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
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
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
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
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
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 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
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
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
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
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
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-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
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
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
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
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
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
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
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
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
Multiple Object Trajectory Estimation Using Backward Simulation
本文提出了一种通用的解决方案，用于计算多目标后的轨迹集从一系列的多目标（未标记）过滤密度和多目标动态模型。重要的是，所提出的解决方案为不显式估计轨迹的多对象滤波器打开了轨迹估计可能性的途径。在本文中，我们首先推导出一个一般的多轨迹向后平滑方程的基础上随机有限集的轨迹。然后，我们展示了如何使用泊松多伯努利滤波密度的反向模拟的轨迹集的样本，并开发了一个易于处理的实现排名分配的基础上。在仿真研究中评估所得到的多轨迹粒子平滑器的性能，结果表明，它们具有优越的性能相比，几个国家的最先进的多对象过滤器和平滑器。
2022-06-16 eess.SP
A Track-Before-Detect Approach to Multi-Target Tracking on Automotive Radar Sensor Data
近年来，贝叶斯滤波方法在标记随机有限集公式在多目标跟踪领域变得越来越强大。广义标记多伯努利（GLMB）滤波器是最新的研究成果之一，它可以在统一的框架内实现稳定的基数、目标状态估计和目标识别。与GLMB滤波器的初始上下文相比，本文将其用于检测前跟踪（TBD）方案中，从而避免了由于阈值处理和其他数据预处理步骤而导致的信息丢失。本文提供了一个TBD GLMB滤波器设计下的可分离的似然假设，可应用于现实世界的场景和数据中的汽车雷达背景。它的适用性，以真实的传感器数据证明在一个示例性的情况下。据作者所知，GLMB滤波器应用于实际雷达数据中的TBD框架的第一次。
2020-07-09 eess.SP
Distributed Complementary Fusion for Connected Vehicles
我们提出了一个随机有限集为基础的方法，实现全面的态势感知的每一辆车在分布式车辆网络。我们的解决方案专为在每辆车中运行的标记多伯努利滤波器而设计。它涉及通过共识迭代局部运行的传感器信息的互补融合。我们引入了一种新的标签合并算法，以消除重复计算。我们还扩展了标签空间，将传感器的身份。这有助于克服标签不一致的问题。我们表明，该算法是能够优于标准的LMB滤波器使用分布式互补的方法与有限的视野。
2022-09-09 eess.SP
A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments
American University of the Middle East（中东美国大学）；Ahliyya Amman University（安曼阿赫利耶大学）；National Institute of Telecommunications (Inatel)（国家电信研究所（Inatel））；Higher Colleges of Technology（高等技术学院）
针对同时需要稀疏性和脉冲鲁棒性的场景，提出双比例稀疏自适应滤波器（DP-SAF），通过两个独立对角增益矩阵实现系数比例步长和零吸引，结合符号误差更新，在O(M)复杂度下优于现有算法。
2026-06-06 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
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
Probabilistic GOSPA: A Metric for Performance Evaluation of Multi-Object Filters with Uncertainties
该研究提出 P-GOSPA，将 GOSPA 扩展至多伯努利密度空间以处理多目标滤波中的概率不确定性，同时保留定位、漏检和误检误差分解能力。
2025-06-15 eess.SP
Hybrid PHD-PMB Trajectory Smoothing Using Backward Simulation
本文提出混合PHD-PMB轨迹平滑器，结合PHD前向滤波与PMB后向模拟，实现无标签的平滑轨迹估计，优于PHD和轨迹PHD滤波器。
2024-07-20 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
Iterated Posterior Linearization PMB Filter for 5G SLAM
Tampere University（坦佩雷大学）；Chalmers University of Technology（查尔姆斯理工大学）
