CN109151760B - 基于平方根容积量测加权一致的分布式状态滤波方法 - Google Patents

基于平方根容积量测加权一致的分布式状态滤波方法 Download PDF

Info

Publication number
CN109151760B
CN109151760B CN201811170457.1A CN201811170457A CN109151760B CN 109151760 B CN109151760 B CN 109151760B CN 201811170457 A CN201811170457 A CN 201811170457A CN 109151760 B CN109151760 B CN 109151760B
Authority
CN
China
Prior art keywords
square root
information
node
state
consistency
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.)
Active
Application number
CN201811170457.1A
Other languages
English (en)
Other versions
CN109151760A (zh
Inventor
刘瑜
刘俊
丁自然
孙顺
曹先彬
杜文博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Naval Aeronautical University
Original Assignee
Beihang University
Naval Aeronautical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University, Naval Aeronautical University filed Critical Beihang University
Priority to CN201811170457.1A priority Critical patent/CN109151760B/zh
Publication of CN109151760A publication Critical patent/CN109151760A/zh
Application granted granted Critical
Publication of CN109151760B publication Critical patent/CN109151760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于平方根容积量测加权一致的分布式状态滤波方法，涉及信息融合技术中的传感器网络分布式状态滤波问题。该方法首先利用平方根容积规则获取各节点对目标状态的预测信息向量和信息矩阵的平方根因子；然后基于本地状态预测信息和传感器节点的测量信息计算对应的本地量测信息向量和量测信息矩阵平方根因子，并通过邻居节点间的量测信息交互进行加权一致性迭代；最后，通过加权各节点的状态预测信息和一致性量测信息，更新目标的状态估值。该方法较好地解决了传感器网络分布式非线性状态滤波问题，提高了各节点状态估值的一致性收敛速度和方法的数值稳定性。

