传感器网络多目标分布式一致性跟踪器

技术领域

本发明涉及传感器网络的信息融合系统，尤其涉及一种传感器网络多目标分布式一致性 跟踪方法，属于传感器信息处理领域。

背景技术

由于现代低成本传感器的逐渐普及，大型传感器网络被广泛应用于环境监测、风险评估 等军民用领域。相对传统的单传感器应用模式，多传感器能够覆盖更广的感兴趣区域，从不 同角度不同位置提供更多的有用信息，通过有效的信息融合，提高环境感知的准确度和鲁棒 性。在众多的信息融合方式中，分布式算法基于节点之间有效的信息互传来实现资源共享， 在大型网络中具有高容错性、易于安装及扩展等优势，在分散式传感器网络研究与应用中备 受关注。

现有的传感器网络分布式状态估计算法(典型代表算法：Kalman Consensus Filter,KCF) 通常假设网络中每个节点都能观测到所有目标。然而，在现代战争及现实生活中，微型传感 器的传感能力通常是距离受限及各向异性的(例如视频传感器、定向传声器、雷达等)，称为 有限观测传感器，即传感器的性能同时依赖观测点与目标之间的距离和方向。因此，网络中 的节点并不能随时保持对所有目标的观测，且传感模型的改变将给网络探测覆盖、节点协同 控制，目标状态估计等分布式跟踪关键技术带来新的挑战。

分布式多目标跟踪问题可以分为三个子问题，分别为分布式信息融合、数据互联(量测 与航迹互联)与动态状态估计。在众多的分布式信息融合方法中，平均一致性算法采用迭代 的方式，利用邻居节点的有效信息不断更新本地估计，从而使得每个节点都能独自计算网络 中所有信息汇集后的全局估计，比如说所有节点的状态估计全局平均值。关键在于，平均一 致性算法并不需要all-to-all的全网通信就能实现全网一致性状态估计，并且近似收敛于集中 式估计结果。因此，基于平均一致性的估计框架对网络的通信拓扑没有特殊要求，原理上适 用于任何随意连通的传感器网络。另一方面，在完全分布式的多目标跟踪应用中，尽管某些 节点无法直接探测到所有目标或者某段时间内无法探测到某个目标，但是考虑到节点之间需 要协同合作，每个节点有必要保持对所有目标的状态估计，否则将出现航迹混乱、新航迹层 出不穷等实际问题。节点获取目标的量测后，也需要基于所有目标历史航迹实现量测与航迹 的正确互联。而在一致性估计框架中，每个节点都保持着所有目标的状态估计，这种特性从 本质上非常适合完全分布式的多目标跟踪应用。

值得注意的是，将一致性理论应用于有限观测传感器网络时，必须解决关于目标的盲节 点问题。所谓盲节点，即为传感器网络中的节点在某一时刻关于某目标无法获得直接量测， 而其邻居节点可以直接观测到该目标。此时，基于一致性理论的估计框架中，盲节点受到观 测能力及一致性迭代次数的限制，对于目标状态的估计应当具有较小的信息贡献。然而，KCF 等一致性算法假设所有节点均能观测到每一个目标，将网络中所有节点对全局平均状态估计 的贡献权值视为相同，且忽略了不同节点状态估计误差协方差在计算平均一致性状态时的影 响，在网络不完全连通或者盲节点较多的场景下会严重影响到算法的估计精度和收敛速度。 2012年，Ahmed T.Kamal提出了信息加权一致性滤波器Information-weighted Consensus Filter (ICF)，考虑了盲节点及分布式最优估计问题。然而，以上算法均假设环境中仅存在一个目标， 在多目标的环境中也仅考虑数据互联完全正确的情况。事实上，对于多目标跟踪问题，数据 互联与目标状态估计是高度关联、相互依赖的。状态估计的精度将影响到数据互联的准确性， 反之亦然。因此，在分布式多目标跟踪应用中，需要联合解决数据互联与状态估计问题。在 众多的单传感器多目标数据互联框架中，1979年Reid提出的多假设Multiple Hypothesis  Tracking(MHT)与2009年Bar-shalom提出的联合概率数据互联滤波Joint Probabilistic Data  Association Filter(JPDAF)是应用最为广泛的两种方法。其中，MHT以全邻最优滤波器和“聚” 理论为基础，将航迹起始和航迹维持统一在一个框架上处理，在理想假设条件下被认为是处 理数据互联的最优方法。但是，MHT的缺点在于计算代价较大，且过多依赖于目标和杂波的 先验知识，例如进入跟踪的目标数量、虚警回波数、虚假目标密度以及被检测目标密度等。 而JPDAF能够以较低的计算代价取得理想的数据互联性能，适用于能量受限、计算和通信能 力较弱的无线传感器网络。2008年Nils F.Sandell推导了JPDA框架下的卡尔曼一致性滤波器， 提出了多目标跟踪算法JPDA-KCF，但是并未考虑网络中的盲节点问题。2011年Ahmed T. Kamal提出了多目标信息一致性算法Multitarget Information Consensus(MTIC)，联合处理了状 态估计误差、数据互联及网络盲节点等问题。然而，MTIC假设网络中的传感器节点和目标 数量已知，只适用于先验预知的固定网络，算法可扩展性较弱。

