傳感器網絡多目標分布式一致性跟蹤器的製造方法
2023-05-01 20:20:46 1
傳感器網絡多目標分布式一致性跟蹤器的製造方法
【專利摘要】本發明提供一種傳感器網絡多目標分布式一致性跟蹤方法。該方法基於傳感器網絡中觀測節點之間的信息傳遞，將網絡中的傳感器節點實施動態功能劃分，自適應實時優化選擇參與目標一致性跟蹤的觀測節點集，並結合了概率數據互聯策略，將多目標數據互聯信息融入一致性參數中，且對目標先驗信息與量測信息進行加權處理，考慮了不同觀測節點狀態估計誤差協方差在計算平均一致性狀態時的影響，經過有效的信息一致性處理與融合，各觀測節點的分布式跟蹤精度可以快速逼近集中式跟蹤精度，且保證了盲節點對目標的航跡維持，能夠有效防止新航跡層出不窮、航跡不明或混亂等現象。
【專利說明】傳感器網絡多目標分布式一致性跟蹤器
【技術領域】
[0001]本發明涉及傳感器網絡的信息融合系統，尤其涉及一種傳感器網絡多目標分布式一致性跟蹤方法，屬於傳感器信息處理領域。
【背景技術】
[0002]由於現代低成本傳感器的逐漸普及，大型傳感器網絡被廣泛應用於環境監測、風險評估等軍民用領域。相對傳統的單傳感器應用模式，多傳感器能夠覆蓋更廣的感興趣區域，從不同角度不同位置提供更多的有用信息，通過有效的信息融合，提高環境感知的準確度和魯棒性。在眾多的信息融合方式中，分布式算法基於節點之間有效的信息互傳來實現資源共享，在大型網絡中具有高容錯性、易於安裝及擴展等優勢，在分散式傳感器網絡研究與應用中備受關注。
[0003]現有的傳感器網絡分布式狀態估計算法(典型代表算法:Kalman ConsensusFilter, KCF)通常假設網絡中每個節點都能觀測到所有目標。然而，在現代戰爭及現實生活中，微型傳感器的傳感能力通常是距離受限及各向異性的(例如視頻傳感器、定向傳聲器、雷達等)，稱為有限觀測傳感器，即傳感器的性能同時依賴觀測點與目標之間的距離和方向。因此，網絡中的節點並不能隨時保持對所有目標的觀測，且傳感模型的改變將給網絡探測覆蓋、節點協同控制，目標狀態估計等分布式跟蹤關鍵技術帶來新的挑戰。
[0004]分布式多目標跟蹤問題可以分為三個子問題，分別為分布式信息融合、數據互聯(量測與航跡互聯)與動態狀態估計。在眾多的分布式信息融合方法中，平均一致性算法採用迭代的方式，利用鄰居節點的有效信息不斷更新本地估計，從而使得每個節點都能獨自計算網絡中所有信息匯集後的全局估計，比如說所有節點的狀態估計全局平均值。關鍵在於，平均一致性算法並不需要all-to-all的全網通信就能實現全網一致性狀態估計，並且近似收斂於集中式估計結果。因此，基於平均一致性的估計框架對網絡的通信拓撲沒有特殊要求，原理上適用於任何隨意連通的傳感器網絡。另一方面，在完全分布式的多目標跟蹤應用中，儘管某些節點無法直接探測到所有目標或者某段時間內無法探測到某個目標，但是考慮到節點之間需要協同合作，每個節點有必要保持對所有目標的狀態估計，否則將出現航跡混亂、新航跡層出不窮等實際問題。節點獲取目標的量測後，也需要基於所有目標歷史航跡實現量測與航跡的正確互聯。而在一致性估計框架中，每個節點都保持著所有目標的狀態估計，這種特性從本質上非常適合完全分布式的多目標跟蹤應用。
[0005]值得注意的是，將一致性理論應用於有限觀測傳感器網絡時，必須解決關於目標的盲節點問題。所謂盲節點，即為傳感器網絡中的節點在某一時刻關於某目標無法獲得直接量測，而其鄰居節點可以直接觀測到該目標。此時，基於一致性理論的估計框架中，盲節點受到觀測能力及一致性迭代次數的限制，對於目標狀態的估計應當具有較小的信息貢獻。然而，KCF等一致性算法假設所有節點均能觀測到每一個目標，將網絡中所有節點對全局平均狀態估計的貢獻權值視為相同，且忽略了不同節點狀態估計誤差協方差在計算平均一致性狀態時的影響，在網絡不完全連通或者盲節點較多的場景下會嚴重影響到算法的估計精度和收斂速度。