CN110824420A - 一种分布式目标跟踪方法 - Google Patents
一种分布式目标跟踪方法 Download PDFInfo
- Publication number
- CN110824420A CN110824420A CN201911111513.9A CN201911111513A CN110824420A CN 110824420 A CN110824420 A CN 110824420A CN 201911111513 A CN201911111513 A CN 201911111513A CN 110824420 A CN110824420 A CN 110824420A
- Authority
- CN
- China
- Prior art keywords
- sensor node
- target
- ith sensor
- ith
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 168
- 238000005259 measurement Methods 0.000 claims abstract description 112
- 239000013598 vector Substances 0.000 claims abstract description 66
- 238000007689 inspection Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 13
- 230000001427 coherent effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种分布式目标跟踪方法,该方法包括以下步骤:一、建立各自的初始状态;二、分别针对初始信息向量和初始信息矩阵执行平均一致性迭代;三、获取测量信息向量和测量信息矩阵;四、获取当前采样时刻的先验估计状态和先验信息矩阵;五、获取一致性前后验信息向量和一致性前后验信息矩阵;六、针对后验信息向量和后验信息矩阵执行平均一致性迭代;七、获取迭代后的后验估计状态和后验信息矩阵;八、对下一个采样时刻进行测量,实现对目标的持续跟踪。本发明不要求传感器节点总数的先验知识,并且有效地抑制了由于不相等测量噪声协方差所造成的广义幼稚问题,实现对于目标的持续跟踪。
Description
技术领域
本发明属于目标跟踪技术领域,尤其是涉及一种分布式目标跟踪方法。
背景技术
由多个传感器节点所组成的网络可以覆盖更大的面积,并且通过交换信息,实现信息融合,从而提高对于复杂场景的鲁棒性。但是由于受到计算复杂度、通信带宽、实时性和应用场地等诸多限制,针对传感器网络的分布式目标跟踪方法,就显得十分重要。为了获得更加精确、更加鲁棒的状态估计,越来越多类型和数量的传感器节点投入了使用。然而,在具有绝对幼稚节点所造成的不充分信息,以及相对幼稚节点所造成的不平等信息下,状态估计变得具有挑战性。此外,在大规模传感器网络,或者动态传感器网络中,获取到准确的传感节点总数变得十分困难。本发明针对现有的基于信息加权一致性滤波的分布式状态估计方法进行了优化与革新,不要求传感器节点总数的先验知识,并且有效地抑制了由于不相等测量噪声协方差所造成的广义幼稚问题,实现对于目标的持续跟踪。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种分布式目标跟踪方法,其步骤简单、实现方便且操作简便,不要求传感器节点总数的先验知识,并且有效地抑制了由于不相等测量噪声协方差所造成的广义幼稚问题,实现对于目标的持续跟踪,实用性强。
为解决上述技术问题,本发明采用的技术方案是:一种分布式目标跟踪方法,该方法所采用的装置包括多个设置在目标周侧的传感器节点,其特征在于,该方法包括以下步骤:
步骤一、各个传感器节点分别建立各自的初始状态:
步骤101、将多个所述传感器节点编号,并分别记作第1个传感器节点,第2个传感器节点,...,第i个传感器节点,..,第n个传感器节点;其中,i和n均为正整数,1≤i≤n,n表示传感器节点的总数,n≥2;
步骤102、以东北天坐标系中的东北方向作为直角XY坐标系;
步骤103、n个传感器节点分别对目标在直角XY坐标系中的坐标位置进行检测,得到n个所述传感器节点的测量噪声协方差矩阵;其中,第i个传感器节点的测量噪声协方差矩阵记作Ri;
步骤105、第i个传感器节点对目标在直角XY坐标系中的坐标位置进行检测,得到初始时刻第i个传感器节点获取的目标在X轴上的位置测量值初始时刻第i个传感器节点获取的目标在Y轴上的位置测量值得到第i个传感器节点获取的目标的初始位置测量矩阵zi(0),且
步骤二、各个传感器节点分别针对初始信息向量和初始信息矩阵执行平均一致性迭代:
步骤201、采用数据处理器根据公式Wi -(0)=(Pi(0))-1,得到第i个传感器节点获取的关于目标的初始先验信息矩阵Wi -(0);
