问题：对于具有多个对象和多个轨道的对象跟踪场景，我想选择“最佳”分配对象<->轨道。因此，我需要一个参数来指示对象对轨道的适用程度。（每个对象指一个测量值，每个轨迹是一个卡尔曼滤波器）
想法：给定具有矩阵状态和测量转换的经典卡尔曼滤波器 我们可以通过以下方式计算预测测量和测量：
但是，这将是一个向量。有没有一种通用的方法可以将其减少到一个参数？（例如，只有位置信息时的距离）。我假设需要某种标准化才能使每个状态的所有残差都在同一范围内？建立 l2-norm 将是我的第一个方法。
问题：哪个参数适合表明测量对卡尔曼滤波器的拟合程度如何？
残差合适吗？如果是这样，如何处理不同的值范围，以及如何将向量“压缩”为一个值？
问题：哪个参数适合表明测量对卡尔曼滤波器的拟合程度如何？
要估计关联质量，您可以使用似然函数。可能性不仅考虑残差，还考虑不确定性，并表示为标量值：
问题：对于具有多个对象和多个轨道的对象跟踪场景，我想选择“最佳”分配对象<->轨道。
您感兴趣的问题称为数据关联，正如所说，有很多解决方案，这个问题太宽泛了。以下是一些方法（您可以 google 并找到更多信息）：
- 全球最近邻（在欧几里得空间中）；
- 全球最强邻国；
- 联合概率数据关联；
- 多假设跟踪（最佳选择）。
搜索雷达图以跟踪关联。关于这个主题有很多算法。对于您的问题：残差本身不会在没有相关协方差矩阵的情况下为您提供信息
尝试对其进行卡方检验。在这个标量上设置一个阈值称为门控，这是跟踪关联的第一步。