[发明专利]传感器网络分布式一致性目标状态估计方法

说明书

技术领域

本发明涉及传感器网络的信息融合系统，尤其涉及一种传感器网络分布式一致性目标状态估计方法，属于传感器信息处理领域。

背景技术

分布式方法基于节点之间有效的信息互传来实现资源共享，在大型网络中具有高容错性、易于安装及扩展等优势，因此在分散式传感器网络研究与应用中备受关注。

对于传感器网络多目标分布式跟踪应用，在众多的分布式状态估计方法中，基于一致性理论的估计算法采用迭代的方式，利用邻居节点的有效信息不断更新本地估计，从而使得每个节点都能独自计算网络中所有信息汇集后的全局估计，比如说所有节点的状态估计全局平均值。关键在于，一致性方法并不需要全网通信就能实现全网一致的状态估计，并且近似收敛于集中式估计结果。因此，基于一致性的估计框架对网络的通信拓扑没有特殊要求，原理上适用于任何随意连通的传感器网络。此外，在完全分布式的多目标跟踪应用中，尽管某些节点无法直接探测到所有目标或者某段时间内无法探测到某个目标，但是考虑到节点之间需要协同合作，每个节点有必要保持对所有目标的状态估计，否则将不断出现航迹混乱、新航迹层出不穷等实际问题。节点获取目标的量测后，也需要基于所有目标历史航迹实现量测与航迹的正确互联。而在一致性估计框架中，每个节点都保持着所有目标的状态估计，这种特性从本质上非常适合完全分布式的多目标跟踪应用。

传统的卡尔曼一致性滤波(Kalman consensus filter，KCF)等一致性方法假设所有节点均能观测到每一个目标，将网络中所有节点对全局平均状态估计的贡献权值视为相同，且忽略了不同节点状态估计误差协方差在计算平均一致性状态时的影响，在网络不完全连通或者盲节点较多的场景下会严重影响到算法的估计精度和收敛速度。此外，在现代战争及现实生活中，微型传感器的传感能力通常是距离受限及各向异性的(例如视频传感器、定向传声器、雷达等)，即传感器的性能同时依赖观测点与目标之间的距离和方向。因此，网络中的节点并不能随时保持对所有目标的观测，即网络中随时存在无法探测目标的盲节点。并且，传感模型的改变将影响到节点的目标观测质量，给网络探测覆盖、节点协同控制，目标状态估计等分布式跟踪关键技术带来新的挑战。

大型传感器网络的目标跟踪实际应用中，单个时刻仅有少数节点能够观测到穿越监测区域的目标，而网络中的节点通常都具有向上汇报监测信息的路由通道，因此，在距离受限的大型网络中，单个时刻仅需要少数观测节点实现对目标的分布式状态估计即能获知目标的精确航迹，无需所有节点全网通信便能满足目标跟踪的实际应用。

事实上，随着目标在监测区域内不断移动，观测节点是动态变化的，通过节点间进行有效的数据传递，就可以获取单个时刻观测节点的成员信息。此外，针对距离受限的传感器网络完全分布式一致性目标状态估计问题，可以基于分布式最大后验估计(maximum a posteriori，MAP)理论，结合传感器的信息观测质量及状态估计质量，经过足够多次的一致性信息传递及迭代处理，各观测节点的分布式状态估计精度即能逼近集中式最优卡尔曼滤波方法(centralized Kalman filter，CKF)。这也就是本发明的思路来源。

发明内容

本发明的目的在于提供一种高精度的动态自适应分布式一致性状态估计方法。为了达到上述目的，本发明基于传感器网络中观测节点之间的信息传递，提出了一种基于分布式最大后验概率的自适应信息加权一致性状态估计方法，示意图如图1所示，包括：传感器节点获取目标量测信息；网络节点角色划分；建立一致性节点集；计算本地一致性参数；观测节点一致性信息处理与融合；目标状态估计；目标状态预测。

技术方案及具体实施措施：

为了便于阐述，做以下约定：

传感器网络中节点之间的通信连接可由无向图来表示，其中S＝{S₁，S₂，...，S_N}包含了图中所有的顶点，表示网络中的通信节点，而集合则包含了图中所有的边，表示网络中不同节点建立起来的可行的通信渠道。此外，以表示所有与S_i有直接通信连接的节点的集合，即中的每个节点都与S_i构成图中的某一条边，都是S_i的邻居节点。不妨假设单个节点S_i仅具有一个传感器，在t时刻观测到目标，则S_i称为观测节点，其量测可表示为其中m_i为传感器S_i的量测数据维度，其状态及量测模型可表示为