面向鲁棒多目标跟踪的影响图
最优化与控制
2025-11-05 v1
摘要
多目标跟踪 (MTT) 是雷达、国防和自动驾驶系统的基石，跟踪精度直接影响决策和安全。在具有高斯过程和测量噪声的线性系统中，卡尔曼滤波是状态估计的金标准。然而，其性能在测量噪声呈时相关性的实际场景中可能下降。这违反了卡尔曼滤波的白噪声假设。各种方法包括卡尔曼滤波的状态增益，但该方法在病态问题公式中容易失败。本文探讨了经典卡尔曼滤波在彩色噪声环境中的局限性，并提出一种基于影响图的联合概率数据关联滤波 (JPDAF) 方法。基准场景的仿真结果表明，影响图联合概率数据关联滤波 (ID-JPDAF) 在根均方误差 (RMSE) 上优于经典方法。这些发现凸显了影响图模型在雷达及相关应用中提升多目标跟踪性能的潜力。
引用
@article{arxiv.2511.02637,
title = {Influence Diagrams for Robust Multi-Target Tracking},
author = {Priyank Behera and C. Robert Kenley},
journal= {arXiv preprint arXiv:2511.02637},
year = {2025}
}