多传感器航迹融合算法：凸组合与Bar-Shalom-Campo方法

"本文主要探讨了基于凸组合和Bar-Shalom-Campo的航迹融合算法在目标状态估计中的应用，旨在提高信息的精确性和可靠性。作者首先建立了一个匀加速运动模型，利用自适应扩展卡尔曼滤波（AEKF）对目标运动状态进行估计，然后结合两种融合算法对目标航迹进行融合估计，以实现更准确的目标跟踪。文章还讨论了多传感器航迹融合的重要性，指出它在军事和民用领域的广泛应用。" 在信息融合领域，特别是多传感器信息融合技术，已经成为获取真实世界环境精确描述的关键手段。这种技术通过整合来自不同时间和空间的数据，提高了信息的准确性和可靠性。自20世纪70年代以来，随着军事和非军事领域的广泛应用，多传感器信息融合技术得到了快速发展。 在多传感器航迹融合，也称为分布式融合，中，目标是通过处理来自不同传感器的数据来估计目标的状态。相较于集中式量测融合，航迹融合对处理能力和通信需求较低，同时具有更好的系统可靠性和可扩展性。关键挑战包括确定不同传感器的航迹是否对应同一目标，以及如何有效地融合这些航迹。 凸组合融合算法是一种有效的信息融合策略，它通过加权平均的方式组合多个估计，其中权重分配根据各个估计的可信度进行调整。这种方法有助于克服单一传感器的局限性，提高整体的估计精度。 Bar-Shalom-Campo融合算法则是一种特定的航迹融合算法，由Bar-Shalom和Campo提出，它在处理多传感器数据时，能够有效地处理传感器间的不一致性和不确定性，提供更加稳健的融合结果。 在本研究中，作者刘卫东、刘洋和高立娥运用AEKF估计目标的运动状态，接着采用凸组合和Bar-Shalom-Campo融合算法进行航迹融合，通过仿真对比分析了这三种方法的性能。他们的工作强调了在实际应用中，融合算法对于提升目标跟踪效果的重要性，并为未来的信息融合研究提供了有价值的参考。 这项研究深化了我们对多传感器航迹融合的理解，尤其是凸组合和Bar-Shalom-Campo算法的联合使用，为改进目标跟踪的精度和可靠性提供了新的思路。这对于军事防御、航空航天、交通监控等需要精确目标定位的领域具有重要的实践意义。