CN108896047A - 分布式传感器网络协同融合与传感器位置修正方法 - Google Patents
分布式传感器网络协同融合与传感器位置修正方法 Download PDFInfo
- Publication number
- CN108896047A CN108896047A CN201810438582.XA CN201810438582A CN108896047A CN 108896047 A CN108896047 A CN 108896047A CN 201810438582 A CN201810438582 A CN 201810438582A CN 108896047 A CN108896047 A CN 108896047A
- Authority
- CN
- China
- Prior art keywords
- sensor
- node
- sensor node
- value
- dbjective state
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
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。
Description
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;
步骤S3:各传感器节点根据传感器当前时刻的量测信息,获得本地目标状态量测和先验的自身位置信息;
步骤S4:求解目标状态局部量测更新,包括变分迭代初始步时的更新和非初始步时的更新;其中:
在变分迭代的初始步时,各个传感器节点根据步骤S3获得的本地目标状态量测和先验的自身位置信息,求解目标状态局部量测更新;
在变分迭代的非初始步时,各个传感器节点根据步骤S3获得的本地目标状态量测和步骤S6得到的传感器自身位置的估计值求解目标状态局部量测更新;
步骤S5:各个传感器节点利用自身及相邻节点的目标状态局部量测更新,进行一致性迭代,使各传感器节点趋于全局一致,得到目标状态估计;
步骤S6:各传感器节点利用步骤S5获得的目标状态估计,计算传感器自身位置的估计值;
步骤S7:若变分迭代未结束,则返回执行步骤S4~步骤S6;若变分迭代结束,各传感器节点输出目标状态和自身位置的估计值。
优选地,所述步骤S1中,在各个传感器节点分别给定初始的目标状态和对应的误差方差阵其中分别代表各个不同的传感器节点,为所有传感器节点构成的集合。
优选地,所述步骤S2包括:
各个传感器节点i对目标状态进行一步状态和协方差预测,分别得到对k时刻状态和协方差的预测值和由得到的预测值,计算预测的信息矩阵和信息向量计算公式如下:
在此步骤中,对于初始步时预测和非初始步时预测的计算公式是相同的,区别仅在于公式中采用的参数来源不同。
优选地,所述步骤S3包括:
各个传感器节点i获取当前时刻k对目标的量测值以及当前时刻k各传感器节点i的位置量测值其中,表示定位设备给出的传感器位置估计值,表示定位设备给出的传感器位置估计值的估计误差方差。
优选地,所述步骤4包括:
对变分迭代的每一步t(t=1,2,...,M),各个传感器节点i固定自身的位置量测值利用自身对目标的量测值对目标的预测状态的信息矩阵和信息向量进行局部量测更新,得到局部后验的信息矩阵和信息向量
对信息矩阵和信息向量进行更新的公式如下:
式中:所有上标i代表传感器节点i,表示k时刻的传感器量测方程,偏微分的下标表示偏微分在处取值,表示状态预测值,表示t-1步变分迭代求得的传感器节点i的位置估计值且 表示k时刻第t步变分迭代后的后验信息矩阵,表示k时刻第t步变分迭代后的后验信息向量。
优选地,所述步骤S5包括:
各传感器节点i对步骤S4得到的后验信息矩阵和信息向量进行L步一致性迭代;各传感器节点i每一步一致性迭代的计算公式如下:
式中:所有上标i代表传感器节点i,代表包括节点i在内所有能与节点i直接通信的节点所构成的集合,j代表包括传感器节点i在内所有能与传感器节点i直接通信的节点,l代表当前一致性迭的步数,且l=1,2,...,L,迭代初值为
在此步骤中,涵盖了初始步更新和非初始步更新的具体过程;初始步更新和非初始步更新的计算过程相同,差异仅在于参数来源不同。
优选地,所述步骤S6包括:
各个传感器节点i固定目标的状态估计,计算自身位置的估计值,计算公式如下:
式中:所有上标i代表传感器节点i,表示k时刻的传感器量测方程,偏微分的下标表示偏微分在处取值,K代表滤波增益,代表k时刻第t步变分迭代后传感器节点i的位置估计值,为k时刻第t步变分迭代后传感器节点i的位置估计值对应的估计方差。
优选地,所述步骤S7包括:
步骤S7.1,当前变分迭代步t目标状态的提取,计算公式如下:
式中:所有上标i代表传感器节点i,代表k时刻第t步变分迭代的目标状态估计值,为k时刻第t步变分迭代的目标状态估计值对应的估计误差方差;
步骤S7.2,当变分迭代未结束时,返回执行步骤S4~步骤S6;