步骤203、采用数据处理器将Wi -(0)赋值给Wi -[0],Wi -[0]=Wi -(0),并根据公式对第i个传感器节点获取的关于目标的初始先验信息矩阵Wi -(0)进行平均一致性迭代后,得到第k次迭代后第i个传感器节点获取的关于目标的先验信息矩阵其中,ε表示一致性速度因子,Ni表示第i个传感器节点的直接网络节点集合,表示第i个传感器节点的直接网络节点集合中第j个传感器节点第k-1次迭代后获取的关于目标的先验信息矩阵,表示第k-1次迭代后第i个传感器节点获取的关于目标的先验信息矩阵,k和j为正整数,且k≥1;
步骤204、采用数据处理器wi -(0)赋值给wi -[0],wi -[0]=wi -(0),并根据公式得到第k次迭代后第i个传感器节点获取的关于目标的先验信息向量其中,表示第i个传感器节点的直接网络节点集合中第j个传感器节点第k-1次迭代后获取的关于目标的先验信息向量,表示第k-1次迭代后第i个传感器节点获取的关于目标的先验信息向量;
步骤205、多次重复步骤203和步骤204,直至达到第K次迭代后,得到第K次迭代后第i个传感器节点获取的关于目标的先验信息矩阵和第K次迭代后第i个传感器节点获取的关于目标的先验信息向量其中,K表示一致性迭代后总数,且K为正整数,且K≥5;
步骤三、各个传感器节点获取测量信息向量和测量信息矩阵:
步骤301、在目标运动的过程中,当第i个传感器节点能检测到目标时,第i个传感器节点对目标在直角XY坐标系中的坐标位置进行检测,得到运动过程中第t个采集时刻第i个传感器节点获取的目标在X轴上的位置测量值第t个采集时刻第i个传感器节点获取的目标在Y轴上的位置测量值得到第i个传感器节点第t个采集时刻获取的目标的位置测量矩阵zi(t),且其中,t为正整数;
步骤302、采用数据处理器根据公式ui(t)=(Hi)T×(Ri)-1×zi(t),得到第t个采集时刻第i个传感器节点的测量信息向量ui(t);其中,Hi表示第i个传感器节点的测量矩阵,且Ri表示第i个传感器节点的测量噪声协方差矩阵;
步骤303、采用数据处理器根据公式Ui=(Hi)T×(Ri)-1×Hi,得到第i个传感器节点获取的关于目标的测量信息矩阵;
步骤四、各个传感器节点获取当前采样时刻的先验估计状态和先验信息矩阵:
步骤401、采用数据处理器代入步骤206中的第i个传感器节点获取的关于目标的初始后验估计状态矩阵根据公式得到第t个采集时刻第i个传感器节点获取的关于目标的先验估计状态其中,表示第t-1个采集时刻第i个传感器节点获取的关于目标的后验估计状态矩阵;表示目标运动模型的输入向量,Fi表示目标运动模型的系统矩阵,Gi表示目标运动模型的输入矩阵,t≥1;
步骤402、采用数据处理器代入步骤206中的第i个传感器节点获取的关于目标的一致性前后验信息矩阵Wi +(0),根据公式得到第t个采集时刻第i个传感器节点的先验估计误差协方差矩阵其中,Qi表示第i个传感器节点的测量过程噪声协方差;
步骤五、各个传感器节点获取一致性前后验信息向量和一致性前后验信息矩阵:
步骤六、各个传感器节点针对后验信息向量和后验信息矩阵执行平均一致性迭代:
步骤601、按照步骤203所述的方法,采用数据处理器将第t个采集时刻第i个传感器节点获取的关于目标的一致性前后验信息矩阵Wi +(t,0)赋值给迭代后初始值且直至达到第K′次迭代后,得到第t个采集时刻第K′次迭代后第i个传感器节点获取的关于目标的后验信息矩阵
步骤602、按照步骤204所述的方法,采用数据处理器将第t个采集时刻第i个传感器节点获取的关于目标的一致性前后验信息向量赋值给迭代后初始值且直至达到第K′次迭代后,得到第t个采集时刻第K′次迭代后第i个传感器节点获取的关于目标的后验信息向量其中,K′表示二次一致性迭代后总数,且K′为正整数,K′≥5;
步骤七、各个传感器节点获取迭代后的后验估计状态和后验信息矩阵:
上述的一种分布式目标跟踪方法,其特征在于:步骤一中之前第i个传感器节点的测量噪声协方差矩阵Ri的标定过程如下:
步骤1032、采用第i个传感器节点在第l个测量时刻对目标在直角XY坐标系中的坐标位置进行检测,得到第i个传感器节点在第l个测量时刻获取的目标在X轴上的位置测量值第i个传感器节点在第l个测量时刻获取的目标在Y轴上的位置测量值记作
步骤1033、多次重复步骤1032,得到第i个传感器节点在第m个测量时刻获取的目标在X轴上的位置测量值第i个传感器节点在第m个测量时刻获取的目标在Y轴上的位置测量值其中,l和m均为正整数,且1≤l≤m,m表示测量总数,且m≥50;
上述的一种分布式目标跟踪方法,其特征在于:步骤203中一致性速度因子ε的取值范围为其中Δmax表示传感器节点的最大度数;
传感器节点的最大度数Δmax的获取过程如下:
步骤A、第i个传感器节点统计第i个传感器节点的直接网络节点的总数,记作第i个传感器节点的度数Δi;
步骤B、第i个传感器节点将第i个传感器节点的度数Δi发送至第i个传感器节点的直接网络节点,并接收第i个传感器节点的直接网络节点的度数;其中,第i个传感器节点的直接网络节点中第a个传感器节点的度数记作Δi,a,第a个传感器节点和第i个传感器节点直接发送或者接受数据,a为正整数,且1≤a≤m′,m′表示第i个传感器节点的直接网络节点的总数;
步骤C、第i个传感器节点中数据处理器将m′个第i个传感器节点的直接网络节点的度数和第i个传感器节点的度数Δi按照从小到大的顺序进行排序,得到与第i个传感器节点相关的最大度数Δi,max。
