[发明专利]传感器网络多目标分布式一致性跟踪方法

摘要

本发明提供一种传感器网络多目标分布式一致性跟踪方法。该方法基于传感器网络中观测节点之间的信息传递，将网络中的传感器节点实施动态功能划分，自适应实时优化选择参与目标一致性跟踪的观测节点集，并结合了概率数据互联策略，将多目标数据互联信息融入一致性参数中，且对目标先验信息与量测信息进行加权处理，考虑了不同观测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，经过有效的信息一致性处理与融合，各观测节点的分布式跟踪精度可以快速逼近集中式跟踪精度，且保证了盲节点对目标的航迹维持，能够有效防止新航迹层出不穷、航迹不明或混乱等现象。

主权项

一种传感器网络多目标分布式一致性跟踪方法，其特征在于，单个滤波时刻内包括以下步骤：步骤1：传感器节点获取目标量测信息及划分网络节点角色，具体为：通过目标回波得到关于多个目标的本地量测和对应的量测信息矩阵，根据网络中传感器节点是否观测到目标及节点在目标状态估计时担任的角色，将t时刻探测到目标的节点称为观测节点，所有观测节点的邻居节点称为盲节点，除盲节点以外，未探测到目标的节点称为睡眠节点，其中，观测节点执行目标跟踪工作，盲节点通过接收观测节点的信息来保持及更新本地目标状态，观测节点的个数为N′；步骤2：建立一致性节点集，具体为：观测节点发送状态信息包，所述状态信息包内含有目标前一时刻的状态估计值及观测节点的身份标识，观测节点和盲节点接收来自邻居节点的状态信息包，盲节点更新本地目标状态，当前时刻的所有观测节点及所有盲节点构成一致性节点集，节点集内的传感器始终保持着目标的状态估计；步骤3：融入数据互联信息，具体为：设定符号表示量测误差，其上标表示量测与目标Tj是确定互联关系，则对于时刻t的目标Tj，量测误差与误差方差的计算方式如下z~ijn=zin-Hijx^ij-]]>Yij=HijPij-(Hij)T+Rij]]>其中，为目标Tj的先验状态、为先验信息矩阵、为量测矩阵、为目标Tj的状态预测方差、为量测噪声方差，基于JPDA滤波算法，设定量测与目标Tj正确互联的概率为没有量测与目标Tj互联的概率为和的计算方式依据JPDA滤波器，对于目标Tj，采用以下方程计算卡尔曼滤波增益量测均值量测均值误差及量测均值误差方差Kij=Pij-(Hij)T(Yij)-1]]>yij=Σn=1li(t)βijnzin]]>y~ij=Σn=1li(t)βijnz~ijn=yij-(1-βij0)Hijx^ij-]]>P~ij=(Σn=1li(t)βijnz~ijn(z~ijn)T)-y~ij(y~ij)T]]>其中，li(t)为目标的测量的个数，由上，得到融入数据互联信息的矩阵Cij=(1-βij0)Yij-P~ij;]]>步骤4：初始化本地一致性参数，具体为：定义传感器Si一致性参数及的初始化方式如下vij(0)=uij+(Jij-NS+βij0Uij)x^ij-]]>Vij(0)=Jij-NS+Uij]]>Wij(0)=Jij-NS+Gij]]>其中，uij=(Hij)T(Rij)-1yij]]>Uij=(Hij)T(Rij)-1Hij]]>Gij=Jij--Kij((Cij)-1-(Kij)TJij-Kij)-1(Kij)TJij-]]>NS为同构传感器节点的个数；步骤5：一致性信息处理与融合，具体为：从k＝1开始至k＝K，将以下三步循环迭代K次：观测节点发送含有本地一致性参数与身份标识的一致性信息包、观测节点接收来自邻居观测节点的一致性信息包、更新本地参数其中，i′为邻居节点，为邻居节点的集合，其中，每次迭代完之后执行k＝k+1，K为一致性迭代次数，ζ为一致性速率因子，最终，各观测节点得到近似相同的一致性参数及步骤6：目标状态更新与预测，具体为：目标状态更新是指，结合一致性参数和观测节点个数N′，对目标状态及信息矩阵进行更新，其中为t时刻滤波得到的目标估计状态，为对应的状态估计信息矩阵；目标状态预测是指结合当前时刻目标状态估计与运动模型，对下一时刻目标的状态及其信息矩阵进行预测，其中，为t+1时刻的目标Tj的状态预测，Φ为状态转移矩阵，为t+1时刻目标Tj的状态预测方差，Q为目标运动模型中的过程噪声方差。