步骤S7.3,当变分迭代结束时,输出和分别作为当前时刻k目标状态和传感器自身位置的估计值。
与现有技术相比,本发明具有以下有益效果:
本发明充分利用分布式系统多传感器冗余信息,提升单传感器对目标状态和自身位置的估计精度。计算过程无需融合中心,各个节点通过相邻节点间的局部通信迭代计算,该方法简单有效、易于实施,特别适用于无中心节点的分布式传感器网络应用,可广泛应用于机器人、智能交通、空中交通管制和航天、航空、航海等各领域。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为传感器网络的拓扑结构和目标的运动轨迹示意图;
图2为σs=6m情形下传感器对目标状态(目标位置)估计的均方根误差示意图;
图3为σs=6m情形下传感器对自身位置估计的均方根误差示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
实施例
本实施例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,包括以下步骤:
步骤一,传感器网络各节点初始化,形成初始参数。
在各个传感器节点给定初始的目标状态估计和估计误差方差其中,为所有传感器节点构成的集合。
步骤二,传感器网络各节点进行预测更新。
在融合的每一步,各个传感器节点i采用卡尔曼滤波的预测步独立地进行目标状态预测,计算预测的目标状态并更新预测的估计误差方差阵同时,根据目标状态和估计误差方差阵计算对应的信息矩阵和信息向量
步骤三,传感器网络中各传感器节点i获取当前时刻k的传感器对目标状态的量测和先验的自身位置信息先验的位置信息可以源自传感器网络布设的坐标、自身定位设备(如GPS等)的定位信息。由于布设的不精确、环境变化以及干扰遮蔽等因素,这些先验的位置信息包含误差。
步骤四,将待求的目标状态xk与传感器位置的联合后验分布p(xk,ηk|Yk)近似为
式中,
步骤五,在变分迭代的每一步t(t=1,2,...,M),在各个传感器节点i,给定利用本地量测求解传感器i的局部量测更新,得到局部后验的信息矩阵和信息向量更新方程为:
其中
偏微分中的下标表示偏微分在下标对应点处取值,为k时刻传感器i的量测方程,为传感器的量测噪声方差阵。
步骤六,各个传感器节点i利用局部通信与其相邻的邻居节点交换当前本地的信息矩阵和信息向量并迭代地计算下式:
式中,为一致性迭代步数。
步骤七,计算当前变分迭代步t时Qx(xk)
近似的充分统计量:均值和方差
步骤八,在变分迭代的每一步t(t=1,2,...,M),在各个传感器节点i,给定计算
具体计算方法如下:
步骤九,M步变分迭代结束后,各传感器节点i输出目标状态xk和传感器位置的充分统计量(均值和方差)
下面结合附图对本实施例的技术方案进一步详细描述。
考虑一个二维平面的跟踪问题。考虑一个分布式的传感器网络由36个传感器节点构成,各个传感器随机部署在5000m×5000m的平面空间上,各个传感器仅能与其通信范围内的相邻节点进行通信。传感器测量与目标的方位角和相对距离,量测方程为
其中,为量测噪声, 为传感器的位置坐标。传感器的定位误差方差为实施例中σs采用0.1m,2m和6m三种情况进行对比。一个机动目标在二维平面内从传感器网络的监视区域通过,其状态向量为包含了目标的位置和速度。初始时刻目标的状态为
x0=[1700m,18m/s,4200m,-12m/s]T
滤波器的初始状态从高斯分布N(x0,P0)随机抽样产生,其中
P0=diag([102m2,3.22m2/s2,102m2,3.22m2/s2]T)
目标运动采用匀速模型(constant velocity,CV)。传感器网络的拓扑结构和目标的运动轨迹如图1所示。
给定上述的初值和仿真参数后,在每个仿真周期内,具体步骤如下所述:
步骤S1:状态预测
各个传感器节点i采用卡尔曼滤波的预测步独立地进行目标状态预测,计算预测的目标状态和估计误差方差阵并计算相应的信息矩阵和信息向量步骤S2:变分迭代更新
令(设定变分迭代初值)
For t=1,...,M(对每个t=1,...,M,进行如下操作)
令(各节点设定变分迭代初值)
For l=1,...,L(对每个l=1,...,L,进行如下操作)
End(结束)
End(结束)
步骤S3:各节点输出当前目标和传感器自身位置的状态估计
本实施例使用Matlab语言对所提出的算法进行了测试并与传感器定位无误差(CI-npe)、传统的不考虑传感器自身定位误差的信息一致性融合算法(CI-pn)两种情况进行对比。仿真在在前述3种不同σs情形下分别进行100次蒙特卡洛仿真。表1给出了在0.1m,2m和6m情况下的均方根误差统计值。图2、图3分别给出了σs=6m情形下传感器对目标状态和传感器自身位置估计的均方根误差。
从表1和图2、图3中可以看出,所提出的算法在传感器自身存在定位误差时,能够显著提升对目标状态和传感器位置的估计精度。
表1算法对比
综上,本实施例提出的算方法能够有效提升分布式传感器网络在传感器自身定位存在误差时对目标状态和传感器自身位置的估计精度。
