CN103067940A - 基于无线传感器网络的协同信息估计方法 - Google Patents
基于无线传感器网络的协同信息估计方法 Download PDFInfo
- Publication number
- CN103067940A CN103067940A CN2012105603716A CN201210560371A CN103067940A CN 103067940 A CN103067940 A CN 103067940A CN 2012105603716 A CN2012105603716 A CN 2012105603716A CN 201210560371 A CN201210560371 A CN 201210560371A CN 103067940 A CN103067940 A CN 103067940A
- Authority
- CN
- China
- Prior art keywords
- sensor node
- node
- filter
- neighbor table
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了基于无线传感器网络的协同信息估计方法,包括以下步骤:步骤1、初始化传感器节点的滤波器参数;步骤2、为当前传感器节点构建邻居表,所述邻居表中包括当前传感器节点的所有邻居节点;步骤3、当前传感器节点与邻居节点交换测量信息;步骤4、计算滤波器增益;步骤5、如果当前传感器节点的邻居表发生变化,为下一时刻更新邻居表,然后转入到步骤3继续执行程序;如果当前传感器节点的邻居表没有发生变化,则直接转向步骤3继续执行程序。本方面是一种全分布式最优的协同信息估计方法,具有估计精度高且误差扰动小,鲁棒性好,不需要设计复杂的路由协议来转发信息,非常适合变化的网络拓扑结构和大规模的无线传感器网络等优点。
Description
技术领域
本发明涉及无线传感器网络分布式协同信息处理方法,特别涉及无线传感器网络中具有多个测量信息的分布式协同信息估计方法。
背景技术
在无线传感器网络监控区域内,通常部署大量廉价的传感器节点且采用无线通信方式,单个传感器节点受到计算资源、通信带宽和传感范围的限制。为了完成一个共同的目标,需要多个传感器节点相互协同工作来共同完成一个或多个任务。另外,考虑到无线传感器网络部署在复杂环境中,测量噪声、信道噪声和链路冲突等不确定性因素存在,每个传感器节点从同一个感兴趣的检测点可能获得不一致的信息,这将导致传感器节点估计性能变坏。这些问题使得无线传感器网络面临巨大的挑战。因此,开发新的协同信号和信息处理理论及方法,对改善系统的可靠性和提高系统的鲁棒性具有重要意义。
为了提高系统的鲁棒性,有学者开发了一类能容忍丢包的卡尔曼滤波器,这类滤波器只考虑了系统的不确定性,比如系统的丢包和延时,没有考虑到传感器节点之间相互协作和信息一致性。为了处理测量信息的不一致性,有学者提出了基于一致性(Consensus)策略的协同信息处理方法,该方法是全分布式的算法,能够处理系统的不确定性和不一致性,但是该算法中一致性增益不是最优的,因此不是最优的信息处理方法。也有学者提出了基于扩散策略(Diffusionstrategies)的分布式卡尔曼滤波方法,无线网络内传感器节点只与他们的邻居通信,且信息通过一系列卡尔曼迭代和数据融合来处理,并把信息扩散到网络上其他节点,这类滤波器具有较高的估计精度,但是这类滤波器需要做多次迭代才能得到最后结果,具有一定的时延,且估计误差具有较大的抖动,不适合实时性要求高的应用场景。
发明内容
本发明公开了一种基于无线传感器网络的分布式最优协同信息估计方法。在网络中每个工作传感器节点并行处理信息且只与自己的邻居节点交换信息,从而达到协同信息处理的目的。这种方法是分布式最优算法,网络中不需要信息融合中心,也不需要簇头。对于单个传感器节点或者通信链路是鲁棒的,对于随机部署传感器节点是灵活的,因此非常适合变化的网络拓扑结构,同时不需要复杂的路由协议来传递信息。
由于整个网络中传感器节点地位是对等的,以当前传感器节点si为例说明上述目标,分布式协同信息估计方法采用以下技术方案:
1:在初始时刻k=0,初始化每个滤波器的各种参数;
2:为当前传感器节点si构建邻居表
3:当前传感器节点只和邻居节点交换测量信息;
4:计算最优的滤波器增益,根据步骤3中交换的测量信息,更新滤波器的估计值,并为下一时刻k+1预测滤波器的估计值;
其中,上述所述的步骤1中,每个滤波器的参数包括状态估计和协方差,且每个滤波器的状态估计和协方差都服从均值为x0,方差为P0的高斯分布。
上述所述的步骤2中,构建邻居表的具体操作如下:
如果sj位于si的通信范围内,则把sj加入到si的邻居表中;否则如果sj不在si的通信范围内,或者链路失败,则把sj从si的邻居表中删除。如图1所示,例如,对于s11,它的邻居表邻居个数对于s17,它的邻居表邻居个数等等。
