基于监督学习的在线跟踪滤波器：一种 XGBoost 实现
信号处理
2020-05-05 v3
摘要
目标状态滤波器是传统目标跟踪框架中的重要模块。为获得满意跟踪结果，传统贝叶斯方法通常需要精确的运动模型，而这需要复杂的先验信息与参数估计。因此，建模过程对传统贝叶斯目标跟踪滤波器有关键影响。然而，当遇到未知先验信息或复杂环境时，传统贝叶斯滤波器存在精度大幅降低的局限。本文提出一种基于监督学习的在线跟踪滤波器(SLF)。首先，建立基于监督学习的完整跟踪滤波器框架，其直接以数据驱动为基础并建立数据间的映射关系。换言之，所提滤波器不需要关于目标动力学与杂波分布的先验信息。随后，给出了基于极端梯度提升(XGBoost)的实现，证明了 SLF 框架的可移植性与适用性。同时，所提框架将鼓励其他研究者继续拓展传统滤波器与监督学习相结合领域。最后，数值仿真实验证明了所提滤波器的有效性。
引用
@article{arxiv.2004.04975,
title = {Supervised Learning Based Online Tracking Filters: An XGBoost Implementation},
author = {Jie Deng and Wei Yi},
journal= {arXiv preprint arXiv:2004.04975},
year = {2020}
}