Description

基于平方根容积量测加权一致的分布式状态滤波方法
技术领域
本发明涉及信息融合技术中的传感器网络分布式状态滤波问题，适用于各类传感器网络分布式目标跟踪系统。
背景技术
近年来，传感器网络在目标跟踪、环境监视、无线视频组网等领域应用广泛，相比集中式状态估计技术优势明显，整个系统具备可扩展性好、通信负担小、对单个节点失效不敏感等诸多优势。
跟踪监视区域内目标的运动状态是传感器网络的基本任务之一，现有技术中一致性状态估计方法的研究较为广泛。针对线性高斯系统，通过平均一致性方法可获得与集中式相近的估计结果，利用泰勒级数展开非线性状态方程和量测方程，结合扩展卡尔曼滤波可解决非线性高斯系统中的状态估计问题。但当系统高度非线性时，会造成方法不稳定，且估计精度较低。与扩展卡尔曼滤波相比，不敏滤波、容积滤波等确定性采样型方法稳定性较好，估计精度也更高，但由于计算机字长有限、存在截断误差等，难以保证估计误差协方差时刻对称正定，从而无法执行滤波过程中的误差协方差矩阵平方根操作，造成滤波器失效。特别是不敏滤波器，尺度参数的选择直接影响最终的滤波性能，若选择不当，易引起滤波发散。粒子滤波器虽然能够很好的解决非线性状态滤波问题，但计算量较大，实时性相对较差，难以满足工程应用的要求。此外，现有的一致性协议往往假设网络中所有传感器均可以观测到目标，且所有邻居节点间的一致性速率因子也相同，造成整个网络中节点收敛速度较慢，精度也相对较低。在实际应用中，网络中的感知节点数量往往有限，大部分节点均为通信节点，不具备感知功能，仅负责转发感知接节点的观测信息。此外，目标的运动、传感器的观测经常呈现非线性，网络中各节点的计算能力、能量等也有限，如何利用有限的资源实现对目标状态的分布式有效估计是一个值得深入研究的问题。
发明内容
1要解决的技术问题
本发明的目的在于提供一种基于平方根容积量测加权一致的分布式状态滤波方法。该方法利用平方根容积规则预测各节点的目标状态信息，然后结合节点的观测值计算相应的量测信息，并通过邻居节点间的信息加权一致性迭代实现全网量测信息平均，最后基于预测信息和一致性量测信息加权更新目标的估计状态。
2技术方案
本发明所述的基于平方根容积量测加权一致的分布式状态滤波方法，具体流程如图1所示。包括以下技术措施：首先，各节点利用前一时刻的状态估计信息预测当前时刻的状态信息向量和信息矩阵的平方根因子；然后，基于各节点的观测信息和状态预测信息计算对应的量测信息向量和量测信息矩阵平方根因子，并通过邻居节点间的信息交互进行加权一致性迭代，实现全网量测信息平均；最后，通过加权各节点的状态预测信息和一致性量测信息，更新目标的状态估值。
3有益效果
本发明相比背景技术具有如下的优点：
(1)提高了各节点状态估值的一致性收敛速度；
(2)提高了方法的数值稳定性；
(3)较好地解决了传感器网络分布式非线性状态滤波问题。
附图说明
图1：基于平方根容积量测加权一致的分布式状态滤波方法流程图；
图2：传感器网络中各节点的功能及通信链接关系；
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图，本发明中目标非线性状态滤波分以下几个步骤：
1问题描述
不失一般性，考虑非线性离散时间系统
xk＝f(xk-1)+wk-1 (1)
zi,k＝hi(xk)+vi,k (2)
其中，
Figure BDA0001822263200000021
分别表示k时刻的目标状态及传感器i的量测，其中nx为状态维度，
Figure BDA0001822263200000022
为传感器i的量测维度；f(·)和hi(·)分别表示非线性系统函数和量测函数，过程噪声
Figure BDA0001822263200000023
和量测噪声
Figure BDA0001822263200000024
均为零均值高斯白噪声，即wk～N(0,Qk)，vi,k～N(0,Ri,k)。
本发明讨论的传感器网络由感知节点和通信节点组成，其中通信节点可以处理局部数据，也可以与邻居节点交换信息，而感知节点除具备这些功能外，还可以从监视区域探测目标信息。网络中引入通信节点可以为远距离感知节点间进行信息交换提供中转，同时降低了各节点的通信能耗，提高了网络连接度，加快了网络中信息的流通速度。网络的通信拓扑可用无向图
Figure BDA0001822263200000025
描述，其中
Figure BDA0001822263200000026
表示网络中的传感器节点集合，
Figure BDA0001822263200000027
表示感知节点的集合，
Figure BDA0001822263200000028
表示通信节点的集合，ε表示网络中的边的集合。网络中传感器节点的总数用N表示，其中感知节点的数量为
Figure BDA0001822263200000029
通信节点的数量为
Figure BDA00018222632000000210
节点i的邻居节点集合用
Figure BDA00018222632000000211
表示，即与节点i建立通信链接的所有直接邻居节点的集合，节点i的度为
Figure BDA00018222632000000212
表示邻居节点集中的元素个数，
Figure BDA00018222632000000213
表示
Figure BDA00018222632000000214
中的第h个元素。在图2所示的全连通传感器网络中，监视区域内仅有5个感知节点，剩余节点均为通信节点，各节点的通信链接关系如图中所示。以虚线椭圆框内的5个节点为例，节点C1的邻居节点集为
