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
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
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
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
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
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
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
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
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
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
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
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
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
Cell Multi-Bernoulli (Cell-MB) Sensor Control for Multi-object Search-While-Tracking (SWT)
Cornell University（康奈尔大学）；Marshall University（马歇尔大学）
本文提出了一种用于多目标搜索与跟踪传感器控制的新型RFS预期信息增益可处理近似方法，考虑了噪声、漏检、误报及目标出现/消失，并通过真实视频实验验证了其有效性。
2022-07-12 cs.CV 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
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
Histogram-Probabilistic Multi-Hypothesis Tracking with Integrated Target Existence
Norwegian University of Science and Technology（挪威科技大学）；Universidad Politécnica de Madrid（马德里理工大学）
针对多目标先跟踪后检测问题，提出综合存在泊松直方图概率多假设跟踪器，通过添加目标存在概率扩展H-PMHT框架，利用泊松点过程测量模型等实现综合航迹管理，仿真评估显示了该算法性能。
2026-07-20 eess.SP
A Computationally Efficient Likelihood Approximation for Target Tracking in Time-Varying Multipath Channels
Linköping University（林雪平大学）；KTH, Stockholm, Sweden（皇家理工学院）；FOI-Swedish Defence Research Agency, Kista, Sweden（瑞典国防研究局）
针对时变多径信道下主动声呐低信噪比目标跟踪的高计算开销问题，提出一种伯努利先跟踪后检测滤波的计算高效似然近似方法，验证了其目标确认与定位性能优于传统基于恒定虚警率的跟踪方法。
2026-08-21 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
Multi-target Joint Detection, Tracking and Classification Based on Generalized Bayesian Risk using Radar and ESM sensors
提出了一种基于标记随机有限集和广义贝叶斯风险的雷达和ESM传感器多目标联合检测、跟踪和分类方法。定义了一种新的贝叶斯风险，用于标记随机有限集变量，涉及多目标基数估计（检测），状态估计（跟踪）和分类的成本。然后利用检测、跟踪和分类的相互依赖性，使贝叶斯风险最小。此外，条件标记的多伯努利滤波器被开发来计算的估计和成本的不同假设和决策的目标类使用属性和动态测量。此外，性能进行了分析。数值仿真结果验证了该方法的有效性和优越性。
2018-07-06 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
