多目标跟踪中的潜在场学习

利用无线传感器阵列的测量进行多目标跟踪，是从自主导航到公共安全等应用中的一项关键任务。许多现有方法在预处理阶段将原始复值信号压缩为检测结果或强度图，从而丢弃了关于目标和传播环境的潜在相关信息。我们提出一个贝叶斯多目标跟踪框架，通过基于物理的叠加模型将目标状态与原始复值信号关联起来。该模型将基于物理的阵列流形（如雷达导向矢量或匹配场处理的复制矢量）与一个潜在场相结合。该潜在场是一族依赖于上下文的信号功率分布，刻画了目标与传播环境的影响，并在目标之间和时间上共享。它由条件归一化流参数化，该条件归一化流在运行时无需标注数据，通过最大化由贝叶斯模型导出的证据下界（ELBO）进行训练。因此，学习与推断在一个序列框架中相互耦合。我们在仿真以及真实世界的无线电和声学实验中评估了该方法，空间尺度从米到千米不等，并表明其性能优于基于检测的方法。

中文由 AI 翻译，仅供参考，以原文为准。