[发明专利]一种目标状态估计的方法、装置及存储介质

权利要求书

1.一种目标状态估计的方法，应用于分布式架构中的当前节点，所述分布式架构包括对跟踪目标进行状态估计的多个节点，其特征在于，所述方法包括：

获取当前时刻所述当前节点的邻域内各节点分别对所述跟踪目标进行状态估计的中间状态估计结果；所述邻域由所述当前节点及与所述当前节点直接交互的邻居节点构成；

基于所述邻域内各节点在上一时刻使用的历史融合权重及所述中间状态估计结果，通过对权重计算算法的一次迭代，获得所述邻域内各邻居节点对所述当前节点的当前融合权重；其中，所述权重计算算法用于确定所述邻域内的节点的融合权重；

基于所述邻域内各节点的融合权重，对所述领域内各节点的中间状态估计结果进行组合，得到所述当前节点对所述跟踪目标进行跟踪的最终状态估计结果；其中，所述最终状态估计结果与所述各邻居节点的中间状态估计结果加权和之间的库尔贝克-莱布勒KL散度最小。

2.如权利要求1所述的方法，其特征在于，所述中间状态估计结果由中间近似局部后验概率密度函数表征，所述最终状态估计结果由最终近似后验概率密度函数表征；所述最终近似后验概率密度函数是通过最小化所述最终后验概率密度函数与所述各邻居节点的中间近似局部后验概率密度函数加权和之间的KL散度得到的；其中，所述最终近似后验概率密度函数的均值作为所述当前节点对所述跟踪目标进行跟踪的最终状态估计值。

3.如权利要求1所述的方法，其特征在于，所述最终后验概率密度函数的获得方案，包括：

构建所述当前节点与所述各邻居节点对所述跟踪目标进行局部状态估计的中间近似局部后验概率密度函数；

对所述当前节点与所述各邻居节点的中间近似局部后验概率密度函数进行加权计算，得到加权计算后的中间近似局部后验概率密度函数；

将所述加权计算后的中间近似局部后验概率密度函数的KL散度作为代价函数；

对所述代价函数进行最小化，得到所述最终后验概率密度函。

4.如权利要求3所述的方法，其特征在于，对所述代价函数进行最小化，得到所述最终后验概率密度函，包括：

对所述代价函数进行求导，获得当前节点的最终近似后验概率密度函数的数学期望和协方差矩阵。

5.如权利要求2-4任一项所述的方法，其特征在于，基于所述邻域内各节点在上一时刻使用的历史融合权重及所述中间状态估计结果，通过对权重计算算法进行一次迭代，获得所述邻域内各邻居节点对所述当前节点的当前融合权重，包括：

使用所述各邻居节点在所述上一时刻使用的历史融合权重，及对应的中间近似局部后验概率密度函数，初始化在所述当前时刻所述各邻居节点的初始化融合权重；

根据所述权重计算算法，对每个邻居节点的初始化融合权重进行计算，获得所述每个邻居节点的当前融合权重。

6.如权利要求5所述的方法，其特征在于，所述中间近似局部后验概率密度函数由对应节点的中间均值和中间协方差矩阵确定；

使用所述各邻居节点在所述上一时刻使用的历史融合权重，及对应的中间近似局部后验概率密度函数，初始化在所述当前时刻所述各邻居节点的初始化融合权重，包括：

根据所述各邻居节点在所述上一时刻使用的历史融合权重，及对应的中间近似局部后验概率密度函数，分别融合每个邻居节点的中间均值，获得所述当前节点相对每个邻居节点的初始融合均值；

根据所述当前节点相对每个邻居节点的初始融合均值，及每个邻居节点的中间均值和中间协方差矩阵，确定所述当前节点相对每个邻居节点的初始融合协方差矩阵；

根据所述当前节点相对每个邻居节点的初始融合协方差矩阵，确定每个邻居节点的初始融合权重。

7.如权利要求6所述的方法，其特征在于，所述当前节点相对每个邻居节点的初始融合均值所采用的公式，包括：

其中，k为所述当前节点，l为邻居节点，t为所述当前，t-1为所述上次，为所述初始融合均值，а_k,l,t-1为所述邻居节点的历史融合权重，为所述中间状态估计结果的均值。