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:
- 没有漏检;
- 没有误检;
- 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:
- 没有漏检;
- 没有误检;
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:
- 没有漏检;
没有误检;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:
没有漏检;没有误检;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:
- 多个目标;
- 存在漏检;
- 存在物件;
- 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?
- 多目标
- 误检
- 漏检
- 歧义性