交互多模型滤波下集中式融合并非总是优于分布式

本文探讨了信息融合领域内一个常见的观点，即集中式融合被认为在性能上普遍优于分布式融合，尤其是在单一模型滤波算法，如卡尔曼滤波器的应用中。然而，当融合系统采用更复杂的多模型滤波算法，如针对机动目标跟踪的交互多模型滤波(Imm)算法时，这个传统观念是否依然适用成为了本文关注的焦点。 作者基于对这一问题的质疑，深入研究了在采用IMM算法时集中式和分布式融合的性能对比。他们设计了三种集中式融合算法，包括扩维融合、序贯融合以及等效量测融合，以及两种分布式融合算法，即简单方差凸组合和互协方差组合。这些算法在不同的运动场景下进行了大规模的仿真实验。 实验结果显示，当使用交互多模型滤波进行估计时，集中式融合的性能并不总是优于分布式融合。这与传统理论预测的集中式最优性能形成了鲜明的对比，提出了一个令人诧异的现象。作者通过深入分析，解释了这种现象可能的原因，指出在多模型滤波情况下，分布式融合的优势在于其能够更好地处理不确定性，适应目标行为的多样性，从而在某些情况下实现了更好的性能。 因此，本文挑战了原有的定论，提出在机动目标跟踪等复杂环境中，集中式融合的优势可能不明显，甚至在某些特定情况下，分布式融合可能是更为适合的选择。这对于信息融合技术的发展和实际应用具有重要的理论参考价值，特别是对于那些对实时性和鲁棒性有高要求的系统设计。