什么是 联合概率数据关联滤波（JPDAF）？
联合概率数据关联滤波（JPDAF）是一种多目标跟踪近似：它为可行的联合量测到航迹分配计算概率，按航迹边缘化这些事件，再对各状态更新做矩匹配。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
只枚举全局相容的关联事件
验证波门先把航迹与量测划分为相互连通的 Cluster；一个联合事件再声明其中互相相容的分配，并包含漏检与未分配杂波。事件概率在归一化前组合预测量测 Likelihood、目标检测概率和已声明的杂波过程。
Fortmann、Bar-Shalom 与 Scheffe 的 JPDA 原始论文为 Poisson Clutter 中的多个目标引入联合 Posterior 关联概率。当一个扩展目标能生成多个 Detection，或一个未分辨量测表示多个目标时，标准点目标互斥约束并不成立。
边缘化联合事件并压缩每条航迹的混合分布
对航迹 t 与量测 j，边缘关联概率等于全部包含分配 t <- j 的可行事件 Posterior 概率之和。每条航迹再组合各量测条件更新与漏检预测，并通过均值和协方差矩匹配压缩结果。
Stone Soup 的 JPDA 教程演示了从事件到边缘概率的计算。边缘化控制了单条航迹滤波成本，却会丢弃联合 Posterior 中的依赖；Likelihood 相近的邻近目标可能获得近似的加权 Innovation，进而发生航迹合并。
控制组合成本并检查身份故障
可行事件数量会随 Cluster 规模快速增长，因此可能需要 Gating、Clustering、Ranked Assignment、Belief Propagation、Sampling 或其他近似。每种近似都应提供保留概率质量、收敛或时延诊断；静默截断假设可能让结果看似归一化，却漏掉关键分配。
评测必须同时覆盖定位与身份：报告真值可用时的分配准确率、ID Switch、Fragmentation、Track Coalescence、基数或航迹管理错误、Covariance Coverage、概率校准、假设数量与运行时间；并在相同 Detection 和航迹管理规则下对比独立 PDAF、Global Nearest Neighbor、MHT 与 RFS 方法。
主要特点
- 计算满足互斥约束的多航迹联合分配概率
- 在每个联合事件中显式包含漏检与杂波
- 把联合事件边缘化为逐航迹关联概率
- 对每条航迹的关联条件 Posterior 混合做矩匹配
- 避免独立 PDA 更新可能产生的量测复用
- 面临组合增长与邻近航迹合并风险
常见用途
- 多个已知目标共享验证波门的雷达跟踪
- 杂波与低单帧检测概率下的声呐跟踪
- 目标交叉或遮挡时的相机与 LiDAR Tracking-by-detection
- 点量测在多条航迹间竞争的多传感器跟踪
- 对比联合软关联、GNN 与 MHT 的基线实验
示例
Loading code...常见问题
JPDAF 中的「联合」是什么意思？
它会同时评估一个连通 Cluster 内全部航迹与量测的分配。可行事件满足互斥约束，每个航迹与量测的概率则由包含该配对的所有联合事件概率求和得到。
JPDAF 与 PDAF 有什么区别？
PDAF 经典上是单目标滤波器，也可以对多条航迹独立运行。JPDAF 通过联合分配事件耦合这些航迹，阻止同一个点量测在一个事件中被独立分配给多个目标。
JPDAF 与多假设跟踪有什么区别？
JPDAF 把当前扫描的联合事件边缘化为每条航迹的一次矩匹配估计；MHT 跨扫描保留竞争关联历史，能用后续量测修正早期歧义，但需要更多内存和计算。
为什么 JPDAF 可能造成航迹合并？
相邻航迹具有相似 Likelihood 时，其边缘关联权重也可能接近。即使底层每个联合事件都满足互斥约束，矩匹配更新仍可能把两条估计拉向相同的加权量测中心。
如何控制精确 JPDAF 的计算复杂度？
先使用有统计依据的 Gating 与独立 Clustering，再采用 Ranked Assignment、Sampling、Belief Propagation 或其他有文档的近似。除状态 RMSE 外，还应测量保留概率质量或收敛、分配质量、航迹合并和 Deadline Miss。