近日，数学学院李忘言副教授团队在分布式状态估计与多源信息融合领域取得新进展，相关研究成果以“Performance-Driven Consensus-Based Distributed Bayesian Filtering Over Switching Topologies”为题在国际期刊《IEEE Systems Journal》在线发表（DOI: 10.1109/JSYST.2026.3694762）。上海理工大学基础学部数学学院为该论文的第一单位，合作作者包括硕士研究生冯焱，硕士毕业生胡玉如、吴励锋，管理学院魏国亮教授以及澳大利亚新南威尔士大学Jie Bao教授。
本研究面向非线性系统下的分布式信息融合与状态估计问题展开研究。如何利用多个传感器协同感知未知目标，并获得准确可靠的全局状态估计，是智能感知、无人系统、机器人协同等领域的重要科学问题。这一过程可以类比为"盲人摸象"：每位“盲人”相当于分布式网络中的一个节点，他们围绕大象站立，每个人只能获取局部信息，因此仅凭单个节点无法准确判断大象的整体形态。与此同时，“盲人们”的位置并非固定不变，相当于位置拓扑网络发生切换。
针对上述挑战，该研究提出了一种性能驱动的分布式贝叶斯滤波新方法。该方法基于Chernoff融合理论，构建了适用于切换拓扑网络的分布式融合算法；提出了协作一致可观测性（Cooperatively Uniform Observability）条件，为切换拓扑网络环境下分布式滤波系统的稳定性分析提供了新的思路；进一步建立了性能驱动的融合权值优化方法，实现了网络可观测性与估计性能的并行优化。最后，目标跟踪仿真实验进一步验证了该方法的有效性，与传统固定权值融合算法相比，所提出的方法能够提高目标状态估计性能，具有良好的工程应用前景。
不同一致性步数下 PDA-CDCF 的 PRMSE 与 VRMSE 对比结果图
论文链接：https://ieeexplore.ieee.org/document/11585813
