空间站是人类太空探索任务的桥头堡。在其施工、运行和维护期间，需要执行各种任务。然而，空间环境具有微重力、高真空、强辐射、温差大等恶劣条件，严重威胁着航天员的健康和生命安全。
由于空间机器人不受人类生理条件的限制，能够长时间、高质量地执行空间探索任务，已成为空间探索的一个重要趋势。在空间站任务期间，机器人需要对工具或任务对象执行精确操作，这取决于对目标的精确跟踪。然而，特殊的空间环境可能导致目标跟踪数据中存在复杂的非高斯噪声。当误差信号为非高斯信号时，传统卡尔曼滤波器的性能会严重恶化，可能导致任务失败。
因此，有必要对复杂非高斯噪声的滤波算法进行研究。在最近发表在《太空：科学与技术》上的一篇研究论文中，一个研究团队聽结合北京理工大学机电工程学院的学者和科学家聽湖南大学聽针对目标跟踪过程中可能遇到的各种形式的非高斯噪声，提出了一种新的卡尔曼滤波器&广义最大相关熵卡尔曼滤波器（GMCKF），以提高跟踪精度。
作者首先介绍了广义相关熵，分析了高斯核与广义高斯密度的区别。现有的研究主要集中在改善卡尔曼滤波器在非高斯噪声下的性能。最大相关熵准则（MCC）在评价非高斯噪声方面取得了良好的效果。
基于MCC的滤波器有很多种，可以获得误差的高阶矩，有效地过滤异常值。然而，MCC的默认核是高斯核。由于高斯函数的限制，它不能自由改变相关熵的形状。因此，像最大相关熵卡尔曼滤波器（MCKF）这样的滤波器在一些复杂的非高斯噪声下无法获得良好的性能。
认为利用广义高斯密度（GGD）函数的广义最大相关熵准则（GMCC）具有更灵活的形式，作者开发了一种GMCKF算法，该算法将高斯核替换为GGD函数，该函数添加了一个新的形状参数伪 在各种非高斯噪声下获得更好的性能。此外，作者选择了矩匹配估计器（MME）来估计参数伪 因为它对于参数估计来说非常简单和准确。
然后，分析了附加形状参数的影响伪 仿真研究了GMCKF参数自动选择算法的有效性。通过模拟发现，在附加形状参数的情况下伪 而自动选择算法GMCKF在各种非高斯噪声下都能取得良好的性能。此外，还通过地面实验验证了GMCKF算法对目标跟踪的效果。
由于微重力环境，目标可能会漂浮在太空中。在这种情况下，像太空中的相机这样的视觉传感器长时间暴露在高能粒子下；在图像采集和传输过程中，可能存在复杂的非高斯噪声。不受控制的照明、其他漂浮物体的覆盖以及复杂的背景也会给目标跟踪带来复杂的非高斯噪声。为了模拟空间环境中的目标跟踪，在Singer模型的基础上建立了实验系统，包括一个6自由度工业机器人（川崎RS10N）、一对双目摄像机（Imavision的MER-125-30UM）、一个球形目标和一个激光跟踪器。
由于实验室环境中没有足够的复杂噪声，因此故意将一些非高斯噪声添加到双目相机的测量数据中，以模拟空间站中各种因素产生的非高斯观测噪声。实验结果再次证实，当系统受到各种非高斯噪声的干扰时，所提出的GMCKF可以显著优于其他滤波器。换言之，为了获得更精确的目标位置，可以使用GMCKF算法来过滤目标跟踪中包含的非高斯噪声。
最后，为了验证算法在实际环境中的效果，使用GMCKF算法对中国天宫二号空间实验室在轨机器人维护实验的实验数据进行了处理。实验目的是验证有效滤除特殊空间环境引起的复杂非高斯噪声有助于提高机器人在恶劣空间条件下自主进行维护操作的能力，并成功完成任务。
实验数据从空间实验室传回地面，可以作为真实空间环境下的实时测量数据，并用实际应用数据验证了算法的有效性。实验结果表明，GMCKF算法可以帮助机器人更好地定位目标并完成任务。