JPDA（Joint Probabilistic Data Association）算法是一种用于多目标跟踪的概率数据关联方法，它通过计算观测数据与现有目标之间的联合概率分布，解决复杂场景下目标与观测的匹配问题。该算法的核心思想是考虑所有可能的关联假设及其概率权重，而非简单地选择最优单次匹配，从而在目标密集或存在遮挡的情况下仍能保持较高的跟踪鲁棒性。JPDA算法特别适用于自动驾驶环境感知系统中对行人、车辆等多目标的实时跟踪任务。
在自动驾驶汽车开发中，JPDA算法被广泛应用于毫米波雷达、激光雷达等传感器的多目标跟踪模块。与传统的最近邻数据关联（NN）或全局最近邻（GNN）方法相比，JPDA能够更好地处理传感器噪声、误检和漏检等问题，显著提升目标跟踪的连续性和稳定性。现代自动驾驶系统常将JPDA与卡尔曼滤波或粒子滤波结合使用，形成完整的「检测-关联-预测」跟踪闭环。随着深度学习技术的发展，基于神经网络的概率关联方法正在逐步改进传统JPDA框架，但其概率建模的核心思想仍是当前多目标跟踪领域的理论基础。