上述所述的步骤3)中包括两层含义:a)当前传感器节点和邻居节点交换信息具体过程包括:当前传感器节点广播自己的测量信息给邻居节点,同时接收来自所有邻居节点的测量信息,因此,每个传感器节点不仅拥有自己的测量信息,同时拥有邻居节点的测量信息;b)当前传感器节点只与邻居节点交换信息,与整个网络规模无关,因此该方法是全分布式算法。
上述所述的步骤4中进一步包括:
上述步骤5中,当前邻居表更新包括删除节点和添加节点:a)邻居表中有传感器节点能量耗尽,从当前邻居表中删除,该节点退出网络;b)有新的传感器节点移动进入当前传感器节点的通信范围内,或者通过调节传感器节点的发射功率以增大通信范围,新增加的通信范围内的传感器节点被添加到当前邻居表;c)由于其它原因,邻居表中的传感器节点在规定时间内没有接收到邻居节点的信息,或者在规定的时间内不能把信息发送给当前传感器节点,则认为该传感器节点暂时失效,把该传感器节点从当前邻居表中删除。
上述步骤5的b)中,新的传感器节点是指无线传感器网络监测区域以外的传感器节点。
上述步骤5的c)中,由于其他原因,这些原因主要有链路冲突而导致测量信息丢失或者延时超过规定的时间。规定的时间是指一个传感器节点连续两次成功发送或者成功接收信息的时间差的最大值。传感器节点暂时失效是指传感器节点在规定的时间内没有接收到信息或者发送信息不成功。如果该传感器节点过一段时间后又能重新发送或者接收信息,则该传感器节点又可以被添加进当前传感器节点的邻居表,成为网络中的一个工作节点。
附图说明
图1是具有20个传感器节点的和54个通信链路的网络拓扑,图中101表示传感器节点,102表示对应传感器节点编号,103表示通信链路。
图2是当前传感器节点与邻居节点交换信息,图中201表示当前传感器节点si,202表示当前传感器节点si的邻居节点,203表示si的通信半径,204当前传感器节点si的通信覆盖区域。
图3是所有传感器节点在五个不同时刻的位置估计值,其中301“+”代表每个传感器节点的估计位置,302“◇”代表所有传感器节点估计位置的中心,303“□”代表移动目标的实际位置,304代表移动目标的实际轨迹。
图4是使用不同初值的20个传感器节点的估计误差,401表示传感器节点在不同时间步时的估计误差。
图5是四种估计方法在不同时间步时的平均估计误差比较,501表示CKF,502表示LKF,503表示DOKF,504表示DiffKF。
具体实施方式
为了方便叙述具体实施方式,首先给出一些符号表示:无线传感器网络拓扑结构Gk={V,Ek}中有N个传感器节点,其中V={1,2,…,N}表示传感器节点顶点集合,表示在时间步k时的边集。表示在时间步k时传感器节点si的邻居节点集合,但不包括传感器节点si;表示传感器节点si的邻居表中元素的个数;Im表示具有m维的单位矩阵。
对于无线传感器网络中的分布式状态估计,考虑如下离散线性时变系统的状态方程:
我们使用具有拓扑结构Gk的无线传感器网络来测量目标的状态,当传感器节点si作为工作节点时,相应的测量方程为:
本发明的目标是设计一种分布式协同状态估计方法,具体需要设计一类基于邻居测量信息的全分布式最优滤波器:
下面结合附图对本发明内容作进一步的阐述,一种分布式最优的协同信息估计方法主要包括以下步骤:
第二步:为当前传感器节点si构建邻居表构建邻居表的具体操作如下:
如果sj位于的通信范围内,则把sj加入到si的邻居表中,例如其中i,j∈V,代表si的通信半径,表示si的传感半径,di,j表示从si到sj的距离;否则如果sj不在的通信范围内,或者链路失败,则sj将从si的邻居表中删除,即如图1所示,图中101表示传感器节点,102表示对应传感器节点的编号,103表示通信链路。例如,对于s11,它的邻居表邻居个数对于s17,它的邻居表邻居个数等等。
第三步:当前传感器节点和邻居节点交换实时信息,具体的交换过程如图2所示,图中201表示当前传感器节点si,202表示当前传感器节点si的邻居节点,203表示si的通信半径,204表示当前传感器节点si的通信覆盖区域。当前传感器节点si广播自己的测量信息给邻居节点每个邻居节点把自己的测量信息发送给当前传感器节点si,其中
和
其中
为了验证上述步骤中分布式最优协同信息估计方法的优越性,采用以下方法进行验证。
在监控区域是40米×40米的方形区域,用N=20个随机分布的传感器节点构成的无线传感器网络来跟踪一个移动目标,移动目标的状态方程和测量方程为具体实施方式中的(1)和(2)式,各参数表示为:
对于每一个滤波器初始状态值x0=(15,-10)T和P0=10I2其中i=1,2,...,N,时间步长T=0.015,总时间步k=500。
303“□”代表移动目标的实际位置,304代表移动目标的实际轨迹。图3说明了随着时间的推移,每个传感器节点通过与邻居节点实时交换信息,被估计的位置越来越接近实际的目标位置,也就是说,估计精度越来越高。