2012年，Ahmed T.Kamal提出了信息加權一致性濾波器Informat1n-weighted Consensus Filter (ICF),考慮了盲節點及分布式最優估計問題。然而，以上算法均假設環境中僅存在一個目標，在多目標的環境中也僅考慮數據互聯完全正確的情況。事實上，對於多目標跟蹤問題，數據互聯與目標狀態估計是高度關聯、相互依賴的。狀態估計的精度將影響到數據互聯的準確性，反之亦然。因此，在分布式多目標跟蹤應用中，需要聯合解決數據互聯與狀態估計問題。在眾多的單傳感器多目標數據互聯框架中，1979 年 Reid 提出的多假設 Multiple Hypothesis Tracking(MHT)與 2009年 Bar-shalom 提出的聯合概率數據互聯濾波 Joint Probabilistic Data Associat1nFilter(JPDAF)是應用最為廣泛的兩種方法。其中，MHT以全鄰最優濾波器和「聚」理論為基礎，將航跡起始和航跡維持統一在一個框架上處理，在理想假設條件下被認為是處理數據互聯的最優方法。但是，MHT的缺點在於計算代價較大，且過多依賴於目標和雜波的先驗知識，例如進入跟蹤的目標數量、虛警回波數、虛假目標密度以及被檢測目標密度等。而JPDAF能夠以較低的計算代價取得理想的數據互聯性能，適用於能量受限、計算和通信能力較弱的無線傳感器網絡。2008年Nils F.Sandell推導了 JPDA框架下的卡爾曼一致性濾波器，提出了多目標跟蹤算法JPDA-KCF，但是並未考慮網絡中的盲節點問題。2011年AhmedT.Kamal 提出了多目標信息一致性算法Multitarget Informat1n Consensus (MTIC),聯合處理了狀態估計誤差、數據互聯及網絡盲節點等問題。然而，MTIC假設網絡中的傳感器節點和目標數量已知，只適用於先驗預知的固定網絡，算法可擴展性較弱。
[0006]實際上，大型傳感器網絡的目標跟蹤實際應用中，單個時刻僅有少數節點能夠觀測到穿越監測區域的目標，而網絡中的節點通常都具有向上匯報監測信息的路由通道，因此，在距離受限的大型網絡中，單個時刻僅需要少數觀測節點實現對目標的分布式狀態估計即能獲知目標的精確航跡，無需所有節點全網通信便能滿足目標跟蹤的實際應用。
[0007]事實上，隨著目標在監測區域內不斷移動，觀測節點是動態變化的，通過節點間進行有效的數據傳遞，就可以獲取單個時刻觀測節點的成員信息。此外，針對距離受限的傳感器網絡多目標完全分布式一致性跟蹤估計問題，可以基於聯合概率數據互聯策略，結合傳感器的信息觀測質量及狀態估計質量，經過足夠多次的一致性信息傳遞及迭代處理，各觀測節點的分布式狀態估計精度即能逼近集中式最優卡爾曼濾波方法(centralized Kalmanfilter, CKF)。這也就是本發明的思路來源。
【發明內容】
[0008]本發明的目的在於提供一種高精度的動態自適應分布式多目標一致性跟蹤方法。為了達到上述目的，本發明充分利用傳感器網絡中觀測節點之間的信息傳遞，提出了一種基於聯合概率數據互聯策略及信息加權一致性濾波器的多目標跟蹤器，其跟蹤流程如圖1所示，包括:傳感器節點獲取目標量測信息；劃分網絡節點角色；建立一致性節點集；融入數據互聯信息；初始化本地一致性參數；融合一致性信息；更新目標狀態；預測目標狀態。
[0009]技術方案及具體實施措施:
[0010]為了便於闡述，做以下約定:
[0011]考慮某一網絡具有Ns個同構傳感器節點，其節點之間的通信網絡可有無向圖G = OS，5)來表示。集合S =.[&A2,I包含了圖中的所有頂點，代表網絡中的所有傳感器節點；集合ε包含圖中所有的邊，代表不同節點之間的可行通信連結。所有與節點Si具有直接通信連結的節點稱為Si的鄰居節點，並構成集合Λ/；。假設網絡中存在Nt個可觀測目標，構成的集合可表示為:T =，仏」。
