CN115603845B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115603845B CN115603845B CN202211135608.6A CN202211135608A CN115603845B CN 115603845 B CN115603845 B CN 115603845B CN 202211135608 A CN202211135608 A CN 202211135608A CN 115603845 B CN115603845 B CN 115603845B
- Authority
- CN
- China
- Prior art keywords
- consistency
- sensor
- state
- network
- gain
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/062—Synchronisation of signals having the same nominal but fluctuating bit rates, e.g. using buffers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/025—Filter arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/20—Arrangements in telecontrol or telemetry systems using a distributed architecture
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
- H04Q2209/84—Measuring functions
- H04Q2209/845—Measuring functions where the measuring is synchronized between sensing devices
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及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。本发明包括利用指示函数对传感器网络的多速率量测方程重新建模;设置MOKCF方法中的变量初值;将全网络均方估计误差作为代价函数并通过对其进行最小化求解得到了全局最优滤波器;使用MOKCF方法估计一步预测目标状态;计算一步预测目标状态误差协方差、滤波态增益、一致性增益、目标状态误差协方差及目标状态。本发明使用一致性策略的最优分布式滤波方法不仅能够处理传感器网络中多速率采样导致的量测异步问题,还能实现目标状态的实时跟踪和达到整个网络的协同估计一致性。
Description
技术领域
本发明属于异步多速率传感器网络的目标跟踪领域,特别涉及一种基于最优分布式一致性滤波器的协同跟踪方法。
背景技术
基于传感器网络的分布式滤波算法因其在室内定位、车辆跟踪、轨道确定、机器人、导航等方面的广泛应用而备受关注。根据是否使用融合中心,分布式滤波可以分为有融合中心的分布式滤波和无融合中心的分布式滤波。对于有中心的分布式滤波,数据通信相对简单,然而如果融合中心发生故障,那么融合功能将会失效。对于无融合中心的分布式滤波,即使某些融合节点发生故障,融合功能依然可以工作。相对于有融合中心而言,无融合中心的分布式滤波面临的主要难点在于传感器节点之间该如何通信方式以及传输交换什么样的信息。
传感器网络的分布式滤波算法最基本的问题是状态估计的精度和状态估计的协同一致性。从而,产生了两种分支,即基于一致性策略的分布式滤波一致性研究和基于扩散策略的分布式滤波估计精度研究。卡尔曼一致滤波是协同一致性策略的典型算法,由于其能够不依赖融合中心,具有较强的鲁棒性,同时当网络中存在传感器故障或者有新的传感器加入时具有良好的适应性,因此,得到广泛的研究。通过传感器节点使用一组局部卡尔曼滤波器进行状态估计,这些局部卡尔曼滤波器与其他传感器节点通信,并对目标状态达成一致。因此,分布式卡尔曼滤波算法的每个局部卡尔曼滤波器都可以估计目标的状态,并尝试与其连接的其他传感器节点进行协同一致性估计。
在传感器网络的分布式一致性滤波估计理论中,研究较多的是同步问题,即假设各传感器同步对目标进行量测,并且同步传送数据。然而,实际研究中经常遇到的却是异步问题,如所用的各种不同的传感器具有不同的采样速率,以及传感器固有的延迟与通信延迟不同,都会产生异步多速率问题。现有的研究工作多是针对由于信息传输不可靠、通信拓扑切换、通信时延时变所造成的异步问题,然而由于传感器自身采样速率的不同产生的异步量测的一致性研究很少。
发明内容
