对比多种算法在多机器人轨迹追踪中的表现，重点看误差、速度和抗非高斯噪声能力。
A Comparison of Bayesian Prediction Techniques for Mobile Robot Trajectory Tracking
- 比较了卡尔曼滤波及其变种与粒子滤波等最新方法
- 粒子滤波在非高斯噪声下误差更小，但计算开销更大
- 适合需要高鲁棒性但对实时性要求不高的场景
本文对多种估计与预测技术在多机器人轨迹追踪问题中的性能进行了对比评估。主要评价指标包括估计或预测误差的大小、计算开销以及方法对非高斯噪声的鲁棒性。对比的技术涵盖经典的卡尔曼滤波及其变种（如扩展卡尔曼滤波、无迹卡尔曼滤波），以及基于序列蒙特卡洛采样的较新方法，例如粒子滤波和高斯混合Sigma点粒子滤波。实验结果表明，在非高斯噪声环境下，粒子滤波类方法具有更小的预测误差，但计算复杂度显著增加；而传统卡尔曼滤波在计算效率上占优，但在噪声偏离高斯假设时性能下降明显。
原文摘要 · Abstract (English)
This paper presents a performance comparison of different estimation and prediction techniques applied to the problem of tracking multiple robots. The main performance criteria are the magnitude of the estimation or prediction error, the computational effort and the robustness of each method to non-Gaussian noise. Among the different techniques compared are the well known Kalman filters and their different variants (e.g. extended and unscented), and the more recent techniques relying on Sequential Monte Carlo Sampling methods, such as particle filters and Gaussian Mixture Sigma Point Particle Filter.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。