最近邻算法(NNDA)是提出最早也是最简单的数据关联算法,有时候也是最有效的方法之一。它的基本思想是将落在关联门(波门)之内并且与被跟踪目标的预测位置最近的观测点迹用于关联。
其中,这个最近邻一般指观测点迹在统计意义下上距离被跟踪目标的预测位置最近。(主观上看,比如欧式距离最近)。
该算法适用场景为稀疏目标环境下的目标跟踪。
优点:计算量小,易于实现。
缺点:目标稠密时,易跟错目标。
而其统计意义下的最近距离定义为:
假设在次扫描之前,已经建立了条航迹。第次新观测值的集合为
在第i条航迹的关联门内,观测j和航迹i的差矢量定义为观测值和预测值之间的差,即滤波器残差:
设置S(k)为的协方差矩阵。则统计距离为:
我们就用这个距离平方来判断是否关联。
但是问题来了,为什么要作用这个为统计距离。是因为这种方法是在最大似然意义下最佳。我们假定残差的依然函数为:
为了最大化残差似然函数,需要对上式取对数,然后求导。我们就可以很容易的看到其似然函数的最大相当于残差最小。因此,在实际测量环境中,只需要选择最小的残差就满足距离预测位置最近的条件啦。