实际上，大型传感器网络的目标跟踪实际应用中，单个时刻仅有少数节点能够观测到穿 越监测区域的目标，而网络中的节点通常都具有向上汇报监测信息的路由通道，因此，在距 离受限的大型网络中，单个时刻仅需要少数观测节点实现对目标的分布式状态估计即能获知 目标的精确航迹，无需所有节点全网通信便能满足目标跟踪的实际应用。

事实上，随着目标在监测区域内不断移动，观测节点是动态变化的，通过节点间进行有 效的数据传递，就可以获取单个时刻观测节点的成员信息。此外，针对距离受限的传感器网 络多目标完全分布式一致性跟踪估计问题，可以基于联合概率数据互联策略，结合传感器的 信息观测质量及状态估计质量，经过足够多次的一致性信息传递及迭代处理，各观测节点的 分布式状态估计精度即能逼近集中式最优卡尔曼滤波方法(centralized Kalman filter,CKF)。 这也就是本发明的思路来源。

发明内容

本发明的目的在于提供一种高精度的动态自适应分布式多目标一致性跟踪方法。为了达 到上述目的，本发明充分利用传感器网络中观测节点之间的信息传递，提出了一种基于联合 概率数据互联策略及信息加权一致性滤波器的多目标跟踪器，其跟踪流程如图1所示，包括： 传感器节点获取目标量测信息；划分网络节点角色；建立一致性节点集；融入数据互联信息； 初始化本地一致性参数；融合一致性信息；更新目标状态；预测目标状态。

技术方案及具体实施措施：

为了便于阐述，做以下约定：

考虑某一网络具有N_S个同构传感器节点，其节点之间的通信网络可有无向图来表示。集合包含了图中的所有顶点，代表网络中的所有传感器节点；集 合ε包含图中所有的边，代表不同节点之间的可行通信链接。所有与节点S_i具有直接通信链 接的节点称为S_i的邻居节点，并构成集合。假设网络中存在N_T个可观测目标，构成的集 合可表示为

x^j(t+1)＝Фx^j(t)+w^j(t).    (1)

其中，为状态转移矩阵，过程噪声W^j(t)服从高斯分布

t时刻，传感器S_i获取到l_i(t)个关于目标的量测，记为传感器并不预知量测与目 标的对应关系。假设量测来源于目标T^j，由以下观测方程得到

$z_i^n=H_i^j{x}_i^j+v_i^j.---\left(2\right)$

其中，为传感器S_i对于目标T^j的观测矩阵，量测噪声设定为服从零均值高 斯分布的随机变量，且方差为

每个传感器节点保持着对感兴趣目标的先验或预测状态估计状态估计方差为 需要说明的是，本发明将以状态方差的逆(称为信息矩阵)应用于滤波的整个过程 中，表示形式为假设节点在探测到目标的时候，传感器就能得知关于目标的状态 初值和信息矩阵初值。

需要指出的是，本发明所针对的问题并不是假设每个目标的状态对于每个传感器都是可 观测的，而是考虑整个网络中的量测对于每个目标状态具有可观测性的情况，即网络完全覆 盖，单个时刻至少有一个传感器能够观测到监测区域的任何目标。此外，不妨假设网络中所 有传感器节点的通信半径不小于传感半径的2倍，这意味着，同时观测到目标的节点肯定互 为邻居，只需一步通信即可相互传递信息。本发明所提供方法的目的在于，针对传感器网络 目标跟踪问题，随着目标不断移动，网络节点成员的角色不断变化，通过有效的信息传递和 处理，实现任何单个滤波时刻内观测节点和邻居盲节点对多目标的分布式一致性跟踪。

以下将以t时刻传感器节点S_i对目标T^j的状态估计为例，对技术方案中的具体步骤进行 详细描述。

跟踪输入：目标T^j的先验状态先验信息矩阵量测矩阵量测噪声方 差

1.获取量测

传感器节点获取量测信息是指通过目标回波得到关于多个目标的本地量测和量测 信息矩阵其中为传感器量测服从的零均值高斯白噪声的方差，下标i是 传感器的身份标识。

2.划分节点角色

根据网络中传感器节点是否观测到目标及节点在目标状态估计时担任的角色，将t时刻 探测到目标的节点称为观测节点，所有观测节点的邻居节点(未探测到目标)称为盲节点， 其他未探测到目标的节点称为睡眠节点。其中，观测节点执行主要状态估计工作，盲节点通 过接收观测节点的信息来保持及更新本地目标状态，以防止在航迹交接过程中出现新航迹层 出不穷、航迹不明等现象。