为了应对上面提到的多速率采样导致的异步量测的情况,在本发明中,将异步量测同步化技术应用到基于一致性策略的最优分布式滤波器(OKCF)中,提出了一种新的最优分布式滤波器,即多速率最优分布式一致性滤波器(MOKCF)。这种最优分布式滤波器不仅具有实时跟踪能力,还能够实现网络的协同估计。本发明包括设置MOKCF方法中初始值参数;利用指示函数对量测方程进行重新建模;计算传感器i和j的预测状态估计和/>计算任意两个传感器节点间的预测误差互协方差/>构造多速率异步采样时分布式滤波器的一致性状态估计/>计算估计误差互协方差/>和估计误差协方差/>建立全网络均方估计误差的代价函数J;优化求解代价函数最小值得到全局最优的滤波增益/>和一致性增益/>计算最终的目标状态最优估计/>具体内容如下:
步骤1设置初始值参数,假设传感器网络的拓扑结构G=(V,E),目标状态估计状态估计误差协方差/>其中i=1,2,…,N表示传感器节点索引;N是给定网络的传感器节点个数。
步骤2设置运行时间k。
步骤3计算传感器i和j关于目标的预测状态估计和/>
步骤4计算任意两个传感器节点间的预测误差互协方差
步骤5构造传感器网络多速率异步采样时分布式滤波器的一致性状态估计
步骤6计算任意两个传感器节点间的估计误差互协方差
步骤7计算传感器节点i的估计误差协方差
步骤8建立全网络均方估计误差的代价函数J。
步骤9最小化求解代价函数得到了全局最优的滤波增益和一致性增益/>
步骤10计算最终目标状态的最优估计
本发明有益效果:使用一致性策略的最优分布式滤波方法不仅能够处理传感器网络中多速率采样导致的量测异步问题,还能具有高精度的跟踪能力,同时还能够实现网络的协同估计。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面首先为跟踪目标的运动状态建立模型,其次设计多速率分布式滤波器的状态一致性公式,然后,建立最优分布式滤波器代价函数,最后基于目标模型、状态一致性公式和代价函数进行最优分布式滤波器设计,下面详细介绍本发明的实施过程。
1.系统建模
考虑具有N个传感器且采样速率不同的典型离散线性系统动态模型如下:
xk=Fk-1xk-1+wk-1 (1)
其中k是离散时间索引;上标i表示传感器节点索引;N是给定网络的传感器节点个数;T是系统采样周期;ki是传感器i的时间索引;ni是传感器采样比,且满足Ti=Tni;xk∈in是系统状态;Fk-1∈in×n是状态转移矩阵;wk∈in是零均值协方差为Qk的过程噪声;是采样周期为Ti的传感器i在第k次的量测值;/>是相应的量测转移矩阵;是零均值协方差为/>的量测噪声;初始状态x0的均值和协方差分别为/>和P0;假设过程噪声,量测噪声和初始状态是互不相关的。
为了处理多速率采样导致的异步量测问题,通过量测指示函数进行同步化,将(2)的量测方程描述等效的重写为:
即
其中是量测值指示函数,当满足mod(kT,Ti)=0时,可得/>当满足mod(kT,Ti)≠0时,可得/>分别表示传感器节点i在kT时刻的量测值,量测转移矩阵,量测噪声。根据(3),当满足mod(kT,Ti)=0时,可得
2.设计多速率分布式滤波器的一致性状态估计
对于每个传感器节点,如果传感器获得量测数据则状态估计等价于同步情况的最优卡尔曼一致性滤波算法的状态估计,如果在该采样时刻传感器没有量测数据则将其表达式为状态预测加上状态预测修正的一致性项。
3.建立最优分布式滤波器代价函数
本发明,通过在状态估计中加入一致性项以及指示量测值是否存在的系数,从而有效地处理传感器网络中多速率的分布式滤波问题,以提高算法的估计性能,并在整个网络中达到状态估计的协同一致性。通过最小化整个网络节点的总估计误差,提出多速率情况下的最优分布式一致性滤波器(MOKCF),待优化的代价函数J可以表示为:
4.最优增益
形式化的推导出离散时间下多速率最优分布式一致性滤波的最优滤波增益和一致性增益/>的闭式解。通过最小化整个网络中所有节点的总估计误差进行优化增益。由于滤波增益/>和一致性增益/>是彼此的隐函数,不能直接进行估计误差的最小化,因此,寻找全局最优状态估计表达式是具有挑战性的。为了规避这一复杂性,引入两个增益之间的相关关系,继而进行一系列的最小化过程。从而,得到全局最优解,提高算法估计性能并能够在整个网络中实现状态估计的一致性。最优增益矩阵的推导步骤如下:
步骤1计算传感器i和j的预测状态估计
步骤2计算传感器i和j的预测状态估计误差互协方差
步骤3计算传感器i和j的状态估计误差互协方差
步骤4当i=j时,计算传感器i的预测状态估计误差协方差和状态估计误差协方差
步骤5优化求解代价函数,得最优增益
其中
5.基于一致性策略的最优分布式滤波器
本发明通过采用指示函数对多速率传感器量测方程进行重新建模,进而设计多速率分布式滤波器的一致性状态估计,建立均方估计误差为准则的代价函数,获得全局最优增益的闭式解。这样不仅能够实时目标跟踪,而且能够实现状态估计的协同一致性。OKCF的步骤如下:
步骤1设置初始值参数,假设传感器网络的拓扑结构G=(V,E),目标状态估计状态估计误差协方差/>其中i=1,2,…,N表示传感器节点索引;N是给定网络的传感器节点个数。
步骤2使用公式(6)和(7)分别计算传感器i和j关于目标的预测状态估计和
步骤3使用公式(8)计算任意两个传感器节点间的预测误差互协方差
步骤4构造传感器网络多速率异步采样时分布式滤波器的一致性状态估计