[0012]xJ (t+1) = Φχ?'(?)ν(?).(I)
[0013]其中，φ e Tl抑為狀態轉移矩陣，過程噪聲f⑴服從高斯分布w%)?f (0，Q7)。
[0014]t時刻，傳感器Si獲取到Idt)個關於目標的量測，記為。傳感器並不預知量測與目標的對應關係。假設量測4來源於目標Γ_，Z=由以下觀測方程得到
[0015]Zni = H/ x/ + v/.(2)
[0016]其中，Hf e Kmxp為傳感器Si對於目標Tj的觀測矩陣，量測噪聲v/ e尺^設定為服從零均值高斯分布的隨機變量，且方差為R/ ^ 。
[0017]每個傳感器節點保持著對感興趣目標的先驗或預測狀態估計&—(O，狀態估計方差為p/_(0。需要說明的是，本發明將以狀態方差的逆(稱為信息矩陣)應用於濾波的整個過程中，表示形式為J/-(P/r1。假設節點在探測到目標的時候，傳感器就能得知關於目標的狀態初值和信息矩陣初值。
[0018]需要指出的是，本發明所針對的問題並不是假設每個目標的狀態對於每個傳感器都是可觀測的，而是考慮整個網絡中的量測對於每個目標狀態具有可觀測性的情況，即網絡完全覆蓋，單個時刻至少有一個傳感器能夠觀測到監測區域的任何目標。此外，不妨假設網絡中所有傳感器節點的通信半徑不小於傳感半徑的2倍，這意味著，同時觀測到目標的節點肯定互為鄰居，只需一步通信即可相互傳遞信息。本發明所提供方法的目的在於，針對傳感器網絡目標跟蹤問題，隨著目標不斷移動，網絡節點成員的角色不斷變化，通過有效的信息傳遞和處理，實現任何單個濾波時刻內觀測節點和鄰居盲節點對多目標的分布式一致性跟蹤。
[0019]以下將以t時刻傳感器節點的狀態估計為例，對技術方案中的具體步驟進行詳細描述。
[0020]跟蹤輸入:目標r的先驗狀態纊⑴、先驗信息矩陣Jr⑴、量測矩陣H/、量測噪聲方差R/。
[0021]1.獲取量測
[0022]傳感器節點獲取量測信息是指通過目標回波得到關於多個目標的本地量測和量測信息矩陣B丨，其中B丨=(Rf)-1，R丨為傳感器量測服從的零均值高斯白噪聲的方差，下標i是傳感器的身份標識。
[0023]2.劃分節點角色
[0024]根據網絡中傳感器節點是否觀測到目標及節點在目標狀態估計時擔任的角色，將t時刻探測到目標的節點稱為觀測節點，所有觀測節點的鄰居節點(未探測到目標)稱為盲節點，其他未探測到目標的節點稱為睡眠節點。其中，觀測節點執行主要狀態估計工作，盲節點通過接收觀測節點的信息來保持及更新本地目標狀態，以防止在航跡交接過程中出現新航跡層出不窮、航跡不明等現象。
[0025]3.建立一致性節點集
[0026]t時刻節點Si探測到目標後，通過觀測節點之間的信息交換，建立該時刻保持對目標狀態一致性估計的傳感器節點集，稱為一致性節點集，記為C。具體實施措施為:
[0027](I)傳感器Si獲取到t時刻自身觀測區域內所有目標的量測及其對應量測信息矩陣；
[0028](2)傳感器Si廣播t-Ι時刻自身標識(ID)及本地估計所有目標的狀態估計值，若某一目標?°_為新目標，則廣播關於的量測值；
[0029](3)傳感器Si接收來自鄰居觀測節點的廣播信息；
[0030](4)傳感器Si建立一致性節點集C，包括t時刻所有觀測節點及其鄰居盲節點，其中，觀測節點的個數為N'。
[0031]由於一致性節點集內的所有節點互為鄰居，通過一步信息傳遞，每個觀測節點能收到其他觀測節點關於目標的狀態信息。同時，一致性節點集內所有觀測節點的鄰居盲節點也能獲知目標狀態信息，而這些來自不同觀測節點中的相同目標的狀態是趨於一致的，這將在後續說明中闡述。
[0032]4.融入數據互聯信息
