CN110515069A - 一种用于分布式目标跟踪的自适应一致性信息滤波方法 - Google Patents

Abstract

本发明提供一种用于分布式目标跟踪的自适应一致性信息滤波方法，首先利用无迹变换对非线性模型进行线性化并进行时间更新，然后根据当前时刻的测量信息构建检验统计量，以此判断每一个传感器的测量值是否出现异常，依据相邻传感器中出现异常的总数判断是否出现野值或机动，基于上述判断结果，若传感器测量出现野值，则将野值剔除，若目标出现机动，则利用衰减因子抑制动力学模型误差的影响，最后对网络中多个传感器所得到的信息进行一致性迭代，得到更新后的目标状态估计值及方差。本发明方法针对分布式传感器网络中的目标跟踪问题，在存在有色噪声和目标机动的情况下，实现稳定且高精度的目标跟踪。

Description

一种用于分布式目标跟踪的自适应一致性信息滤波方法

技术领域

本发明属于无线传感器网络目标跟踪技术领域，特别地，涉及一种可减少目标机动和传感器测量野值影响的用于分布式目标跟踪的自适应一致性信息滤波方法。

背景技术

目标跟踪是指利用单个或多个传感器获取与目标状态相关的测量信息，然后通过一定的估计方法确定目标的状态信息，例如目标当前的位置信息、速度信息等。随着传感器技术的发展，无线传感器网络在目标跟踪领域得到了广泛应用，通过采用无线传感器网络，如雷达网络、光学相机网络等，目标的跟踪精度及跟踪稳定性可以得到显著提高。状态估计方法是实现目标跟踪的关键，其大致分为两类，即集中式方法和分布式方法。在集中状态估计方法中，所有传感器的测量数据都需要发送到融合中心进行下一步处理，进而造成融合中心的计算及通信负担十分繁重；而分布式状态估计方法则不需要任何融合中心，传感器的测量数据在相邻节点之间就可实现信息交换。因而，分布式状态估计方法具有良好的可扩展性，计算量小，对传感器节点的失效具有鲁棒性等优点。

在分布式状态估计方法中，基于一致性的方法具有全局收敛性且易于实现，常见的有基于一致性的卡尔曼滤波(CKF，consensus-based Kalman filter)和基于一致性的信息滤波(CIF，consensus-based information filter)；其中，CIF具有更高的计算效率，更适用于分布式目标跟踪领域。而为了实现对非线性系统的分布式状态估计，常见的CIF包括基于一致性的扩展信息滤波(CEIF，consensus-based extend information filter)和基于一致性的无迹信息滤波(CUIF，consensus-based unscented information filte)；其中，CUIF可以实现更高的跟踪精度，因为它采用了无迹变换来近似随机状态变量的后验均值和协方差，而且不需要推导雅可比矩阵，更容易被应用于不同系统之中。

对于机动目标的跟踪是一个十分具有挑战性的问题。当目标发生机动时，由于滤波器中使用的动力学模型不能真实反映出目标的运动状态，传统的状态估计方法可能会出现发散。此外，传感器测量野值也是导致目标跟踪性能降低的不利因素之一。为了使分布式状态估计方法更加适用，我们需要针对上述问题对传统方法进行改进。

现有的改进技术方案如下：

中国专利CN201810020071.6公开了一种基于分布式传感器一致性的机动目标跟踪方法，该方法在CUIF的基础上采用了交互式多模型(IMM，interacting multiple model)的思想，将多个运动模型组合成系统模型集，在跟踪过程中不断调整各模型的概率，使得系统模型在目标机动过程中更加接近实际情况，从而实现对机动目标的跟踪。

中国专利CN201811136618.5公开了一种分布式融合结构中的强跟踪渐消因子计算方法，其核心是当目标运动状态由于机动产生突变时，通过计算强跟踪渐消因子(又称衰减因子)对目标状态的预测误差协方差阵进行调整，可降低机动对于目标跟踪精度的影响，进而实现对机动目标的有效跟踪。