定义估计误差为
其中(x1,k,x2,k)是目标的实际位置,是被估计的位置。在每一时间步,20个具有不同初始值的传感器节点的估计误差如图4所示,401表示传感器节点的估计误差。尽管每个滤波器的初值不同,随着时间推移,每个滤波器的估计误差逐渐减小,最后趋向于很小的稳定值。例如,尽管设置了较大的测量噪声i∈{1,2,...,N},当k=80后,每个传感器节点的估计误差小于1。
为了评估所有传感器节点的总性能,定义平均估计误差:
其中 和
如图5中的503,即为本发明协同信息估计方法的平均估计误差,从图中可知平均估计误差很小。
与现有的协同信息处理算法相比,本发明具有如下优点和显著效果:
a)本发明中的滤波算法只使用邻居的测量信息来更新自己的估计值,也就是说,只与邻居节点的个数相关,而与整个网络的规模N没有关系。因此该算法非常适合大规模的无线传感器网络应用。
b)本发明中当调整传感器节点的通信半径时,或者其它的传感器节点移动进入或者移出传感器节点si通信范围时,传感器节点si的邻居表将变化,因此,本发明也适用于时变网络拓扑结构。对于两种特殊情况:一种是趋于无穷,此时nk=N,这种情况下意味着每个传感器节点和网络中的所有其它传感器节点进行信息交互;另一种情况是以至于nk=0,这种情况下意味着每一个传感器节点不和任何传感器节点交换信息。当nk=0时,在(6)式中可知此时本发明中的算法退化为标准的卡尔曼滤波器,因此标准的卡尔曼滤波器只是本发明的一个特例。
c)对本发明和其它几种已经存在的估计方法进行了性能比较,如图5所示。把基于一致性策略的协同估计方法表示为CKF,如图501;本发明中没有信息交换特殊情况下的估计方法表示为LKF,如图502;本发明中有信息交换的一般情况下的估计方法表示为DOKF,如图503;基于扩散策略的分布式估计方法表示为DiffKF,如图504。从图5可知,由于LKF没有和邻居节点交换信息,因此四种估计方法中LKF估计误差最大。DiffKF算法是基于扩散策略,对于每一个邻居测量在每一时间步都执行一次滤波算法,每个滤波器对每个测量值都是最优的,因此有最小的平均估计误差。然而,由于没有联合设计邻居滤波器达到最优增益,因此估计误差具有很大的抖动。对于本发明中的DOKF,由于同时考虑了当前滤波增益和邻居节点的增益,并且基于最小误差协方差矩阵进行了联合设计,因此本发明中的方法有较小的平均估计误差,并且估计误差没有抖动。对于CKF,由于一致性增益不是基于最小误差协方差矩阵设计,因而平均估计误差比DOKF大。而且CKF需要当前传感器节点和邻居节点交换测量值、噪声误差协方差和预测的估计值,但本发明中的方法只需要和邻居节点交换测量信息,通信量大大减少,然而计算复杂度彼此相当。从节能的观点来看,众所周知,处理同样多的数据,通信消耗的能量比计算消耗的能量大得多。因此,本发明中的方法节约了更多的能量。
总之,本发明中的方法不需要信息融合中心,也不需要簇头,因而是全分布式的方法;通过最小化估计误差来联合设计最优滤波器增益和邻居滤波器增益,因此估计误差小且误差扰动小;当前传感器节点处理信息只需要自己邻居节点的信息,因此也不需要设计复杂的路由协议来转发信息;网络拓扑变化不会影响整个网络的信息处理能力,对于单个传感器节点或者通信链路是鲁棒的,对于随机部署传感器节点是灵活的,因此非常适合变化的网络拓扑结构,而且与整个网络的规模没有关系,该方法非常适合大规模的无线传感器网络应用。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.基于无线传感器网络的协同信息估计方法,其特征在于,包括以下步骤:
步骤1、初始化传感器节点的滤波器参数;
步骤2、为当前传感器节点构建邻居表,所述邻居表中包括当前传感器节点的所有邻居节点;
步骤3、当前传感器节点与邻居节点交换测量信息;
步骤4、计算滤波器增益,根据步骤3中交换的所述测量信息,更新滤波器的估计值,并为下一时刻预测滤波器的估计值;
步骤5、如果当前传感器节点的邻居表发生变化,为下一时刻更新邻居表,然后转入到步骤3继续执行程序;如果当前传感器节点的邻居表没有发生变化,则直接转向步骤3继续执行程序。
2.根据权利要求1所述的基于无线传感器网络的协同信息估计方法,其特征在于,所述步骤1中,所述滤波器的参数包括状态估计和误差协方差矩阵,且滤波器的状态估计和协方差均服从高斯分布。
3.根据权利要求1所述的基于无线传感器网络的协同信息估计方法,其特征在于,所述步骤2中,构建邻居表的方法为:在初始化随机部署传感器节点后,判断传感器节点是否位于当前传感器节点的通信半径内,如果传感器节点位于当前传感器节点的通信半径内,则把传感器节点加入到当前传感器节点的邻居表中。
4.根据权利要求1所述的基于无线传感器网络的协同信息估计方法,其特征在于,步骤3中,所述交换测量信息包括当前传感器节点广播其测量信息给邻居节点和当前传感器节点接收来自邻居节点的测量信息。
