Extended target Poisson multi-Bernoulli mixture trackers based on sets of trajectories
泊松多伯努利混合（PMBM）是一个多目标分布，其预测和更新是封闭的。通过将随机有限集（RFS）框架应用于多目标跟踪，以轨迹集作为感兴趣的变量，PMBM跟踪器可以有效地估计目标轨迹集。本文推导了两种用于扩展目标跟踪的轨迹RFS滤波器，称为扩展目标PBM跟踪器。与基于目标集合的扩展目标PMBM滤波器相比，扩展目标PMBM跟踪器提供了时间步之间的显式跟踪连续性。
2019-11-19 eess.SP
Multi-Scan Implementation of the Trajectory Poisson Multi-Bernoulli Mixture Filter
Poisson多Bernoulli混合分布（PMBM）和多Bernoulli混合分布（MBM）是两种多目标分布，它们存在封闭形式的滤波递归。PMBM具有泊松出生过程，而MBM具有多伯努利出生过程。本文考虑了最近开发的多目标跟踪问题的制定使用随机有限的轨迹集，通过明确建立跟踪连续性。提出了一种多扫描轨迹PMBM滤波器和一种多扫描轨迹MBM滤波器，该滤波器具有校正过去数据关联决策以改善当前决策的能力。此外，多扫描轨迹$\text{MBM}_{01}$过滤器，其中所有伯努利分量的存在概率为0或1，提出。本文提出了一种有效的实现，执行面向轨道的$N$扫描修剪，以限制计算复杂度，并使用对偶分解来解决所涉及的多帧分配问题。所提出的多目标跟踪器的性能，应用一个有效的固定滞后平滑方法，在仿真研究中进行评估。
2020-02-28 eess.SP
Interaction-Aware Labeled Multi-Bernoulli Filter
RMIT University（皇家墨尔本理工大学）
实时跟踪多个目标是智能交通系统的重要组成部分。基于随机有限集（RFS）的滤波器是用于跟踪多个对象的新兴技术之一。在多目标跟踪（MOT）中，一个常见的假设是每个目标都独立于其周围环境而运动。但在许多现实世界的应用中，目标对象相互之间以及与环境相互作用。当考虑用于跟踪时，这样的交互通常由应用特定的交互式运动模型来建模。在本文中，我们提出了一种新的方法，将目标相互作用的预测步骤的基于RFS的多目标过滤器，即标记的多伯努利（LMB）过滤器。该方法已开发用于跟踪协调群体和车辆的两个实际应用。该方法已被测试为一个复杂的车辆跟踪数据集，并通过OSPA和OSPA $^{(2)}$指标与LMB滤波器进行了比较。结果表明，所提出的交互感知方法描绘了相当大的性能增强LMB滤波器在选定的指标。
2022-04-19 cs.CV eess.SP
Multi-object Tracking with an Adaptive Generalized Labeled Multi-Bernoulli Filter
多目标跟踪的挑战主要来自于跟踪过程中目标的基数和状态的随机变化。此外，关于对象出现的位置的信息、它们的检测概率以及传感器的假警报的统计显著地影响滤波器的跟踪精度。然而，这些信息通常被认为是已知的，并由用户提供。在本文中，我们提出了一种自适应广义标记多伯努利（GLMB）滤波器，该滤波器可以在无需先验知识的情况下跟踪多个对象。实验结果表明，该滤波器的性能与理想的GLMB滤波器提供的跟踪场景的正确信息。
2022-01-12 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
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
Chernoff fusion of Bernoulli Gaussian max filters
针对分布式跟踪中信息源统计相关性未知易导致跟踪发散的问题，本文推导了伯努利高斯最大滤波器的精确切尔诺夫融合方程，并验证了该可能性融合方案在统计相关性未知场景下的有效性。
2024-10-30 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
Efficient approximations of the multi-sensor labelled multi-Bernoulli filter
在本文中，我们提出了两个有效的，近似公式的多传感器标记的多伯努利（LMB）滤波器，这两个允许传感器的测量更新并行计算。我们的第一个过滤器是基于多传感器，多目标贝叶斯滤波器的后验分布的直接数学运算。不幸的是，它需要划分的概率分布和它的扩展超出线性高斯应用是不明显的。我们的第二个过滤器是基于几何平均融合，它近似的多传感器，多目标贝叶斯滤波器的后验分布使用每个传感器的测量更新分布的几何平均值。这个滤波器可以在非线性条件下使用;但是，它不如我们的第一个滤波器精确。在这两种情况下，我们近似的LMB滤波器的测量更新使用现有的循环的信念传播算法。两种滤波器在传感器数量上具有恒定的复杂度，在测量和对象数量上具有线性复杂度。这是对迭代校正LMB（IC-LMB）滤波器的改进，该滤波器在传感器数量上具有线性复杂度。当使用多个传感器跟踪多个对象时，所提出的滤波器是感兴趣的，其中滤波器运行时间比滤波器精度更重要。我们评估了两种滤波器在模拟数据上的性能，结果表明，与IC-LMB滤波器相比，滤波器的精度损失并不显著。
2022-07-10 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
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
Bernoulli Filtering for Multi-Sensor Tracking with Thresholded Measurements
Linköping University（林雪平大学）
针对传感器检测门限导致的状态相关漏检问题，提出基于伯努利滤波的递归跟踪框架，联合处理杂波和目标存在不确定性，在仿真中相比固定检测概率的伯努利滤波将GOSPA指标降低62.4%。
2026-10-14 eess.SP
