.png){kind=icon}
返回
Closed-Form Message Passing Algorithms for Tracking Extended Targets
.png){kind=icon}
PRE
AI
DOI：10.1109/TAES.2026.3656163.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对于扩展目标跟踪（ETT），基于因子图的算法相较于传统的聚类方法已展现出显著优势。然而，这些方法的一个局限性在于缺乏解析解，转而依赖粒子实现方式。因此，其性能取决于粒子数量和提议分布。本文提出了两种适用于ETT的统一消息传递算法，可在因子图框架内提供闭式解。这些算法利用了不同的数据关联表述和ETT问题的不同因子图表示。第一种算法采用合并信念传播（BP）和平均场（MF）方法，而第二种算法结合了树加权BP和平均场方法。两种算法均将因子图划分为MF和BP区域，其中MF区域近似运动状态和扩展密度，BP区域则处理数据关联。在第一种算法中，BP区域为树状结构，可实现关联边缘的精确计算。相比之下，第二种算法中的BP区域因更详细的数据关联模型而包含大量环路，为此采用树加权BP以提升消息和信念的收敛性。由于采用了解析实现，所提算法的计算效率较粒子方法更高。仿真结果表明，所提方法相较于当前先进算法实现了更优的跟踪性能。
Keyword:
Extended target tracking (ETT)
factor graph
free energy
mean field (MF)
tree-reweighted belief propagation (BP)
期刊
IF:
5.7
论文数:
827
被引数:
2.4W
机构
引用论文
Measurement-Level Target Tracking Fusion for Over-the-Horizon Radar Network Using Message Passing基于消息传递的越界雷达网络测量级目标跟踪融合
OAAI
.png){kind=icon}
OAAI分享收藏Trajectory PMB Filters for Extended Object Tracking Using Belief Propagation基于信念传播的扩展目标跟踪轨迹PMB滤波器
OAAI
OAAI分享收藏Marginal Association Probabilities for Multiple Extended Objects without Enumeration of Measurement Partitions多扩展目标下无需枚举测量划分的边缘关联概率
PREAI
分享收藏
查看更多内容