5G毫米波（mmWave）信号与传播信道和传播环境具有固有的几何连接。因此，它们可以用于联合定位接收器和映射传播环境，这被称为同时定位和映射（SLAM）。5G SLAM中最重要的任务之一是处理测量模型的非线性。为了解决这个问题，现有的5G SLAM方法依赖于西格玛点或扩展的卡尔曼滤波器，相对于先验概率密度函数（PDF）线性化测量函数。本文研究了测量函数关于后验概率密度函数的线性化问题，并将迭代后验线性化滤波器实现为泊松多伯努利SLAM滤波器。仿真结果表明，所得到的SLAM滤波器的准确性和精度的改善。
2021-12-05 cs.RO eess.SP
Decentralised possibilistic inference with applications to target tracking
Nanyang Technological University（南洋理工大学）；Beijing Institute of Technology（北京理工大学）；University of Edinburgh（爱丁堡大学）；Centre National d’Etudes Spatiales（法国国家空间研究中心）
本文提出基于可能性理论的去中心化推断框架，用于解决多传感器信息融合问题，通过原理性融合规则提升目标跟踪的准确性和鲁棒性。
2026-04-05 eess.SP
Trajectory PMB Filters for Extended Object Tracking Using Belief Propagation
本文提出一种基于信念传播的泊松多伯努利滤波器，用于直接估计扩展目标轨迹集合，通过PMBM共轭先验和因子图表示实现免枚举数据关联的高效推理，并给出粒子实现及椭球形状目标跟踪仿真验证。
2023-09-19 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
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
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
LMB Filter Based Tracking Allowing for Multiple Hypotheses in Object Reference Point Association*
Ulm University（乌尔姆大学）
自动驾驶汽车需要精确了解周围的动态物体。特别是在具有许多物体和可能的遮挡的城市区域中，基于多传感器设置的基础设施系统可以为车辆提供所需的环境模型。之前，我们已经发布了对象参考点（例如，对象的角落）的概念，其允许通用传感器“即插即用”接口和相对便宜的传感器。本文介绍了一种新的方法，另外将多个假设融合的对象参考点的测量使用扩展到以前提出的标记多伯努利（LMB）滤波器。与以前的工作相比，这种方法提高了跟踪质量的情况下，正确的关联的测量和对象的参考点是未知的。此外，本文确定了基于物理模型的选项，以在早期阶段整理出不一致和不可行的关联，以保持该方法在计算上易于处理的实时应用。该方法进行了评估模拟以及真实的场景。与同类方法相比，所提出的方法显示出相当大的性能提高，特别是非连续轨道的数量显着减少。
2020-11-11 cs.RO eess.SP
Mono-Camera 3D Multi-Object Tracking Using Deep Learning Detections and PMBM Filtering
Zenuity（泽纽伊提）；Chalmers University of Technology（查尔姆斯理工大学）
单目摄像头是自动驾驶汽车行业中最常用的传感器之一。使用单目相机的一个主要缺点是它只能在二维的图像平面中进行观察，并且不能直接测量到物体的距离。在本文中，我们的目标是填补这一空白，开发一个多目标跟踪算法，以图像作为输入，并产生在世界坐标系中检测到的对象的轨迹。我们通过使用深度神经网络来解决这个问题，该网络经过训练，可以从单个输入图像中检测和估计到物体的距离。从一系列图像的检测馈入到一个国家的最先进的泊松多伯努利混合跟踪滤波器。学习的检测器和PMBM滤波器的组合导致仅使用单相机图像作为输入来实现3D跟踪的算法。该算法的性能进行评估，在3D世界坐标，和2D图像坐标，使用公开可用的KITTI对象跟踪数据集。该算法显示出准确跟踪对象，正确处理数据关联的能力，即使图像中的对象有很大的重叠，并且是KITTI对象跟踪基准测试中表现最好的算法之一。此外，该算法是高效的，平均每秒运行接近20帧。
2018-02-27 cs.CV eess.SP
Arithmetic Average Density Fusion -- Part III: Heterogeneous Unlabeled and Labeled RFS Filter Fusion
本研究针对多传感器多目标跟踪中异构RFS滤波器的密度融合问题，提出基于高斯混合的PHD共识坐标下降法，仅修正局部高斯分量权重，有效实现PHD-MB-LMB滤波器的同构与异构融合。
2023-11-13 cs.SY eess.SP eess.SY
Arithmetic Average Density Fusion -- Part IV: Distributed Heterogeneous Fusion of RFS and LRFS Filters via Variational Approximation
Northwestern Polytechnical University（西北工业大学）；University Carlos III of Madrid（马德里卡洛斯三世大学）
本文提出基于变分近似的分布式异构融合方法，实现RFS与LRFS滤波器的协同跟踪，通过平均PHD达成共识，适用于同构和异构多传感器场景。
2024-01-31 cs.SY eess.SP eess.SY
Bayesian Simultaneous Localization and Multi-Lane Tracking Using Onboard Sensors and a SD Map
Zenseact（森赛克特公司）；Linköping University（林雪平大学）
提出一种融合 SD 地图、GNSS、视觉里程计与车道边缘检测的贝叶斯 TPMBM 滤波框架，可同时估计车辆 6D 位姿并跟踪多车道三维几何。
2024-05-07 cs.RO eess.SP
From Target Tracking to Targeting Track: A Data-Driven Yet Analytical Approach to Joint Target Detection and Tracking
本文提出一种数据驱动且解析的联合目标检测与跟踪方法，利用时间多项式轨迹函数估计连续轨迹，无需先验信息，仿真表明其性能媲美甚至超越贝叶斯最优伯努利滤波器且计算更快。
2023-11-18 cs.SY eess.SP eess.SY
Multi-Base Station Cooperative Sensing with AI-Aided Tracking
本文提出多基站协作感知框架，通过融合中心、CNN目标分类与自适应聚类，结合PHD和MBM滤波器实现高精度多目标跟踪，在保持通信服务的同时将定位误差控制在1米以内。
2023-10-31 cs.AI eess.SP stat.ML
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