Environment Modeling Based on Generic Infrastructure Sensor Interfaces Using a Centralized Labeled-Multi-Bernoulli Filter
城市交叉口对全自动车辆提出了很高的要求，特别是在发生遮挡的情况下。为了解决这些问题，并在不清楚的情况下支持车辆，一种流行的方法是利用来自基于基础设施的传感系统的附加信息。然而，这种系统的广泛使用被其复杂性以及由此的高成本所阻碍。在本文中，提出了一个通用的接口，它可以连接各种各样的传感器。传感器只需要测量对象的非常少的特征，如果具有不同观看方向的多个分布式传感器可用。此外，一个标记的多伯努利（LMB）滤波器，它不仅可以处理这样的测量，但也推断出丢失的对象信息的对象的范围。该方法进行了评估模拟和演示在现实世界的基础设施设置。
2019-08-06 eess.SP
An Extended Object Poisson Multi-Bernoulli Filter with Zero-Inflated Poisson Measurement Model Using Belief Propagation
Durham University（杜伦大学）；Shanghai Jiao Tong University（上海交通大学）；Chungnam National University（忠南国立大学）；Southeast University（东南大学）
提出一种利用粒子置信传播高效实现零膨胀泊松模型下扩展目标泊松多伯努利滤波器的方法，通过因子图分解数据关联，提高估计精度和运行速度。
2026-08-11 eess.SP
Target Clustering Based Multi-Bernoulli Filter for Superpositional Sensors
针对叠加传感器量测由多目标贡献叠加产生的问题，提出按分辨单元聚类目标的多伯努利滤波算法，并给出基于 sigma 点变换的高斯实现，仿真验证其在目标交互和长期重叠场景下有效。
2023-08-18 eess.SP
A Hybrid Labeled Multi-Bernoulli Filter With Amplitude For Tracking Fluctuating Targets
为了提高跟踪性能，许多跟踪算法都加入了目标回波幅度信息。采用幅度特征的局限性之一是目标的信噪比（SNR），即，通常假定振幅似然的参数是已知的和恒定的。在实际应用中，目标信噪比总是未知的，并且依赖于方位角，因此它会波动。本文提出了一种混合标记多贝努利（LMB）滤波器，它将信号幅度引入LMB滤波器，用于跟踪未知和波动信噪比的目标。目标信噪比的波动由自回归伽马过程建模，并考虑了Swerling 1和3目标的幅度似然。在Rao-Blackwell分解下，提出了一种基于Laplace变换和Markov Chain Monte Carlo方法的近似Gamma估计器来估计目标信噪比，并在目标信噪比的条件下，采用高斯混合滤波器来估计运动状态。通过一个包含三个交叉目标的跟踪场景分析了该混合滤波器的性能。仿真结果验证了所提出的SNR估计器的有效性，并量化了将幅度信息用于多目标跟踪的好处。
2022-09-19 eess.SP
Robust Multi-Sensor Multi-Target Tracking Using Possibility Labeled Multi-Bernoulli Filter
针对多传感器多目标跟踪中信息不完整导致的认知不确定性，本文基于带标签UFS理论提出可能性LMB滤波器及其融合方案，以较低复杂度实现鲁棒跟踪并优于典型概率方法。
2024-01-04 cs.IT eess.SP math.IT
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
A Scalable Track-Before-Detect Method With Poisson/Multi-Bernoulli Model
提出了一种基于泊松/多伯努利模型的可扩展检测前跟踪（TBD）跟踪方法。为了限制计算复杂度，我们近似的确切的多伯努利混合后验概率密度函数（pdf）的多伯努利pdf。基于和-积算法的数据关联和伯努利分量的回收使得能够在有限的计算资源下检测和跟踪低可观测对象。我们的仿真结果表明，一个显着改善的跟踪性能相比，一个国家的最先进的TBD方法。
2021-09-03 eess.SP
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 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
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
Transformer Based Multi-Target Bernoulli Tracking for Maritime Radar
本文提出基于Transformer与LMB滤波器的海事多目标跟踪方法，利用注意力图设计量测驱动出生密度，在低信干比场景下性能优于CFAR技术。
2025-06-25 eess.IV eess.SP
Two-Filter Adaptive Gaussian Mixture Smoothing for Nonlinear Systems
Purdue University（普渡大学）；Air Force Research Laboratory（空军研究实验室）
本研究针对空间目标跟踪的非高斯分布挑战，开发了双滤波器自适应高斯混合平滑算法，经Molniya和地月晕轨道验证，可显著降低估计误差与不确定性。
2026-07-30 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
The Trajectory PHD Filter for Jump Markov System Models and Its Gaussian Mixture Implementation
轨迹概率假设密度滤波器（TPHD）能够在不添加标签或标记的情况下在第一原理中产生轨迹估计。针对多轨迹跟踪中目标运动在多模型间切换的高度动态性，提出了一种新的跳马尔可夫系统（JMS）模型TPHD滤波器MM-TPHD。首先，我们将JMS的概念扩展到机动目标的多轨迹场景，并推导出所提出的JMS模型的TPHD递归。然后，我们开发了线性高斯混合（LGM）的MM-TPHD递归实现，也考虑了L-扫描计算效率的实现。最后，机动多轨迹跟踪的仿真结果表明，该算法的性能。