中国专利CN201510341115.1公开了一种野值剔除方法及装置，利用第i个传感器的实际测量值和预估测量值构建检验值，并判断每一时刻的检验值是否小于预设门限，当检验值大于预设门限时，则判定该时刻的测量值为野值并予以剔除，通过对传感器测量野值的检测和剔除，可有效提高跟踪精度。

但上述改进方案仍存在如下缺陷：(1)传感器测量野值和目标机动都可以引起目标估计状态的突变，但现有技术方案无法准确区分这两种情况并采取对应的处理措施；(2)IMM方法无法对采用脉冲机动的目标进行建模，强跟踪技术中对于渐消因子的计算都是基于卡尔曼滤波实现的，不适于在分布式方法中应用。

发明内容

本发明的目的在于提供一种适用于分布式目标跟踪且降低由传感器野值和目标机动所带来不利影响的自适应一致性信息滤波方法，以解决背景技术中提出的问题。

为实现上述目的，本发明提供了一种用于分布式目标跟踪的自适应一致性信息滤波方法，在传感器网络中设置N个传感器节点，其通讯拓扑结构由无向图G＝(C,E)表示，其中，C＝{1,2,…,N}表示节点的集合，E＝{(i,j)|i,j∈C}表示边的集合，与第i个节点相邻的节点集合表示为N_i＝{j∈C|(i,j)∈E}且在该集合中有N_i个节点；

目标动力学模型和传感器测量模型表示为如下形式：

x_k＝f(x_k-1)+w_k-1

式中，x_k是目标在第k个时刻的状态向量，f是由目标动力学特性决定的非线性函数，w_k-1是动力学模型噪声，是第i个传感器在第k时刻的测量值，hⁱ是第i个传感器的测量函数，是测量噪声，此外，w_k-1和均为零均值高斯白噪声且二者不相关，w_k-1的方差为Q_k-1，的方差为