本实施例提供的分布式传感器网络协同融合与传感器位置修正方法,是一种传感器网络协同融合与自身位置修正算法。具体地说,涉及的一种基于变分贝叶斯(variational Bayesian,VB)的一致性(consensus)传感器融合与传感器位置修正算法。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,本实施例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。本实施例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。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (8)
1.一种分布式传感器网络协同融合与传感器位置修正方法,其特征在于,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;
步骤S3:各传感器节点根据传感器当前时刻的量测信息,获得本地目标状态量测和先验的自身位置信息;
步骤S4:求解目标状态局部量测更新,包括变分迭代初始步时的更新和非初始步时的更新;其中:
在变分迭代过程的初始步时,各个传感器节点根据步骤S3获得的本地目标状态量测和先验的自身位置信息,求解目标状态局部量测更新;
在变分迭代过程的非初始步时,各个传感器节点根据步骤S3获得的本地目标状态量测和步骤S6得到的传感器自身位置的估计值求解目标状态局部量测更新;
步骤S5:各个传感器节点利用自身及相邻节点的目标状态局部量测更新,进行一致性迭代,使各传感器节点趋于全局一致,得到目标状态估计;
步骤S6:各传感器节点利用步骤S5获得的目标状态估计,计算传感器自身位置的估计值;
步骤S7:若变分迭代未结束,则返回执行步骤S4~步骤S6;若变分迭代结束,各传感器节点输出目标状态和自身位置的估计值。
2.根据权利要求1所述的分布式传感器网络协同融合与传感器位置修正方法,其特征在于,所述步骤S1中,在各个传感器节点分别给定初始的目标状态和对应的误差方差阵其中分别代表各个不同的传感器节点,为所有传感器节点构成的集合。
3.根据权利要求1所述的分布式传感器网络协同融合与传感器位置修正方法,其特征在于,所述步骤S2包括:
各个传感器节点i对目标状态进行一步状态和协方差预测,分别得到对k时刻状态和协方差的预测值和由得到的预测值,计算预测的信息矩阵和信息向量计算公式如下:
4.根据权利要求1所述的分布式传感器网络协同融合与传感器位置修正方法,其特征在于,所述步骤S3包括:
各个传感器节点i获取当前时刻k对目标的量测值以及当前时刻k各传感器节点i的位置量测值其中,表示定位设备给出的传感器位置估计值,表示定位设备给出的传感器位置估计值的估计误差方差。
5.根据权利要求4所述的分布式传感器网络协同融合与传感器位置修正方法,其特征在于,所述步骤4包括:
对变分迭代的每一步t(t=1,2,...,M),各个传感器节点i固定自身的位置量测值利用自身对目标的量测值对目标的预测状态的信息矩阵和信息向量进行局部量测更新,得到局部后验的信息矩阵和信息向量
对信息矩阵和信息向量进行更新的公式如下:
式中:所有上标i代表传感器节点i,表示k时刻的传感器量测方程,偏微分的下标表示偏微分在 处取值,表示状态预测值,表示t-1步变分迭代求得的传感器节点i的位置估计值且 表示k时刻第t步变分迭代后的后验信息矩阵,表示k时刻第t步变分迭代后的后验信息向量。
6.根据权利要求5所述的分布式传感器网络协同融合与传感器位置修正方法,其特征在于,所述步骤S5包括:
各传感器节点i对步骤S4得到的后验信息矩阵和信息向量进行L步一致性迭代;各传感器节点i每一步一致性迭代的计算公式如下:
式中:所有上标i代表传感器节点i,代表包括节点i在内所有能与节点i直接通信的节点所构成的集合,j代表包括传感器节点i在内所有能与传感器节点i直接通信的节点,l代表当前一致性迭的步数,且l=1,2,...,L,迭代初值为
7.根据权利要求6所述的分布式传感器网络协同融合与传感器位置修正方法,其特征在于,所述步骤S6包括:
各个传感器节点i固定目标的状态估计,计算自身位置的估计值,计算公式如下:
式中:所有上标i代表传感器节点i,表示k时刻的传感器量测方程,偏微分的下标表示偏微分在 处取值,K代表滤波增益,代表k时刻第t步变分迭代后传感器节点i的位置估计值,为k时刻第t步变分迭代后传感器节点i的位置估计值对应的估计方差。
8.根据权利要求7所述的分布式传感器网络协同融合与传感器位置修正方法,其特征在于,所述步骤S7包括:
步骤S7.1,当前变分迭代步t目标状态的提取,计算公式如下:
式中:所有上标i代表传感器节点i,代表k时刻第t步变分迭代的目标状态估计值,为k时刻第t步变分迭代的目标状态估计值对应的估计误差方差;
步骤S7.2,当变分迭代未结束时,返回执行步骤S4~步骤S6;
