Poisson Multi-Bernoulli Approximations for Multiple Extended Object Filtering
泊松多伯努利混合（PMBM）是一种多目标共轭先验的封闭形式贝叶斯随机有限集滤波器。扩展对象PMBM过滤器为标准模型的多扩展对象过滤提供了一个封闭形式的解决方案。本文认为计算更轻的替代品扩展对象PMBM过滤器通过传播泊松多伯努利（PMB）密度通过过滤递归。提出了一种新的局部假设表示，其中每个测量创建一个新的伯努利分量。这有助于开发用于在更新步骤之后有效地近似PMB后验密度的方法。基于新的假设表示，提出了两种近似方法：一种是基于轨道导向的多伯努利（MB）近似，另一种是基于变分MB近似通过Kullback-Leibler散度最小化。所提出的PMB滤波器与伽马高斯逆Wishart实现的性能进行了评估，在仿真研究。
2021-08-13 eess.SP
Measurement driven birth model for the generalized labeled multi-Bernoulli filter
本文提出了一种测量驱动出生模型，用于广义标记多伯努利滤波器，通过自适应生成目标出生以消除对先验知识的依赖。
2026-04-05 eess.SP
An Implementation of the Poisson Multi-Bernoulli Mixture Trajectory Filter via Dual Decomposition
本文提出了一种有效的实现泊松多伯努利混合（PMBM）轨迹滤波器。提出的实现执行面向轨迹的N扫描修剪，以限制复杂度，并使用对偶分解来解决所涉及的多帧分配问题。与现有的用于目标集的PBM滤波器相比，PBM轨迹滤波器基于轨迹集，其确保正式地保持跟踪连续性。由此产生的过滤器是一个有效的和可扩展的近似贝叶斯最优多目标跟踪算法，其性能进行了比较，在仿真研究中，PMBM目标过滤器，和三角洲广义标记的多伯努利滤波器，在状态/轨迹估计误差和计算时间。
2018-11-29 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
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
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
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
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
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
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 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-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
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
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
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 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
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
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
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
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
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
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
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
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
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
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
Target Tracking Using the Invariant Extended Kalman Filter with Numerical Differentiation for Estimating Curvature and Torsion
针对目标实时运动状态估计问题，提出融合AISE数值微分与SE(3)上IEKF的FS-IEKF-AISE方法，在FS框架下估计速度、加速度及加加速度。
2025-01-08 cs.SY eess.SP 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
Supervised Learning Based Online Tracking Filters: An XGBoost Implementation
目标状态滤波是传统目标跟踪框架中的一个重要模块。为了得到满意的跟踪结果，传统的贝叶斯方法通常需要精确的运动模型，这需要复杂的先验信息和参数估计。因此，建模过程对传统的贝叶斯目标跟踪滤波器有着关键的影响。然而，当遇到未知的先验信息或复杂的环境，传统的贝叶斯滤波器的精度大大降低的局限性。在本文中，我们提出了一个基于监督学习的在线跟踪滤波器（SLF）。首先，建立了一个完整的基于监督学习的跟踪滤波器框架，该框架直接基于数据驱动，建立了数据之间的映射关系。换句话说，所提出的滤波器不需要关于目标动态和杂波分布的先验信息。最后给出了一个基于XGBoost的实现，证明了SLF框架的可移植性和适用性。同时，该框架将鼓励其他研究人员继续扩大传统过滤器与监督学习相结合的领域。最后通过数值仿真实验验证了该滤波器的有效性。
2020-05-04 eess.SP
Unifying Tree-Reweighted Belief Propagation and Mean Field for Tracking Extended Targets
本文提出统一的树重加权置信传播与平均场方法，在因子图框架内解决扩展目标跟踪的数据关联与状态估计问题，相比粒子方法更高效且跟踪性能更优。
2024-12-26 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
Utility and Privacy in Object Tracking from Video Stream using Kalman Filter
目标跟踪是计算机视觉中的一个难题。隐私和实用性问题在这个问题上增加了额外的复杂性。在这项工作中，我们考虑的问题，同时保持隐私和效用跟踪对象在视频流中使用卡尔曼滤波。我们提出的第一种方法确保了该对象的定位精度不会提高到一定程度。我们的第二种方法确保同一对象的定位精度始终保持在一定的阈值之下。
2020-06-15 eess.SP math.OC
