EOTNet：基于深度记忆的贝叶斯滤波器扩展目标跟踪
信号处理
2025-05-27 v1
摘要
基于随机矩阵、以贝叶斯滤波为基础的扩展目标跟踪方法，能够在联合估计运动状态和目标扩展的同时实现高效的递归过程。现有的随机矩阵方法通常假设状态和扩展的演化遵循一阶马尔可夫过程，即当前估计仅依赖于上一个时刻。然而，在实际场景中，这一假设往往不成立，因为状态和扩展的演化通常是非马尔可夫性的。本文提出了一种新的扩展目标跟踪方法：引入深度记忆辅助的贝叶斯递归神经网络。首先，我们在非马尔可夫假设下提出等效模型并推导其贝叶斯滤波框架的实现。随后，采用高斯近似和矩匹配方法，推导该贝叶斯滤波框架的解析解。最后，基于该解析解，我们设计了一个端到端可训练的贝叶斯递归神经网络，用于扩展目标跟踪。在仿真和真实数据集上的实验结果表明，所提方法优于传统扩展目标跟踪方法和现有深度学习方法。
引用
@article{arxiv.2505.18684,
title = {EOTNet: Deep Memory Aided Bayesian Filter for Extended Object Tracking},
author = {Zhixing Wang and Le Zheng and Shi Yan and Ruud J. G. van Sloun and Nir Shlezinger and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2505.18684},
year = {2025}
}