5.根据权利要求1所述的基于无线传感器网络的协同信息估计方法,其特征在于,所述步骤4包括以下步骤:
S1、计算滤波器增益包括当前滤波器增益和邻居滤波器增益,当前滤波器增益用于调节当前预测值,邻居滤波器增益用于补偿邻居节点和当前节点的预测差值;
S2、当前滤波器增益和邻居滤波器增益都是最优的,即在滤波器设计目标中,采用最小的滤波器估计误差而得到的当前滤波器增益和邻居滤波器增益;
S3、当前时刻更新滤波器的估计值包括状态估计和误差协方差矩阵;为下一时刻预测滤波器的估计值包括预测状态估计和预测误差协方差矩阵。
6.根据权利要求1所述的基于无线传感器网络的协同信息估计方法,其特征在于,所述的步骤5中,所述更新邻居表包括以下步骤:
A1、如果邻居表中有传感器节点的能量耗尽,则把所述能量耗尽的传感器节点从当前传感器节点的邻居表中删除;
A2、有新的传感器节点移动进入当前传感器节点的通信半径内,或者通过调节当前传感器节点的发射功率以增大通信半径,新增加的通信范围内的传感器节点被添加到当前传感器节点的邻居表中;
A3、由于通信失败,邻居表中的一个传感器节点在规定时间内没有接收到当前传感器节点的信息,或者在规定的时间内不能把信息发送给当前传感器节点,则表示邻居表中的这个传感器节点暂时失效,把这个传感器节点从当前传感器节点的邻居表中删除。
7.根据权利要求1所述的基于无线传感器网络的协同信息估计方法,其特征在于,所述的步骤5的A2中,通信范围是指当前传感器节点能够和邻居传感器节点进行通信所覆盖的区域。
8.根据权利要求1所述的基于无线传感器网络的协同信息估计方法,其特征在于,所述的步骤5的A3中,通信失败的原因是指链路冲突而导致测量信息丢失或者延时超过规定的时间,所述规定的时间是指一个传感器节点连续两次成功发送或者成功接收信息的时间差不能超过用户规定的时间;所述传感器节点暂时失效是指传感器节点在规定的时间内没有接收到信息或者发送信息失败。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105603716A CN103067940A (zh) | 2012-12-20 | 2012-12-20 | 基于无线传感器网络的协同信息估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105603716A CN103067940A (zh) | 2012-12-20 | 2012-12-20 | 基于无线传感器网络的协同信息估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103067940A true CN103067940A (zh) | 2013-04-24 |
Family
ID=48110364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105603716A Pending CN103067940A (zh) | 2012-12-20 | 2012-12-20 | 基于无线传感器网络的协同信息估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103067940A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103547033A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 基于无线传感器执行器网的大型智能灯光节能控制方法 |
CN104391445A (zh) * | 2014-08-06 | 2015-03-04 | 华南理工大学 | 基于观测器的车队协同自主控制方法 |
CN106507275A (zh) * | 2016-10-14 | 2017-03-15 | 清华大学 | 一种无线传感器网络的鲁棒分布式滤波方法和装置 |
CN107453918A (zh) * | 2017-08-25 | 2017-12-08 | 中国人民解放军火箭军装备研究院 | 一种数据丢失与通信故障下的分布式目标跟踪方法及装置 |
CN108924781A (zh) * | 2018-06-20 | 2018-11-30 | 东南大学 | 一种用于作物栽培节水灌溉物联网集成系统及运行方法 |
CN109189049A (zh) * | 2018-10-15 | 2019-01-11 | 浙江工业大学 | 一种适用于网络化控制系统的主动时延补偿方法 |
CN110225539A (zh) * | 2019-07-09 | 2019-09-10 | 浙江大学 | 一种基于无线传感网络的分布式估计的节能方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080215609A1 (en) * | 2007-03-02 | 2008-09-04 | Joseph Cleveland | Method and system for data aggregation in a sensor network |
