什么是 广义标签多伯努利滤波（GLMB Filter）？
广义标签多伯努利滤波（GLMB Filter）是一种标签随机有限集跟踪方法，其 Posterior 是对象 Label Set 与 Association History 上的加权 Mixture，并在标准多对象 Bayesian Recursion 下保持 GLMB 分布族。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
保留互斥的标签化假设
一个 GLMB Component 为某个 Label Set 分配概率质量，并保存逐 Label 条件状态密度。Delta-GLMB Component 还索引 Association History，因此复用同一 Detection 或要求不相容 Label Set 的解释会保持分离，而不会被平均成相互独立的航迹。
Vo 与 Vo 的共轭先验论文证明 GLMB 分布族在标准多对象 Chapman-Kolmogorov Prediction 与 Bayes Update 下闭合。该保证依赖论文声明的点目标、独立 Survival、独立 Detection 与 Poisson Clutter Model。
截断 Mixture 时显式记录损失的概率质量
预测会按存活与新生 Label Set 分支，更新则按可行的正值一对一 Measurement Map 分支，因此精确符号 Posterior 的 Component 数可能无法实际承载。工程实现通过 Gating、Ranked Assignment、Shortest Path、Gibbs Sampling 等方法只保留高权重假设。
高效 GLMB 实现合并预测与更新，并用 Gibbs Sampling 减少无效假设生成。其复杂度结论只适用于相应实现和模型；Retained Probability Mass、收敛诊断、Hypothesis Cap 与时延仍必须报告。
区分 GLMB、LMB、MHT 与 PMBM
LMB 把更丰富的标签 Mixture 边缘化为独立的逐 Label Bernoulli Component，用较小状态换取相关性损失。MHT 也保留竞争关联历史，但经典 Track Tree 与 Score 并不是 GLMB 的概率表示。PMBM 则把从未检测的对象表示为 Poisson Process，把已检测对象表示为 Multi-Bernoulli Mixture。
应评测 GOSPA 与 Trajectory Metric、Cardinality Error、ID Switch、Fragmentation、Hypothesis Probability Mass、Existence Calibration、定位一致性、内存和时延。分布族数学闭合并不能消除 Model Mismatch、错误 Birth Intensity、漏掉重要假设或 Detection 质量问题。
主要特点
- 表示互异对象 Label Set 上的加权 Mixture
- 可用完整 Association History 索引 Component
- 在标准标签化多对象模型下具有共轭性
- 保留标签航迹间依赖与互斥约束
- 实际运行需要 Gating 与 Hypothesis Truncation
- 支持直接提取带标签状态与轨迹
常见用途
- 目标交叉和暂时遮挡下的多对象跟踪
- 需要显式身份管理的雷达或声呐跟踪
- 包含联合关联假设的多传感器跟踪
- 需要带标签轨迹的计算机视觉或细胞跟踪
- 评测 LMB 或 PMBM 近似方法的高保真基线
示例
Loading code...常见问题
一个 GLMB Hypothesis 表示什么？
一个 GLMB Hypothesis 表示一种可能的对象 Label Set 和 Association History，并携带归一化权重及这些 Label 的条件状态密度。竞争假设会保留同一批量测的互斥解释，而不是过早平均。
为什么 GLMB 被称为共轭分布族？
在标准标签点目标转移与量测模型下，对 GLMB Prior 执行 Chapman-Kolmogorov Prediction 和 Bayes Update 后仍得到 GLMB Density。这是函数形式闭合，不代表所有结果 Component 都能低成本枚举。
GLMB 与 Delta-GLMB 有什么区别？
GLMB 指更广的分布族；Delta-GLMB 是面向实现的参数化形式，每个 Component 显式选择一个 Label Set，通常还保存 Association History。跟踪文献中的 GLMB Filter 经常具体指这套 Delta-GLMB Recursion。
GLMB Filter 与 LMB Filter 有什么区别？
GLMB 保留 Global Label 与 Association Hypothesis 的 Mixture，包括对象间依赖；LMB 把该 Mixture 压缩为独立的逐 Label Bernoulli Component。LMB 状态更小，GLMB 则能保留交叉与遮挡期间的重要歧义。
实际 GLMB Filter 的主要限制是什么？
Survival、Birth 与 Association Hypothesis 数会快速增长。Gating、Ranked Assignment、Sampling、Pruning 和 Capping 能控制成本，却可能删除重要概率质量；Detection 质量、Birth Model 与 Likelihood Calibration 同样决定结果。