步骤D、按照步骤A至步骤C所述的方法,得到与n个传感器节点相关的最大度数,并将与n个传感器节点相关的最大度数从小到大的顺序进行排序,得到传感器节点的最大度数Δmax。
上述的一种分布式目标跟踪方法,其特征在于:在第i个传感器节点对目标测量的过程中,当第i个传感器节点能检测到目标时,第i个传感器节点的测量噪声协方差矩阵Ri为Ri,bd;
当目标为匀加速模型时,目标运动模型的系统矩阵Fi为目标运动模型的输入矩阵Gi为目标运动模型的输入向量为第i个传感器节点的测量过程噪声协方差Qi为其中,ax表示目标在X轴上的加速度,ay表示目标在Y轴上的加速度;
当目标为匀速转弯模型时,目标运动模型的系统矩阵Fi为目标运动模型的输入矩阵Gi为目标运动模型的输入向量为第i个传感器节点的测量过程噪声协方差Qi为其中,ω表示目标转弯角速率;当目标为自由落体运动时,目标运动模型的系统矩阵Fi为Fi=eA×dt,目标运动模型的输入矩阵Gi为目标运动模型的输入向量为第i个传感器节点的测量过程噪声协方差Qi为其中,M表示目标的质量,cd表示空气阻力系数,VT表示目标在Y轴上的最终速度,A为中间矩阵,且
本发明与现有技术相比具有以下优点:
1、所采用的分布式目标跟踪方法步骤简单、实现方便且操作简便,且不要求传感器节点总数的先验知识,实现对于目标持续跟踪。
2、所采用的分布式目标跟踪方法操作简便且使用效果好,首先是各个传感器节点分别建立各自的初始状态,获取初始估计状态矩阵;针对初始信息向量和初始信息矩阵执行平均一致性迭代,获取初始后验估计状态矩阵和一致性前后验信息矩阵;利用传感器节点获取当前采样时刻的测量信息向量和测量信息矩阵,并利用上一个时刻的后验估计状态矩阵,得到当前采样时刻的先验估计状态和先验信息矩阵;之后,根据先验估计状态和先验信息矩阵得到一致性前后验信息向量和一致性前后验信息矩阵;最后针对后验信息向量和后验信息矩阵执行平均一致性迭代,通过多次重复迭代后,获取迭代后的后验估计状态和后验信息矩阵,并对下一个采样时刻进行测量,获取第t+1个采集时刻第i个传感器节点获取的关于目标的后验估计状态矩阵实现对目标的持续跟踪。
3、所采用的分布式目标跟踪方法,一方面有效地适应某些传感器节点无法感测到目标和一些传感器节点测量到的信息不充足;另一方面,有效地适应由于环境干扰、参数偏差、传感器个体差异等其它因素,导致这些传感器节点的测量噪声协方差互不相等的情况。
综上所述,本发明步骤简单、实现方便且操作简便,不要求传感器节点总数的先验知识,并且有效地抑制了由于不相等测量噪声协方差所造成的广义幼稚问题,实现对于目标的持续跟踪,实用性强。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明分布式目标跟踪方法的结构示意图。
图2为本发明利用卡尔曼一致滤波算法、广义的卡尔曼一致性滤波、集中式卡尔曼滤波算法和本发明方法对二维平面内做自由落体运动的目标进行跟踪,得到各个方法跟踪目标过程中各个传感器节点的均方根误差曲线图。
具体实施方式
如图1和图2所示的一种分布式目标跟踪方法,该方法所采用的装置包括多个设置在目标周侧的传感器节点,其特征在于,该方法包括以下步骤:
步骤一、各个传感器节点分别建立各自的初始状态:
步骤101、将多个所述传感器节点编号,并分别记作第1个传感器节点,第2个传感器节点,...,第i个传感器节点,..,第n个传感器节点;其中,i和n均为正整数,1≤i≤n,n表示传感器节点的总数,n≥2;
步骤102、以东北天坐标系中的东北方向作为直角XY坐标系;
步骤103、n个传感器节点分别对目标在直角XY坐标系中的坐标位置进行检测,得到n个所述传感器节点的测量噪声协方差矩阵;其中,第i个传感器节点的测量噪声协方差矩阵记作Ri;
步骤105、第i个传感器节点对目标在直角XY坐标系中的坐标位置进行检测,得到初始时刻第i个传感器节点获取的目标在X轴上的位置测量值初始时刻第i个传感器节点获取的目标在Y轴上的位置测量值得到第i个传感器节点获取的目标的初始位置测量矩阵zi(0),且其中,表示第i个传感器节点获取的关于目标初始时刻在X轴上的速度,表示第i个传感器节点获取的关于目标初始时刻在Y轴上的速度;
步骤二、各个传感器节点分别针对初始信息向量和初始信息矩阵执行平均一致性迭代:
步骤201、采用数据处理器根据公式Wi -(0)=(Pi(0))-1,得到第i个传感器节点获取的关于目标的初始先验信息矩阵Wi -(0);
步骤203、采用数据处理器将Wi -(0)赋值给Wi -[0],Wi -[0]=Wi -(0),并根据公式对第i个传感器节点获取的关于目标的初始先验信息矩阵Wi -(0)进行平均一致性迭代后,得到第k次迭代后第i个传感器节点获取的关于目标的先验信息矩阵Wi -[k];其中,ε表示一致性速度因子,Ni表示第i个传感器节点的直接网络节点集合,表示第i个传感器节点的直接网络节点集合中第j个传感器节点第k-1次迭代后获取的关于目标的先验信息矩阵,表示第k-1次迭代后第i个传感器节点获取的关于目标的先验信息矩阵,k和j为正整数,且k≥1;
步骤204、采用数据处理器wi -(0)赋值给wi -[0],wi -[0]=wi -(0),并根据公式得到第k次迭代后第i个传感器节点获取的关于目标的先验信息向量其中,表示第i个传感器节点的直接网络节点集合中第j个传感器节点第k-1次迭代后获取的关于目标的先验信息向量,表示第k-1次迭代后第i个传感器节点获取的关于目标的先验信息向量;
