MHT: Basic Methods for Data Association（六）Multiple Hypothesis Tracking 多假设追踪（1）

6.6 MHT: Basic Methods for Data Association（五）Multiple Hypothesis Tracking 多假设追踪（1）

多假设跟踪 (MHT) 是一种延迟决策逻辑，其中，只要存在观察到跟踪冲突的情况，就会形成替代数据关联假设，如图 6.2 和 6.3 所示。然后，不像在 JPDA 方法中那样组合这些假设，而是在预期后续数据将解决不确定性的情况下传播这些假设。完整的 MHT 方法实际上是先前开发的方法的正式实现，例如 [4, 5, 51] 中介绍的方法。


最初的 MHT 方法，称为 Reid 算法，最早出现在 [9, 52] 中。 [2] 的第 10 章和第 14 章详细讨论了 Reid 算法的实现。从那时起，还提出了一种面向轨道的方法 [53-56]，并且在第 16 章中详细介绍了面向轨道方法的实现。本节概述了 MHT 方法，并提供了参考资料，以供更详细地讨论实现。

再次参考图 6.3 中给出的示例并参考图 6.4 中所示的整体结构，说明了 MHT 形成多个假设并管理这些假设的方式。例如，假设具有预测位置 P1 和 P2 的轨迹 T1 和 T2 表示在扫描 k 上接收到三个观测值（O1、O2、O3）之前的假设（H1）。然后，如表 6.8 所示，可以从最初的单个假设生成 10 个可行的假设。这些假设中的每一个的相对可能性（和结果概率）可以直接计算，如表 6.8 所示，或通过使用更新的跟踪分数。后一种基于分数的方法在计算上更方便，因为分数是相加的，而概率会相乘。从分数到概率的转换已经在 6.2 节中讨论过，关于 MHT 实现的更多细节在 [2] 的第 10 章和第 14 章以及本书的第 16 章中给出。

用到的JPDA中的知识点：

数字代表分配给轨道的观察，0 代表没有观察分配给给定的轨道。 此外，$g_{ij}$ 是与将观测 j 分配到跟踪 i
相关联的高斯似然函数，定义如下：

如上一节所述，JPDA 方法使用假设概率来计算观测到轨道的分配概率，然后使用轨道门内所有观测的概率加权组合来更新每个轨道。因此，这 10 个假设将被有效地组合起来，并保持一个单一的双轨假设。
另一方面，MHT 将选择保留 10 个假设的子集并推迟决策，以便后续数据扫描可用于解决当前时间的不确定性。请注意，这 10 个假设中的每一个都可以进一步扩展以包括新的目标轨迹，这些轨迹可以由假设不用于轨迹更新的观测形成。最后，请注意，表 6.8 中定义的 10 个假设中的每一个都可能在下一次扫描 k + I 等接收到更多数据时产生另一组假设，以此类推用于后续扫描。


MHT 系统可以生成的假设（以及这些假设中的轨迹）的数量显然存在潜在的组合爆炸。因此，已经开发了许多技术来控制这种潜在的增长。接下来概述的这些技术包括聚类、假设和轨迹修剪（删除）以及轨迹合并。

MHT 实现有两种基本方法。第一种（面向假设的）方法遵循 Reid [9, 52] 的原始工作。它维护来自扫描的假设结构以扫描并在接收到新数据时不断扩展和削减（修剪）假设。在每次扫描时，一组假设将从前一次扫描中延续，并由一个或多个与假设中的所有其他轨道兼容的轨道组成。兼容轨道被定义为不共享任何共同观察的轨道。然后，在接收到新数据时，通过考虑假设内轨道的所有观测到轨道分配，将每个假设扩展为一组新假设。同样，随着新假设的形成，假设中轨道的兼容性约束保持不变。 [2, 9, 52] 中给出了直接但效率低下的假设扩展方法，但最近提议使用 Murry 算法 [33, 34]减少不必要地形成并随后被删除的低概率假设的数量。

另一种（面向轨道的）方法 [53-56] 不保持扫描到扫描的假设。 在每次扫描上形成的轨迹被重组为假设，并将剪枝后幸存的轨迹预测到下一次扫描，该过程继续进行。

接下来，根据图 6.4 和 6.5，我们概述了两种实现方法所需的 MHT 操作。 然后，概述了假设导向方法和轨道导向方法之间的区别，[2] 的第 10 章和第 14 章给出了假设导向方法的详细实现。 Cox 和 Hingorani [33] 讨论了如何使用 Murry 的方法来实现 Reid 算法的有效实现，以找到分配问题的 N 最佳解决方案。