什么是 协方差交叉（Covariance Intersection）？
协方差交叉（Covariance Intersection）是一种保守数据融合方法：无需知道多个估计之间的互协方差，也能合并均值与协方差并维持一致的协方差边界。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
在信息空间融合，而不虚构独立性
对两个 Gaussian 估计 (m_1, P_1) 与 (m_2, P_2)，CI 计算 P_CI^-1 = w P_1^-1 + (1-w) P_2^-1，以及 m_CI = P_CI [w P_1^-1 m_1 + (1-w) P_2^-1 m_2]，其中 w 位于 [0,1]。权重通常通过最小化融合协方差的 Determinant 或 Trace 选取。
Julier 与 Uhlmann 的原始论文提出了面向未知相关性的非发散估计器。CI 不会估计缺失的互协方差，也不应被描述为中央 Kalman Filter 在掌握联合模型后得到的同一 Posterior。
把一致性与保守性视为两种不同性质
一致性表示在给定假设下，报告协方差不会低估实际误差协方差；它不表示融合均值没有偏差、能抵抗离群点、具有最优精度，或在模型失配下仍校准。带偏差的局部估计仍会污染结果，互相矛盾的输入应先验证，而不是盲目融合。
优化目标也会影响结果。最小化 Determinant 关注不确定性体积，最小化 Trace 关注边际方差总和；状态缩放与单位可能改变两者。处理两个以上估计时，如果没有联合优化或明确的顺序策略，逐对融合的顺序也可能影响结果。
接受保守回退前先追踪信息来源
分布式多传感器融合综述说明了共同过程噪声与信息回流如何产生互相关。如果 Provenance 足以追踪精确互协方差、去相关或删除共同信息，这些方案可能比 CI 保留更多精度。
CI 验证应覆盖不同甚至对抗性的相关系数，并通过 Monte Carlo Coverage 与 NEES 检查一致性，而不能只测试独立样本。记录来源身份、时间戳、坐标系、单位、协方差语义、权重目标、优化容差、融合顺序和拒绝输入。CI 只处理未知相关性，不解决时间对齐、数据关联、传感器故障或恶意数据。
主要特点
- 在信息空间组合均值与协方差
- 不要求显式获得输入估计之间的互协方差
- 使用和为一的凸非负权重
- 在给定假设下保持保守协方差边界
- 以统计效率换取对重复计数的保护
- 依赖明确的优化目标、状态缩放和融合顺序
常见用途
- 共享过信息的多机器人分布式定位
- 传感器历史存在重叠时的航迹到航迹融合
- 通信路径导致 Provenance 丢失后的估计合并
- 没有中央原始数据存储的容错传感器网络
- 以朴素独立假设为对照的安全融合基线
示例
Loading code...常见问题
什么场景应该使用协方差交叉？
当多个估计针对同一状态、各自协方差边界可信，但互相关不可获得或追踪成本过高时，可以使用 CI。如果已知精确相关性或共同信息，保守程度更低的融合规则通常更合适。
未知相关性下，朴素 Kalman 融合为什么不安全？
把相关估计误当成独立会重复计算共享证据。融合协方差可能小于真实误差协方差，系统因而过度自信，并让门控、规划器或后续滤波器拒绝原本有效的信息。
协方差交叉会产生最优估计吗？
它在 CI 方法族内优化指定协方差目标，并针对未知相关性保护一致性；但通常不是已知真实互协方差与完整联合模型时可得到的最小方差 Posterior。
CI 权重应如何选择？
在单位区间内选择权重，最小化明确声明的标量目标，例如融合协方差的 Log Determinant 或 Trace。状态缩放、约束、数值容差和多源融合顺序都可能改变结果，必须记录。
协方差交叉能处理故障传感器数据吗？
不能单独处理。CI 防护未知相关性，不防护偏差、错误坐标系、过期时间戳、错误数据关联、离群点或受攻击来源。应先验证和门控输入，再覆盖相关性与故障场景测试融合一致性。