什么是 概率数据关联滤波（PDAF）？
概率数据关联滤波（PDAF）是一种 Bayesian 跟踪近似：它用概率加权组合一个已知目标的全部有效量测假设与漏检假设，得到状态更新。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
在显式杂波模型下筛选量测
给定预测量测 z_hat 与 Innovation Covariance S，椭球验证波门保留平方 Mahalanobis Distance 低于阈值的量测，阈值应对应声明的 Gate Probability。漏检仍是一个有效假设；删除该分支会在目标未被检测时强迫滤波器接受某个杂波校正。
Bar-Shalom 与 Tse 的原始论文建立了量测来源不确定时的杂波跟踪方法。关联权重取决于检测概率、波门概率、量测 Likelihood 与杂波空间密度；它们是给定模型下的 Posterior 概率，不是检测器输出的 Confidence Score。
对关联混合分布做矩匹配
每个候选量测产生一次 Kalman 风格 Posterior，漏检分支则保留预测。PDAF 按关联概率组合各分支均值，并在协方差中同时保留分支内部不确定性与分支之间的离散程度。只使用加权 Innovation 却漏掉分支扩散项，会让估计过度自信。
精确 Posterior 通常是 Gaussian Mixture，把它压缩成单一 Gaussian 是保持递推成本有界的近似。候选量测相距较远时，混合均值可能落在低概率区域，因此系统应暴露较高关联不确定性，而不是只输出一条看似平滑的轨迹。
验证关联假设，而不只看状态误差
Stone Soup 的 PDA 教程演示了先加权量测与漏检假设，再做 Gaussian Reduction 的流程。生产实现还必须记录波门大小、杂波密度单位、检测概率、传感器分辨率，以及一个目标是否可能生成多个 Detection。
应跨杂波强度报告位置或状态误差、NIS、波门 Coverage、漏检概率、关联熵、被拒量测、协方差 Coverage 与运行时间，并与 Nearest-neighbor Association 和纯预测基线比较。轨迹看起来合理，不证明关联概率已经校准。
主要特点
- 为一个已知目标建模量测来源不确定性
- 同时保留有效量测与漏检假设
- 用检测概率、Likelihood 和杂波密度计算关联权重
- 把关联条件 Posterior 混合矩匹配为单一状态估计
- 在协方差更新中加入关联分支扩散项
- 依赖显式点目标、波门与杂波假设
常见用途
- 在虚警中跟踪单个雷达目标
- 在低检测概率与杂波下进行声呐跟踪
- 一个波门内出现多个 Detection 的机器人目标跟踪
- 把 PDA 与 IMM 模型组结合估计机动目标
- 对比软关联与最近邻更新的跟踪基线
示例
Loading code...常见问题
概率数据关联滤波解决什么问题？
PDAF 用于多个波门内量测可能来自目标或杂波时估计一个目标。它不对不确定 Detection 做硬选择，而是按 Posterior 概率平均各量测条件更新与漏检分支。
PDAF 与最近邻关联有什么区别？
最近邻只选一个候选并丢弃其他候选；PDAF 保留全部有效候选，计算模型驱动的关联概率，并把分支离散程度计入 Posterior Covariance。软关联降低脆弱硬判决风险，却可能模糊真正分离的假设。
为什么 PDAF 必须包含漏检假设？
传感器可能漏掉目标，而波门内仍出现杂波。漏检分支允许滤波器保留预测，而不是强迫某个虚警校正状态。其概率应由声明的 Detection 与 Gating 模型决定。
PDAF 能跟踪多个相邻目标吗？
可以为每条航迹独立运行 PDAF，但它不会约束一个量测最多更新一个目标，共享 Detection 可能把航迹拉到一起。JPDAF 增加联合互斥约束，MHT 则跨多个扫描周期保留竞争分配。
应该如何评测 PDAF？
应改变杂波密度、检测概率、目标间距、噪声和模型失配，跨重复试验报告状态误差、Covariance Coverage、NIS、波门 Coverage、漏检、关联熵、航迹丢失与时延，而不能只展示一条有利轨迹。