什么是 泊松多伯努利混合滤波（PMBM Filter）？
泊松多伯努利混合滤波（PMBM Filter）是一种 Bayesian 多对象跟踪方法，用 Poisson Point Process 表示从未检测的对象，并用 Bernoulli 航迹假设的 Mixture 表示已检测对象。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
分离未检测对象与已检测航迹
PPP Intensity 承载尚未产生 Detection 的期望对象质量。预测阶段对该 Intensity 应用 Survival 与 Motion，并加入 Birth PPP；更新阶段由 Missed Detection 稀释 PPP，每个 Measurement 则生成一个 Bernoulli Hypothesis，其存在概率比较 PPP 提供的目标证据与 Clutter Intensity。
已检测对象位于 MBM 中。每个 Bernoulli 保存存在概率和条件状态密度，每个 Global Hypothesis 在满足相容量测分配的前提下，为每条航迹选择一个 Local Hypothesis。
利用共轭性但不混淆形式与成本
PMBM 直接推导论文证明该分布族对标准点目标量测模型具有共轭性，并给出线性 Gaussian 实现。论文也建立了带标签 MBM 与 Delta-GLMB 的联系；这种结构关系不代表 PMBM 与 GLMB 在航迹表示或 Birth 处理上完全相同。
共轭性只表示 Posterior 仍为 PPP 加 MBM。Association Branch 仍可能组合增长，因此 Gating、Clustering、Murty-style Assignment 或 Sampling、Pruning、Recycling、Merging 与 N-scan Policy 决定实际成本和近似误差。
同时评测发现、关联与轨迹质量
PMBM 作者的研究综述页区分 Point-target、Extended-target、General-measurement、Continuous-discrete 与 Trajectory Variant。
轨迹泊松多伯努利混合滤波把完整历史作为状态，其 Likelihood 与 State Space 不能和标准点目标 PMBM 或扩展对象变体互换。
应报告 GOSPA 或 OSPA 分解；表示轨迹时再报告 T-GOSPA 或身份指标；同时记录 First-detection Delay、False Initiation、Cardinality Error、Existence Calibration、Retained Hypothesis Mass、运行时间和内存。比较时必须固定 Detector、Birth Intensity、Clutter Model、Extraction Policy 与计算预算。
主要特点
- 用 PPP 表示从未被检测的对象
- 用 MBM 表示已检测对象与关联歧义
- 从 Measurement 创建概率化新航迹假设
- 在声明的标准点目标模型下具有共轭性
- 为已检测对象保留 Global Association Hypothesis
- 需要 Pruning、Recycling 与 Hypothesis Management
常见用途
- 目标 Birth 不确定的雷达或声呐跟踪
- 存在 False Positive 的自动驾驶 Tracking-by-detection
- 采用独立推导量测模型的 Extended-object Tracking
- 在 Trajectory Set 上使用 PMBM Distribution 估计轨迹
- 与 MHT、GLMB、LMB 和 PHD Family 做 Bayesian 对照
示例
Loading code...常见问题
为什么 PMBM 同时使用 Poisson Process 与 Multi-Bernoulli Mixture？
Poisson Process 表示可能存在但从未被检测、尚不足以建立单独航迹身份的对象；Multi-Bernoulli Mixture 表示已检测对象、各自的存在概率，以及竞争的 Measurement Association 解释。
PMBM Filter 如何建立新航迹？
一个 Measurement 会分支为 Clutter 解释和由未检测 PPP 支持的 First-detection 解释，两类证据的相对大小决定新 Bernoulli 的存在概率与状态密度。因此 Birth 与 Clutter Calibration 会直接影响航迹初始化。
PMBM 与 Multiple Hypothesis Tracking 有什么关系？
两者都为已检测航迹保留 Global Association Hypothesis。PMBM 还提供显式 Bayesian RFS Density、航迹存在概率及未检测对象的 Poisson 表示；经典 MHT 实现可能采用不同 Score、Tree、Initiation 与 Pruning 语义。
PMBM 与 PMB 有什么区别？
PMBM 保留 Multi-Bernoulli Global Hypothesis 的 Mixture；PMB 把该 Mixture 近似成单个 Multi-Bernoulli，通常降低内存和关联成本，但会丢失依赖。具体损失取决于 Approximation 与 Recycling Policy。
PMBM 是否总优于 GLMB 或 LMB？
不存在由分布名称决定的普遍排序。结果依赖 Target 与 Measurement Model、Detector、Birth Intensity、Pruning Budget、实现和指标。应在相同条件下比较精度、身份、发现时延、校准、运行时间和内存。