毫米波雷达多目标跟踪算法综述：历史、主流方法与最新进展

本文档深入探讨了多目标跟踪（Multitarget Tracking, MTT）算法，这是一个在毫米波雷达目标检测与跟踪领域中具有广泛应用的问题，已有超过50年的历史。MTT的核心任务是从传感器获取的噪声数据中，联合估计目标的数量及其状态或轨迹。本文重点关注三种主流的MTT方法：联合概率数据关联滤波器（Joint Probabilistic Data Association Filter, JPDAF）、多重假设跟踪（Multiple Hypothesis Tracking, MHT）以及基于随机有限集（Random Finite Set, RFS）的方法。 JPDAF和MHT自上世纪90年代起就被广泛采用，它们依赖于概率模型和数据关联策略来确定目标的存在和状态估计。JPDAF通过对每个观测数据分配一个联合概率，考虑所有可能的目标-传感器关联，而MHT则通过维护多个独立的目标状态假设来处理不确定性。这两种方法在处理复杂环境中的目标跟踪问题上表现出色，但计算复杂度相对较高。 近年来，随着RFS理论的发展，基于RFS的MTT算法逐渐受到关注。这种方法将目标视为随机集合，允许存在不确定性和目标出生、消失的可能性。RFS方法通常使用马尔科夫随机场（Markov Random Field, MRF）或概率密度函数（Probability Density Function, PDF）来描述目标集合的状态，这使得算法能更好地处理动态环境下的目标变化。 文章的作者列举了一些数学符号，如Dirac delta函数（δ(·)），Kronecker delta函数（δn[m]），空集（∅），指示函数（1A(·)），以及内积（⟨·,·⟩）和集合的大小（|X|），这些都是理解MTT算法中的关键概念工具。 本文旨在为读者提供MTT的全面概述，同时涵盖一些当前最先进的算法，包括它们的原理、优势和适用场景。对于那些希望在毫米波雷达目标跟踪技术上进行深入研究或应用实践的工程师和研究人员来说，这篇综述是一个重要的参考资源。