Robots zijn op grote schaal gebruikt in fabrieken voor het uitvoeren van
repetitieve, gevaarlijke of arbeidsintensieve taken zoalspuntlassen. Omdat industriële robots beter presteren dan mensen op het gebied van snelheid en nauwkeurigheid, hebben zij bewezen de productiviteit of de kwaliteit te verhogen, of kosten te besparen in industriële omgevingen. Traditionele industriële robots zijn echter geen partij voor de intelligentie en flexibiliteit van de mens: ze dienen voornamelijk om eenvoudige taken uit te voeren die weinig intelligentie vragen en die uitgevoerd worden in gestructureerde omgevingen, waar alle posities, oriëntaties en vormen van alle objecten in de omgeving van de robot precies gekend zijn. Omdat deze industriële robots niet zijn uitgerust met sensoren is hun  toepassingsgebied beperkt tot deze gestructureerde omgevingen, door de afwezigheid van sensoren zijn ze zich immers niet bewust zijn van hun omgeving en in het bijzonder van geen enkele verandering in hun omgeving. Dit maakt de traditionele industriële robots niet geschikt voor kleine productievolumes in flexibele productie-omgevingen en voor de taken in niet-industriële, bijvoorbeeld in huishoudelijke omgevingen en de dienstensector. Tegenwoordig zijn robots uitgerust met verschillende sensoren zoals camera's, kracht / koppel sensoren, laser afstand sensoren, sonar, enz. Via deze sensoren kunnen robots hun omgeving observeren en als zodanig kan het toepassingsgebied van robots evolueren naar onzekere, ongestructureerde en zelfs door mensen bevolkte omgevingen. Dankzij deze evolutie kunnen nieuwe toepassingen ontstaan waar robots mensen helpen in huishoudelijke omgevingen tijdens dagdagelijkse taken, waar robots en mensen collega's zijn in een intelligente fabriek, enz. De evolutie naar echte omgevingen vereist intelligente robots, omdat ze moeten kunnen omgaan met de onzekerheid verbonden met deze echte omgevingen. Echte omgevingen bevatten niet alleen een onbekend aantal objecten, met onbekende posities, oriëntaties en vormen, maar deze posities, oriëntaties en vormen kunnen in verloop van tijd veranderen, d.w.z. dat echte omgevingen intrinsiek dynamisch zijn. Intelligente robots moeten zich bewust zijn van de objecten, en vooral van personen in hun omgeving om de veiligheid te kunnen garanderen en om te zorgen voor een veilige mens-robot interactie en samenwerking. Dit proefschrift richt zich op één aspect van cognitieve robots: multiobject detecteren en volgen. Multiobject volgen bestaat uit het schatten van een  aantal objecten en hun posities. Multiobject detecteren en volgen omvat bovendien de detectie van verschijnende en verdwijnende objecten. Multiobject volgen is niet alleen belangrijk voor toekomstige robot systemen, maar is van belang binnen verschillende toepassingsgebieden: visie of laser-gebaseerd volgen van mensen voor zowel mobiele robotica en bewakingssystemen, sonar-gebaseerd volgen van onderzeeërs, multiobject volgen voor manipulatie, het volgen van dieren om hun gedrag te bestuderen, enz. Aangezien de focus van het proefschrift ligt op het multiobject detecteren en volgen voor robotica, is de online aard van de algoritmen belangrijk. Daarom richt dit proefschrift zich op het ontwikkelen van methoden die geschikt zijn voor online schatting van zowel het aantal objecten als de toestand van deze objecten. Omdat de Bayesiaanse theorie een samenhangend kader biedt om te redeneren over onzekerheid en de onderzoeker dwingt om alle impliciete  veronderstellingen expliciet te maken, maakt dit proefschrift gebruik van Bayesiaanse kanstheorie om de onbekende variabelen die ten grondslag liggen aan het probleem te schatten. De term "rigoureus Bayesiaans 'in de titel van het proefschrift, verwijst naar het feit dat alle onbekende variabelen geschat worden met behulp van volledig Bayesiaanse methoden, en dat alle afwegingen en aannames expliciet gemaakt worden, bijvoorbeeld in de vorm van een Bayesiaanse prior. In de eerste plaats presenteert dit proefschrift een Bayesiaans netwerk model voor een afstandmeter dat geschikt is voor dynamische omgevingen en dat kan toegepast worden als een meetmodel voor multiobject volgen. In de tweede plaats, bespreekt, classificeert, vergelijkt en onthult onderliggende assumpties van de belangrijke state-of-the-art algoritmen voor multiobject detecteren en volgen. Ten derde stelt dit proefschrift een nieuw online twee-niveau algoritme voor dat in staat is om meerdere metingen per object en een variabel en onbekend aantal objecten te behandelen. Tot slot, breidt dit proefschrift een bestaand algoritme voor multiobject detecteren en volgen, de Mixture Particle Filter, uit zodat het geschikt is voor volledig Bayesiaanse multiobject detecteren en volgen.
