我们总是需要滤波器吗？

自 20 世纪 60 年代卡尔曼滤波器的开创性工作以来，人们为各种用于动态状态估计的离散时间滤波器投入了大量精力，其中包括数十种不同类型的贝叶斯滤波器的次优实现。与此同时，仿真/近似理论和技术也得到了迅速发展。虽然承认滤波器在许多情况下的成功，但本研究调查了它们在实际上对状态估计无效的失败案例。几个经典模型表明，不需要系统建模的直接仅观测（O2）推断在估计性能（包括精度和计算速度）上可以优于滤波器。本文特别关注从信息融合的角度定量分析滤波器何时以及为何无法优于 O2 推断。得益于先进传感器的快速发展，O2 推断不仅工程友好且计算速度快，而且通过融合来自多个传感器的信息，也可以非常准确和可靠。本文通过仿真分析并展示了多传感器 O2 推断的统计属性。在传感器有限的情况下，O2 方法可以与现有的杂波滤波和数据关联算法协同工作，用于杂波环境中的多目标跟踪。给定足够数量的传感器，O2 方法可以采用多传感器数据融合来处理杂波，并能够在没有背景信息的情况下处理非常通用的多目标跟踪场景。