Maneuvering, Multi-Target Tracking using Particle Filters
在这项工作中，我们开发的跟踪和估计技术相关的水下目标。特别是，我们探索粒子滤波技术的目标跟踪。它是一种用于实现递归贝叶斯估计过程的数值近似方法。它不需要像传统的基于卡尔曼滤波器的技术那样假设线性和高斯性，并且能够处理测量中的非高斯噪声分布和非线性以及目标动态。粒子滤波器的性能进行了验证，并与扩展卡尔曼滤波器进行了比较。粒子滤波器可以跟踪多目标和高度机动的目标。但是，它具有较高的计算负荷。在这项工作中，还探讨了粒子滤波器的有效使用的多目标跟踪使用独立分区粒子滤波器（IPPF）和跟踪高度机动目标使用多模型粒子滤波器（MMPF）。这些技术只需要较少数量的粒子，并有助于降低计算成本。在多目标跟踪中，由于观测者不知道目标与观测值之间的关联关系，存在数据关联问题。当目标移动得更近并且在观测器处存在杂波和错过目标检测时，问题变得更加复杂。蒙特卡罗联合概率数据关联滤波器（MCJPDAF）有效地解决了上述情况下的数据关联。针对标准MCJPDAF无法跟踪高机动目标的问题，提出了在MC-JPDAF框架下结合多模型粒子滤波（MMPF）技术的蒙特卡罗多模型联合概率数据关联滤波（MC-MMJPDAF）。仿真结果表明了该方法的优越性。
2019-10-10 eess.SP stat.CO
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
Multi-target Joint Tracking and Classification Using the Trajectory PHD Filter
针对存在检测不确定性、噪声和杂波的多目标联合跟踪与分类（JTC）问题，提出了一种新的轨迹概率假设密度（TPHD）滤波器，称为JTC-TPHD滤波器。JTC-TPHD滤波器根据目标的运动模型对不同的目标进行分类，并为每个目标分配多个类别假设。该方法不仅可以获得目标的类别信息，而且可以得到比传统TPHD滤波器更精确的轨迹估计。JTC-TPHD滤波器是通过在增广的状态空间上利用Kullback-Leibler散度（KLD）最小化找到轨迹上的最佳泊松后验近似而得到的。该滤波器采用高斯混合滤波器，称为GM-JTC-TPHD滤波器。对GM-JTC-TPHD滤波器也提出了L扫描近似，具有较低的计算负担。仿真结果表明，GM-JTC-TPHD滤波器能够正确地对目标进行分类，并获得精确的弹道估计。
2021-11-06 eess.SP
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
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
Extended Kalman Filter Beam Tracking for Millimeter Wave Vehicular Communications
毫米波（mmWave）通信是一种很有前途的技术，以满足车辆通信不断增长的数据流量。不幸的是，由于用于补偿高路径损耗的窄波束，在该频谱中需要更频繁的信道估计。因此，开发高效的波束跟踪算法对于实现该技术至关重要，特别是对于车辆通信中快速变化的环境。在本文中，我们提出了一种创新的方案，用于波束跟踪的基础上扩展的卡尔曼滤波器（EKF），提高了49%的均方误差性能在车辆设置。我们建议使用的位置，速度和信道系数作为状态变量的EKF算法，并表明，这种方法的结果在改进的波束跟踪与低计算复杂度，考虑到系统的运动学特性。我们还明确推导出封闭的表达式的雅可比矩阵的EKF算法。
2019-11-05 eess.SP
Stable EEG Source Estimation for Standardized Kalman Filter using Change Rate Tracking
Faculty of Information Technology and Communication Sciences, Tampere University（坦佩雷大学信息与通信科学学院）
本文提出基于后向差分的测量模型，通过利用脑活动分布变化率提升标准化卡尔曼滤波在EEG源估计中的稳定性。
2025-12-20 cs.NA eess.SP math.NA
EOTNet: Deep Memory Aided Bayesian Filter for Extended Object Tracking
针对扩展目标跟踪中状态与扩展演化的非马尔可夫性，提出深度记忆辅助的贝叶斯递归神经网络EOTNet，在模拟和真实数据上超越传统及深度学习方法。
2025-05-24 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
Adaptive Beam Tracking with the Unscented Kalman Filter for Millimeter Wave Communication
用于5G蜂窝技术的毫米波（mmWave）通信链路需要高波束成形增益来克服信道损伤并实现高吞吐量。虽然许多工作集中在估计毫米波信道和设计波束成形方案上，但毫米波信道的时间动态性质很快使估计变得陈旧并增加探测开销。我们对毫米波信道的基本时间动态状态空间进行建模，并设计适合于在卡尔曼滤波框架中进行跟踪的探测波束形成器。给定初始信道估计，滤波有效地导致精确的估计，并且允许在数据传输期间针对更高的持续波束成形增益的前向预测。从跟踪的先验信道估计，自适应选择的最佳和受约束的次优波束减少探测开销，同时最大限度地减少估计误差。
2018-04-23 cs.IT eess.SP math.IT
Variational Bayes for robust radar single object tracking
TU Eindhoven（埃因霍温理工大学）；Sioux Technologies（苏克斯科技公司）
我们解决目标跟踪雷达和鲁棒性的当前国家的最先进的方法来处理离群值。标准的跟踪算法从雷达图像空间提取检测，以在滤波阶段使用它。滤波由假定高斯分布噪声的卡尔曼滤波器执行。然而，这种假设没有考虑到大的建模误差，并导致在突然运动期间的跟踪性能差。我们把高斯和滤波器（多假设跟踪器的单对象变体）作为我们的基线，并提出了一个修改，通过建模过程噪声的分布，具有较重的尾巴比高斯。变分贝叶斯提供了一种快速，计算成本低的推理算法。我们的模拟结果表明，在过程离群值的存在下，鲁棒跟踪器在跟踪单个对象时优于高斯和滤波器。
2022-09-28 cs.CV cs.LG eess.SP
Neural Augmentation of Kalman Filter with Hypernetwork for Channel Tracking
Qualcomm Technologies Netherlands B.V.（高通技术荷兰有限公司）；Qualcomm Technologies, Inc.（高通技术公司）；Qualcomm AI Research（高通人工智能研究院）
我们提出了超网络卡尔曼滤波器（HKF）跟踪应用程序具有多种不同的动态。HKF结合了卡尔曼滤波器的泛化能力和神经网络的表达能力。HKF不是保持一组卡尔曼滤波器并基于近似实际动态来选择一个，而是基于观察到的序列来使自身适应每个动态。通过对CDL-B信道模型的大量实验，我们证明了HKF可以在很宽的多普勒值范围内跟踪信道，使卡尔曼滤波器的性能与一般的多普勒信息相匹配。在高多普勒值下，它比genie卡尔曼滤波器获得约2dB的增益。与LSTM不同，HKF可以很好地推广到不可见的多普勒、SNR值和导频模式，而LSTM会遭受严重的性能下降。
2021-09-26 cs.IT cs.LG eess.SP