步骤205、多次重复步骤203和步骤204,直至达到第K次迭代后,得到第K次迭代后第i个传感器节点获取的关于目标的先验信息矩阵和第K次迭代后第i个传感器节点获取的关于目标的先验信息向量其中,K表示一致性迭代后总数,且K为正整数,且K≥5;
步骤三、各个传感器节点获取测量信息向量和测量信息矩阵:
步骤301、在目标运动的过程中,当第i个传感器节点能检测到目标时,第i个传感器节点对目标在直角XY坐标系中的坐标位置进行检测,得到运动过程中第t个采集时刻第i个传感器节点获取的目标在X轴上的位置测量值第t个采集时刻第i个传感器节点获取的目标在Y轴上的位置测量值得到第i个传感器节点第t个采集时刻获取的目标的位置测量矩阵zi(t),且其中,t为正整数;
步骤302、采用数据处理器根据公式ui(t)=(Hi)T×(Ri)-1×zi(t),得到第t个采集时刻第i个传感器节点的测量信息向量ui(t);其中,Hi表示第i个传感器节点的测量矩阵,且Ri表示第i个传感器节点的测量噪声协方差矩阵;
步骤303、采用数据处理器根据公式Ui=(Hi)T×(Ri)-1×Hi,得到第i个传感器节点获取的关于目标的测量信息矩阵;
步骤四、各个传感器节点获取当前采样时刻的先验估计状态和先验信息矩阵:
步骤401、采用数据处理器代入步骤206中的第i个传感器节点获取的关于目标的初始后验估计状态矩阵根据公式得到第t个采集时刻第i个传感器节点获取的关于目标的先验估计状态其中,表示第t-1个采集时刻第i个传感器节点获取的关于目标的后验估计状态矩阵;表示目标运动模型的输入向量,Fi表示目标运动模型的系统矩阵,Gi表示目标运动模型的输入矩阵,t≥1;
步骤402、采用数据处理器代入步骤206中的第i个传感器节点获取的关于目标的一致性前后验信息矩阵Wi +(0),根据公式Pi -(t)=Fi×(Wi +(t-1))-1×(Fi)T+Qi,得到第t个采集时刻第i个传感器节点的先验估计误差协方差矩阵Pi -(t);其中,Qi表示第i个传感器节点的测量过程噪声协方差;
步骤五、各个传感器节点获取一致性前后验信息向量和一致性前后验信息矩阵:
步骤六、各个传感器节点针对后验信息向量和后验信息矩阵执行平均一致性迭代:
步骤601、按照步骤203所述的方法,采用数据处理器将第t个采集时刻第i个传感器节点获取的关于目标的一致性前后验信息矩阵Wi +(t,0)赋值给迭代后初始值Wi +[0],且直至达到第K′次迭代后,得到第t个采集时刻第K′次迭代后第i个传感器节点获取的关于目标的后验信息矩阵Wi +[K′];
步骤602、按照步骤204所述的方法,采用数据处理器将第t个采集时刻第i个传感器节点获取的关于目标的一致性前后验信息向量赋值给迭代后初始值且直至达到第K′次迭代后,得到第t个采集时刻第K′次迭代后第i个传感器节点获取的关于目标的后验信息向量其中,K′表示二次一致性迭代后总数,且K′为正整数,K′≥5;
步骤七、各个传感器节点获取迭代后的后验估计状态和后验信息矩阵:
本实施例中,步骤一中之前第i个传感器节点的测量噪声协方差矩阵Ri的标定过程如下:
步骤一中之前第i个传感器节点的测量噪声协方差矩阵Ri的标定过程如下:
步骤1032、采用第i个传感器节点在第l个测量时刻对目标在直角XY坐标系中的坐标位置进行检测,得到第i个传感器节点在第l个测量时刻获取的目标在X轴上的位置测量值第i个传感器节点在第l个测量时刻获取的目标在Y轴上的位置测量值记作
步骤1033、多次重复步骤1032,得到第i个传感器节点在第m个测量时刻获取的目标在X轴上的位置测量值第i个传感器节点在第m个测量时刻获取的目标在Y轴上的位置测量值其中,l和m均为正整数,且1≤l≤m,m表示测量总数,且m≥50;
步骤1036、采用数据处理器根据公式得到第i个传感器节点标定的噪声协方差矩阵Ri,bd。
传感器节点的最大度数Δmax的获取过程如下:
步骤A、第i个传感器节点统计第i个传感器节点的直接网络节点的总数,记作第i个传感器节点的度数Δi;
步骤B、第i个传感器节点将第i个传感器节点的度数Δi发送至第i个传感器节点的直接网络节点,并接收第i个传感器节点的直接网络节点的度数;其中,第i个传感器节点的直接网络节点中第a个传感器节点的度数记作Δi,a,第a个传感器节点和第i个传感器节点直接发送或者接受数据,a为正整数,且1≤a≤m′,m′表示第i个传感器节点的直接网络节点的总数;
步骤C、第i个传感器节点中数据处理器将m′个第i个传感器节点的直接网络节点的度数和第i个传感器节点的度数Δi按照从小到大的顺序进行排序,得到与第i个传感器节点相关的最大度数Δi,max。
步骤D、按照步骤A至步骤C所述的方法,得到与n个传感器节点相关的最大度数,并将与n个传感器节点相关的最大度数从小到大的顺序进行排序,得到传感器节点的最大度数Δmax。
本实施例中,需要说明的是,获取第i个传感器节点的初始估计误差协方差矩阵时采用的第i个传感器节点的测量噪声协方差矩阵Ri为Ri,bd。
本实施例中,在第i个传感器节点对目标测量的过程中,当第i个传感器节点能检测到目标时,第i个传感器节点的测量噪声协方差矩阵Ri为Ri,bd;
当目标为匀加速模型时,目标运动模型的系统矩阵Fi为目标运动模型的输入矩阵Gi为目标运动模型的输入向量为第i个传感器节点的测量过程噪声协方差Qi为其中,ax表示目标在X轴上的加速度,ay表示目标在Y轴上的加速度;
当目标为匀速转弯模型时,目标运动模型的系统矩阵Fi为目标运动模型的输入矩阵Gi为目标运动模型的输入向量为第i个传感器节点的测量过程噪声协方差Qi为其中,ω表示目标转弯角速率;当目标为自由落体运动时,目标运动模型的系统矩阵Fi为Fi=eA×dt,目标运动模型的输入矩阵Gi为目标运动模型的输入向量为第i个传感器节点的测量过程噪声协方差Qi为其中,M表示目标的质量,cd表示空气阻力系数,VT表示目标在Y轴上的最终速度,A为中间矩阵,且
本实施例中,需要说明的是,dt的时间范围为0.1s~10s。
本实施例中,需要说明的是,各个传感器节点中均包括有数据处理器,所述数据处理器为单片机、ARM微控制器或者DSP微控制器。
本实施例中,n=6。
本实施例中,进一步地优化,dt=0.2s。
本实施例中,设定目标具有初始速度为15m/s,且在二维平面内做自由落体运动,目标的质量为1kg,空气的阻力系数cd=0.65kg/m,重力加速度为9.81m/s2,目标在Y轴上的最终速度目标运动模型的输入矩阵Gi为设定传感器节点经过标定获取的第i个传感器节点标定的噪声协方差矩阵Ri,bd为且目标运动模型的系统矩阵Fi为输入向量目标运动模型的输入向量为
本实施例中,一致性迭代后总数K=5,二次一致性迭代后总数K′=5。
本实施例中,目标跟踪的时间长度为5秒,dt=0.2s,则得到采集总数M′=25。
本实施例中,第t个采集时刻第i个传感器节点获取的关于目标的后验估计状态矩阵中包括第t个采集时刻目标沿X轴方向的后验估计位置并记作和第t个采集时刻目标沿Y轴方向的后验估计位置并记作第t个采集时刻沿X轴方向的真实位置记作x(t),第t个采集时刻沿X轴方向的真实位置记作y(t),并根据公式得到第i个传感器节点的均方根误差RMSEi。
本实施例中,分别利用卡尔曼一致滤波算法(KCF)、广义的卡尔曼一致性滤波算法(GKCF)、集中式卡尔曼滤波算法(CKF)和本发明方法平均信息加权一致性滤波(记作AICF)对二维平面内做自由落体运动的目标进行跟踪,如图2所示,得到各个方法跟踪目标过程中6个传感器节点的均方根误差曲线图,从图2中可以得到,与利用卡尔曼一致滤波算法(KCF)、广义的卡尔曼一致性滤波(GKCF)对二维平面内做自由落体运动的目标进行跟踪相比,本发明平均信息加权一致性滤波(AICF)对二维平面内做自由落体运动的目标进行跟踪的稳定较好,并且在性能上更加逼近于集中式卡尔曼滤波算法(CKF),有效克服集中式卡尔曼滤波算法计算量最大,通信要求高等问题。
综上所述,本发明步骤简单、实现方便且操作简便,不要求传感器节点总数的先验知识,并且有效地抑制了由于不相等测量噪声协方差所造成的广义幼稚问题,实现对于目标的持续跟踪,实用性强。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (5)
1.一种分布式目标跟踪方法,该方法所采用的装置包括多个设置在目标周侧的传感器节点,其特征在于,该方法包括以下步骤:
步骤一、各个传感器节点分别建立各自的初始状态:
步骤101、将多个所述传感器节点编号,并分别记作第1个传感器节点,第2个传感器节点,...,第i个传感器节点,..,第n个传感器节点;其中,i和n均为正整数,1≤i≤n,n表示传感器节点的总数,n≥2;
步骤102、以东北天坐标系中的东北方向作为直角XY坐标系;
步骤103、n个传感器节点分别对目标在直角XY坐标系中的坐标位置进行检测,得到n个所述传感器节点的测量噪声协方差矩阵;其中,第i个传感器节点的测量噪声协方差矩阵记作Ri;
步骤105、第i个传感器节点对目标在直角XY坐标系中的坐标位置进行检测,得到初始时刻第i个传感器节点获取的目标在X轴上的位置测量值ri x,c,初始时刻第i个传感器节点获取的目标在Y轴上的位置测量值ri y,c,得到第i个传感器节点获取的目标的初始位置测量矩阵zi(0),且
采用数据处理器根据公式得到第i个传感器节点获取的关于目标的初始估计状态矩阵其中,ri x,c/dt表示第i个传感器节点获取的关于目标初始时刻在X轴上的速度,ri y,c/dt表示第i个传感器节点获取的关于目标初始时刻在X轴上的速度;
步骤二、各个传感器节点分别针对初始信息向量和初始信息矩阵执行平均一致性迭代:
步骤201、采用数据处理器根据根据公式Wi -(0)=(Pi(0))-1,得到第i个传感器节点获取的关于目标的初始先验信息矩阵Wi -(0);
步骤203、采用数据处理器将Wi -(0)赋值给Wi -[0],Wi -[0]=Wi -(0),并根据公式对第i个传感器节点获取的关于目标的初始先验信息矩阵Wi -(0)进行平均一致性迭代后,得到第k次迭代后第i个传感器节点获取的关于目标的先验信息矩阵其中,ε表示一致性速度因子,Ni表示第i个传感器节点的直接网络节点集合,表示第i个传感器节点的直接网络节点集合中第j个传感器节点第k-1次迭代后获取的关于目标的先验信息矩阵,表示第k-1次迭代后第i个传感器节点获取的关于目标的先验信息矩阵,k和j为正整数,且k≥1;
步骤204、采用数据处理器wi -(0)赋值给wi -[0],wi -[0]=wi -(0),并根据公式得到第k次迭代后第i个传感器节点获取的关于目标的先验信息向量其中,表示第i个传感器节点的直接网络节点集合中第j个传感器节点第k-1次迭代后获取的关于目标的先验信息向量,表示第k-1次迭代后第i个传感器节点获取的关于目标的先验信息向量;
步骤205、多次重复步骤203和步骤204,直至达到第K次迭代后,得到第K次迭代后第i个传感器节点获取的关于目标的先验信息矩阵和第K次迭代后第i个传感器节点获取的关于目标的先验信息向量其中,K表示一致性迭代后总数,且K为正整数,且K≥5;
步骤三、各个传感器节点获取测量信息向量和测量信息矩阵:
步骤301、在目标运动的过程中,当第i个传感器节点能检测到目标时,第i个传感器节点对目标在直角XY坐标系中的坐标位置进行检测,得到运动过程中第t个采集时刻第i个传感器节点获取的目标在X轴上的位置测量值ri x,t,第t个采集时刻第i个传感器节点获取的目标在Y轴上的位置测量值ri y,t,得到第i个传感器节点第t个采集时刻获取的目标的位置测量矩阵zi(t),且其中,t为正整数;
步骤302、采用数据处理器根据公式ui(t)=(Hi)T×(Ri)-1×zi(t),得到第t个采集时刻第i个传感器节点的测量信息向量ui(t);其中,Hi表示第i个传感器节点的测量矩阵,且Ri表示第i个传感器节点的测量噪声协方差矩阵;
步骤303、采用数据处理器根据公式Ui=(Hi)T×(Ri)-1×Hi,得到第i个传感器节点获取的关于目标的测量信息矩阵;
步骤四、各个传感器节点获取当前采样时刻的先验估计状态和先验信息矩阵:
步骤401、采用数据处理器代入步骤206中的第i个传感器节点获取的关于目标的初始后验估计状态矩阵根据公式得到第t个采集时刻第i个传感器节点获取的关于目标的先验估计状态其中,表示第t-1个采集时刻第i个传感器节点获取的关于目标的后验估计状态矩阵;表示目标运动模型的输入向量,Fi表示目标运动模型的系统矩阵,Gi表示目标运动模型的输入矩阵,t≥1;
步骤402、采用数据处理器代入步骤206中的第i个传感器节点获取的关于目标的一致性前后验信息矩阵根据公式得到第t个采集时刻第i个传感器节点的先验估计误差协方差矩阵其中,Qi表示第i个传感器节点的测量过程噪声协方差;
步骤五、各个传感器节点获取一致性前后验信息向量和一致性前后验信息矩阵:
步骤502、采用数据处理器根据公式得到第t个采集时刻第i个传感器节点获取的关于目标的一致性前后验信息向量
步骤六、各个传感器节点针对后验信息向量和后验信息矩阵执行平均一致性迭代:
步骤601、按照步骤203所述的方法,采用数据处理器将第t个采集时刻第i个传感器节点获取的关于目标的一致性前后验信息矩阵赋值给迭代后初始值且直至达到第K′次迭代后,得到第t个采集时刻第K′次迭代后第i个传感器节点获取的关于目标的后验信息矩阵
步骤602、按照步骤204所述的方法,采用数据处理器将第t个采集时刻第i个传感器节点获取的关于目标的一致性前后验信息向量赋值给迭代后初始值且直至达到第K′次迭代后,得到第t个采集时刻第K′次迭代后第i个传感器节点获取的关于目标的后验信息向量其中,K′表示二次一致性迭代后总数,且K′为正整数,K′≥5;
步骤七、各个传感器节点获取迭代后的后验估计状态和后验信息矩阵:
步骤八、重复步骤三至步骤七,对下一个采样时刻进行测量,获取第t+1个采集时刻第i个传感器节点获取的关于目标的后验估计状态矩阵实现对目标的持续跟踪。
2.按照权利要求1所述的一种分布式目标跟踪方法,其特征在于:步骤一中之前第i个传感器节点的测量噪声协方差矩阵Ri的标定过程如下:
步骤1032、采用第i个传感器节点在第l个测量时刻对目标在直角XY坐标系中的坐标位置进行检测,得到第i个传感器节点在第l个测量时刻获取的目标在X轴上的位置测量值第i个传感器节点在第l个测量时刻获取的目标在Y轴上的位置测量值记作
步骤1033、多次重复步骤1032,得到第i个传感器节点在第m个测量时刻获取的目标在X轴上的位置测量值第i个传感器节点在第m个测量时刻获取的目标在Y轴上的位置测量值其中,l和m均为正整数,且1≤l≤m,m表示测量总数,且m≥50;
传感器节点的最大度数Δmax的获取过程如下:
步骤A、第i个传感器节点统计第i个传感器节点的直接网络节点的总数,记作第i个传感器节点的度数Δi;
步骤B、第i个传感器节点将第i个传感器节点的度数Δi发送至第i个传感器节点的直接网络节点,并接收第i个传感器节点的直接网络节点的度数;其中,第i个传感器节点的直接网络节点中第a个传感器节点的度数记作Δi,a,第a个传感器节点和第i个传感器节点直接发送或者接受数据,a为正整数,且1≤a≤m′,m′表示第i个传感器节点的直接网络节点的总数;
步骤C、第i个传感器节点中数据处理器将m′个第i个传感器节点的直接网络节点的度数和第i个传感器节点的度数Δi按照从小到大的顺序进行排序,得到与第i个传感器节点相关的最大度数Δi,max。
步骤D、按照步骤A至步骤C所述的方法,得到与n个传感器节点相关的最大度数,并将与n个传感器节点相关的最大度数从小到大的顺序进行排序,得到传感器节点的最大度数Δmax。
