Asociación de Datos

La asociación de datos es el problema de decidir qué observación o medición de un sensor corresponde a qué objeto, cuando se siguen varios objetos a la vez. Es una pieza central del seguimiento multiobjetivo (multi-target tracking): a cada instante llegan detecciones —ecos de radar, cajas en un vídeo— y hay que repartirlas correctamente entre las trayectorias que se están manteniendo.

Por qué es difícil

La dificultad nace de la incertidumbre. El sensor no dice de qué objeto proviene cada medición; hay falsas alarmas (ruido que parece un objeto), detecciones perdidas (objetos que no se ven en un instante) y un número de objetos desconocido que además cambia con el tiempo. Cuando dos objetos se cruzan o se acercan, distinguir cuál es cuál se vuelve especialmente delicado.

Los métodos clásicos

Existen varias estrategias. La más simple es la del vecino más cercano, que asigna a cada trayectoria la medición más próxima; su versión global elige el conjunto de emparejamientos globalmente más probable. La asociación probabilística conjunta (JPDA) no decide de golpe: pondera todas las asociaciones posibles según su probabilidad y actualiza con esa mezcla. Y el seguimiento de hipótesis múltiples (MHT), formulado por Donald Reid en 1979, mantiene abiertas varias hipótesis de asociación en el tiempo y las va resolviendo con la evidencia posterior.

Su relación con el filtro de Kalman

La asociación no trabaja sola: se combina con el filtro de Kalman, que predice dónde estará cada objeto y estima su estado. La predicción del filtro sirve para acotar qué mediciones son plausibles para cada trayectoria, y la asociación decide cuál de ellas alimenta la actualización. Filtrado y asociación son las dos caras del seguimiento.

La versión moderna

En 2026 domina el paradigma de seguimiento por detección (tracking-by-detection): primero un detector localiza los objetos en cada fotograma, y después la asociación enlaza esas detecciones a lo largo del tiempo. Métodos como SORT (2016) combinan el filtro de Kalman con una asignación óptima, y DeepSORT (2017) añade un descriptor visual de apariencia, aprendido con redes neuronales, para no confundir identidades tras una oclusión. Es una tecnología clave en la conducción autónoma y la fusión de sensores. Documentación: tutorial técnico de asociación; artículo original de SORT; artículo original de DeepSORT.