[发明专利]分布式传感器网络协同融合与传感器位置修正方法

说明书

本发明提供了一种分布式传感器网络协同融合与传感器位置修正方法。该方法利用变分贝叶斯近似，将待求的联合后验分布近似为相互条件独立的多个分布的乘积，这种形式使得待求的联合后验分布能够通过迭代VB算法求解。同时将一致性算法的迭代过程引入到变分迭代过程中，使得各个传感器节点通过与其相邻的邻居节点的局部通信能够使各节点对目标状态的估计收敛至全局一致的结果。仿真结果表明，本发明能够在分布式传感器网络中有效提高各个传感器节点对全局目标状态和局部自身位置的估计精度。本发明可以被应用于分布式传感器网络雷达、红外目标跟踪、移动机器人定位等领域。

技术领域

本发明涉及的是一种分布式传感器网络协同融合与传感器位置修正方法。具体地，涉及的一种基于变分贝叶斯(variational Bayesian,VB)的一致性(consensus)传感器融合与自身位置修正方法。该方法可以被应用于分布式传感器网络的协同状态估计、目标跟踪等领域。

背景技术

在由多传感器构成的传感器网络中，通过融合多传感器的观测信息能够提升系统对外界环境的感知能力。在集中式传感器网络中，需要将各个传感器节点获得的量测信息传输至一个中心节点进行集中处理。这种方式，理论上能够从所有传感器量测中获得状态的最优估计。然而，这种集中式的处理方式，给传感器网络带来了较大的通信负担。同时，依赖中心节点进行数据处理降低了传感器网络的容错能力(即中心节点的失效将导致整个传感器网络失效)，也降低了传感器网络部署的灵活性(所有节点都需要与中心节点通信)。不同于集中式的传感器网络，分布式传感器网络没有中心节点，每个传感器节点自身都具备感知能力、通信能力和数据处理能力，各个节点仅能与其相邻的节点进行通信。分布式传感器网络的这种结构特点，使其具备了良好的鲁棒性和可扩展性；然而，这也为信息融合给出全局状态估计带来了挑战。针对这一问题，以R.Olfati-Saber、G.Battistelli等为代表的众多学者提出了基于一致性(consensus)策略的分布式传感器网络状态估计算法。该方法在卡尔曼滤波(Kalman filtering)的框架下，通过在传感器网络中相邻节点间的一致性迭代，使传感器网络中的所有节点都能得到全局的一致估计。在一致性估计理论框架下，先后发展出估计一致性(consensus on estimations)、量测一致性(consensus onmeasurements)、信息一致性(consensus on information)和混合一致性(hybridconsensus)等一系列算法。

上述一致性估计方法通常不考虑传感器网络中各个传感器自身的定位误差。然而，在实际传感器器网络应用场景中，受到部署条件、自然环境影响以及导航定位设备存在误差或受到干扰等因素影响，传感器的位置信息无法精确获得，存在不确定性。这将直接影响各个传感器对目标定位的精度，从而影响最终的融合精度，降低整个传感器网络的融合性能。

发明内容

针对上述现有技术中存在的分布式传感器一致性融合在实际应用中可能出现的由于传感器自身位置信息不精确导致融合精度降低、劣化的问题，本发明提出了一种基于变分贝叶斯方法的分布式传感器网络协同融合与传感器位置修正方法。该方法利用变分贝叶斯近似求解目标状态和传感器位置的联合分布，并将一致性估计的一致性迭代嵌入至变分迭代中，迭代地求解全局的目标状态估计和局部的传感器位置估计。

本发明是通过以下技术方案实现的。

一种分布式传感器网络协同融合与传感器位置修正方法，包括以下步骤：

步骤S1：在各个传感器节点给定初始的目标状态和误差方差阵，形成初始参数；

步骤S2：对目标状态和误差方差进行一步预测，包括初始步时预测和非初始步时预测；其中：

在初始步时，利用步骤S1中的初始参数，各个传感器节点独立地对目标状态和误差方差进行一步预测；

在非初始步时，利用步骤S7得到的各传感器节点输出目标状态和自身位置的估计值进行一步预测；