3.建立一致性节点集

t时刻节点S_i探测到目标后，通过观测节点之间的信息交换，建立该时刻保持对目标状态 一致性估计的传感器节点集，称为一致性节点集，记为C。具体实施措施为：

(1)传感器S_i获取到t时刻自身观测区域内所有目标的量测及其对应量测信息矩阵；

(2)传感器S_i广播t-1时刻自身标识(ID)及本地估计所有目标的状态估计值，若某一目 标T^j为新目标，则广播关于T^j的量测值；

(3)传感器S_i接收来自邻居观测节点的广播信息；

(4)传感器S_i建立一致性节点集C，包括t时刻所有观测节点及其邻居盲节点，其中，观 测节点的个数为N′。

由于一致性节点集内的所有节点互为邻居，通过一步信息传递，每个观测节点能收到其 他观测节点关于目标的状态信息。同时，一致性节点集内所有观测节点的邻居盲节点也能获 知目标状态信息，而这些来自不同观测节点中的相同目标的状态是趋于一致的，这将在后续 说明中阐述。

4.融入数据互联信息

设定符号表示量测误差，其上标表示量测与目标T^j是确定互联关系，则对于时刻t 的目标T^j，量测误差与误差方差的计算方式如下

${\tilde{z}}_i^{\mathrm{jn}}=z_i^n-H_i^j{\hat{x}}_i^{j-}---\left(3\right)$

$Y_i^j=H_i^j{P}_i^{j-}{\left(H_i^j\right)}^T+R_i^j---\left(4\right)$

基于2009年Bar-shalom提出的JPDA滤波算法，设定量测与目标T^j正确互联的概率 为没有量测与目标T^j互联的概率为和的计算方式参照JPDA滤波器。对于 目标T^j，采用以下方程计算卡尔曼滤波增益量测均值量测均值误差及量测均值 误差方差

$K_i^j=P_i^{j-}{\left(H_i^j\right)}^T{\left(Y_i^j\right)}^{-1}---\left(5\right)$

$y_i^j=\underset{n=1}{\overset{l_i\left(t\right)}{\Sigma }}{\beta }_i^{\mathrm{jn}}{z}_i^n---\left(6\right)$

${\tilde{y}}_i^j=\underset{n=1}{\overset{l_i\left(t\right)}{\Sigma }}{\beta }_i^{\mathrm{jn}}{\tilde{z}}_i^{\mathrm{jn}}=y_i^j-(1-{\beta }_i^{j0})H_i^j{\hat{x}}_i^{j-}---\left(7\right)$

${\tilde{P}}_i^j=\left(\underset{n=1}{\overset{l_i\left(t\right)}{\Sigma }}{\beta }_i^{\mathrm{jn}}{\tilde{z}}_i^{\mathrm{jn}}{\left({\tilde{z}}_i^{\mathrm{jn}}\right)}^T\right)-{\tilde{j}}_i^j{\left({\tilde{y}}_i^j\right)}^T---\left(8\right)$

由上，得到融入数据互联信息的矩阵

$C_i^j=(1-{\beta }_i^{j0})Y_i^j-{\tilde{P}}_i^j---\left(9\right)$

5.初始化一致性参数

为便于阅读，不妨隐去各参量的时间标志，比如由来表示。定义传感器S_i一致 性参数及的初始化方式如下：

$v_i^j\left(0\right)=u_i^j+(\frac{J_i^{j-}}{N^{\prime }}+{\beta }_i^{j0}{U}_i^j){\hat{x}}_i^{j-}---\left(10\right)$

$V_i^j\left(0\right)=\frac{J_i^{j-}}{N^{\prime }}+U_i^j---\left(11\right)$

$W_i^j\left(0\right)=\frac{J_i^{j-}}{N^{\prime }}+G_i^j---\left(12\right)$

其中，

$u_i^j={\left(H_i^j\right)}^T{\left(R_i^j\right)}^{-1}{y}_i^j---\left(13\right)$

$U_i^j={\left(H_i^j\right)}^T{\left(R_i^j\right)}^{-1}{H}_i^j---\left(14\right)$

$G_i^j=J_i^{j-}-K_i^j{({\left(C_i^j\right)}^{-1}-{\left(K_i^j\right)}^T{J}_i^{j-}{K}_i^j)}^{-1}{\left(K_i^j\right)}^T{J}_i^{j-}---\left(15\right)$

