波器作为基础,我们提供了第一个完整的描述基于Rao-Blackwellized粒子滤波器。其次,泊松多伯努利(PMB)SLAM滤波器是基于标准的减少从PMBM到PMB,但涉及一种新的解释的基础上辅助变量和贝特自由能的关系。最后,使用相同的辅助变量参数,我们推导出一个边缘化的PMB SLAM滤波器,它避免了粒子,而是实现了一个低复杂度的立方卡尔曼滤波器。我们评估了三种建议的SLAM滤波器与5G毫米波车载网络中的概率假设密度(PHD)SLAM滤波器的比较,并显示了它们之间的计算性能权衡。
2022-05-05 eess.SP
Split Happens! Imprecise and Negative Information in Gaussian Mixture Random Finite Set Filtering
Purdue University(普渡大学);Cornell University(康奈尔大学)
本文提出一种系统方法,将传感器视场几何与目标包含/排除证据纳入随机有限集多目标基数分布,并基于递归组件分裂的高斯混合近似求解非线性状态估计,推导出用于不精确测量的高斯混合伯努利滤波器,在自然语言跟踪和多伯努利传感器规划中验证有效性。
2023-02-01 cs.RO eess.SP
Gaussian multi-target filtering with target dynamics driven by a stochastic differential equation
Universidad Politécnica de Madrid(马德里理工大学);Aalto University(阿尔托大学)
针对连续时间动态与离散时间量测的多目标滤波问题,本文推导新生目标分布及出生时刻高斯矩匹配闭式解,提出高斯连续-离散 PMBM 滤波器及其近似,并扩展至非线性 SDE 动态。
2025-02-16 cs.CV eess.SP math.PR
Efficient Implementations of Extended Object PMBM Filters with Blocked Gibbs Sampling
Shanghai Jiao Tong University(上海交通大学);Universidad Politécnica de Madrid(马德里理工大学);Chalmers University of Technology(查尔姆斯理工大学)
本文基于泊松多伯努利混合滤波器研究多扩展目标跟踪,提出高效实现方法,通过阻塞Gibbs抽样提升数据关联效率,采用伽马高斯逆 Wishart模型验证方法有效性,实验显示性能相当但运行时间更短。
2026-09-28 eess.SP stat.ME