MHT: Basic Methods for Data Association（五）Global Nearest Neighbor Method 分配问题的解决方案

6.5 MHT: Basic Methods for Data Association（五）Solution of the Assignment Problem 分配问题的解决方案

分配问题最初是针对经济理论中的问题而考虑的，例如将人员分配到工作岗位和运送卡车到地点。 这些问题的目标是使用可用资源最小化成本（或最大化利润）。 最初，线性规划技术 [21-23] 用于解决分配问题。 随着分配问题与跟踪等其他领域相关，新的改进技术不断发展。 分配问题可以表示如下：

此问题的最佳解决方案允许$x_{ij}$元素为 0 或 1。在跟踪目标的示例中，$x_{ij}$ 元素是要找到的观察到跟踪对和成本（总距离或分数增益的负值） ) 是要最小化的那个。 总距离（或成本）函数可以包括运动学信息和属性信息 [20]，除了传统的运动学信息外，还允许不同类型的传感器信息影响结果。一些应用程序需要最大化可能性、跟踪得分增益或效用函数，而不是最小化成本函数。 如上一节所述，可以使用简单的代数运算将最大化问题转化为最小化问题。

根据最近的经验，我们认为拍卖算法已取代 Munkres 算法 [2] 作为目前可用的最有效的分配算法。 考虑了解决时间。 因此，第 6.5 节。 图 1 展示了推荐用于大多数应用程序的拍卖算法的实现。 然后，第 6.5.2 节将提供一种有效的方法来找到分配问题的 N 最佳（而不仅仅是单个最佳）解决方案。 这种方法对于本章后面讨论的 JPDA 和 MHT 方法的有效实现具有重要意义。

6.5.1 The Auction Algorithm(拍卖算法) 简略

如同在真实拍卖中一样，拍卖分配算法寻求最大化收益。因此，观察到跟踪分配矩阵中的元素最好选择为与允许的分配（通过门测试）相关联的得分收益。或者，可以选择元素为门值减去如归一化距离

拍卖算法最初设计用于解决方形关联矩阵的问题（即关联矩阵的行数与列数相同），但后来扩展到处理矩形关联矩阵的问题 拍卖算法由两个阶段组成：投标阶段和分配阶段。投标阶段包括为每个未关联的观察找到“最佳”轨道并对其进行投标。如果另一个观察“购买”最佳轨道，则跟踪分配阶段将轨道分配给观察并在必要时删除先前的分配。这个迭代过程一直持续到所有观察结果都“几乎满意”（稍后定义），因此，“几乎最佳分配”或最佳分配已经找到。 与实际拍卖一样，算法在更大的竞标步幅下收敛得更快，但更大投标步骤可能无法实现最佳分配。

6.5.2 N-Best Solutions to the Assignment Problem 分配问题的 N 最佳解决方案

6.6 节中讨论的 JPDA 方法和 [2] 和 6.7 节中讨论的 MHT 的 Reid 算法 [9, 33] 实现都需要分配问题的多种解决方案。例如，MHT 的 Reid 算法方法维护一组数据关联假设，并且当接收到新数据时，允许这些假设中的每一个产生一组新假设。假设由一组轨迹组成，这些轨迹被认为是用新的观察结果进行更新。正如 Cox 和 Hingorani [33] 进一步讨论的那样，获得 N 最佳解决方案的技术将使这种 MHT 方法在计算上更加可行。

接下来介绍的方法基于 Cox 等人的论文。 [33, 34]，描述了最初由 Murty [35, 36] 开发的算法。该方法利用这样一个事实，即一旦获得了最优解，就可以通过去除作为一种可能性的最佳解决方案的关联之一。它基本上找到了最佳解决方案，然后通过删除最佳分配的可能性之一从找到的集合中找到下一个最佳解决方案。

寻找N个最佳解的过程从寻找最佳解开始，例如通过前面讨论的拍卖算法。然后，通过N-1扫掠得到下一个N-1最优解。接下来将定义组成每个扫描的步骤。每次扫描后，可以定义下一个最佳解决方案。例如，在第三次扫描之后，流程将定义除最佳解决方案外的下三个最佳解决方案。该方法将通过寻找分配矩阵的四个最佳解（最小总和，成本C）的例子来描述。


其中x 指的是不允许的分配（无限成本）。 这些步骤描述如下：

• 步骤1：找到包含 M 个最佳分配的最优解。 对于此示例，最佳解决方案是选择（如粗体元素所示），按列顺序，总成本为 $C=\sum C_i=47$ 的四个分配 (7, 15, 16, 9).

• 步骤2：然后，通过连续删除之前的 M 个分配之一作为一种可能性，可以获得 M 个（在这种情况下为 4）个额外的解决方案。 无论删除分配的顺序如何，第一次扫描都将产生第二个最佳解决方案。为简单起见，我们将按列顺序删除每个最佳分配解决方案。 因此，该过程首先删除第一个分配（在本例中为 7）并获得排除该分配的最佳解决方案。 这个和后续的解决方案可以用以下表格形式表示：
  
      其中约束列中的 $\bar{7}$ 表示排除方案 $a_{21}=7$。 此约束下的最佳解决方案是 (10, 15, 20, 22)，成本等于 67。
      下一个解是在约束(7,15)下得到的，这表示$a_{21}=7$必须是解的一部分但$a_{42}=15$被排除在外。注意，这次扫描的目的是确定下一个最佳解和最佳解 排除 $a_{21}$ 的解是先前获得的。因此，$a_{21}$ 将成为此扫描的后续解的一部分。由于 $a_{21}=7$ 必须是解，因此可以排除 A 的第二行和第一列。这导致较小的子矩阵 。
  
  
      下面重复上面的操作，依次将原最优解(7, 15, 16, 9)中的15/16/9排除在外，并计算总成本。在将15/16/9排除在外的过程中，成本要包含之前已经确定的的元素，例如在将15排除在外时要考虑7，在将16排除在外时要考虑7/15。但应用最终（第四列）约束（7、15、16、9）不会导致可行的解决方案。
  

• 步骤3：删除重复的解决方案并对剩余的解决方案进行排名。例如，对于上述我们的实验，没有重复的解决方案，排序后的结果在表 6.7 中给出。

构成扫描的步骤 2 和 3 重复进行，直到完成 N-1 次扫描。 N-1 次扫描保证产生 N-best 解决方案。

• 前面步骤2，执行的事是第一次扫描，本案例M=4,一共可以执行M-1=3次扫描。第二次扫描依据第一次扫描的成本排序，即表6.7.选择表6.7中第二好的解决方案，重复步骤2和步骤3。如果发现第二次扫描中得到的方法的成本比表6.7中一些低，那么就取缔成本最高的方法。
• 第三次扫描选择表6.7中第三好的解决方案，重复步骤2和步骤3。并更新表6.7。
  
  读者可以验证，这个过程可以扩展到找到第五个最佳解决方案，即 (7, 21, 17, 9)，通过从第四个最佳解决方案 (7, 21,16, 9) 开始执行第四次扫描。 这是约束 (7,$\bar{1}5$,$\bar{5}$,21,$\bar{1}6$) 的第五个最佳解决方案。此外，有趣的是，如果订单是应用约束 $\bar{9}$ ( 从最后一列开始）首先。 读者也可以证实，无论应用约束的顺序如何，第一次扫描都会产生次佳解，但获得其他解的方式可能取决于应用约束的顺序。