6.融合一致性信息

传感器S_i计算得到初始化的一致性参数及之后，结合信息传递，将 及进行一致化处理。设定一致性迭代次数为K，一致性速率因子为ζ， 具体实施措施为：

以下三个步骤从k＝1开始，至k＝K，循环迭代K次

(1)向邻居节点发送一致性参数及

(2)接收邻居节点的一致性参数及

(3)基于一致性理论，更新一致性参数：

最终，经过K次迭代，传感器S_i得到一致性参数及根据一致性 理论，若迭代的次数足够多，各观测节点所获取的一致性参数将逐渐趋于一致。

7.更新目标状态

传感器S_i完成一致性信息处理后，利用下式对目标状态进行估计：

${\hat{x}}_i^{j+}={\left(V_i^j\left(K\right)\right)}^{-1}{V}_i^j\left(K\right)---\left(19\right)$

$J_i^{j+}=N^{\prime }{W}_i^j\left(K\right)---\left(20\right)$

一致性节点集C内的其他传感器节点均依据上式实现t时刻对目标状态的估计。

8.预测目标状态

结合状态方程，一致性节点集内的传感器节点分别对目标T^j状态及信息矩阵进行预测， 具体计算方程如下：

${\hat{x}}_i^{j-}(t+1)=\Phi {\hat{x}}_i^{j+}\left(t\right)---\left(21\right)$

$P_i^{j-}(t+1)=\Phi P_i^{j+}\left(t\right){\Phi }^T+Q---\left(22\right)$

滤波输出：当前时刻对目标T^j的状态估计状态信息矩阵下一时刻目标T^j的状态预测状态预测方差

以上描述了单个滤波时刻内某观测节点对单个目标进行跟踪时的信息传递及处理方式， 经过有效的信息一致性处理，结合了概率数据互联策略，实现了观测节点集合内所有传感器 对所有目标的分布式一致性跟踪。并且，在一致性节点集的建立阶段，各观测节点将前一时 刻本地目标的状态值广播至网络中，实现了观测节点及其邻居盲节点对目标状态的一致性估 计。如此设计，便于下一时刻传感器量测与已有目标航迹的数据互联，并有效防止因目标快 速机动导致跟踪失败的情况，避免了网络中新航迹层出不穷、航迹不明等现象。

与现有技术相比，本发明具有如下有益效果：

(1)估计精度高

与传统的一致性跟踪方法相比，本发明基于分布式最大后验概率理论，利用传感器节点 之间的信息传递，通过引入信息加权策略及概率数据互联策略，建立了传感器观测信息质量 与一致性信息处理之间的联系，并将数据互联信息融入一致性参数中，经过迭代与融合，实 现了网络内部分传感器之间的多目标动态一致性跟踪。与传统的一致性跟踪方法相比，本发 明所提供的多目标分布式一致性跟踪方法的估计精度更接近于集中式最优估计方法。

(2)状态一致性效率高

对于单个时刻内的目标状态估计，本发明所提出的方法仅在少数观测到目标的传感器节 点之间进行一致性信息处理，结合有效的一致性速率因子，仅需少数几次迭代即可实现小范 围内所有传感器对所有感兴趣的目标状态的快速一致性估计，同时也提高了整个传感器网络 对目标跟踪的实时性。

(3)跟踪可靠性高

本发明所提出的方法实现了每个时刻观测节点及其邻居盲节点对目标状态的一致性估 计，有利于下一时刻传感器量测与已有目标航迹的数据互联，并有效防止因目标快速机动导 致跟踪失败的情况，避免了网络中新航迹层出不穷、航迹不明等现象，提高了目标跟踪可靠 性。

(4)计算与通信能耗低

单个滤波时刻内，本发明提出的一致性估计方法仅仅在少数观测到目标的节点之间产生 通信与计算能耗，无需全网通信与一致性迭代，因此能耗低，网络代价小，更加适用于能量 受限的传感器网络。

(5)设计灵活、实现简单

本发明提出的一致性跟踪器可以通过传感器节点之间简单的信息传递来自适应调整一致 性节点集，无需预知网络成员的先验信息，具有设计灵活的特点；同时，一致性状态方法不 涉及复杂的算法，在现有的硬件技术水平下，可以直接通过数字芯片采用全数字的方法实现， 对硬件性能没有特殊的要求，便于芯片集成。

(6)适用范围广

一方面，与传统的一致性跟踪方法一样，本发明具有较为广泛的适用范围，可用于视频、 雷达等小型有线固定式传感器网络；另一方面，由于该一致性跟踪器能够在每个采样时刻实 时自适应调整工作节点，可扩展性好，这使得本发明尤其适用于具有动态拓扑结构的大型无 线传感器网络。

附图说明

图1是传感器网络多目标分布式一致性跟踪流程图。