✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
一、引言
在多目标跟踪领域，准确地估计目标的轨迹是一项具有挑战性的任务，尤其是在复杂环境中存在多个目标且测量数据存在噪声、漏检和误检的情况下。轨迹测量 Poisson 多伯努利混合（TM - PMBM）滤波器作为一种先进的多目标跟踪滤波器，为解决这些问题提供了有效的途径。它结合了 Poisson 分布和多伯努利混合的特性，能够更准确地对多个目标的轨迹进行测量和跟踪。
二、TM - PMBM 滤波器的理论基础
（一）Poisson 分布在多目标跟踪中的应用
Poisson 分布常用于描述在一定时间或空间内随机事件发生的次数。在多目标跟踪中，Poisson 分布可以用来建模目标的出现和消失。假设在一个特定的区域内，目标的出现是一个随机过程，且在不同的时间段内，目标出现的概率相互独立。那么，该区域内目标的数量可以用 Poisson 分布来近似表示：
三、TM - PMBM 滤波器的工作流程
（一）初始化
在跟踪开始时，需要对 TM - PMBM 滤波器进行初始化。这包括确定 Poisson 分布的参数 λ 的初始值，以及多伯努利混合模型中每个潜在目标的初始存在概率 ri 和初始状态估计（如位置、速度等）。这些初始值通常根据先验知识或对场景的初步观测来确定。
（二）预测阶段
根据目标的动态模型，对每个潜在目标的状态进行预测。例如，如果目标的运动可以用线性运动模型描述，那么可以通过以下公式对目标的位置和速度进行预测：
（三）更新阶段
当接收到新的测量数据时，利用这些测量信息对预测结果进行更新。首先，计算每个测量与每个潜在目标之间的关联概率。这可以通过计算测量与预测状态之间的距离（如欧几里得距离或马氏距离），并结合目标的存在概率来确定。然后，根据关联概率，对目标的状态、存在概率以及目标数量进行更新。具体的更新公式基于贝叶斯法则，通过融合测量信息和预测信息，得到更准确的目标状态估计。
（四）目标提取
在更新完成后，从 TM - PMBM 滤波器的输出中提取出实际存在的目标及其轨迹。这通常通过设定一个存在概率阈值来实现，只有当目标的存在概率超过该阈值时，才认为该目标实际存在，并将其状态估计作为目标的当前状态。通过不断重复预测和更新过程，实现对多目标轨迹的连续跟踪。
四、TM - PMBM 滤波器的优势
（一）处理目标数量不确定性
与传统的多目标跟踪滤波器相比，TM - PMBM 滤波器能够更好地处理目标数量的不确定性。在实际场景中，目标可能随时出现或消失，TM - PMBM 滤波器通过 Poisson 分布对目标数量的变化进行建模，能够在目标数量变化的情况下，依然保持较高的跟踪准确性。
（二）适应复杂测量环境
该滤波器对测量数据中的噪声、漏检和误检具有较强的鲁棒性。在更新阶段，通过多伯努利混合模型考虑每个目标存在状态的不确定性，使得滤波器能够在部分测量数据不准确或缺失的情况下，仍然能够准确地跟踪目标。例如，当某个目标的测量数据漏检时，TM - PMBM 滤波器不会立即认为该目标消失，而是根据其存在概率和其他相关信息进行综合判断，从而减少误判的可能性。
（三）高精度的轨迹跟踪
由于 TM - PMBM 滤波器综合考虑了目标数量和每个目标状态的不确定性，并通过不断融合测量信息进行更新，它能够提供高精度的目标轨迹跟踪结果。在复杂的多目标跟踪场景中，如城市交通中的车辆跟踪、空中的飞行器跟踪等，TM - PMBM 滤波器能够准确地估计每个目标的位置、速度等状态信息，为后续的决策和分析提供可靠的数据支持。
五、TM - PMBM 滤波器的应用场景
（一）军事领域
在军事侦察和监视任务中，常常需要对多个敌方目标（如飞机、导弹、车辆等）进行跟踪。TM - PMBM 滤波器能够在复杂的电磁环境和敌方干扰下，准确地跟踪多个目标的轨迹，为作战指挥提供实时、准确的情报信息。例如，在防空系统中，通过对来袭导弹和敌机的精确跟踪，为防空武器的拦截决策提供依据。
（二）智能交通系统
在智能交通系统中，TM - PMBM 滤波器可用于城市道路上车辆的跟踪和交通流量监测。它能够实时跟踪多个车辆的位置和速度，帮助交通管理部门优化交通信号控制，提高道路通行效率。同时，对于自动驾驶车辆，该滤波器可以准确地跟踪周围车辆的轨迹，为自动驾驶决策提供关键信息，确保行车安全。
（三）视频监控与安防
在视频监控和安防领域，TM - PMBM 滤波器可用于对监控区域内多个人员或物体的跟踪。例如，在大型商场、机场等公共场所，通过对人员的实时跟踪，实现行为分析、安全预警等功能。即使在人员密集、遮挡频繁的情况下，该滤波器也能够准确地跟踪每个目标的轨迹，保障安防系统的有效性。
六、总结与展望
（一）研究总结
轨迹测量 Poisson 多伯努利混合（TM - PMBM）滤波器作为一种先进的多目标跟踪滤波器，基于 Poisson 分布和多伯努利混合模型，为复杂环境下的多目标轨迹跟踪提供了有效的解决方案。其独特的工作流程使其能够处理目标数量的不确定性，适应复杂的测量环境，并实现高精度的轨迹跟踪。在军事、智能交通和安防等多个领域，TM - PMBM 滤波器都展现出了显著的优势和应用潜力。
（二）未来展望
- 算法优化
：进一步研究如何优化 TM - PMBM 滤波器的计算效率，减少计算资源的消耗。随着目标数量的增加和测量数据的增多，滤波器的计算量会显著增大。通过改进算法结构、采用更高效的计算方法，可以提高滤波器在实时应用中的性能。
