什么是 随机有限集（Random Finite Set）？
随机有限集（Random Finite Set）是一种集合值随机变量，其元素数量与元素取值都具有随机性，可在不引入任意顺序的情况下表示数量未知且随时间变化的多对象系统。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
不使用任意顺序建模随机基数
一个实现 X = {x1, ..., xn} 具有随机 Cardinality |X| 与随机元素，但 {a, b} 和 {b, a} 是同一个状态。有效的 Set Density 与 Finite-set Integral 必须处理这种对称性；把排序后的对象直接套入普通向量密度，可能静默引入标签和维度伪影。
Vo 等人的综述解释了对象数和观测数都会变化、目标可能漏检、虚假观测可能出现且量测来源未知的多对象状态空间模型，并明确区分无标签定位与带标签轨迹估计。
在状态集合或轨迹集合上执行 Bayesian 递推
多对象 Transition Density 建模目标的存活、移动、衍生、消亡和新生；Multi-object Likelihood 建模哪些对象被检测以及哪些量测属于杂波。预测与更新因此作用于有限集合上的 Posterior Density，而不是固定维度的单一状态向量。
该表示把关联不确定性纳入统一模型，却不会自动降低计算难度。精确 Posterior 仍可能包含组合数量的关联与存在性假设。实际滤波器会选择近似分布族、Ranked Hypothesis、Particle、Gaussian Mixture 或 Moment Summary，而这些选择决定哪些不确定性被丢弃。
区分当前集合估计与轨迹身份
无标签 RFS Posterior 能回答当前对象数量和位置，却不能仅凭一系列集合估计定义持久身份。Labeled RFS 为状态附加唯一 Label，轨迹随机有限集则把完整历史本身作为集合元素。
García-Fernández、Svensson 与 Morelande形式化了轨迹集合，并说明当前多目标 Filtering Density 为什么不能回答全部轨迹问题。评测应覆盖基数误差、OSPA 或 GOSPA 等集合度量、方法声称身份能力时的轨迹连续性、Posterior 校准、假设数量、运行时间，以及对 Birth、Detection、Survival 与 Clutter 模型的敏感性。
主要特点
- 同时具有随机基数与随机成员状态
- 不使用任意向量顺序表示多个对象
- 支持有限集合概率密度与积分
- 统一目标新生、消亡、漏检、杂波与关联不确定性
- 包含无标签、带标签与轨迹值等不同形式
- 真实多对象滤波通常需要可计算近似
常见用途
- 目标数量未知且变化的多对象跟踪
- 地标存在性不确定的机器人建图
- 同时存在漏检与虚警的传感器融合
- 多对象定位或轨迹估计
- 对比 PHD、GLMB、PMBM 等 Bayesian Filter
示例
Loading code...常见问题
随机有限集与随机向量有什么区别？
随机向量具有固定维度和有序坐标；RFS 可以包含随机数量的元素，且没有内在顺序。对象出现或消失时，多对象状态不必依赖含义不断变化的任意数组位置。
RFS 是否消除了数据关联？
它把量测来源不确定性放进 Multi-object Bayesian Likelihood，而不是先要求一个独立确定性分配。精确推断仍需对关联结构求和，因此实际 RFS 滤波器依赖近似，组合问题并未凭空消失。
带标签与无标签 RFS 有什么区别？
无标签 RFS 表示当前有哪些对象状态，却不包含持久身份；带标签 RFS 为状态附加不同 Label，使状态历史能够编码轨迹。Label 增加建模和计算要求，也不自动等同于可观测的物理身份。
PHD Filter 与随机有限集是同一个概念吗？
不是。RFS 是描述随机有限集合的概率框架；PHD Filter 是该框架中的一种近似，只传播一阶 Moment 或 Intensity，而不保留完整 Cardinality Distribution 与身份信息。
应该如何评测 RFS 多目标跟踪算法？
应使用 OSPA、GOSPA 等集合感知的定位与基数指标；只有方法声明身份或轨迹能力时才增加对应指标。同时报告校准、虚假与漏失对象、运行时间、内存，以及对 Birth、Survival、Detection 和 Clutter 假设的敏感性。