Figure BDA0001822263200000031
节点C1的度为
Figure BDA0001822263200000032
如何根据网络中节点的量测信息和通信拓扑结构估计目标的非线性状态是本专利要解决的问题。
2基于平方根容积规则预测本地状态信息
假设节点i对k时刻目标的估计状态为
Figure BDA0001822263200000033
对应的状态信息向量为
Figure BDA0001822263200000034
估计误差协方差为Pi,k|k，其平方根因子为Si,k|k，满足
Figure BDA0001822263200000035
对应的估计信息矩阵为
Figure BDA0001822263200000036
满足
Figure BDA0001822263200000037
其中Si,y,k|k为信息矩阵的平方根因子。
1)基于
Figure BDA0001822263200000038
计算容积点
Figure BDA0001822263200000039
Figure BDA00018222632000000310
其中
Figure BDA00018222632000000311
em表示第m个元素为1的单位向量。
2)计算经非线性状态转移函数传递的容积点
Xi,m,k+1|k＝f(Xi,m,k|k) (6)
3)计算状态的一步预测与误差协方差
Figure BDA00018222632000000312
Figure BDA00018222632000000313
其中
Figure BDA00018222632000000314
SQ,k为k时刻过程噪声协方差Qk的平方根因子，满足
Figure BDA00018222632000000315
4)计算预测的信息向量与信息矩阵的平方根因子
根据式(8)可知，预测误差协方差的平方根因子为
Figure BDA00018222632000000316
其中，S＝Tria(A)表示的关系如下：如果R是通过对AT进行QR分解得到的上三角矩阵，那么S＝RT为下三角矩阵。
因此，对应的预测误差协方差信息矩阵平方根因子为
Figure BDA0001822263200000041
预测的信息向量为
Figure BDA0001822263200000042
3基于平方根容积规则计算本地量测信息
如果节点i为感知节点，即
Figure BDA0001822263200000043
能够观测到目标的运动，则可通过以下步骤计算本地观测信息，具体如下：
1)基于
Figure BDA0001822263200000044
计算本地量测容积点
Figure BDA0001822263200000045
2)计算经非线性量测函数传递的容积点
Figure BDA0001822263200000046
3)计算量测的一步预测及相应的误差协方差
Figure BDA0001822263200000047
Figure BDA0001822263200000048
其中
Figure BDA0001822263200000049
Si,R,k+1为k+1时刻量测噪声协方差Ri,k+1的平方根因子，满足
Figure BDA00018222632000000410
对应的信息形式满足
Figure BDA00018222632000000411
由此可知
Figure BDA00018222632000000412
4)计算信息贡献向量和信息贡献矩阵的平方根因子
信息贡献矩阵的平方根因子为
Figure BDA00018222632000000413
其中
Figure BDA00018222632000000414
Figure BDA00018222632000000415
和
Figure BDA00018222632000000416
是下三角矩阵。对应的信息贡献向量为
Figure BDA0001822263200000051
如果节点i为通信节点，即
Figure BDA0001822263200000052
则其本地观测信息为ui,k+1＝0，Si,u,k+1＝0。
4量测信息加权一致性迭代
为了使一致性方法更快地收敛到目标值，此处选择Metropolis权重作为一致性迭代的速率因子，其定义为
Figure BDA0001822263200000053
与传统的常数速率因子不同，Metropolis权重根据网络中传感器节点的空间拓扑确定各节点之间的一致性迭代速率因子，可保证速率因子非负。
令vi,0＝ui,k+1，Vi,0＝Si,u,k+1，
Figure BDA0001822263200000054
对量测信息矩阵进行一次迭代，有
Figure BDA0001822263200000055
通过网络中邻居节点间的量测信息交互，对本地量测信息向量和信息矩阵平方根因子进行L次加权一致性迭代，得到一致性信息向量vi,L和信息矩阵平方根因子Vi,L。
For l＝0:L-1
Figure BDA0001822263200000056
Figure BDA0001822263200000057
End
5更新目标状态估值
经过加权一致性处理后，目标的全局状态估计为
Figure BDA0001822263200000058
Figure BDA0001822263200000059
由于
Figure BDA00018222632000000510
因此
Figure BDA0001822263200000061
Figure BDA0001822263200000062
至此，完成目标估计状态的更新。

Claims (1)

1.基于平方根容积量测加权一致的分布式状态滤波方法，其特征在于，包括以下步骤：
(1)基于平方根容积规则预测本地传感器节点的状态信息；
具体为：基于
Figure FDA0003102928410000011
计算本地传感器节点i状态估值的容积点，其中
Figure FDA0003102928410000012
为本地传感器节点i对k时刻的状态信息向量，Si,y,k|k为本地传感器节点i对k时刻的信息矩阵的平方根因子，本地传感器节点i对k时刻目标的估计误差协方差为Pi,k|k，本地传感器节点i对k时刻的平方根因子为Si,k|k，满足
Figure FDA0003102928410000013
估计信息矩阵为
Figure FDA0003102928410000014
满足
Figure FDA0003102928410000015
Figure FDA0003102928410000016
Figure FDA0003102928410000017
Figure FDA0003102928410000018
为本地传感器节点i对k时刻目标的估计状态；
其中
Figure FDA0003102928410000019
em表示第m个元素为1的单位向量；
计算经非线性状态转移函数传递的容积点；
Xi,m,k+1|k＝f(Xi,m,k|k)；
计算状态的一步预测与误差协方差；
Figure FDA00031029284100000110
Figure FDA00031029284100000111
其中
Figure FDA00031029284100000112
SQ,k为k时刻过程噪声协方差Qk的平方根因子，满足
Figure FDA00031029284100000113
计算预测的信息向量与信息矩阵的平方根因子；
预测误差协方差的平方根因子为：
Si,k+1|k＝Tria([Xi,k+1|k SQ,k])
其中，S＝Tria(A)表示的关系如下：如果R是通过对AT进行QR分解得到的上三角矩阵，那么S＝RT为下三角矩阵；
因此，对应的预测误差协方差信息矩阵平方根因子为
Figure FDA0003102928410000021
预测的信息向量为
Figure FDA0003102928410000022
(2)基于平方根容积规则计算本地量测信息；
具体为：基于
Figure FDA0003102928410000023
计算本地量测容积点；
Figure FDA0003102928410000024
计算经非线性量测函数传递的容积点；
Figure FDA0003102928410000025
计算量测的一步预测及相应的误差协方差；
Figure FDA0003102928410000026
Figure FDA0003102928410000027
其中
Figure FDA0003102928410000028
Si,R,k+1为k+1时刻量测噪声协方差Ri,k+1的平方根因子，满足
Figure FDA0003102928410000029
对应的信息形式满足
Figure FDA00031029284100000210
由此可知
Figure FDA00031029284100000211
计算信息贡献向量和信息贡献矩阵的平方根因子；
信息贡献矩阵的平方根因子为
Figure FDA00031029284100000212
其中
Figure FDA00031029284100000213
Figure FDA0003102928410000031
和
Figure FDA0003102928410000032
是下三角矩阵，对应的信息贡献向量为
Figure FDA0003102928410000033
如果节点i为通信节点，即i∈C，则其本地观测信息为ui,k+1＝0，Si,u,k+1＝0；
(3)对量测信息进行加权一致性迭代，具体为：假设量测信息向量的迭代初始值为vi,0＝ui,k+1，量测信息矩阵平方根因子的迭代初始值为Vi,0＝Si,u,k+1，其中ui,k+1表示k+1时刻节点i的本地量测信息向量，Si,u,k+1表示k+1时刻节点i的本地量测信息矩阵平方根因子；对量测信息向量和信息矩阵平方根因子分别进行L次加权一致性迭代，得到一致性量测信息向量vi,L和一致性量测信息矩阵平方根因子Vi,L；
For l＝0:L-1
Figure FDA0003102928410000034
Figure FDA0003102928410000035
End
式中，
Figure FDA0003102928410000039
表示节点i的邻居节点集，wij表示考虑了传感器节点的空间拓扑结构来确定的一致性速率因子，
Figure FDA00031029284100000310
表示节点i的第j个邻居节点；
所述一致性速率因子的确定方法具体包括：根据网络中节点的空间拓扑计算一致性速率因子wij，满足
Figure FDA0003102928410000036
式中，di表示网络中节点i的度，ε表示网络中边的集合；
(4)更新目标状态估值；
量测信息经过加权一致性处理后，得到更新的状态信息向量
Figure FDA0003102928410000037
和更新的状态信息矩阵平方根因子
Figure FDA0003102928410000038
其中N表示网络中传感器节点的总数；
因此，目标的状态估计更新为
Figure FDA0003102928410000041
至此，完成目标的状态估计更新。
CN201811170457.1A 2018-10-09 2018-10-09 基于平方根容积量测加权一致的分布式状态滤波方法 Active CN109151760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811170457.1A CN109151760B (zh) 2018-10-09 2018-10-09 基于平方根容积量测加权一致的分布式状态滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811170457.1A CN109151760B (zh) 2018-10-09 2018-10-09 基于平方根容积量测加权一致的分布式状态滤波方法

Publications (2)

Publication Number Publication Date
CN109151760A CN109151760A (zh) 2019-01-04
CN109151760B true CN109151760B (zh) 2021-08-27

Family

ID=64810844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811170457.1A Active CN109151760B (zh) 2018-10-09 2018-10-09 基于平方根容积量测加权一致的分布式状态滤波方法

Country Status (1)

Country Link
CN (1) CN109151760B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112583380A (zh) * 2020-12-15 2021-03-30 哈尔滨工程大学 一种基于收敛优化的分布式多速率粒子滤波算法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105356860A (zh) * 2015-07-01 2016-02-24 西北工业大学 改进的强跟踪平方根容积卡尔曼滤波方法
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
CN108255791A (zh) * 2018-01-09 2018-07-06 中国人民解放军海军航空大学 基于分布式传感器一致性的机动目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7778315B2 (en) * 2004-04-14 2010-08-17 Tektronix, Inc. Measuring instantaneous signal dependent nonlinear distortion in response to varying frequency sinusoidal test signal

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105356860A (zh) * 2015-07-01 2016-02-24 西北工业大学 改进的强跟踪平方根容积卡尔曼滤波方法
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
CN108255791A (zh) * 2018-01-09 2018-07-06 中国人民解放军海军航空大学 基于分布式传感器一致性的机动目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
非均匀拓扑网络中的分布式一致性状态估计计算法;刘瑜;《系统工程与电子技术》;20180930 *

Also Published As

Publication number Publication date
CN109151760A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN112180734B (zh) 一种基于分布式自适应事件触发的多智能体一致性方法
Ahmadi et al. An accurate prediction method for moving target localization and tracking in wireless sensor networks
CN109151759B (zh) 传感器网络分布式信息加权一致性状态滤波方法
CN108896047B (zh) 分布式传感器网络协同融合与传感器位置修正方法
Zhang et al. Itô–Volterra optimal state estimation with continuous, multirate, randomly sampled, and delayed measurements
Kantas et al. Distributed maximum likelihood for simultaneous self-localization and tracking in sensor networks
CN111127523B (zh) 基于量测迭代更新的多传感器gmphd自适应融合方法
CN106685427B (zh) 一种基于信息一致性的稀疏信号重构方法
CN110958639A (zh) 一种目标状态估计方法及系统
CN109151760B (zh) 基于平方根容积量测加权一致的分布式状态滤波方法
CN109254532A (zh) 一种面向通信时滞的多智能体分布式合作故障检测方法
CN116186643B (zh) 一种多传感器协同目标跟踪方法、系统、设备及介质
CN108347694B (zh) 一种基于边界条件的节点定位方法及系统
CN109379058B (zh) 基于平方根容积信息一致的分布式非线性状态估计方法
CN109362049B (zh) 基于混合信息加权一致的平方根容积滤波方法
CN115718906A (zh) 一种多能源系统多源异构数据融合方法及系统
CN103313386B (zh) 基于信息一致性权值优化的无线传感网络目标跟踪方法
CN109341690B (zh) 一种鲁棒高效的组合导航自适应数据融合方法
Zhang et al. Improved calibration method for dynamic traffic assignment models: constrained extended Kalman filter
Chen et al. Data fusion based on temperature monitoring of aquaculture ponds with wireless sensor networks
CN111340853B (zh) 基于ospa迭代的多传感器gmphd自适应融合方法
Abdelgawad Distributed Kalman filter with fast consensus for wireless sensor networks
CN103313384A (zh) 一种基于信息一致性的无线传感网络目标跟踪方法
Yingrong et al. Distributed state estimation for heterogeneous mobile sensor networks with stochastic observation loss
Lee et al. Markov chain distributed particle filters (MCDPF)

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
CB03 Change of inventor or designer information

Inventor after: Liu Yu

Inventor after: Liu Jun

Inventor after: Ding Ziran

Inventor after: Sun Shun

Inventor after: Cao Xianbin

Inventor after: Du Wenbo

Inventor before: Liu Jun

Inventor before: Liu Yu

Inventor before: Ding Ziran

Inventor before: Sun Shun

Inventor before: Cao Xianbin

Inventor before: Du Wenbo

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant