Concepts, theories and methods for average fusion tracking

分布式多传感器融合跟踪是信息融合研究领域的前沿问题, 其核心挑战在于对不同传感器所获取的后验信息（主要以密度函数或其统计距的形式呈现）进行融合计算, 以实现对目标状态的精确、可靠且一致的估计. 近年来备受关注的概率密度均值融合方法, 主要包括算术均值与几何均值两种, 均可有效应对传感器之间未知关联耦合, 近似或者渐进实现多传感器节点之间的一致性, 在单目标跟踪与多目标跟踪应用中均展现出了优异性能. 本文系统回顾了贝叶斯滤波跟踪模型、常见的随机有限集、变量融合与密度均值融合的概念, 并对两种密度均值融合方法的统计学与信息学属性进行了对比分析, 包括协方差一致性、均方误差、保模性、收敛性等. 此外, 还探讨了融合权值的设计策略, 给出了不同随机有限集分布的均值融合解析解, 重点给出可推导不同类型随机集滤波均值融合的概率假设密度算术均值融合统一框架以及两种均值融合方法优势与不足的对比. 最后, 结合实际应用需求, 展望了密度均值融合在应对复杂目标（如集群目标与扩展目标）、受限传感器（如有限通信带宽、融合时延、动态/有限视场）、传感网攻击与隐私防护、资源管理等方面仍面临的挑战和未来研究趋势.