Robots have been widely used in factories for executing repetitive, dangerous or laborious tasks such as material handling and spot welding. Since industrial robots outperform humans in speed and accuracy, they have shown to increase the productivity, raise quality, or save costs in industrial settings. Traditional industrial robots are however no match for the intelligence and flexibility of humans: they mainly execute simple
tasks requiring little intelligence in structured environments, where all the positions, orientations and shapes of all objects in the robot's environment are exactly known. The territory of industrial robots is limited to these structured environments since these robots are not equipped with sensors, making them unaware of their environment and especially to any change of their environment. This makes traditional industrial robots unsuited for small batches in flexible production environments and for tasks in non-industrial, e.g. household and service, environments. Recently, robots have been equipped with various sensors such as cameras, force/torque sensors, laser distance sensors, sonars, etc. Through this sensors, robot can observe their environment and as such robots can evolve towards uncertain, cluttered and even human-populated environments and new applications arise where robots assist humans in domestic settings during everyday tasks, where robots and humans are  coworkers in an intelligent factory, etc. The evolution to real-world environments requires intelligent robots since they have to be able to handle the uncertainty associated with these real-world environments.  Real-world environments not only contain an unknown number of objects, with unknown positions, orientations and shapes but these positions, orientations and shapes also change over time, i.e. real-world environments are intrinsically dynamic. Intelligent robots have to be aware of targets, and especially persons, in their environments to operate safely and to allow for safe human-robot interaction and cooperation. This thesis focuses on one aspect of cognitive robots: multitarget tracking and localization.
Multitarget tracking (MTT) consists of estimating the number of targets and their positions. Multitarget tracking and localization (MTTL) furthermore includes detection of appearing and disappearing targets.  Multitarget tracking is not only important for future robot systems but  arises in a wide variety of contexts: vision or laser-based people tracking for both mobile robotics and surveillance systems, sonar-based submarine tracking, multitarget tracking for manipulation, tracking of animals to study their behavior, etc.
Since the focus of the thesis is on multitarget tracking and localization for robotics, the online nature of the algorithms is important. Therefore, this thesis aims at developing methods that are suited for online estimation of both the number of targets and the state of these targets. Furthermore,  since Bayesian theory offers a unifying and consistent framework to  reason about uncertainty, and forces the researcher to make all implicit  assumptions explicit, this thesis uses Bayesian probability theory to  estimate unknown, also called hidden or latent, variables underlying the MTTL problem. The term `rigorously Bayesian' in the title of the thesis,  refers to the fact that all unknown variables are estimated using fully  Bayesian methods, and that all trade-offs and assumptions are made  explicit, for instance in the form of a Bayesian prior. First, this thesis  proposes and experimentally validates a Bayesian network model for a  range finder adapted to dynamic environments and applicable as a  measurement model in MTTL.  Second, this thesis reviews, classifies,  compares and reveals underlying assumptions of the important state- of-the-art MTTL algorithms. Third, this thesis proposes and experimentally  validates a novel online two-level MTTL algorithm that is  able to handle targets producing multiple measurements and a variable  and unknown number of targets. Finally, this thesis extends and adapts  an existing algorithm for MTT, the Mixture Particle Filter, to make it suited for fully Bayesian MTTL.