所述方法包括如下步骤：

步骤1)利用无迹变换对非线性模型进行线性化，并进行时间更新；

步骤2)根据当前时刻的测量信息构建检验统计量，然后判断每一个传感器的测量值是否出现异常，最后依据相邻传感器中出现异常的总数判断是否出现野值或机动；

步骤3)基于上述判断结果，若传感器测量出现野值，则将野值剔除，若目标出现机动，则利用衰减因子抑制动力学模型误差的影响；

步骤4)对网络中多个传感器所得到的信息进行一致性迭代；

步骤5)更新目标状态估计值及方差。

优选地，所述步骤1)的具体过程如下：

①、Sigma点采样

Sigma点集合为{χ_i,k-1|τ＝0,…,2n,k≥1}，如下所示：

式中，λ＝α²(n+K)-n，0≤α≤1且用于控制Sigma点的分布，K＝3-n，是cholsky因子的行，随机状态变量的均值和协方差值的权重ω为：

式中，β是与状态的先验分布有关的参数，ω的上标代表权重的类型，当上标为m时为均值的权重，当上标为c时为协方差值的权重；

②时间更新

设定k时刻目标状态的估计值和方差为和则信息状态的预测值和信息矩阵的预测值通过下式计算得到：

且

优选地，在Sigma点采样过程中，β在高斯分布的情况下设置为2。

优选地，所述步骤2)的具体过程如下：

①构建检验统计量

对于第i个传感器，其在k时刻的检验统计量如下：

其中，

式中，为检验统计量，为新息(滤波常用术语，为实际测量量和预估测量量之间的差值)，为预估测量值，为测量自相关矩阵；

②判断测量值是否出现异常

由于在无异常时服从卡方分布，可按照下式对传感器测量值进行检测：

其中

式中，代表第i个传感器在k时刻的测量值是否出现异常，TH为预设的检测门限，m是测量量的维度；

③野值与机动的判别

相邻传感器互相传递则可求得第i个传感器的相邻异常总数：

根据的取值来判断是否出现野值或机动，表达式如下：

式中，Ω_TH为判别门限，其取值通过比较野值概率与机动概率的相对大小得到。

优选地，所述步骤3)的具体过程如下：

①野值剔除

当所述步骤2)中判定出现野值时，则通过下式将野值剔除：

②机动处理

当所述步骤2)中判定目标发生机动时，则通过加入衰减因子放大目标状态预测方差矩阵，进而削弱动力学模型误差带来的影响，衰减因子的计算过程如下：

其中

式中，σ为遗忘因子，用于控制前一时刻的取值对于当前取值影响的大小，tr表示对矩阵求迹，即矩阵主对角线各元素的总和，T表示矩阵转置；

③计算共识因子和

其中

当无机动时，取1。

优选地，在机动处理过程中，公式中σ的取值为0.95。

优选地，所述步骤4)的具体过程如下：

for l＝1to L

I.发送和到邻居节点j∈Ν_i

II.接收和来自邻居节点j∈Ν_i

III.共识因子更新:

end for

其中，L为一致性迭代次数，θ为一致性采纳率且0＜θ＜1/Δ_max，Δ_max是传感器网络图形的最大的度。

优选地，在所述步骤5)中，目标在k时刻状态的估计值及方差可通过下式计算：

本发明提供的技术方案至少具有如下有益效果：

本发明方法针对分布式传感器网络中的目标跟踪问题，在存在有色噪声和目标机动的情况下，可以有效区分野值和机动并采取相应的处理措施，降低了野值和机动对目标估计状态产生的不利影响，减少目标估计状态出现突变或发散的情况，进而实现对目标的稳定及高精度跟踪。

本发明方法基于一致性的无迹信息滤波器，通过测量值异常检测来判别是否出现野值或机动，又通过引入衰减因子抑制对目标机动所造成的动力学模型误差，提高了目标跟踪精度，也提高了分布式状态估计方法的适用性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：

图1是本发明中用于分布式目标跟踪的自适应一致性信息滤波方法的流程图；

图2是本发明实施例1中的雷达网络的通信拓扑结构；

图3是本发明实施例1中传感器出现野值时的仿真结果图；

图4是本发明实施例1中目标发生机动时的仿真结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参见图1，一种用于分布式目标跟踪的自适应一致性信息滤波方法，具体包括如下步骤：

步骤1)在传感器网络中设置N个传感器节点，其通讯拓扑结构由无向图G＝(C,E)表示，其中，C＝{1,2,…,N}表示节点的集合，E＝{(i,j)|i,j∈C}表示边的集合，与第i个节点相邻的节点集合表示为N_i＝{j∈C|(i,j)∈E}且在该集合中有N_i个节点；

目标动力学模型和传感器测量模型表示为如下形式：

x_k＝f(x_k-1)+w_k-1

式中，x_k是目标在第k个时刻的状态向量，f是由目标动力学特性决定的非线性函数，w_k-1是动力学模型噪声，是第i个传感器在第k时刻的测量值，hⁱ是第i个传感器的测量函数，是测量噪声，此外，w_k-1和均为零均值高斯白噪声且二者不相关，w_k-1的方差为Q_k-1，的方差为

