读《多假设航迹合成算法》这篇论文的一些总结和个人理解
卡尔曼滤波（KF）用在跟踪上，从目标的动力学方程（系统方程）和观测方程为前提，即要求系统模型已知（包括模型噪声和观测噪声的统计特性）
单radar的目标跟踪主要包括：航迹起始、数据关联、状态估计、航迹终止
多传感器则需要航迹合成，即多个传感器的航迹属于同一target
KF跟踪的主要问题是，运动模型选择、噪声协方差的匹配
所谓的自适应KF，则由两种，一种是变参数，比如噪声协方差不是常数而是实时变化；一种是变模型，或者说变状态数量。
EKF：扩展卡尔曼，采用一阶近似线性化（Jacobi矩阵），缺点是在模型非线性较强时误差大，在不可微时则直接失效。
UKF：无迹卡尔曼，对于非加性噪声，在具体应用时将模型噪声也作为状态量的一部分，即对状态进行扩展（augmentation）
CKF：容积卡尔曼
噪声的两种分类：加性噪声、乘性噪声
加性噪声：一般指热噪声、散弹噪声等。它们与信号的关系是相加，不管有没有信号，这种噪声都存在，独立于信号，往往看作背景噪声
乘性噪声：由系统的时变性（如衰落或多普勒）或非线性造成的。
目标运动模型
radar难以分辨物体的姿态，故用radar进行目标跟踪时，往往将目标看作没有形状和大小的点目标！
KF是基于高斯分布假设的，过程噪声和测量噪声也都假设为互相独立的0均值正态分布白噪声。
在目标跟踪时，控制输入量 u 通常被假设为与目标加速度相关的量，一般是未知的：因为不知道目标车辆的油门和制动输入
目标分类：机动目标、非机动目标
非机动目标：匀速直线运动 （CV模型）
机动目标：非匀速直线运动
对于CV模型，可以假设加速度就是过程噪声，也就是约等于0；同理对于匀加速（CA）模型，认为加速度的导数就是过程噪声，约等于0.
对于目标从非机动到机动的变化时的处理
雷达的测量值是极坐标下的值，换算到笛卡尔坐标下时，可以进行测量误差及协方差的换算（在已知距离和角度测量的方差时换算到xyz的方差），具体见论文《多假设航迹合成算法》
多传感器融合需要注意：坐标变换；时间对准（例如线性外推到同一时间戳）
《多假设航迹合成算法》中有CV和CA运动模型的推导和计算