结合粒子 MCMC 与 Rao-Blackwellized 蒙特卡洛数据关联进行多目标跟踪中的参数估计
统计方法学
2015-10-05 v2 动力系统
统计理论
应用统计
统计计算
统计理论
摘要
我们考虑存在数据关联不确定性和目标数量未知的多目标跟踪问题中的状态与参数估计。我们展示了如何将该问题重构为具有未知参数的条件线性高斯状态空间模型，并提出了一种针对该模型进行计算高效推断的算法。所提出的算法基于将 Rao-Blackwellized 蒙特卡洛数据关联算法与粒子马尔可夫链蒙特卡洛（particle MCMC）算法相结合，以联合估计参数和数据关联。我们考虑了粒子边际 Metropolis-Hastings 和粒子 Gibbs 两种 particle MCMC 变体。我们使用模拟数据以及在利用多目标跟踪估计芬兰棕熊种群的实际案例研究中展示了该方法的性能。
引用
@article{arxiv.1409.8502,
title = {Combining Particle MCMC with Rao-Blackwellized Monte Carlo Data Association for Parameter Estimation in Multiple Target Tracking},
author = {Juho Kokkala and Simo Särkkä},
journal= {arXiv preprint arXiv:1409.8502},
year = {2015}
}
备注
Revised version. 43 pages, 4 figures