步骤S7.3,当变分迭代结束时,输出和分别作为当前时刻k目标状态和传感器自身位置的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810438582.XA CN108896047B (zh) | 2018-05-09 | 2018-05-09 | 分布式传感器网络协同融合与传感器位置修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810438582.XA CN108896047B (zh) | 2018-05-09 | 2018-05-09 | 分布式传感器网络协同融合与传感器位置修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108896047A true CN108896047A (zh) | 2018-11-27 |
CN108896047B CN108896047B (zh) | 2020-11-06 |
Family
ID=64342784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810438582.XA Active CN108896047B (zh) | 2018-05-09 | 2018-05-09 | 分布式传感器网络协同融合与传感器位置修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108896047B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782269A (zh) * | 2018-12-26 | 2019-05-21 | 北京壹氢科技有限公司 | 一种分布式多平台协同有源目标跟踪方法 |
CN109900309A (zh) * | 2019-03-08 | 2019-06-18 | 重庆邮电大学 | 一种基于混合状态空间模型的传感器数据盲校正方法 |
CN110031802A (zh) * | 2019-04-04 | 2019-07-19 | 中国科学院数学与系统科学研究院 | 具有未知量测零偏的双红外传感器的融合定位方法 |
CN110769376A (zh) * | 2019-10-22 | 2020-02-07 | 北京航空航天大学 | 一种基于事件触发机制的协同目标跟踪方法 |
CN110958639A (zh) * | 2019-01-31 | 2020-04-03 | 北京航空航天大学 | 一种目标状态估计方法及系统 |
CN113507744A (zh) * | 2021-06-25 | 2021-10-15 | 湖北科技学院 | 一种精度可调的分布式无线网络目标定位方法 |
CN114430525A (zh) * | 2022-03-15 | 2022-05-03 | 中国矿业大学 | 一种封闭空间基于传感器网络的分布式定位方法 |
CN115603845A (zh) * | 2022-09-19 | 2023-01-13 | 安徽理工大学(Cn) | 一种基于一致性策略的最优分布式滤波器协同目标跟踪方法 |
CN116186643A (zh) * | 2023-04-27 | 2023-05-30 | 北京航空航天大学 | 一种多传感器协同目标跟踪方法、系统、设备及介质 |
CN116295359A (zh) * | 2023-05-23 | 2023-06-23 | 中国科学院数学与系统科学研究院 | 一种分布式自适应协同跟踪定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648108A (zh) * | 2013-11-29 | 2014-03-19 | 中国人民解放军海军航空工程学院 | 传感器网络分布式一致性目标状态估计方法 |
CN103778320A (zh) * | 2013-12-30 | 2014-05-07 | 杭州电子科技大学 | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 |
CN104112079A (zh) * | 2014-07-29 | 2014-10-22 | 洛阳理工学院 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
CN106156790A (zh) * | 2016-06-08 | 2016-11-23 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN106991691A (zh) * | 2017-02-24 | 2017-07-28 | 北京理工大学 | 一种适用于摄像机网络下的分布式目标跟踪方法 |
-
2018