- 多源数据融合
：考虑将 TM - PMBM 滤波器与其他传感器数据（如雷达、激光雷达、红外传感器等）进行融合，以提高跟踪的准确性和可靠性。不同类型的传感器具有各自的优势和局限性，通过融合多源数据，可以获取更全面的目标信息，进一步提升多目标跟踪的性能。
- 复杂场景拓展
：将 TM - PMBM 滤波器应用到更复杂的场景中，如多模态目标跟踪（同时跟踪不同类型的目标，如车辆、行人、无人机等）、三维空间中的目标跟踪（如航空航天领域的飞行器跟踪）等。在这些复杂场景中，需要进一步研究如何调整和优化滤波器的参数和算法，以适应不同场景的需求。
⛳️ 运行结果
📣 部分代码
% set parameters
p = 2; c = 8; alpha = 2; ndim = 2;
% Generate random sets
% columns of x_mat and y_mat correspond to different points in the sets
nx = randi([0, 10]);
ny = randi([0, 10]);
x_mat = 20 * (rand(ndim, nx) - 0.5);
y_mat = 20 * (rand(ndim, ny) - 0.5);
% compute GOSPA
[d_gospa, x_to_y_assignment, decomp_cost] = GOSPA(x_mat, y_mat, p, c, alpha);
% plot the input and the output if the vectors are two dimensional
if ndim == 2
% plot the input vectors
x0 = 0; y0 = 0; width = 10; height = 4;
f1 = figure('Units','inches','Position',[x0 y0 width height], ...
'PaperPositionMode','auto');
hold on;
bluecol = [0.3 0.3 1];
redcol = [1 0.2 0.2];
text(x_mat(1,:), x_mat(2,:), num2str((1:nx)'), ...
'HorizontalAlignment', 'right');
text(y_mat(1,:), y_mat(2,:), num2str((1:ny)'), ...
'HorizontalAlignment', 'right', ...
'VerticalAlignment', 'bottom');
hx = plot(x_mat(1,:), x_mat(2,:), 'x', 'color', bluecol, 'MarkerSize', 10);
hy = plot(y_mat(1,:), y_mat(2,:), 'o', 'color', redcol, 'MarkerSize', 10);
% plot the output
x_ind = 1:nx;
x_ind = x_ind(x_to_y_assignment~=0);
y_ind = x_to_y_assignment(x_to_y_assignment~=0);
for ind = 1:sum(x_to_y_assignment~=0)
db = min(sqrt(sum((x_mat(:,x_ind(ind)) - y_mat(:,y_ind(ind))).^2)),c);
if db < c
plot([x_mat(1, x_ind(ind)), y_mat(1, y_ind(ind))], ...
[x_mat(2, x_ind(ind)), y_mat(2, y_ind(ind))], 'k-');
text((x_mat(1, x_ind(ind))+y_mat(1, y_ind(ind)))/2, ...
(x_mat(2, x_ind(ind))+y_mat(2, y_ind(ind)))/2, ...
num2str(db, 3), 'HorizontalAlignment', 'right', ...
'VerticalAlignment', 'bottom');
end
end
hlegend = legend([hx, hy], {'X', 'Y'});
set(hlegend, 'Location', 'Best');
set(gca, 'FontSize', 18, 'FontName', 'Times');
title(['c=' num2str(c), ', p=' num2str(p), ', \alpha=' ...
num2str(alpha) ', GOSPA=' num2str(d_gospa, 3), ]);
end
M. Fontana, Á. F. García-Fenández, and S. Maskell,"Poisson multi-Bernoulli mixture filter for trajectory measurements,"IEEE Transactions on Signal Processing(accepted).Available on arXiv: 2504.08421
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
