基于美國E+E濾波的多傳感器融合方法研究
濾波的提出使得對多目標跟蹤領域的研究進入了一個嶄新的階段。在此之前，研究者應用一些在單目標跟蹤領域取得成功的濾波算法來研究多目標跟蹤問題，但往往需要借助于數據關聯這一外部手段才能完成。傳感器濾波的出現改變了這一點，它避免了顯式的數據關聯。傳感器濾波是基于隨機有限集統計的濾波方法，而隨機有限集的概念恰好可以用來刻畫多目標跟蹤問題，所以在解決多目標跟蹤問題上，與其他方法相比，傳感器濾波有著天然的優勢。

基于美國E+E濾波的多傳感器融合方法研究            但在估計出目標數目之后，傳感器濾波仍要借助于一些外部方法如聚類，來提取峰值進而估計目標狀態。 一種基于傳感器的峰值提取方法ST傳感器（Single-Target Probability HypothesisDensity）濾波被提出。與其它峰值提取的方法不同，ST傳感器并非外部方法，它可以看成是傳感器濾波的一種自然延伸與改進，是傳感器本質上的屬性。事實上，ST傳感器等于是傳感器自身提供的一種用于峰值提取的內部手段。但ST傳感器的提出是基于單傳感器的，并沒有多傳感器的對應版本。針對于這一狀況，本文結合一個多傳感器的融合框架，將該方法推廣到多傳感器的場景下，得到了基于ST傳感器濾波的多傳感器融合算法，一方面使ST傳感器應用的范圍更加廣泛，另一方面融合后的結果使估計的精度更高，可以獲得更好的跟蹤效果。 C傳感器（Cardinalized 傳感器）濾波是基于隨機有限集統計的濾波方法系列中另一極為重要的方法。與傳感器濾波相比，該方法能夠提供更多的信息，但相應的，也需要更多的計算。本文通過對ST傳感器濾波證明過程的分析，從中抽象出對應函數的概念，借助于對應函數將ST傳感器濾波推廣到了C傳感器濾波當中，得到了該方法的C傳感器版本——QSTC傳感器（QuasiSingle-Target C傳感器）濾波。進一步地，結合多傳感器融合框架，同樣將QSTC傳感器濾波推廣到多傳感器的場景下，得到基于QSTC傳感器濾波的多傳感器融合算法。這樣，就將傳感器濾波—ST傳感器濾波—基于ST傳感器濾波的多傳感器融合算法這一套理論平行地遷移到了C傳感器濾波當中，得到了C傳感器濾波—QSTC傳感器濾波—基于QSTC傳感器濾波的多傳感器融合算法這一理論體系，進一步地拓廣了ST傳感器濾波的應用范圍，完善了理論體系。