什么是 轨迹泊松多伯努利混合滤波（TPMBM Filter）？
轨迹泊松多伯努利混合滤波（TPMBM Filter）是一种 Bayesian 多对象跟踪方法，在轨迹随机有限集上用 Poisson Multi-Bernoulli Mixture Density 表示未检测与已检测对象。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
分别表示未检测质量与已检测历史
Trajectory PPP 承载已存在但从未产生 Detection 的潜在历史。First Detection 会创建一个 Bernoulli Trajectory Hypothesis，并对起始时间与状态序列保留不确定性。已检测对象留在 MBM 中，其 Global Hypothesis 编码相容量测历史。
每个 Bernoulli 保存 Existence Probability 与条件 Single-trajectory Density；一个 Global Hypothesis 联合选择各条 Local History，保留 TPHD/TCPHD 丢弃的关联依赖。关联不确定性并未消失，而是被显式表示。
递推存活轨迹、全部轨迹或指定时间窗口
TPMBM 原始推导分别给出当前存活轨迹与截至当前曾经存在的全部轨迹递推，并在标准模型下证明指定轨迹区间的 PMBM Time-marginalization 结果。
Alive Formulation 限制存储历史，却不会在当前状态中保留已终止航迹；All-trajectory Formulation 支持回溯估计和终止时间不确定性，但会持续增长。时间窗口应服从下游问题；边缘化为当前对象只能得到 PMBM State Information，无法恢复已舍弃的联合历史。
让假设与历史压缩保持可审计
符号上的精确共轭性不会限制 Association Branch 数量或 Trajectory-state Dimension。实际滤波器使用 Ellipsoidal Gating、Ranked Assignment、N-scan Pruning、Recycling、Gaussian Moment/Information Form 与 L-scan Covariance Approximation。实验应报告保留的 Hypothesis Probability Mass、History Lag、耗时和内存。
一项独立浅海研究把 TPMBM 用于间歇发声声源，并构造专用 Matched-field Likelihood。该结果只支持这一应用与量测模型，不能直接外推到点 Detection、Camera 或 Extended Object。
主要特点
- 在轨迹随机有限集上定义 PMBM Posterior
- 用 Trajectory PPP 表示从未被检测的对象
- 用 MBM 表示已检测轨迹与关联历史
- 分别支持 Alive-trajectory 与 All-trajectory Recursion
- 在声明的标准模型下支持 Time-window Marginalization
- 实际运行需要显式压缩假设、分量与历史
常见用途
- 存在不确定新生与长时间遮挡的雷达或声呐跟踪
- 允许后续观测修正航迹历史的 Multi-scan Association
- 回溯估计已经终止的对象轨迹
- 通过概率化 First Detection 初始化 Tracking-by-detection
- 与 MHT、GLMB、TPHD 和 TCPHD 做 Bayesian 对照
示例
Loading code...常见问题
TPMBM 与标准 PMBM Filter 有什么区别？
标准 PMBM Filtering 表示当前对象状态集合；TPMBM 把 PPP 与 MBM Component 定义在完整 Trajectory Variable 上，保留起始时间、历史状态，并在 All-trajectory Formulation 中保留终止时间不确定性。
Alive 与 All-trajectory TPMBM 有什么区别？
Alive Filter 只保留当前仍存在的轨迹，All-trajectory Filter 还保留已终止历史。两者在各自声明模型下都能形成 Bayesian Recursion，但全部轨迹表示随时间增长，更依赖 History Management。
TPMBM 具有共轭性，为什么仍需 Pruning？
共轭性只保证 Posterior 保持 PMBM Functional Form，不会阻止 Global 与 Local Association Hypothesis 数量增长。Gating、Ranked Assignment、Pruning、Recycling、N-scan 与 Lag Approximation 才能限制实际计算。
TPMBM 与 TPMB 有什么区别？
TPMBM 保留 Global Multi-Bernoulli Trajectory Hypothesis 的 Mixture；TPMB 把它近似成单个 Trajectory Multi-Bernoulli，通常减少 Assignment 与内存成本，但会丢失关联依赖，损失取决于具体近似。
应该如何评测 TPMBM Filter？
应报告 T-GOSPA 分解、数量与 First-detection Error、Existence Calibration、保留假设概率质量、Smoothing Lag、耗时与内存，并固定 Detection、Likelihood、Birth、Clutter、Extraction 与计算预算。