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。

Algorithmic solutions for multi-object tracking (MOT) are a key enabler for applications in autonomous navigation and applied ocean sciences. State-of-the-art MOT methods fully rely on a statistical model and typically use preprocessed sensor data as measurements. In particular, measurements are produced by a detector that extracts potential object locations from the raw sensor data collected for a discrete time step. This preparatory processing step reduces data flow and computational complexity but may result in a loss of information. State-of-the-art Bayesian MOT methods that are based on belief propagation (BP) systematically exploit graph structures of the statistical model to reduce computational complexity and improve scalability. However, as a fully model-based approach, BP can only provide suboptimal estimates when there is a mismatch between the statistical model and the true data-generating process. Existing BP-based MOT methods can further only make use of preprocessed measurements. In this paper, we introduce a variant of BP that combines model-based with data-driven MOT. The proposed neural enhanced belief propagation (NEBP) method complements the statistical model of BP by information learned from raw sensor data. This approach conjectures that the learned information can reduce model mismatch and thus improve data association and false alarm rejection. Our NEBP method improves tracking performance compared to model-based methods. At the same time, it inherits the advantages of BP-based MOT, i.e., it scales only quadratically in the number of objects, and it can thus generate and maintain a large number of object tracks. We evaluate the performance of our NEBP approach for MOT on the nuScenes autonomous driving dataset and demonstrate that it has state-of-the-art performance.

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.

通过多对象跟踪（MOT）方法启用的情况感知技术将在自主导航和应用海科学等领域创建新的服务和应用程序。信仰传播（BP）是贝叶斯MOT的最新方法，但完全依赖于统计模型和预处理传感器测量。在本文中，我们为基于模型和数据驱动的MOT建立了一种混合方法。提出的神经增强信念传播（NEBP）方法通过从原始传感器数据中学到的信息以改善数据关联并拒绝错误警报测量的目标来补充BP。我们评估了NEBP方法在Nuscenes自动驾驶数据集中的MOT的性能，并证明它可以超越最先进的参考方法。

在对象跟踪和状态估计问题中，诸如不精确测量和缺乏检测之类的模棱两可的证据可以包含有价值的信息，因此可以利用以进一步完善概率信念状态。特别是，可以利用有关传感器有限视野的知识，以结合观察到对象的位置的证据。本文提出了一种系统的方法，用于结合视野几何形状，位置以及对象包含/排除证据中的知识，并将其纳入对象状态密度和随机有限设置的多对象基础性分布中。最终的状态估计问题是非线性的，并使用基于递归成分拆分的新的高斯混合物近似来解决。基于此近似，在跟踪问题中仅使用自然语言语句作为输入来得出并证明一种新型的高斯混合物Bernoulli滤波器，以进行不精确的测量。本文还考虑了代表性选择的多对象分布的界面视野和基数分布之间的关系，该分布可用于传感器计划，这是通过涉及多重bernoulli过程的问题所证明的，最多可用于一个。 - 五百个潜在的对象。

在协作人类机器人语义传感问题中，例如为了进行科学探索，机器人可能会通过人类伴侣提供过度质疑的信息，从而导致次优的状态估计和团队绩效差。当人类不能被视为牙齿时，机器人需要更新状态信念，以正确解释人类语义观察与导致这些观察的现实世界状态之间可能存在的差异。这项工作为在一般环境中针对语义可能性的概率语义数据关联（PSDA）概率进行了严格的在线计算制定了策略，这与以前的工作不同，这些工作开发了针对特定设置的天真或启发式近似。新的PSDA方法纳入了混合贝叶斯数据融合方案中，该方案将高斯混合先验用于对象状态和SoftMax函数用于语义人类传感器观察可能性，并在Monte Carlo模拟中证明了合作的多对象搜索任务的范围人类感测特征（例如错误的检测率）。结果表明，每当语义人类传感器数据包含重要的目标参考歧义性，用于自主对象搜索和本地化时，PSDA会导致在广泛条件下对观察关联概率的强大估计。

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。

Location-aware networks will introduce new services and applications for modern convenience, surveillance, and public safety. In this paper, we consider the problem of cooperative localization in a wireless network where the position of certain anchor nodes can be controlled. We introduce an active planning method that aims at moving the anchors such that the information gain of future measurements is maximized. In the control layer of the proposed method, control inputs are calculated by minimizing the traces of approximate inverse Bayesian Fisher information matrixes (FIMs). The estimation layer computes estimates of the agent states and provides Gaussian representations of marginal posteriors of agent positions to the control layer for approximate Bayesian FIM computations. Based on a cost function that accumulates Bayesian FIM contributions over a sliding window of discrete future timesteps, a receding horizon (RH) control is performed. Approximations that make it possible to solve the resulting tree-search problem efficiently are also discussed. A numerical case study demonstrates the intelligent behavior of a single controlled anchor in a 3-D scenario and the resulting significantly improved localization accuracy.

