融合迁移学习的无迹与立方体卡尔曼滤波目标跟踪

我们提出了一种新颖的滤波算法，采用贝叶斯迁移学习来解决一对传感器在跟踪使用非线性动态系统模型的物体时遇到的噪声强度不匹配问题。在此设定中，主传感器在跟踪物体时经历的噪声强度高于源传感器。为提高主传感器的估计精度，我们提出了一种将贝叶斯迁移学习集成到无迹卡尔曼滤波（UKF）和立方体卡尔曼滤波（CKF）中的框架。在该方法中，源传感器中预测观测的参数被转移到主传感器，并在滤波过程中用作额外的先验。我们的仿真结果表明，迁移学习方法显著优于传统的孤立UKF和CKF。还与一种测量向量融合形式进行了比较。