本研究提出了一种新颖的δ-GLMB（Generalized Labeled Multi-Bernoulli）滤波算法，该算法能够有效利用观测数据中的幅度信息进行精确的目标状态估计与预测，在复杂场景下的多目标跟踪性能显著提升。
在多目标跟踪领域内，研究的主要目的是从通常质量较差的测量数据中估计随时间变化的目标数量及其状态。该领域的核心挑战在于区分杂波与真正的回波信号，因为前者往往产生较弱的反射。利用信号幅度信息可以增强这种区别的准确性。
传统的技术如Viterbi数据关联和多重假设跟踪（MHT）已采用这种方法来改善性能，但随着测量及目标数量的增长，这些方法的计算负担会呈指数级增加，这是因为必须进行复杂的关联过程。
近年来，马勒提出的随机有限集(RFS)理论提供了一种新的途径。概率假设密度(PHD)滤波器、基数概率假设密度(CPHD)滤波器和多伯努利(MB)滤波器的开发展示了这种方法的有效性。特别是δ-广义标记多伯努利(δ-GLMB)滤波器，基于RFS理论，能够直接输出目标轨迹。
本论文提出了一种新的方法，将幅度信息整合进δ-GLMB滤波器中以提升性能。通过使用幅度似然函数更新该滤波器，在处理多个目标时可以显著提高其表现力。模拟结果显示这种方法在线性多目标跟踪场景中的优势明显。
本段落的创新点在于不仅利用了信号强度数据，还改进了δ-GLMB滤波器的更新机制以进一步优化性能。此外，文中强调贝叶斯滤波在该领域的关键作用，并讨论如何应用它来为每个时间步提供关于目标状态的概率分布估计。
引言部分指出，在传统方法中虽然已经利用幅度信息改善跟踪效果，但因为需要进行复杂的数据关联过程而导致计算量急剧增加的问题仍然存在。相比之下，RFS理论通过避免数据关联简化了这一挑战，并展示了其在多目标跟踪中的潜力。
本段落提出的δ-GLMB滤波器改进方案旨在通过引入信号强度信息来优化传统方法的性能瓶颈。具体而言，利用幅度似然函数更新过程以提高区分杂波与真实回波的能力。这使得算法能够更准确地识别和追踪目标，从而提升整体跟踪效果。
模拟实验表明，在线性多目标场景中应用结合了δ-GLMB滤波器及信号强度信息的方案具有显著优势，并通过对比现有技术进一步强调其潜在价值。通过对模型数据进行分析验证了该方法的有效性和实用性，为未来实际环境中的应用奠定了理论和技术基础。
5星