5.按照权利要求1所述的一种分布式目标跟踪方法,其特征在于:当目标为常速度模型时,目标运动模型的系统矩阵Fi为目标运动模型的输入矩阵Gi为目标运动模型的输入向量为第i个传感器节点的测量过程噪声协方差Qi为
当目标为匀加速模型时,目标运动模型的系统矩阵Fi为目标运动模型的输入矩阵Gi为目标运动模型的输入向量为第i个传感器节点的测量过程噪声协方差Qi为其中,ax表示目标在X轴上的加速度,ay表示目标在Y轴上的加速度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111513.9A CN110824420A (zh) | 2019-11-14 | 2019-11-14 | 一种分布式目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111513.9A CN110824420A (zh) | 2019-11-14 | 2019-11-14 | 一种分布式目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110824420A true CN110824420A (zh) | 2020-02-21 |
Family
ID=69554990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911111513.9A Pending CN110824420A (zh) | 2019-11-14 | 2019-11-14 | 一种分布式目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110824420A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111343599A (zh) * | 2020-03-02 | 2020-06-26 | 中国西安卫星测控中心 | 基于传感器网络的异步分布式实时定轨方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5657251A (en) * | 1995-10-02 | 1997-08-12 | Rockwell International Corporation | System and process for performing optimal target tracking |
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 |
CN104168648A (zh) * | 2014-01-20 | 2014-11-26 | 中国人民解放军海军航空工程学院 | 传感器网络多目标分布式一致性跟踪器 |
CN106685427A (zh) * | 2016-12-15 | 2017-05-17 | 华南理工大学 | 一种基于信息一致性的稀疏信号重构方法 |
CN107561503A (zh) * | 2017-08-28 | 2018-01-09 | 哈尔滨工业大学 | 一种基于多重渐消因子的自适应目标跟踪滤波方法 |
US20180252804A1 (en) * | 2017-03-02 | 2018-09-06 | GM Global Technology Operations LLC | Adaptive process noise description for improved kalman filter target tracking |
CN110031798A (zh) * | 2019-04-15 | 2019-07-19 | 哈尔滨工程大学 | 一种基于简化Sage-Husa自适应滤波的室内目标跟踪方法 |
CN110068793A (zh) * | 2019-04-19 | 2019-07-30 | 中国航空无线电电子研究所 | 一种定位跟踪方法 |
-
2019
- 2019-11-14 CN CN201911111513.9A patent/CN110824420A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5657251A (en) * | 1995-10-02 | 1997-08-12 | Rockwell International Corporation | System and process for performing optimal target tracking |
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 |
CN104168648A (zh) * | 2014-01-20 | 2014-11-26 | 中国人民解放军海军航空工程学院 | 传感器网络多目标分布式一致性跟踪器 |
CN106685427A (zh) * | 2016-12-15 | 2017-05-17 | 华南理工大学 | 一种基于信息一致性的稀疏信号重构方法 |
US20180252804A1 (en) * | 2017-03-02 | 2018-09-06 | GM Global Technology Operations LLC | Adaptive process noise description for improved kalman filter target tracking |