- 2018-05-09 CN CN201810438582.XA patent/CN108896047B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648108A (zh) * | 2013-11-29 | 2014-03-19 | 中国人民解放军海军航空工程学院 | 传感器网络分布式一致性目标状态估计方法 |
CN103778320A (zh) * | 2013-12-30 | 2014-05-07 | 杭州电子科技大学 | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 |
CN104112079A (zh) * | 2014-07-29 | 2014-10-22 | 洛阳理工学院 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
CN106156790A (zh) * | 2016-06-08 | 2016-11-23 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN106991691A (zh) * | 2017-02-24 | 2017-07-28 | 北京理工大学 | 一种适用于摄像机网络下的分布式目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
BEHROOZ SAFARINEJADIAN等: "Consensus Filter-Based Distributed Variational Bayesian Algorithm for Flow and Speed Density Prediction With Distributed Traffic Sensors", 《IEEE SYSTEMS JOURNAL》 * |
JUNHAO HUA等: "Distributed Variational Bayesian Algorithms Over Sensor Networks", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
PENG DONG等: "Variational Bayesian Adaptive Cubature Information Filter Based on Wishart Distribution", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
余东平等: "基于变分贝叶斯推理的多目标无源定位算法", 《南京邮电大学学报(自然科学版)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782269A (zh) * | 2018-12-26 | 2019-05-21 | 北京壹氢科技有限公司 | 一种分布式多平台协同有源目标跟踪方法 |
CN110958639A (zh) * | 2019-01-31 | 2020-04-03 | 北京航空航天大学 | 一种目标状态估计方法及系统 |
CN109900309A (zh) * | 2019-03-08 | 2019-06-18 | 重庆邮电大学 | 一种基于混合状态空间模型的传感器数据盲校正方法 |
CN109900309B (zh) * | 2019-03-08 | 2021-03-16 | 重庆邮电大学 | 一种基于混合状态空间模型的传感器数据盲校正方法 |
CN110031802A (zh) * | 2019-04-04 | 2019-07-19 | 中国科学院数学与系统科学研究院 | 具有未知量测零偏的双红外传感器的融合定位方法 |
CN110769376A (zh) * | 2019-10-22 | 2020-02-07 | 北京航空航天大学 | 一种基于事件触发机制的协同目标跟踪方法 |
CN113507744A (zh) * | 2021-06-25 | 2021-10-15 | 湖北科技学院 | 一种精度可调的分布式无线网络目标定位方法 |
CN113507744B (zh) * | 2021-06-25 | 2022-05-17 | 湖北科技学院 | 一种精度可调的分布式无线网络目标定位方法 |
CN114430525A (zh) * | 2022-03-15 | 2022-05-03 | 中国矿业大学 | 一种封闭空间基于传感器网络的分布式定位方法 |
CN115603845A (zh) * | 2022-09-19 | 2023-01-13 | 安徽理工大学(Cn) | 一种基于一致性策略的最优分布式滤波器协同目标跟踪方法 |
CN115603845B (zh) * | 2022-09-19 | 2024-04-19 | 安徽理工大学 | 一种基于一致性策略的最优分布式滤波器协同目标跟踪方法 |
CN116186643A (zh) * | 2023-04-27 | 2023-05-30 | 北京航空航天大学 | 一种多传感器协同目标跟踪方法、系统、设备及介质 |
