本稿件探讨多目标跟踪下传感器资源管理的相关问题，涵盖优化目标选取、开环反馈控制求解范式运用、非高斯情形下目标不确定性的演化，以及高斯情形下的性能界与近似方法。

多目标跟踪（MTT）本身是一个复杂的统计估计问题，学界已发展出多种求解范式[1]-[2]。其核心挑战在于数据关联——因目标数量时变，且量测来源（来自目标本体或杂波所致）未知。传统上，尤以包含多假设跟踪（MHT）在内的求解路径为代表，研究重心多在于如何管控与高速率、大体量量测输入相伴的复杂度。近年来，在数据稀缺的场景下，上下文辅助技术日益受到重视，此时的关键挑战转而变为如何抑制目标状态不确定性的膨胀[3]。无论面临的是数据过载还是数据稀缺，智能运用感知资源均可显著改善多目标跟踪的求解效果。与多目标跟踪问题本身类似，传感器资源管理（SRM）问题亦呈现显著的计算复杂度，学界已提出诸多近似求解方案[4]。本稿件围绕提升多目标跟踪性能，探讨传感器资源管理设计的若干方面。

首先，第2节讨论传感器资源管理的目标函数，第3节给出整体求解框架。一般而言，要使该目标函数在计算上可行，需对多目标跟踪问题做大幅简化；例如可聚焦多目标航迹维持问题，并假设量测可用时数据关联能正确完成。进一步的算力削减则依托开环反馈控制（OLFC）范式[5]-[6]，本文给出一个算例以强调非短视规划的最优性。随后，第4节讨论目标分布以基于采样的粒子云表征[7]的通用设定下，目标状态不确定性的若干有趣方面。第5节聚焦高斯情形，该情形可带来显著的计算节省，文中围绕修正Riccati方程讨论了若干可替代的求解近似方法，并在文献[8]基础上，对这些近似方法间的关系建立了新的认识。第6节为结论。