步骤5使用公式(9)计算任意两个传感器节点间的估计误差互协方差
步骤6使用公式(10)计算传感器节点i的估计误差协方差
步骤7建立全网络均方估计误差的代价函数J。
步骤8使用公式(12)最小化求解代价函数得到了全局最优的滤波增益和一致性增益/>
步骤9计算最终目标状态的最优估计
本发明提出的新型多速率最优分布式一致性滤波器,使用全网均方估计误差作为代价函数,进行优化求解最优滤波增益和一致性增益。新型滤波器能够有效地应用在目标跟踪中,具有精确的实时跟踪能力,并能够实现状态估计的协同一致性。
Claims (1)
1.一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,其特征在于该方法包括以下步骤:
1).设置初始值参数,假设传感器网络的拓扑结构G=(V,E),目标状态估计状态估计误差协方差/>其中V是网络中传感器节点的集合,E是通信节点间的边集合,i=1,2,…,N表示传感器节点索引;N是给定网络的传感器节点个数;
2).设置运行时间k;
3).计算传感器i和j关于目标的预测状态估计和/>其中/>表示第i个传感器在k-1时刻目标状态估计,Fk-1是状态转移矩阵;
4).计算任意两个传感器节点间的预测误差互协方差
5).构造传感器网络多速率异步采样时分布式滤波器的一致性状态估计方程
其中/>是传感器i节点量测的指示函数,/>是滤波增益,/>是一致性增益,¥i是传感器节点i的邻居节点集合;
6).计算任意两个传感器节点间的估计误差互协方差
7).当i=j时,计算传感器节点i的估计误差协方差
8).将全网络均方估计误差作为实现状态估计一致性性能的代价函数
9).通过对上面代价函数进行最小化求解得到了全局最优的滤波增益和一致性增益
10).输出目标状态,实现对目标状态的估计和传感器网络状态的一致性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211135608.6A CN115603845B (zh) | 2022-09-19 | 2022-09-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211135608.6A CN115603845B (zh) | 2022-09-19 | 2022-09-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115603845A CN115603845A (zh) | 2023-01-13 |
CN115603845B true CN115603845B (zh) | 2024-04-19 |
Family
ID=84843477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211135608.6A Active CN115603845B (zh) | 2022-09-19 | 2022-09-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115603845B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117895920B (zh) * | 2024-03-13 | 2024-05-17 | 南京工业大学 | 通信链路故障下传感器网络分布式一致性卡尔曼滤波方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108668356A (zh) * | 2018-04-19 | 2018-10-16 | 厦门大学 | 一种水下传感器时间同步方法 |
CN108896047A (zh) * | 2018-05-09 | 2018-11-27 | 上海交通大学 | 分布式传感器网络协同融合与传感器位置修正方法 |
AU2020103330A4 (en) * | 2020-11-09 | 2021-01-21 | Southwest University | distributed adaptive quantization estimation algorithm |
CN114626307A (zh) * | 2022-03-29 | 2022-06-14 | 电子科技大学 | 一种基于变分贝叶斯的分布式一致性目标状态估计方法 |
-
2022
- 2022-09-19 CN CN202211135608.6A patent/CN115603845B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108668356A (zh) * | 2018-04-19 | 2018-10-16 | 厦门大学 | 一种水下传感器时间同步方法 |
CN108896047A (zh) * | 2018-05-09 | 2018-11-27 | 上海交通大学 | 分布式传感器网络协同融合与传感器位置修正方法 |