CN101482607A (zh) * | 2009-02-19 | 2009-07-15 | 武汉理工大学 | 应用于无线移动传感器网络的目标跟踪方法及装置 |
CN101505532A (zh) * | 2009-03-12 | 2009-08-12 | 华南理工大学 | 一种基于分布式处理的无线传感器网络目标跟踪方法 |
CN101795123A (zh) * | 2010-02-10 | 2010-08-04 | 上海交通大学 | 分布式非线性滤波方法 |
-
2012
- 2012-12-20 CN CN2012105603716A patent/CN103067940A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080215609A1 (en) * | 2007-03-02 | 2008-09-04 | Joseph Cleveland | Method and system for data aggregation in a sensor network |
CN101482607A (zh) * | 2009-02-19 | 2009-07-15 | 武汉理工大学 | 应用于无线移动传感器网络的目标跟踪方法及装置 |
CN101505532A (zh) * | 2009-03-12 | 2009-08-12 | 华南理工大学 | 一种基于分布式处理的无线传感器网络目标跟踪方法 |
CN101795123A (zh) * | 2010-02-10 | 2010-08-04 | 上海交通大学 | 分布式非线性滤波方法 |
Non-Patent Citations (2)
Title |
---|
LIU YONGGUI,XU BUGONG: "Distributed Optimal Kalman Filtering for Collaboration Estimation inWireless Sensor Networks", 《PROCEEDINGS OF THE 31ST CHINESE CONTROL CONFERENCE》 * |
刘永桂: "《中国博士学位论文全文数据库 信息科技辑》", 15 December 2011 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103547033A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 基于无线传感器执行器网的大型智能灯光节能控制方法 |
CN104391445A (zh) * | 2014-08-06 | 2015-03-04 | 华南理工大学 | 基于观测器的车队协同自主控制方法 |
CN104391445B (zh) * | 2014-08-06 | 2017-10-20 | 华南理工大学 | 基于观测器的车队协同自主控制方法 |
CN106507275A (zh) * | 2016-10-14 | 2017-03-15 | 清华大学 | 一种无线传感器网络的鲁棒分布式滤波方法和装置 |
CN106507275B (zh) * | 2016-10-14 | 2019-11-08 | 清华大学 | 一种无线传感器网络的鲁棒分布式滤波方法和装置 |
CN107453918A (zh) * | 2017-08-25 | 2017-12-08 | 中国人民解放军火箭军装备研究院 | 一种数据丢失与通信故障下的分布式目标跟踪方法及装置 |
CN108924781A (zh) * | 2018-06-20 | 2018-11-30 | 东南大学 | 一种用于作物栽培节水灌溉物联网集成系统及运行方法 |
CN109189049A (zh) * | 2018-10-15 | 2019-01-11 | 浙江工业大学 | 一种适用于网络化控制系统的主动时延补偿方法 |
CN109189049B (zh) * | 2018-10-15 | 2020-05-26 | 浙江工业大学 | 一种适用于网络化控制系统的主动时延补偿方法 |
CN110225539A (zh) * | 2019-07-09 | 2019-09-10 | 浙江大学 | 一种基于无线传感网络的分布式估计的节能方法 |
CN110225539B (zh) * | 2019-07-09 | 2020-08-04 | 浙江大学 | 一种基于无线传感网络的分布式估计的节能方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103067940A (zh) | 基于无线传感器网络的协同信息估计方法 | |
