如果我有成百上千个传感器，是否还需要动态模型？

传感器的飞速升级主要表现在两个方面

1. 硬件质量的快速升级，变得越来越高精。比如1976年发射的**个电子成像卫星KH11所携带的当时*先进的相机成像精度是800X800(还不到一百万)像素，而今天随处可见的智能手机的像素都轻松在千万级别。另外，更主要的说，传感器的扫描频率越来越高！从分钟级别到毫秒微秒！

2.价格的巨幅跳水导致，大量传感器协同的应用Joint massive deployment。现在一个千万级别像素的手机摄像头不过几十元造价，且得益于WIFI的快速发展，构建传感网轻而易举，协作不但可以大大提高精度和观测范围等，而且可以有效应对单个的“不工作”和外在的攻击等。据传美军在中东沙漠“撒播”大量探测微小型传感器，探测恐怖分子地面部队移动，根本不担心很多的一些被当地居民或者恐怖分子“打捞”，因为量大呀！真可谓土豪越来越多，什么问题？多买几个传感器得了，费那劲搞什么提升5%的算法改进去呐！

这种情况下，一些基于传感器的数据的算法开发是否需要本质性的升级或者说更新？比如，滤波跟踪研究？

特别是，已有很清晰的数据显示：当传感数据质量很高的时候（无论传感器扫描频率还是精度，以及高探测率和低漏检低杂波率等），滤波器就会变得对于状态动态模型的偏差和误差（基本所有的基于模型的滤波器都是基于对外界的假设近似，都含有误差甚至偏差）非常非常敏感！

见之前一文的点对点分析：http://www.sciencedirect.com/science/article/pii/S0020025515006969

T.Li, J.M. Corchado, J. Bajo, S. Sun and J. F. Paz, Effectiveness of Bayesian Filters: An Information Fusion Perspective, Information Sciences, 2016, 329: 670-689

而清晰地事实是，传感器硬件的进步不会停止，只会更快！越来越高精，越来越“眼里揉不进沙子”对模型的任何误差偏差不稳定等等敏感，而导致模型不但没用反而成为累赘甚至帮倒忙！

在数据贫乏和低效的时候（传说的物资匮乏的年代），很多目标假设模型等还非常有用甚至非常必要，但是当数据量多而好的时候呐？而且又当我们对外界基本一无所知、目标等又特别狡猾（建模非常困难，而且冒着巨大误差和偏差风险；更何况道高一尺魔高一丈呐，对方的目标也变得机动和反建模反锁定 啊）呐? 难道我们不断地打补丁一个模型套一个模型般地维护着传统理论和方法，小打小闹的不断改进改进在改进，要让脚来适应鞋子（比如某款滤波器）吗？是否可以抛弃滤波器，采用纯粹的数据聚类学习来解决滤波问题？

见新文展示的一种聚类方法实现目标探测和估计：FreeLink

T. Li, F. De la Prieta Pintado, J. M. Corchado, J. Bajo, Multi-source Homogeneous Data Clustering for Multi-target Detection from Cluttered Background with Misdetection,Applied Soft Computing 60 (2017) 436–446 @ ScienceDirect. （集中式多传感器）

T. Li, J.M. Corchado, H. Chen, Distributed Flooding-then-Clustering: A lazy networking approach for Distributed Multitarget Tracking, 21th Int. Conf. on Information Fusion (FUSION’18), Cambridge, UK, July 10-13, 2018, pp. 2415 - 2422. IEEE Xplore（分布式多传感器的假设更具有实际意义）

这可能对于计算机领域做纯粹聚类算法的人来说是个小case – 但本文主要展示的核心理念是拿clustering 来做完全filtering，场景和目标模型及个数等完全处于黑箱内。模型完全未知对于做滤波来说的是个棘手问题。。如果你有>4个传感器，你该如何利用传感器的优势解决模型的劣势。

而实际上，退一步讲，聚类结果也可以反过来和传统滤波器结合。下文即展现了一种基于传感数据聚类分析的新的概率假设密度（PHD）滤波器。其将不同传感器的测量数据集合、聚类转换为一组合成的代理、同源测量数据。 这些合成测量取代原始量测数据可以实现线性PHD更新，克服了虚警和漏检数据以及未知传感器统计信息的挑战。适用于集中式或点对点分布式网络链接的多个甚至大量传感器下的多目标跟踪。

Tiancheng Li ; Javier Prieto ; Hongqi Fan ; Juan M. Corchado，

A Robust Multi-Sensor PHD Filter Based on Multi-Sensor Measurement Clustering

，IEEE Communications Letters, 2018,Vol. 22, no.10，pp.2064- 2067.

量变到一定程度就会引起质变！

*新的研究进展特意强调并展示了：如果有任何模型信息（包括模糊的，语言描述的非精确 的统计信息）的话，还（也）可以怎么融合 模型 和 数据

• T. Li, Single-road-constrained positioning based on deterministic trajectory geometry, IEEE Communications Letters, 2018. DOI: 10.1109/LCOMM.2018.2879478 @ IEEEXplore

上文展示了，基于道路几何约束的经典状态空间模型下的滤波跟踪与基于所提出的曲线拟合新方法对比

• T. Li, H. Chen, S. Sun and J. M. Corchado. Joint Smoothing, Tracking, and Forecasting Based on Continuous-Time Target Trajectory Fitting, IEEE Trans. Automation Science and Engineering, @IEEE Xplore. Pre-print @ arXiv:1708.02196 [stat.AP] （预引版更详细）

上文主要的基础性贡献是将HMM替换为一个连续时间上的目标轨迹曲线函数 f(t)，从而将将传统的滤波、平滑与预报等估计问题转化为一个连续时间函数拟合和参数学习问题，从而可以采用聚类、拟合分析与机器学习等数据驱动的工具与方法解决复杂场景下的多目标探测、跟踪与预报问题，这样就有望克服传统方法严重依赖目标模型假设、机动探测时滞、对错序数据敏感等难题

相关连接博文：

轻松多传感器多目标探测与跟踪！