AU2020103330A4 (en) * | 2020-11-09 | 2021-01-21 | Southwest University | distributed adaptive quantization estimation algorithm |
CN114626307A (zh) * | 2022-03-29 | 2022-06-14 | 电子科技大学 | 一种基于变分贝叶斯的分布式一致性目标状态估计方法 |
Non-Patent Citations (3)
Title |
---|
Yi'an Wang等.Distributed multi-UAV cooperation for dynamic target tracking optimized by an SAQPSO algorithm.《ISA transactions》.2021,全文. * |
分布式传感器网络自适应一致性融合估计算法;高晓阳;王刚;万鹏程;;火力与指挥控制;20200215(第02期);全文 * |
无线传感器网络目标跟踪中的节点选择算法研究;庞小双;《优秀硕士论文》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115603845A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Performance evaluation of track fusion with information matrix filter | |
Speranzon et al. | Distributed and collaborative estimation over wireless sensor networks | |
CN104619020B (zh) | 基于rssi和toa测距的wifi室内定位方法 | |
US20090227266A1 (en) | Location measurement method based on predictive filter | |
CN103927436A (zh) | 一种自适应高阶容积卡尔曼滤波方法 | |
CN110958639A (zh) | 一种目标状态估计方法及系统 | |
CN115603845B (zh) | 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 | |
CN108153259B (zh) | 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法 | |
Keshavarz-Mohammadiyan et al. | Consensus-based distributed unscented target tracking in wireless sensor networks with state-dependent noise | |
Jin et al. | Distributed filtering for sensor networks with fading measurements and compensations for transmission delays and losses | |
CN110225454B (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 | |
CN116088303B (zh) | 一种不确定复杂动态网络状态时变递推估计方法 | |
CN111444474B (zh) | 一种基于乘性噪声相关自适应ckf的目标跟踪方法 | |
Jin et al. | Distributed filtering for multi-sensor systems with missing data | |
CN114362140B (zh) | 一种适用于配电网量测装置的高精度守时方法及装置 | |
CN112034713B (zh) | 非理想网络环境下移动目标的最优状态估计方法及系统 | |
CN103313384B (zh) | 一种基于信息一致性的无线传感网络目标跟踪方法 | |
CN104535963A (zh) | 基于距离测量的多移动节点实现协同目标定位的方法 | |
CN110516198A (zh) | 一种分布式非线性卡尔曼滤波方法 | |
CN110779544A (zh) | 一种多无人机自定位和对目标定位的双任务深度配合方法 | |
CN110133586A (zh) | 基于线性校正的toa联合同步与定位方法 | |
CN110426689A (zh) | 一种基于em-cks的机载多平台多传感器系统误差配准算法 | |
CN109151760A (zh) | 基于平方根容积量测加权一致的分布式状态滤波方法 | |
CN111222086A (zh) | 一种基于全信息滤波技术的时变系统递推状态估计方法 | |
CN111695617B (zh) | 一种基于改进的协方差交叉算法的分布式火控融合方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |