多目标跟踪--为什么数据关联是一个复杂的问题？

数据关联（data association）是将不确定性观测与轨迹进行关联的过程。

如果把问题简单化，假设采用的传感器性能非常好：

1. 没有漏检；
2. 没有误检；
3. 无观测噪声

在这样的假设下，传感器对于一个目标的观测就可以认为是此时目标的真实状态。也就是说在这种假设条件下，无需数据关联。

咱们试着将假设条件放宽，假设：

1. 没有漏检；
2. 没有误检；
3. 无观测噪声

在这样的假设下，传感器对于一个目标的观测有了噪声，我们就无法简单的认为观测即是目标真实状态。不过虽然观测没那么准了，我们还是无需数据关联即可认定观测就是来自于目标的。

进一步将假设条件放宽，假设：

1. 没有漏检；
2. 没有误检；
3. 无观测噪声

这种情况就麻烦了，此时传感器对于一个目标的观测一定有，但是还会有其它误检（本来没目标，但是却产生了假的观测数据），那么这多个观测哪个是真实属于目标的呢？

进一步的，假设：

1. 没有漏检；
2. 没有误检；
3. 无观测噪声

这种情况意味着这届的传感器是个不靠谱的传感器！它不仅测不准、还乱测、甚至不测！它就像你要购买一顶合适的帽子，而店员随意扔给你了几个帽子说：自己找吧。

我们只能根据帽子与自己的头围大小的接近程度去挑选了，而且是在挑不到的潜在风险下挑选！

然后，这还不是最麻烦的......

假设：

1. 多个目标；
2. 存在漏检；
3. 存在物件；
4. 存在观测噪声；

嗯，我想你应该懂了。每一个假设条件的放宽都引入了一层不确定性，而你的目标是在所有的不确定性中找到最像的那个。你觉不觉得困难？

总结：是什么使得数据关联成为一个困难的问题？

1. 多目标
2. 误检
3. 漏检
4. 歧义性