利用无迹变换对非线性模型进行线性化并进行时间更新，具体过程如下：

①、Sigma点采样

Sigma点集合为{χ_i,k-1|τ＝0,…,2n,k≥1}，如下所示：

式中，λ＝α²(n+K)-n，0≤α≤1且用于控制Sigma点的分布，K＝3-n，是cholsky因子的行，随机状态变量的均值和协方差值的权重ω为：

式中，β是与状态的先验分布有关的参数，β在高斯分布的情况下设置为2，ω的上标代表权重的类型，当上标为m时为均值的权重，当上标为c时为协方差值的权重；

②时间更新

设定k时刻目标状态的估计值和方差为和则信息状态的预测值和信息矩阵的预测值通过下式计算得到：

且

步骤2)根据当前时刻的测量信息构建检验统计量，然后判断每一个传感器的测量值是否出现异常，最后依据相邻传感器中出现异常的总数判断是否出现野值或机动，具体过程如下：

①构建检验统计量

对于第i个传感器，其在k时刻的检验统计量如下：

其中，

式中，为检验统计量，为新息，为预估测量值，为测量自相关矩阵；

②判断测量值是否出现异常

由于在无异常时服从卡方分布，可按照下式对传感器测量值进行检测：

其中

式中，代表第i个传感器在k时刻的测量值是否出现异常，TH为预设的检测门限，m是测量量的维度；

③野值与机动的判别

相邻传感器互相传递则可求得第i个传感器的相邻异常总数：

根据的取值来判断是否出现野值或机动，表达式如下：

式中，Ω_TH为判别门限，其取值通过比较野值概率与机动概率的相对大小得到。

步骤3)基于上述判断结果，若传感器测量出现野值，则将野值剔除，若目标出现机动，则利用衰减因子抑制动力学模型误差的影响，具体过程如下：

①野值剔除

当所述步骤2)中判定出现野值时，则通过下式将野值剔除：

②机动处理

当所述步骤2)中判定目标发生机动时，则通过加入衰减因子放大目标状态预测方差矩阵，进而削弱动力学模型误差带来的影响，衰减因子的计算过程如下：

其中

式中，σ为遗忘因子，用于控制前一时刻的取值对于当前取值影响的大小，根据经验将σ取值为0.95，有利于增强算法的稳定性，tr表示对矩阵求迹，即矩阵主对角线各元素的总和，T表示矩阵转置；

③计算共识因子和

其中

当无机动时，取1。

步骤4)对网络中多个传感器所得到的信息进行一致性迭代，具体过程如下：

for l＝1to L

I.发送和到邻居节点j∈Ν_i

II.接收和来自邻居节点j∈Ν_i

III.共识因子更新:

end for

其中，L为一致性迭代次数，θ为一致性采纳率且0＜θ＜1/Δ_max，Δ_max是传感器网络图形的最大的度。

步骤5)更新目标状态估计值及方差，具体过程如下：

目标在k时刻状态的估计值及方差可通过下式计算：

实施例1

参见图2，对上述方法采用MATLAB软件进行仿真模拟实验，仿真场景中通过由四个观测平台组成的雷达网络跟踪近地轨道(LEO)目标，仿真模拟中使用的参数取值如表1所示，目标和观测平台的初始位置和速度如表2所示。

表1初始参数条件

表2目标和观测平台的初始位置和速度条件

1、设定在1000s和2000s时传感器出现野值，仿真结果如图3所示，其中，ACUIF为本发明方法，CUIF为现有技术，即在本发明背景技术中提到的基于一致性的无迹信息滤波。由图3可知，当传感器出现野值时，CUIF的位置跟踪误差明显增大，而本发明方法的位置跟踪误差基本无波动，可知本发明方法确实有效削弱了测量野值对于跟踪精度的影响。

2、设定在1000s和2000s时目标发生机动，仿真结果如图4所示，同样，ACUIF为本发明方法，CUIF为现有技术，即在本发明背景技术中提到的基于一致性的无迹信息滤波。由图4可知，当目标发生机动时，CUIF的误差出现发散，无法继续有效跟踪目标，而本发明方法则可以在目标发生机动后快速重新收敛，实现对机动目标的持续跟踪。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利保护范围，对于本领域的技术人员来说，本发明可以有各种更改和变化。在本发明的精神和原则之内，凡是利用本发明说明书及附图内容所作的任何改进或等同替换，直接或间接运用在其它相关的技术领域，均应包括在本发明的专利保护范围内。

Claims (8)

1.一种用于分布式目标跟踪的自适应一致性信息滤波方法，其特征在于，在传感器网络中设置N个传感器节点，其通讯拓扑结构由无向图G＝(C,E)表示，其中，C＝{1,2,…,N}表示节点的集合，E＝{(i,j)|i,j∈C}表示边的集合，与第i个节点相邻的节点集合表示为N_i＝{j∈C|(i,j)∈E}且在该集合中有N_i个节点；

目标动力学模型和传感器测量模型表示为如下形式：

x_k＝f(x_k-1)+w_k-1

式中，x_k是目标在第k个时刻的状态向量，f是由目标动力学特性决定的非线性函数，w_k-1是动力学模型噪声，是第i个传感器在第k时刻的测量值，hⁱ是第i个传感器的测量函数，是测量噪声，此外，w_k-1和均为零均值高斯白噪声且二者不相关，w_k-1的方差为Q_k-1，的方差为