CN116186643B (zh) * | 2023-04-27 | 2023-06-23 | 北京航空航天大学 | 一种多传感器协同目标跟踪方法、系统、设备及介质 |
CN116295359A (zh) * | 2023-05-23 | 2023-06-23 | 中国科学院数学与系统科学研究院 | 一种分布式自适应协同跟踪定位方法 |
CN116295359B (zh) * | 2023-05-23 | 2023-08-15 | 中国科学院数学与系统科学研究院 | 一种分布式自适应协同跟踪定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108896047B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108896047A (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
US7821453B2 (en) | Distributed iterative multimodal sensor fusion method for improved collaborative localization and navigation | |
Wang et al. | Robust device-free wireless localization based on differential RSS measurements | |
Razavi et al. | Using reference RFID tags for calibrating the estimated locations of construction materials | |
CN103648108B (zh) | 传感器网络分布式一致性目标状态估计方法 | |
CN107592671B (zh) | 一种网络化多智能体主动变拓扑的自主协同定位方法 | |
Villas et al. | 3D localization in wireless sensor networks using unmanned aerial vehicle | |
CN102231912A (zh) | 一种基于rssi测距的室内无线传感器网络定位方法 | |
CN107066806B (zh) | 航迹关联方法及装置 | |
Ibrahim et al. | Inertial measurement unit based indoor localization for construction applications | |
CN109765928A (zh) | 基于移动多智能体编队的协作式控制与目标跟踪方法 | |
CN110225454A (zh) | 一种置信度传递的分布式容积卡尔曼滤波协作定位方法 | |
Xue et al. | DeepTAL: Deep learning for TDOA-based asynchronous localization security with measurement error and missing data | |
CN109379702B (zh) | 一种三维传感器网络节点定位方法及系统 | |
CN103630876A (zh) | 基于RSSI的ZigBee节点定位方法 | |
CN112163052B (zh) | 一种信息缺失量测下的多传感器空间配准方法 | |
Lou et al. | High-accuracy positioning algorithm based on uwb | |
CN108845308B (zh) | 基于路径损耗修正的加权质心定位方法 | |
CN116908777A (zh) | 基于显式通信带标签伯努利的多机器人随机组网协同导航方法 | |
CN113324544B (zh) | 一种基于图优化的uwb/imu的室内移动机器人协同定位方法 | |
CN114705223A (zh) | 多移动智能体在目标跟踪中的惯导误差补偿方法及系统 | |
CN110944293B (zh) | 基于路径衰减和卡尔曼滤波融合的无线电搜索定位方法 | |
CN114666732A (zh) | 一种含噪网络下动目标定位解算及误差评价方法 | |
Ismail et al. | Comparison of wireless sensor node localisation between trilateration and multi-lateration methods using rssi | |
Van de Velde et al. | Fast and robust anchor calibration in range-based wireless localization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |