Filtrage PHD sous forme fermée pour les modèles de Markov à sauts linéaires

Ces dernières années, il y a eu un grand intérêt pour l'approche de filtrage de la densité d'hypothèse de probabilité (PHD), une alternative attrayante pour suivre des nombres inconnus de cibles et leurs états en présence d'incertitude d'association de données, de désordre, de bruit et de non-détection. En particulier, il a été découvert que le filtre PHD a une solution sous forme fermée sous des hypothèses gaussiennes linéaires sur la dynamique et la naissance des cibles. Cette découverte ouvre une nouvelle direction où le filtre PHD peut être mis en œuvre de manière pratique, efficace et fiable. Cependant, les travaux précédents ne sont pas suffisamment généraux pour traiter les systèmes de Markov à sauts (JMS), une approche populaire pour modéliser des cibles maniantes. Dans cet article, une solution sous forme fermée pour le filtre PHD avec des JMS linéaires est dérivée. Nos simulations montrent que l'algorithme de filtrage PHD proposé offre des performances prometteuses. En particulier, l'algorithme est capable de suivre plusieurs cibles maniantes qui se croisent.