2020-11-09 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
The Smooth Trajectory Estimator for LMB Filters
本文针对LMB滤波器提出一种基于GLMB最佳关联映射历史的平滑轨迹估计器，在几乎不增加计算时间的情况下显著提升多目标跟踪精度。
2024-01-01 cs.SY eess.SP eess.SY
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
Autonomous Robotic Radio Source Localization via a Novel Gaussian Mixture Filtering Approach
Faculty of Engineering and Applied Sciences（工程与应用科学学院）；Cranfield University（克兰菲尔德大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；Cho Chun Shik Graduate School of Mobility（Cho Chun Shik 移动研究生院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对未知环境下自主机器人无线电源定位的部分可观测与测量不确定问题，提出新型高斯混合滤波器，经数值基准与野外实验验证，其性能优于粒子滤波器，兼具低计算量与高鲁棒性。
2025-06-13 cs.RO eess.SP
State-of-charge estimation of lithium-ion batteries using a tree seed and genetic algorithm-optimized generalized mixture minimum error entropy-based square root cubature Kalman filter
本文提出了一种基于广义混合最小误差熵和树种子遗传算法优化的平方根立方根卡尔曼滤波器，用于提高锂离子电池荷电状态估计的鲁棒性和精度。
2025-11-21 eess.SP
Distributed Gaussian Mixture PHD Filtering under Communication Constraints
针对分布式多目标跟踪中现有GM-PHD滤波存在的成本高或收敛性无保障问题，提出一种采用概率通信规则、基于高斯混合加权平均一致性的递推方法，在限制带宽的同时保证渐近最优性，可避免误检，适用于资源受限传感器网络。
2023-08-01 eess.SP
The Zonotopic Mixture Filter
Eindhoven University of Technology（埃因霍温理工大学）；University of Santiago of Chile（智利圣地亚哥大学）
本文提出zonotopic混合噪声模型，推导对应zonotopic混合滤波器，结合概率与有界噪声框架，通过数值示例验证其优势。
2026-08-19 cs.SY eess.SP eess.SY
Robust distributed extended Kalman filter based on adaptive multi-kernel mixture maximum correntropy for non-Gaussian systems
Southwest Jiaotong University（西南交通大学）
本文提出了一种基于自适应多核混合最大相关熵的鲁棒分布式扩展卡尔曼滤波，用于非高斯系统的状态估计。
2026-01-17 eess.SP
PMBM filter with partially grid-based birth model with applications in sensor management
本文介绍了一种基于网格的泊松多伯努利混合（PMBM）滤波器。该算法采用简化的Rao-Blackwellized点质量滤波器对未检测目标的强度进行预测，并对首次检测到的目标密度进行高斯近似。而传统的PMBM滤波器的实现通常使用高斯混合来模拟未检测到的目标的强度，所提出的表示允许强度在感兴趣的区域上变化，在传感器的视场周围具有尖锐的边缘，而不使用大量的高斯混合分量。与传统方法相比，这降低了计算复杂度。所提出的方法示出了在传感器管理设置，其中具有有限的视野的传感器的轨迹进行控制，以搜索和跟踪感兴趣的区域中的目标。
2021-03-19 eess.SP
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
Independent Vector Extraction Constrained on Manifold of Half-Length Filters
Technical University of Liberec（利贝雷茨技术大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）；Naval Surface Warfare Center Carderock Division（卡德洛克海军水面作战中心）
本文提出一种用于联合盲源提取的混合模型，通过将可行参数约束在半长分离滤波器流形上，建立频率间参数关联，解决了传统IVA模型未考虑跨频率参数关系的问题，并适用于频域说话人提取。
2023-04-04 cs.SD eess.AS eess.SP
USDnet: Unsupervised Speech Dereverberation via Neural Forward Filtering
针对单说话人多麦克风混响场景，提出无监督语音去混响网络USDnet，利用多麦克风信号作为约束，结合神经前向滤波正则化网络输出，实现单源混响语音的无监督去混响。
2024-08-13 eess.AS eess.SP
