传感器网络分布式一致性目标状态估计方法
【专利摘要】本发明提供一种传感器网络分布式一致性目标状态估计方法。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一致性状态估计的观测节点集，并以分布式最大后验概率理论为基础，对目标先验信息与量测信息进行加权处理，且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，各观测节点的分布式状态估计精度可以快速逼近集中式估计精度，且保证了盲节点对目标的状态维持，能够有效防止新航迹层出不穷、航迹不明等现象。
【专利说明】传感器网络分布式一致性目标状态估计方法
【技术领域】
[0001]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】
[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]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 aposteriori,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】
[0007]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。
[0008]技术方案及具体实施措施:
[0009]为了便于阐述，做以下约定:
[0010]传感器网络中节点之间的通信连接可由无向图4 =认￡)来表示，其中S = {S1；s2，...，SN}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Si有直接通信连接的节点的集合，即中的每个节点都与Si构成图中的某一条边，都是Si的邻居节点。不妨假设单个节点&仅具有一个传感器，在t时刻观测到目标，则Si称为观测节点，其量测可表示为z,.，其中ffli为传感器Si的量测数据维度，其状态及量测模型可表示 为
[0011]xt+1 = C>xt+Wk, k = 0,1, 2,...,(1)
[0012]zi = HjX^Vi, k = 0,1, 2,...,(2)
[0013]其中，(1^^^为状态转移矩阵，过程噪声％~％(0,(^);11,!^^为传感器51的
可时变观测矩阵，v, 为零均值的高斯白噪声，方差为R;。令B,.=Rf ''为
量测信息矩阵，同样也是可时变的。需要指出的是，观测矩阵故并不是行满秩的，即有mi< P。传感器Si关于目标先验估计的误差方差表示为P,.€足〃，其信息矩阵定义为Y, =^1。
[0014]需要指出的是，本发明所针对的问题并不是假设目标的状态Xi对于每个Zi都是可观测的，而是考虑整个网络中的对于目标状态xt具有可观测性的情况，即网络完全覆盖，单个时刻至少有一个传感器能够观测到监测区域的目标。此外，不妨假设网络中所有传感器节点的通信半径不小于传感半径的2倍，这意味着，同时观测到目标的节点肯定互为邻居，只需一步通信即可相互传递信息。本发明所提供方法的目的在于，针对传感器网络目标跟踪问题，随着目标不断移动，网络节点成员的角色不断变化，通过有效的信息传递和处理，实现任何单个滤波时刻内观测节点和邻居盲节点对目标的分布式一致性状态估计。
[0015]以下将以t时刻观测到目标T的传感器节点Si为例，对技术方案中的具体步骤及实施方式进行详细描述。
[0016]1.传感器节点获取目标量测信息
[0017]传感器节点获取量测信息是指通过目标回波得到关于目标的本地量测Zi和量测信息矩阵Bi，其中B,.= R；1，民为传感器量测服从的零均值高斯白噪声的方差，下标i是传感器的身份标识。
[0018]2.网络节点角色划分
[0019]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(未探测到目标)称为盲节点，其他未探测到目标的节点称为睡眠节点。其中，观测节点执行主要状态估计工作，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，以防止在航迹交接过程中出现新航迹层出不穷、航迹不明等现象。
[0020]3.建立一致性节点集
[0021]t时刻节点Si探测到目标后，通过观测节点之间的信息交换，建立该时刻保持对目标状态一致性估计的传感器节点集，称为一致性节点集，记为C。具体实施措施为:
[0022](1)传感器Si获取到t时刻目标T的量测Zi及其量测信息矩阵Bi ；
[0023](2)传感器Si广播t-Ι时刻目标T的状态估计值及自身标识(ID)，若T为新目标，则广播关于T的量测值；
[0024](3)传感器Si接收来自邻居观测节点的广播信息；
[0025](4)传感器Si建立一致性节点集C，包括t时刻所有观测节点及其邻居盲节点，其中，观测节点的个数为N'。
[0026]由于一致性节点集内的所有节点互为邻居，通过一步信息传递，每个观测节点能收到其他观测节点关于目标的状态信息。同时，一致性节点集内所有观测节点的邻居盲节点也能获知目标状态信息，而这些来自不同观测节点的目标状态是趋于一致的，这将在后续说明中阐述。
[0027]4.计算一致性参数
[0028]不失一般性，将t时刻滤波之前目标T的先验状态记为<(0，先验信息矩阵记为X (0，传感器Si —致性参数yt)及u。的计算方式如下:
【权利要求】
1.一种传感器网络分布式一致性目标状态估计方法，是一种用于目标跟踪的分布式滤波方法，通过传感器节点获取量测信息、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、目标状态预测实现传感器网络中部分优选节点实时对目标状态保持动态一致的精确估计；其中，传感器节点获取量测信息是指通过目标回波得到关于目标的本地量测Zi和量测信息矩阵Bi，其中B, =11,-1，Ri为传感器量测服从的零均值高斯白噪声的方差，下标i是传感器的身份标识；网络节点角色划分是指，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(未探测到目标)称为盲节点，其他未探测到目标的节点称为睡眠节点，其中，观测节点执行主要状态估计工作，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；建立一致性节点集是指，观测节点发送状态信息包(含有目标前一时刻的状态估计值x「(0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，其中t时刻观测节点的总数为N';计算本地一致性参数是指对目标先验信息与量测信息进行加权处理，计算本地一致性信息矩阵W和本地一致性信息向量 <，计算方式分别为
【文档编号】H04W84/18GK103648108SQ201310643654
【公开日】2014年3月19日 申请日期:2013年11月29日 优先权日:2013年11月29日
【发明者】刘瑜, 何友, 王海鹏, 潘丽娜, 刘俊, 苗旭炳 申请人:中国人民解放军海军航空工程学院