Yang et al. | Stochastic sensor activation for distributed state estimation over a sensor network | |
US7486633B2 (en) | Network system, radio communication device, radio communication method, and computer program for the same | |
Manfredi | Design of a multi-hop dynamic consensus algorithm over wireless sensor networks | |
CN103052128A (zh) | 一种基于无线传感器网络能量有效的协同调度方法 | |
Liao et al. | Distributed clock skew and offset estimation from relative measurements in mobile networks with Markovian switching topology | |
CN103139804B (zh) | 无线传感器网络的节能传播自适应rls分布式检测方法 | |
CN102970677B (zh) | 基于侦听的Gossip平均共识技术的无线通信方法 | |
CN102497669A (zh) | 一种无线传感器网络节点定位的方法 | |
CN102546091A (zh) | 基于网络编码的被动式动态网络拓扑层析方法 | |
CN108347694A (zh) | 一种基于边界条件的节点定位方法及系统 | |
Panigrahi et al. | Block least mean squares algorithm over distributed wireless sensor network | |
Zhao et al. | Event-triggered average consensus for mobile sensor networks under a given energy budget | |
Karjee et al. | Distributed cooperative communication and link prediction in cloud robotics | |
CN101795123A (zh) | 分布式非线性滤波方法 | |
Autefage et al. | Comparison of time synchronization techniques in a distributed collaborative swarm system | |
Giannini et al. | Asynchronous consensus-based distributed target tracking | |
CN105979564B (zh) | 一种发送数据的方法及装置 | |
Zhang et al. | Distributed event-triggered tracking control of multi-agent systems with active leader | |
Srinivasan et al. | Consensus algorithm for robotic agents over packet dropping links | |
Vazquez-Olguın et al. | Distributed UFIR filtering with applications to environmental monitoring | |
Misra et al. | Selfishness-aware target tracking in vehicular mobile WiMAX networks | |
Chakravorty et al. | On the optimal thresholds in remote state estimation with communication costs | |
Bof et al. | Robust distributed estimation for localization in lossy sensor networks | |
Ciszkowski et al. | Reputation as optimality measure in Wireless Sensor Network-based monitoring systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130424 |