多对象跟踪（MOT）是现代高级驾驶员辅助系统（ADA）和自动驾驶（AD）系统的关键应用之一。 MOT的大多数解决方案都是基于随机矢量贝叶斯过滤器，例如Global最近的邻居（GNN）以及基于规则的启发轨道维护。随着随机有限集（RFS）理论的发展，最近已将RFS贝叶斯过滤器应用于ADA和AD Systems的MOT任务中。但是，由于计算成本和实施复杂性，它们在实际流量中的有用性是对疑问的。在本文中，据透露，具有基于规则的启发式轨道维护的GNN不足以在ADA和AD系统中基于激光雷达的MOT任务。通过系统地比较几个不同的基于对象过滤器的跟踪框架，包括传统的随机矢量贝叶斯滤波器，以及基于规则的启发式跟踪维护和RFS贝叶斯过滤器，可以说明这种判断。此外，提出了一个简单有效的跟踪器，即使用全局最近邻居（GNN-PMB）跟踪器的Poisson Multi-Bernoulli滤波器，建议用于基于激光雷达的MOT任务。拟议的GNN-PMB跟踪器在Nuscenes测试数据集中取得了竞争性的结果，并显示出优于其他最先进的LIDAR的跟踪性能，而Haver Holly Holling Trackers，Lidar和基于摄像机的基于摄像头的跟踪器。

信息驱动的控制可用于开发智能传感器，这些传感器可以根据环境反馈优化其测量值。在对象跟踪应用程序中，根据不确定性的预期降低也称为信息增益。随机有限集（RFS）理论提供了一种形式主义，用于量化和估计多对象跟踪问题中的信息增益。但是，在这些应用程序中估计信息增益仍然在计算上具有挑战性。本文介绍了适用于传感器控制的RFS预期信息增益的新的可进行的近似，用于多对象搜索和跟踪。与现有的RFS方法不同，本文提出的信息增益近似考虑了非理想噪声测量，错过的检测，错误警报和对象出现/消失的贡献。通过使用远程陆地和卫星传感器的真实视频数据进行了两次多车搜索实验，通过两次多车搜索实验证明了信息驱动的传感器控制的有效性。

Generalized Labeled Multi-Bernoulli (GLMB) densities arise in a host of multi-object system applications analogous to Gaussians in single-object filtering. However, computing the GLMB filtering density requires solving NP-hard problems. To alleviate this computational bottleneck, we develop a linear complexity Gibbs sampling framework for GLMB density computation. Specifically, we propose a tempered Gibbs sampler that exploits the structure of the GLMB filtering density to achieve an $\mathcal{O}(T(P+M))$ complexity, where $T$ is the number of iterations of the algorithm, $P$ and $M$ are the number hypothesized objects and measurements. This innovation enables an $\mathcal{O}(T(P+M+\log(T))+PM)$ complexity implementation of the GLMB filter. Convergence of the proposed Gibbs sampler is established and numerical studies are presented to validate the proposed GLMB filter implementation.

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。

本文介绍了用于增量平滑和映射（NF-ISAM）的归一化流，这是一种新型算法，用于通过非线性测量模型和非高斯因素来推断SLAM问题中完整的后验分布。NF-ISAM利用了神经网络的表达能力，并将正常的流量训练以建模和对完整的后部进行采样。通过利用贝叶斯树，NF-ISAM启用了类似于ISAM2的有效增量更新，尽管在更具挑战性的非高斯环境中。我们证明了NF-ISAM使用数据关联模棱两可的仅范围的SLAM问题来证明NF-ISAM比最先进的点和分布估计算法的优势。NF-ISAM在描述连续变量（例如位置）和离散变量（例如数据关联）的后验信仰方面提出了卓越的准确性。

我们将反应性消息传递（RMP）作为框架，用于在概率模型的因子图表示中执行基于时间表，鲁棒和可扩展的消息通过的基于消息传递的推断。 RMP基于反应性编程风格，该样式仅描述因子图中的节点如何对连接节点中的更改作出反应。没有固定消息传递计划提高推理过程的稳健性，可伸缩性和执行时间。我们还存在ReactiveMp.jl，这是一个Julia包，用于通过最小化约束的自由能实现RMP。通过用户定义的本地表单和分解约束对变分后部分布的结构，ReastiveMp.jl执行混合消息传递算法，包括信仰传播，变分消息通过，期望传播和期望最大化更新规则。实验结果表明，与其他概率模型的贝叶斯推断的其他朱莉娅封装相比，基于Reactivemp的RMP的性能提高。特别是，我们表明RMP框架能够为大型概率状态空间模型运行贝叶斯人推断，并在标准膝上型计算机上具有数十万个随机变量。

