什么是 轨迹广义最优子模式分配指标（T-GOSPA）？
轨迹广义最优子模式分配指标（T-GOSPA）是一种有限轨迹集合之间的数学距离，把定位、漏失目标、虚假目标与 Track Switch 成本合并到统一的多对象跟踪评测中。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
跨时间优化 Assignment 而不是逐帧独立配对
每个时刻的 Assignment 可以把一个真实对象与一个估计对象配对，也可以让任一方保持 Unassigned。Localization Cost 使用由 Cut-off 截断的基础状态距离；漏失和虚假对象承担有限成本，相邻时刻的分配变化则产生 Switching Cost。
原始轨迹集合指标论文用 Multi-dimensional Assignment 定义精确距离，并给出自身仍为 Metric、可在多项式时间求解的 Linear-programming Relaxation。精确值与松弛值不是同一个结果，不能在报告中静默混用。
下方 Go 示例只枚举等基数双轨迹场景的完整 Permutation，用于展示定位与切换代价的权衡，不是包含漏失与虚假轨迹的完整 T-GOSPA 算法。
根据应用后果选择参数
Cut-off c 定义定位误差达到何种程度后，与让对象保持 Unmatched 相比不再更优；Exponent p 控制大误差对聚合结果的影响；Switching Parameter 则定义轨迹身份改变相对于定位、漏失和虚警的代价。
完整 Assignment Change 与 Assigned/Unassigned 之间的转换不一定承担相同成本，原始定义可把后者表示为 Half-switch。参数带有单位与策略含义；只有 Base Distance、时间区间、c、p、Switching Penalty 与 Solver 全部一致时，Benchmark 才可直接比较。
使用误差分解但不把它当作通用业务效用
视觉跟踪参数研究说明，Online Surveillance、Offline Scene Understanding 与 Detector Evaluation 对切换和定位误差可以有不同偏好。T-GOSPA 不是普适业务分数，看到结果后再调整参数会破坏排序结论。
大规模问题中的精确 Multi-dimensional Assignment 可能成本很高，可采用 LP Relaxation 或有文档说明的近似，但应报告 Solver Tolerance 与耗时。若校准、时延、内存、First-detection Delay 或安全后果重要，还必须并列报告这些指标。
主要特点
- 度量两个完整有限轨迹集合之间的距离
- 把误差分解为定位、漏失、虚警与切换成本
- 使用 Cut-off、Exponent 与应用相关 Switching Penalty
- 联合考虑逐时刻 Assignment 及其跨时刻变化
- 提供精确 Multi-dimensional 与 LP-relaxed 两种形式
- 要求明确声明 Base State Distance 与评测区间
常见用途
- 比较 Bayesian 多对象轨迹滤波器
- 评测遮挡与身份变化中的视觉跟踪器
- 诊断误差来自 Detection、Localization 还是 Switching
- 为 Online 与 Offline 工作流选择跟踪算法
- 对轨迹随机有限集执行 Monte Carlo 研究
示例
Loading code...常见问题
T-GOSPA 会度量哪些误差？
T-GOSPA 汇总已分配对象的截断定位误差、真实对象漏失、虚假估计，以及 Trajectory Assignment 随时间变化产生的切换成本；分解项可以显示各类误差对总距离的贡献。
T-GOSPA 与逐帧 GOSPA 有什么区别？
逐帧 GOSPA 只比较一个时刻的两个对象集合，不保留此前 Assignment；T-GOSPA 比较完整轨迹集合并耦合跨时刻分配，因此除定位、漏失与虚警外，还能惩罚 Track Switch。
如何设置 T-GOSPA 的 Switching Penalty？
应根据航迹连续性错误相对于定位、漏失和虚警的实际后果设置。离线身份分析通常比在线监视更重视切换。比较算法前必须固定该值，并通过 Sensitivity Analysis 检查结论是否稳定。
LP Relaxation 与精确 T-GOSPA 相同吗？
不同。精确形式求解 Multi-dimensional Assignment；Linear-programming Relaxation 是可在多项式时间计算的 Lower-bound Metric，数值可能不同。报告必须注明使用的形式与 Solver 设置。
更低的 T-GOSPA 是否证明 Tracker 可以上线？
不能。它只说明在给定数据、参数和轨迹定义下，声明的 Trajectory-set Error 更小。生产决策还需验证不确定性校准、时延、内存、模型漂移鲁棒性、首次检测表现与场景安全要求。