什么是 标签多伯努利滤波（LMB Filter）？
标签多伯努利滤波（LMB Filter）是一种多对象跟踪方法，为每个潜在对象表示唯一 Label、存在概率和条件状态密度，并把标签化 Bayesian Update 近似为独立 Bernoulli 分量。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
把 Label 作为 Posterior 状态变量
一个带标签状态是 (x, label)，Distinct-label Indicator 保证同一次集合实现中的两个对象不会共享 Label。LMB Density 由 {(r_label, p_label(x))} 参数化：r_label 是该标签对象存在的概率，p_label 是存在条件下的运动状态密度。
Label 支持航迹提取，但它是模型中的记账变量，不是可直接观测的真实身份。错误 Birth Model、无法分辨的交叉或过度 Pruning 仍可能产生重复标签、丢失航迹或切换输出身份。
近似 GLMB 的关联混合
Reuter 等人的 LMB 论文把 LMB Filter 解释为 Delta-GLMB Filter 的高效近似。标准实现预测 LMB 分量，在更新中展开可行关联假设，再把所得 GLMB Mixture 边缘化为每个 Label 的一个存在概率和状态密度。
这种压缩保留有用的标签化一阶信息与 Cardinality，却删除 Label 间相关性和互斥的 Global Hypothesis。LMB 因而可以比 GLMB 小得多，但在多条航迹竞争相似量测时可能过度自信或产生歧义。
联合设计 Birth、假设生成与提取
实际成本由预测 Label 数、Measurement 数与保留的 Association Hypothesis 数共同决定。Gating、Ranked Assignment 或 Gibbs Sampling、Pruning、Merging 和 Existence Threshold 才构成可运行算法；不能脱离这些设置只给 LMB 一个抽象复杂度结论。
近期的LMB 实现研究仍在权衡 Hypothesis Search 成本与跟踪保真度。应在交叉、新生、消亡、漏检和杂波条件下评测 GOSPA 或 OSPA、ID Switch、Fragmentation、Cardinality Error、Existence Calibration、定位一致性、时延和内存。
主要特点
- 为每个表示对象附加唯一离散 Label
- 按 Label 保存存在概率和状态密度
- 直接输出带标签的当前对象估计
- 通过边缘化关联假设近似 GLMB 更新
- 相较完整 GLMB Mixture 减少假设存储
- 强依赖 Birth、Pruning 与 Extraction Policy
常见用途
- 需要持久航迹标签的雷达与声呐跟踪
- 车辆、机器人或行人的 Tracking-by-detection
- 需要显式 Label Matching 的分布式传感器融合
- 利用逐航迹存在不确定性进行传感器管理
- 作为 GLMB 或 PMBM Tracker 的低成本对照
示例
Loading code...常见问题
一个 LMB Component 包含哪些信息？
每个分量包含唯一 Label、存在概率，以及对象存在条件下的状态概率密度。全部分量共同形成带标签对象集合的分布，并诱导一个 Poisson-binomial Cardinality Distribution。
LMB Filter 与无标签 Multi-Bernoulli Filter 有什么区别？
两者都使用独立 Bernoulli Component，但 LMB 在每个对象状态中包含互异 Label，因此能输出航迹和逐标签存在概率；无标签滤波器只估计当前集合，不表示持久身份。
LMB Filter 与 GLMB Filter 有什么关系？
GLMB Posterior 是 Label Set 与 Association History 上的 Mixture。LMB 通常在更丰富的表示中完成量测更新，再把 Mixture 边缘化为每个 Label 的一个 Bernoulli Component，以降低成本，但会丢失跨 Label 依赖。
唯一 Label 能否杜绝身份切换？
不能。Label 让身份在状态中显式存在，但错误的 Birth、Association、Hypothesis Truncation 或 Model Mismatch 仍可能把错误 Label 关联到观测，因此必须继续报告 ID Switch 与 Fragmentation。
如何评测 LMB Filter？
先用 GOSPA 或 OSPA 衡量集合定位与 Cardinality，再报告轨迹指标、ID Switch、Fragmentation、Existence Calibration、Covariance Consistency 和运行时间，并覆盖交叉、遮挡、低 Detection、杂波与 Birth 不确定场景。