在多机器人应用程序中，对大状态空间的推断通常可以分为较小的重叠子问题，然后可以在状态的“单独”子集上并行解决。为此，开发了因子图分散数据融合（FG-DDF）框架，以分析和利用异质贝叶斯分散融合问题的有条件独立性，其中机器人在不同的本地重叠随机状态上更新和融合PDF。这允许机器人有效地使用较小的概率模型和稀疏消息传递到较大的全局关节状态PDF的相关局部部分，同时考虑了机器人之间的数据依赖性。尽管先前的工作需要限制有关网络连接性和模型线性性的假设，但本文放宽了这些假设，以验证FG-DDF在更一般的环境中的适用性和鲁棒性。我们制定了一个新的异质融合规则，该规则将概括均匀的协方差相交算法，并在通信删除下使用非线性运动/观察模型在多机器人跟踪和本地化方案中测试它。仿真和线性硬件实验表明，实际上，FG-DDF在这些更实用的操作条件下继续提供一致的过滤估计，同时将计算和通信成本降低了95％以上，从而实现了可扩展现实世界中的多项式的设计 - 机器人系统。

5G毫米波（MMWAVE）信号与传播信道和传播环境具有固有的几何连接。因此，它们可用于共同本地化接收器并映射传播环境，该传播环境被称为同时定位和映射（SLAM）。5G SLAM中最重要的任务之一是处理测量模型的非线性。为了解决这个问题，现有的5G SLAM依赖于Sigma点或扩展卡尔曼滤波器，针对现有概率密度函数（PDF）线性化测量功能。在本文中，我们研究了关于后部PDF的测量功能的线性化，并将迭代后线性化滤波器实施到泊松多Bernoulli Slam滤波器中。仿真结果表明了所得SLAM过滤器的精度和精确改善。

传统上依赖于时间序列推断的方法的设计统计模型，其描述了所需期望序列和观察到的序列之间的关系。已经得出了广泛的基于模型的算法，以使用表示基础分布的因子图上的递归计算来实现可控复杂性的推断。替代模型 - 不可知方法利用机器学习（ML）方法。在这里，我们提出了一个框架，它将基于模型的算法和数据驱动ML工具组合起来的静止时间序列。在所提出的方法中，开发了神经网络以分别学习描述时间序列分布的因子图的特定组件，而不是完全推理任务。通过利用该分布的静止性质，可以将所得方法应用于不同时间持续时间的序列。学习的因子图可以使用紧凑的神经网络来实现使用小型训练集的培训，或者可选地用于改进现有的深度推理系统。我们介绍了一种基于学习的静止因子图的推理算法，其学习从标记数据实现总和 - 产品方案，并且可以应用于不同长度的序列。我们的实验结果表明了所提出的学习因素图表学习从睡眠级数据集进行睡眠阶段检测的小型训练集的精确推断的能力，以及与未知通道的数字通信中的符号检测。

本文解决了积极计划的问题，以在GNSS受限的场景中测量不确定性下实现多机器人系统（MRS）的合作定位。具体而言，我们解决了准确预测配备基于范围的测量设备的两个机器人之间未来连接的概率的问题。由于配备的传感器范围有限，由于机器人相互移动，网络连接拓扑中的边缘将被创建或破坏。因此，鉴于状态估计不完善和嘈杂的驱动，准确地预测边缘的未来存在是一项具有挑战性的任务。自适应功率序列扩展（或APSE）算法是根据当前估计和控制候选者开发的。这种算法在正态分布中应用了二次阳性形式的功率序列扩展公式。有限端近似是为了实现计算障碍。提出了进一步的分析，以表明通过自适应选择功率序列的求和度，可以从理论上将有限端近似中的截断误差降低到所需的阈值。几种足够的条件被严格得出作为选择原则。最后，相对于单个和多机器人案例，广泛的仿真结果和比较验证了正式计算的，因此将来拓扑的更准确的概率可以帮助改善在不确定性下积极计划的性能。

在本文中，我们提出了一个参数化因素，该因子可以对随机变量之间存在线性依赖性的高斯网络进行推理。我们的因素表示有效地是对传统高斯参数化的概括，在这种情况下，协方差矩阵的正定限制已被放松。为此，我们得出了各种统计操作和结果（例如，随机变量的边缘化，乘法和仿射转换）将高斯因子的能力扩展到这些退化设置。通过使用此原则性因素定义，可以以几乎没有额外的计算成本来准确，自动适应退化。作为例证，我们将方法应用于一个代表性的示例，该示例涉及合作移动机器人的递归状态估计。

语义同时定位和映射是对直接影响自动驾驶汽车行业，陆军行业等的机器人和人工智能兴趣越来越多的主题。该领域的挑战之一是与机器人轨迹估计共同获得对象分类。考虑到依赖视图的语义测量，不同类别之间存在一个耦合，从而导致了组合数量的假设。一种常见的解决方案是修剪具有足够概率并仅保留有限数量的假设的假设。但是，在修剪和翻新后，相对于原始概率，更新的概率过于自信。对于需要高精度的系统，这尤其有问题。如果类的先验概率是独立的，则可以在不修剪假设的情况下有效地计算原始归一化因子。据我们所知，这是第一项提出这些结果的工作。如果类的先验概率取决于，我们提出了确保谨慎效果的归一化因素的下限。界限是按逐步计算的，效率与独立情况相似。根据界限进行修剪和更新之后，这种信念在经验上被证明与原始信念接近。