什么是 广义最优子模式分配指标（GOSPA）？
广义最优子模式分配指标（GOSPA）是一种有限集合间的未归一化距离，把截断的定位误差与漏失对象、虚假对象的显式罚项合并到统一评测中。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
在两个有限集合之间求解部分分配
GOSPA 从逐对象基础距离、阶数 p >= 1、Cut-off c > 0 与基数参数 0 < alpha <= 2 出发。它选择一对一配对，同时允许任一集合中的对象保持未分配。配对距离截断到 c，每个未分配对象在开 p 次根之前贡献 c^p / alpha。
GOSPA 原始论文说明，移除 OSPA 的基数归一化并改用 Partial Assignment，可以在数学一致的框架下处理定位、漏失目标与虚假目标。下方 Go 示例通过枚举部分分配，精确实现小集合的 p = 1、alpha = 2 情形。
先解释 alpha 等于二的分解，再看总值
当 alpha = 2 时，距离小于 c 的两个对象配对后产生 Localization Cost；一个未分配真值产生 c^p / 2 的 Missed-target Cost；一个未分配估计产生相同的 False-target Cost。距离达到或超过 Cut-off 的配对，不会优于让两者都保持未分配。
该分解在取根前的 Powered Domain 中可加。报告必须说明展示的是各项 p 次幂成本还是开根后的距离，因为分别对分量开根通常不能重建总值。还要声明坐标单位与 Base Metric；5 Pixel、5 Meter 和 5 个 Mahalanobis 单位不可直接比较。
用 GOSPA 评当前对象集合，而不是身份历史
Stone Soup 指标实现逐时刻计算 GOSPA，并在 alpha = 2 时输出定位、漏失与虚警分量。逐帧 GOSPA 只评当前对象集合，不记忆上一帧由哪条估计代表某个对象。
需要归一化的逐对象集合距离时使用 OSPA；关注完整航迹连续性时使用 OSPA(2) 或 T-GOSPA；按 Detection 与 Identity Matching 协议评测视觉跟踪时使用 HOTA 或 IDF1。跨试验汇总时应一致地平均 Powered Value，发布全部参数，并补充校准、时延与任务安全证据。
主要特点
- 度量基数不同的两个有限集合
- 使用一对一部分分配与截断基础距离
- 在 alpha 等于二时分解定位、漏失和虚警成本
- 对象数量变化时不做基数归一化
- 必须声明阶数、Cut-off、Alpha、单位与基础距离
- 自身只评当前对象集合，不评持久身份
常见用途
- 比较存在漏检与杂波的多对象 Bayesian Filter
- 诊断误差来自定位、漏失还是虚假对象
- 评测雷达、激光雷达、声呐或点目标感知输出
- 汇总多目标估计的 Monte Carlo 实验
- 使用显式误差分量调整检测与状态提取阈值
示例
Loading code...常见问题
GOSPA 会度量哪些误差？
GOSPA 度量两个有限对象集合之间的差异。当 Alpha 等于 2 时，它把已分配对象的截断定位误差，与 Ground Truth 漏失和估计虚警的罚项分开。
GOSPA 与 OSPA 有什么区别？
OSPA 按较大集合的基数归一化，并组合定位项与基数项；GOSPA 不做该归一化，尤其在 Alpha 等于 2 时可以直接分解定位、漏失和虚假对象成本。
为什么 GOSPA 常把 Alpha 设为 2？
Alpha 等于 2 时，一个未匹配真值与一个未匹配估计的总罚项，等于 Cut-off 处的配对成本，从而得到可解释的最优部分分配和清晰的漏失/虚警分解。其他合法 Alpha 会改变基数权衡。
逐帧 GOSPA 能衡量身份切换吗？
不能。逐帧 GOSPA 不记忆此前分配，因此只要当前状态集合不变，身份互换可能不会改变分数。应使用 T-GOSPA、OSPA(2) 等轨迹指标，或 HOTA、IDF1 等身份指标。
不同研究的 GOSPA 分数可以直接比较吗？
只有 State Representation、单位、Base Distance、Cut-off、Order、Alpha、时间汇总、真值规则与评测场景兼容时才可比较。不同参数下更低的数字不能证明 Tracker 更好。