[0033]設定符號與」表示量測誤差，其上標表示量測4與目標是確定互聯關係，則對於時刻t的目標!"_，量測誤差紀"與誤差方差Y/的計算方式如下
【權利要求】
1.一種傳感器網絡多目標分布式一致性跟蹤器，是一種用於多目標跟蹤的分布式濾波方法，其特徵在於單個濾波時刻內包括以下步驟: 步驟1:傳感器節點獲取目標量測信息及劃分網絡節點角色； 步驟2:建立一致性節點集； 步驟3:融入數據互聯信息； 步驟4:初始化本地一致性參數； 步驟5: —致性信息處理與融合； 步驟6:目標狀態更新與預測。
2.根據權利I所述的傳感器網絡多目標分布式一致性跟蹤器，其特徵在於，所述步驟I具體為:通過目標回波得到關於多個目標的本地量測和對應的量測信息矩陣；根據網絡中傳感器節點是否觀測到目標及節點在目標狀態估計時擔任的角色，將t時刻探測到目標的節點稱為觀測節點，所有觀測節點的鄰居節點(未探測到目標)稱為盲節點，其他未探測到目標的節點稱為睡眠節點，其中，觀測節點執行目標跟蹤工作，盲節點通過接收觀測節點的信息來保持及更新本地目標狀態，觀測節點的個數為N'。
3.根據權利I所述的傳感器網絡多目標分布式一致性跟蹤器，其特徵在於，所述步驟2具體為:觀測節點發送狀態信息包(含有目標前一時刻的狀態估計值及觀測節點的身份標識)，觀測節點和盲節點接收來自鄰居節點的狀態信息包，盲節點更新本地目標狀態，當前時刻的所有觀測節點及所有盲節點構成一致性節點集，節點集內的傳感器始終保持著目標的狀態估計。
4.根據權利I所述的傳感器網絡多目標分布式一致性跟蹤器，其特徵在於，所述步驟3具體為:設定符號表示量測誤差，其上標表示量測與目標是確定互聯關係，則對於時刻t的目標!"_，量測誤差2f與誤差方差Y/的計算方式如下
其中，礦為目標r的先驗狀態、J/-為先驗信息矩陣、H/為量測矩陣、R/為量測噪聲方差。基於jpda濾波算法，設定量測與目標正確互聯的概率為，沒有量測與目標r互聯的概率為貧°，和/f的計算方式依據JPDA濾波器。對於目標!°_，採用以下方程計算卡爾曼濾波增益K/、量測均值y/、量測均值誤差及量測均值誤差方差:
由上，得到融入數據互聯信息的矩陣c/
5.根據權利I所述的傳感器網絡多目標分布式一致性跟蹤器，其特徵在於，所述步驟4具體為:定義傳感器Si —致性參數v/(o)、V/(O)及W/(O)的初始化方式如下
6.根據權利I所述的傳感器網絡多目標分布式一致性跟蹤器，其特徵在於，所述步驟5具體為:從k = I開始至k = K，將以下三步循環迭代K次:觀測節點發送含有本地一致性參數與身份標識的一致性信息包、觀測節點接收來自鄰居觀測節點的一致性信息包、更新本地參數
K為一致性迭代次數，ζ為一致性速率因子，最終，各觀測節點得到近似相同的一致性參數v/_(iQ、V/(1SW/(^:)。
7.根據權利I所述的傳感器網絡多目標分布式一致性跟蹤器，其特徵在於，所述步驟6具體為:目標狀態更新是指，結合一致性參數和觀測節點個數N'，對目標狀態及信息矩陣進行更新，
，其中⑴為t時刻濾波得到的目標估計狀態，J/+(0為對應的狀態估計信息矩陣；目標狀態預測是指結合當前時刻目標狀態估計與運動模型，對下一時刻目標的狀態及其信息矩陣進行預測，&_0 + 1) = Φ句+(0，P/一 (? + 1) = φ ρ/+ (0Φ + Q，其中，i/—(? +1)為t+1時刻的目標Tj的狀態預測，Φ為狀態轉移矩陣，P廣0 + 1)為t+Ι時刻目標的狀態預測方差，Q為目標運動模型中的過程噪聲方差。
【文檔編號】H04W64/00GK104168648SQ201410022221
【公開日】2014年11月26日 申請日期:2014年1月20日 優先權日:2014年1月20日
【發明者】劉瑜, 何友, 王海鵬, 齊林, 劉俊, 苗旭炳 申請人:中國人民解放軍海軍航空工程學院