所述方法包括如下步骤：

步骤1)利用无迹变换对非线性模型进行线性化，并进行时间更新；

步骤2)根据当前时刻的测量信息构建检验统计量，然后判断每一个传感器的测量值是否出现异常，最后依据相邻传感器中出现异常的总数判断是否出现野值或机动；

步骤3)基于上述判断结果，若传感器测量出现野值，则将野值剔除，若目标出现机动，则利用衰减因子抑制动力学模型误差的影响；

步骤4)对网络中多个传感器所得到的信息进行一致性迭代；

步骤5)更新目标状态估计值及方差。

2.根据权利要求1所述的用于分布式目标跟踪的自适应一致性信息滤波方法，其特征在于，所述步骤1)的具体过程如下：

①、Sigma点采样

Sigma点集合为{χ_i,k-1|τ＝0,…,2n,k≥1}，如下所示：

式中，λ＝α²(n+K)-n，0≤α≤1且用于控制Sigma点的分布，K＝3-n，是cholsky因子的行，随机状态变量的均值和协方差值的权重ω为：

式中，β是与状态的先验分布有关的参数，ω的上标代表权重的类型，当上标为m时为均值的权重，当上标为c时为协方差值的权重；

②时间更新

设定k时刻目标状态的估计值和方差为和则信息状态的预测值和信息矩阵的预测值通过下式计算得到：

且

3.根据权利要求2所述的用于分布式目标跟踪的自适应一致性信息滤波方法，其特征在于，在Sigma点采样过程中，β在高斯分布的情况下设置为2。

4.根据权利要求2所述的用于分布式目标跟踪的自适应一致性信息滤波方法，其特征在于，所述步骤2)的具体过程如下：

①构建检验统计量

对于第i个传感器，其在k时刻的检验统计量如下：

其中，

式中，为检验统计量，为新息，为预估测量值，为测量自相关矩阵；

②判断测量值是否出现异常

由于在无异常时服从卡方分布，可按照下式对传感器测量值进行检测：

其中

式中，代表第i个传感器在k时刻的测量值是否出现异常，TH为预设的检测门限，m是测量量的维度；

③野值与机动的判别

相邻传感器互相传递则可求得第i个传感器的相邻异常总数：

根据的取值来判断是否出现野值或机动，表达式如下：

式中，Ω_TH为判别门限，其取值通过比较野值概率与机动概率的相对大小得到。

5.根据权利要求4所述的用于分布式目标跟踪的自适应一致性信息滤波方法，其特征在于，所述步骤3)的具体过程如下：

①野值剔除

当所述步骤2)中判定出现野值时，则通过下式将野值剔除：

②机动处理

当所述步骤2)中判定目标发生机动时，则通过加入衰减因子放大目标状态预测方差矩阵，进而削弱动力学模型误差带来的影响，衰减因子的计算过程如下：

其中

式中，σ为遗忘因子，用于控制前一时刻的取值对于当前取值影响的大小，tr表示对矩阵求迹，即矩阵主对角线各元素的总和，T表示矩阵转置；

③计算共识因子和

其中

当无机动时，取1。

6.根据权利要求5所述的用于分布式目标跟踪的自适应一致性信息滤波方法，其特征在于，在机动处理过程中，公式中σ的取值为0.95。

7.根据权利要求5所述的用于分布式目标跟踪的自适应一致性信息滤波方法，其特征在于，所述步骤4)的具体过程如下：

for l＝1 to L

I.发送和到邻居节点j∈Ν_i

II.接收和来自邻居节点j∈Ν_i

III.共识因子更新:

end for

其中，L为一致性迭代次数，θ为一致性采纳率且0＜θ＜1/Δ_max，Δ_max是传感器网络图形的最大的度。

8.根据权利要求7所述的用于分布式目标跟踪的自适应一致性信息滤波方法，其特征在于，在所述步骤5)中，目标在k时刻状态的估计值及方差可通过下式计算：