A track-before-detect (TBD) particle filter-based method for detection and tracking of low observable objects based on a sequence of image frames in the presence of noise and clutter is studied. At each time instance after receiving a frame of image, first, some preprocessing approaches are applied to the image. Then, it is sent to the detection and tracking algorithm which is based on a particle filter. Performance of the approach is evaluated for detection and tracking of an object in different scenarios including noise and clutter.

本文提出并讨论了多个目标跟踪方法的实现，它能够处理目标交互，防止由于劫持而防止跟踪器失败。参考方法使用Markov链蒙特卡罗（MCMC）采样步骤来评估过滤器并构建有效的提案密度以产生新的样品。该密度基于每个时间步骤生成的Markov随机字段（MRF）集成了目标交互项。 MRFS模拟目标之间的相互作用，以减少典型粒子滤波器在跟踪多个目标时遭受的跟踪模糊性。在受限空间中包含20个相互作用蚂蚁的662灰度帧的测试序列用于测试所提出的方法和基于一个重要的自动粒子过滤器，以建立性能比较。结果表明，使用MRF建模目标交互的实现方法成功地校正了独立，交互不知道粒子过滤器的许多跟踪误差。

它已被广泛记录说粒子过滤器中的采样和重采样步骤不能差异化。介绍{\ itshape Reparameterisisisisisation技巧}以允许采样步骤重新重整为可微分功能。我们扩展{\ itshape Reparameterisisisation Trick}以包括重采样的随机输入，因此在此步骤之后限制了梯度计算中的不连续性。了解先前和可能性的梯度允许我们运行粒子马尔可夫链蒙特卡罗（P-MCMC）并在估算参数时使用No-U转样采样器（螺母）作为提案。我们将大都市调整后的Langevin算法（MALA）进行比较，汉密尔顿蒙特卡罗与不同数量的步骤和坚果。我们考虑两个状态空间模型，并表明坚果改善了马尔可夫链的混合，可以在较少的计算时间内产生更准确的结果。

可微分的颗粒滤波器提供一种灵活的机制，可以通过从观察到的数据学习来自适应地培训动态和测量模型。然而，大多数现有的可分辨率粒子过滤器位于引导粒子过滤框架内，并且无法将信息从最新观察中纳入，以构建更好的建议。在本文中，我们利用条件标准化流动构建可分解粒子过滤器的提案分布，丰富了提案分布可以代表的分配家庭。此外，归一化流量在动态模型的结构中并入，导致更具表现力的动态模型。我们展示了在视觉跟踪任务中提出的条件归一化流动的可微分粒子过滤器的性能。

Passive monitoring of acoustic or radio sources has important applications in modern convenience, public safety, and surveillance. A key task in passive monitoring is multiobject tracking (MOT). This paper presents a Bayesian method for multisensor MOT for challenging tracking problems where the object states are high-dimensional, and the measurements follow a nonlinear model. Our method is developed in the framework of factor graphs and the sum-product algorithm (SPA). The multimodal probability density functions (pdfs) provided by the SPA are effectively represented by a Gaussian mixture model (GMM). To perform the operations of the SPA in high-dimensional spaces, we make use of Particle flow (PFL). Here, particles are migrated towards regions of high likelihood based on the solution of a partial differential equation. This makes it possible to obtain good object detection and tracking performance even in challenging multisensor MOT scenarios with single sensor measurements that have a lower dimension than the object positions. We perform a numerical evaluation in a passive acoustic monitoring scenario where multiple sources are tracked in 3-D from 1-D time-difference-of-arrival (TDOA) measurements provided by pairs of hydrophones. Our numerical results demonstrate favorable detection and estimation accuracy compared to state-of-the-art reference techniques.

颗粒滤波方法广泛应用于非线性非高斯状态空间模型内的顺序状态估计。然而，传统的颗粒过滤方法在高维状态空间模型中遭受重量退化。目前，有许多方法可以提高高维状态空间模型中粒子滤波的性能。其中，更先进的方法是通过实施复合Metropolis-Hasting（MH）内核来构建顺序Makov Chian Monte Carlo（SMCMC）框架。在本文中，我们提出了离散的示出ZAG采样器，并在SMCMC框架内的复合MH内核的细化阶段应用Zig-Zag采样器，其在联合拉伸阶段中的可逆颗粒流动实现。通过挑战复杂的高维过滤实施例的数值实验，我们评估所提出的方法的性能。无限的实验表明，在高维状态估计例中，所提出的方法提高了估计精度并增加了与最先进的过滤方法相比的接收比率。

在执行视觉伺服或对象跟踪任务时，有效的传感器规划对于保持目标的目标是必不可少的，或者在缺失时重新定位它们。特别是，当处理从传感器的视野中缺少的已知目标时，我们建议使用与上下文信息相关的先验知识来估计其可能的位置。为此，本研究提出了一种动态贝叶斯网络，它使用上下文信息来有效地搜索目标。 Monte Carlo颗粒滤波器用于近似目标状态的后验概率，从中定义不确定性。我们通过信息理论形式主义定义机器人的实用程序函数，因为寻求最佳动作减少了任务的不确定性，提示机器人代理商调查最可能存在的目标的位置。使用上下文状态模型，我们使用部分可观察的Markov决策过程设计代理的高级决策框架。根据通过顺序观察的基础上下文的估计信仰状态，决定了机器人的导航行动进行探索性和检测任务。通过使用这种多模态上下文模型，我们的代理可以有效处理基本动态事件，例如妨碍目标或从视野中的缺失。我们实时实施并展示移动机器人的这些功能。

Reliability is a key factor for realizing safety guarantee of full autonomous robot systems. In this paper, we focus on reliability in mobile robot localization. Monte Carlo localization (MCL) is widely used for mobile robot localization. However, it is still difficult to guarantee its safety because there are no methods determining reliability for MCL estimate. This paper presents a novel localization framework that enables robust localization, reliability estimation, and quick re-localization, simultaneously. The presented method can be implemented using similar estimation manner to that of MCL. The method can increase localization robustness to environment changes by estimating known and unknown obstacles while performing localization; however, localization failure of course occurs by unanticipated errors. The method also includes a reliability estimation function that enables us to know whether localization has failed. Additionally, the method can seamlessly integrate a global localization method via importance sampling. Consequently, quick re-localization from failures can be realized while mitigating noisy influence of global localization. Through three types of experiments, we show that reliable MCL that performs robust localization, self-failure detection, and quick failure recovery can be realized.

探讨了将数据驱动对象检测器的不确定性结合到对象跟踪算法中的不确定性的方法。对象跟踪方法依赖于测量误差模型，通常以测量噪声，假阳性率和错过检测速率的形式。通常，这些数量通常可以取决于物体或测量位置。然而，对于从神经网络处理的摄像机输入产生的检测，这些测量误差统计不足以表示主要错误源，即运行时传感器输入与检测器训练的训练数据之间的不相似性。为此，我们调查将数据不确定性纳入物体跟踪方法，例如提高跟踪物体的能力，特别是那些超出的能力。培训数据。所提出的方法在对象跟踪基准上验证以及具有真正自治飞机的实验。

在本文中，我们提出了一个混合神经网络增强基于物理的建模（APBM）框架，用于贝叶斯非线性潜在空间估计。提出的APBM策略允许在新的操作条件发挥作用时进行模型适应，或者基于物理的模型不足（或不完整）无法正确描述潜在现象。APBM的优点和我们的估计程序是维持估计状态的物理解释性的能力。此外，我们提出了一种约束过滤方法，以控制对整个模型的神经网络贡献。我们还利用假定的密度滤波技术和立方体集成规则，以提出灵活的估计策略，该策略可以轻松处理非线性模型和高维度的潜在空间。最后，我们通过分别利用非线性和不完整的测量和加速模型来利用目标跟踪方案来证明我们的方法论的功效。

本文考虑了跟踪大量小组目标的问题。通常，在大多数跟踪方案中，多目标都被认为具有独立的运动，并且分离良好。但是，对于小组目标跟踪（GTT），组内的目标是紧密间隔并以协调方式移动，组可以分裂或合并，并且组中的目标数可能很大，这会导致更具挑战性的数据关联，过滤和计算问题。在信仰传播（BP）框架内，我们通过共同推断目标存在变量，组结构，数据关联和目标状态提出了可扩展的群体目标信念传播（GTBP）方法。该方法可以通过在设计因子图上进行信仰传播来有效计算这些变量边际后验分布的近似值。结果，GTBP能够捕获组结构的变化，例如组拆分和合并。此外，我们将目标的演变建模为可能的组结构和相应概率指定的组或单目标运动的合作。这种灵活的建模可实现多个组目标和未组目标的无缝和同时跟踪。特别是，GTBP具有出色的可扩展性和低计算复杂性。它不仅保持与BP相同的可伸缩性，即在传感器测量的数量中线性缩放，并在目标数量中二次缩放，而且仅在保留的组分区数量中线性缩放。最后，提出了数值实验，以证明所提出的GTBP方法的有效性和可伸缩性。

斑马鱼是一种出色的模型生物，已在生物实验，药物筛查和群智能领域广泛使用。近年来，有许多用于跟踪行为研究涉及斑马鱼的技术，这使其攻击许多领域的科学家的注意力。斑马鱼的多目标跟踪仍然面临许多挑战。高流动性和不确定性使得难以预测其运动；相似的外观和纹理功能使建立外观模型变得困难。由于频繁的阻塞，甚至很难将轨迹连接起来。在本文中，我们使用粒子过滤器来近似运动的不确定性。首先，通过分析斑马鱼的运动特性，我们建立了一个有效的混合运动模型来预测其位置。然后，我们根据预测位置建立一个外观模型，以预测每个目标的姿势，同时通过比较预测的姿势和观察姿势的差来称量颗粒；最后，我们通过加权位置获得了单斑马鱼的最佳位置，并使用关节颗粒过滤器来处理多个斑马鱼的轨迹链接。

本文提出了一种新型的自适应样品基于空间的Viterbi算法，以在线方式定位。该方法依靠将目标的运动空间离散为代表有限数量的隐藏状态的单元。然后，通过隐藏的Markov模型（HMM）框架中的动态编程计算了跟踪目标的最可能的轨迹。提出的方法使用贝叶斯估计框架，该框架既不限于高斯噪声模型，也不需要线性化的目标运动模型或传感器测量模型。但是，基于HMM的定位方法可能会遭受较差的计算复杂性，因为在大空间中，由于高分辨率建模或目标定位，隐藏状态的数量增加。为了提高这种差的计算复杂性，本文提出了在最可能的信念空间中依次低至高分辨率的信念传播，从而大大降低了所需的资源。所提出的方法的灵感来自计算机视野字段中常用的K-D树算法（例如Quadtree）。使用超宽带（UWB）传感器网络进行的实验测试证明了我们的结果。

The purpose of this paper is to explore the use of deep learning for the solution of the nonlinear filtering problem. This is achieved by solving the Zakai equation by a deep splitting method, previously developed for approximate solution of (stochastic) partial differential equations. This is combined with an energy-based model for the approximation of functions by a deep neural network. This results in a computationally fast filter that takes observations as input and that does not require re-training when new observations are received. The method is tested on four examples, two linear in one and twenty dimensions and two nonlinear in one dimension. The method shows promising performance when benchmarked against the Kalman filter and the bootstrap particle filter.

本文在连续时间内源于序列超出（OOS）一组测量的最佳贝叶斯处理，以进行多个目标跟踪。我们考虑一种在连续时间内建模的多目标系统，当我们接收到根据标准点目标模型分发的测量时，在时间步骤在时间步骤中离散。在采样时间步骤中的所有关于该系统的信息都是由所有轨迹集的后密度提供的。可以通过连续离散的轨迹泊松多Bernoulli混合物（TPMBM）滤波器来计算这种密度。当我们收到OOS测量时，最佳贝叶斯处理执行改造步骤，该转换步骤在OOS测量时间戳下方添加轨迹信息，然后是更新步骤。在OOS测量更新之后，后部保留在TPMBM形式中。我们还提供基于轨迹泊松多Bernoulli滤波器的计算方式替代品。通过模拟评估两种处理OOS测量方法的方法的有效性。

Multi-object state estimation is a fundamental problem for robotic applications where a robot must interact with other moving objects. Typically, other objects' relevant state features are not directly observable, and must instead be inferred from observations. Particle filtering can perform such inference given approximate transition and observation models. However, these models are often unknown a priori, yielding a difficult parameter estimation problem since observations jointly carry transition and observation noise. In this work, we consider learning maximum-likelihood parameters using particle methods. Recent methods addressing this problem typically differentiate through time in a particle filter, which requires workarounds to the non-differentiable resampling step, that yield biased or high variance gradient estimates. By contrast, we exploit Fisher's identity to obtain a particle-based approximation of the score function (the gradient of the log likelihood) that yields a low variance estimate while only requiring stepwise differentiation through the transition and observation models. We apply our method to real data collected from autonomous vehicles (AVs) and show that it learns better models than existing techniques and is more stable in training, yielding an effective smoother for tracking the trajectories of vehicles around an AV.

本文提供了在标记的随机有限套装文献中使用的自适应出生模型与带有点目标模型的Poisson Multi-Bernoulli混合物（PMBM）滤波器中使用的轨道启动之间的比较分析。 PMBM轨道启动是通过对预测的PMBM密度应用的贝叶斯规则获得的，并为每个接收的测量值创建一个Bernoulli组件，表示该测量可能是混乱或从新目标中检测的。自适应出生模拟此过程，通过使用不同的规则为每个测量创建一个伯努利组件来确定存在的概率和用户定义的单目标密度。本文首先对基于孤立测量的轨道启动中产生的差异进行了分析。然后，它表明自适应出生低估了共同建模假设下监视区域中存在的对象数量。最后，我们提供数值模拟，以进一步说明差异。

占用映射已被广泛用于代表自动驾驶机器人的周围环境，以执行导航和操纵等任务。尽管在2D环境中进行了占用映射，但很少有适合3-D动态占用映射的方法，这对于空中机器人必不可少。本文提出了一种新颖的3-D动态占用映射算法，称为DSK3DOM。我们首先建立了一种贝叶斯方法，以基于随机有限集理论来依次更新占用图作为测量流。然后，我们用Dempster-Shafer域中的粒子近似它，以实现实时计算。此外，该算法将基于内核的推论与Dirichlet基本信念分配相关，以从稀疏测量中实现密集的映射。通过模拟和实际实验证明了所提出算法的功效。

贝叶斯过滤器的测量更新规则通常包含手工制作的启发式，以计算高维传感器数据的观察概率，如图像。在这项工作中，我们提出了新颖的方法深度测量更新（DMU）作为广泛系统的一般更新规则。 DMU具有条件编码器 - 解码器神经网络结构，用于处理深度图像作为原始输入。尽管网络仅在合成数据上培训，但该模型在真实数据上的评估时间下显示出良好的性能。通过我们提出的培训计划引发数据培训，我们展示了如何有效地培训DMU模型对条件变量敏感，而无需依赖于随机信息瓶颈。我们在多种情况下验证提出的方法，从而增加了复杂性的姿势，从单个物体的姿势估计开始到姿势的关节估计和铰接系统的内部状态。此外，我们在RBO数据集上提供反对铰接的符号距离功能（A-SDF）的基准，作为关节状态估计的基线比较。

自我定位是一种基本功能，移动机器人导航系统集成到使用地图从一个点转移到另一点。因此，任何提高本地化精度的增强对于执行精致的灵活性任务至关重要。本文描述了一个新的位置，该位置使用Monte Carlo定位（MCL）算法维护几个颗粒人群，始终选择最佳的粒子作为系统的输出。作为新颖性，我们的工作包括一种多尺度匹配匹配算法，以创建新的MCL群体和一个确定最可靠的指标。它还贡献了最新的实现，从错误的估计或未知的初始位置增加了恢复时间。在与NAV2完全集成的模块中评估了所提出的方法，并与当前的最新自适应ACML溶液进行了比较，从而获得了良好的精度和恢复时间。