[发明专利]基于成对gossip算法的分布式卡尔曼共识移动目标跟踪方法

说明书

基于成对gossip算法的分布式卡尔曼共识移动目标跟踪方法，涉及无线传感器网络中对移动目标的分布式跟踪技术。本发明是为了解决现有的分布式卡尔曼共识滤波技术的跟踪系统鲁棒性低、数据存储量大、系统跟踪精度低和共识精度低的问题。本发明在分布式卡尔曼共识滤波算法中引入成对gossip算法解决上述问题。本发明适用于无线传感器网络中对移动目标的跟踪。

技术领域

本发明涉及无线传感器网络中对移动目标的分布式跟踪技术。

背景技术

1、分布式平均共识

在一个有着N个传感器节点的网络中，任意节点i∈{1,2,…,N}在gossip算法的第t次迭代后，都存有一个状态值，表示为x_i(t)，t∈{0,1,…}。任意节点i的初始状态值表示为x_i(0)，则平均共识问题可以表示为：

所有节点的最终状态值都达到一致，并且是所有节点初始状态值的平均值。

2、成对gossip算法

成对gossip算法的基本方法是随机地令网络中的某个节点选择某一个邻居节点进行信息交换后进行状态值的平均，通过不断的、有限次的数据平均后，能使得全网所有节点的状态值达到平均共识。这在多机器协作、测控领域均有广泛应用。图1给出了成对gossip算法的示意。

假定每个节点都有一个自己的状态值x，任意时刻t，网络中的随机节点i被唤醒，其状态值为x_i(t)，并选择它的一个邻居节点j，其状态值为x_j(t)。节点i,j分别把自己的状态值发送给对方，各自进行状态值更新即数据平均，而网络中其他节点的状态值不变。本时隙内gossip迭代进行完，网络中各节点状态值更新如式(2)所示。

3、分布式卡尔曼共识滤波算法

逐次递归最优估计的卡尔曼滤波算法可以对移动目标进行有效跟踪。在此基础上进行改进，通过传感器节点之间相互交换各自对目标位置的预测值实现信息共享，通过融合不同节点的预测值达到所有传感器对移动目标位置一致估计的结果，就实现了利用分布式卡尔曼共识滤波算法对传感器网络中的移动物体进行有效的跟踪。

具体来说，假设物体移动符合状态方程如式(3)所示。

x(k+1)＝A(k)x(k)+B(k)w(k) (3)

式中：x(k)为移动物体在第k时刻的状态；A(k)为状态转移矩阵，表示物体从第k时刻移动到第k+1时刻的状态转移关系，是一个时变矩阵；B(k)为控制矩阵，可以加入控制量作为控制器，控制状态噪声w(k)对移动物体转移状态的影响；w(k)为状态噪声，是符合0均值高斯分布的随机噪声，噪声统计量为：

E[w(k)w(l)^T]＝Q_kδ_kl,δ_kl＝1(k≠l),δ_kl＝0(k＝l)

Q_k为第k时刻移动物体状态噪声协方差矩阵。

第k时刻任意节点i对移动物体的观测值z_i(k)如式(4)所示。

z_i(k)＝H_i(k)x(k)+v_i(k) (4)

式中：z_i(k)为第k时刻任意节点i对移动物体的观测值；H_i(k)为第k时刻任意节点i对移动物体的观测矩阵，是一个时变矩阵；x(k)为移动物体在第k时刻的状态；v_i(k)为第k时刻任意节点i对移动物体的观测噪声，噪声统计量为：