CN107561503A (zh) * | 2017-08-28 | 2018-01-09 | 哈尔滨工业大学 | 一种基于多重渐消因子的自适应目标跟踪滤波方法 |
CN110031798A (zh) * | 2019-04-15 | 2019-07-19 | 哈尔滨工程大学 | 一种基于简化Sage-Husa自适应滤波的室内目标跟踪方法 |
CN110068793A (zh) * | 2019-04-19 | 2019-07-30 | 中国航空无线电电子研究所 | 一种定位跟踪方法 |
Non-Patent Citations (3)
Title |
---|
YAO P: "Average information-weighted consensus filter for target tracking in distributed sensor networks with naivety issues", 《INTERNATIONAL JOURNAL OF ADAPTIVE CONTROL AND SIGNAL PROCESSING》 * |
施云波等, 西安电子科技大学出版社 * |
汤文俊等: "一种考虑先验估计误差相关性的快速DUIF算法", 《控制与决策》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111343599A (zh) * | 2020-03-02 | 2020-06-26 | 中国西安卫星测控中心 | 基于传感器网络的异步分布式实时定轨方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shareef et al. | Localization using neural networks in wireless sensor networks | |
CN108896047B (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN108982901B (zh) | 一种匀速旋转体的转速测量方法 | |
CN109544638A (zh) | 一种用于多传感器融合的异步在线标定方法 | |
CN111795686A (zh) | 一种移动机器人定位与建图的方法 | |
US9092737B2 (en) | Systems, methods, and apparatus for 3-D surface mapping, compliance mapping, and spatial registration with an array of cantilevered tactile hair or whisker sensors | |
CN107749627B (zh) | 基于改进匹配追踪的智能配电网潮流雅可比矩阵估计方法 | |
CN112729344B (zh) | 无需参照物的传感器外参标定方法 | |
CN104715154B (zh) | 基于kmdl准则判据的核k‑均值航迹关联方法 | |
CN108805987A (zh) | 基于深度学习的混合跟踪方法及装置 | |
CN112991460B (zh) | 一种用于获取汽车零件尺寸的双目测量系统、方法及装置 | |
US20200378793A1 (en) | Method for calibrating a multi-sensor system using an artificial neural network | |
CN108462181B (zh) | 考虑稀疏性的智能配电网潮流雅可比矩阵鲁棒估计方法 | |
CN110376290A (zh) | 基于多维核密度估计的声发射源定位方法 | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN110824420A (zh) | 一种分布式目标跟踪方法 | |
CN109509207B (zh) | 一种对点目标和扩展目标进行无缝跟踪的方法 | |
CN115688288A (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
CN110672103A (zh) | 一种多传感器目标跟踪滤波方法及系统 | |
CN106874881A (zh) | 一种多模板时空关联的局部反联合稀疏表示目标跟踪方法 | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
CN113030940B (zh) | 一种转弯机动下的多星凸型扩展目标跟踪方法 | |
CN112562006B (zh) | 一种基于强化学习的大视场摄像机标定方法 | |
CN111563918B (zh) | 一种多卡尔曼滤波器数据融合的目标跟踪方法 | |
CN108169722A (zh) | 一种未知干扰影响下传感器的系统偏差配准方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |