多传感器组网协同跟踪方法研究

随着传感器技术与通信技术的发展，越来越多的传感器被纳入到一体化网络中参与协同作战。信息融合技术能够解决不同平台上传感器所获信息的融合问题，改善系统的目标检测与跟踪性能，已逐渐成为学术界和工程应用界的研究热点。然而，随着传感器数目和目标数目的增多，信息融合系统复杂度随之增加，传感器网络对信息融合跟踪结构优化的需求度也逐渐增加。另一方面，由于目标环境的多变性和局限性，使得传感器网络无法利用所有传感器同时跟踪某一目标。基于上述原因，研究如何将有限的传感器资源分配给不同的目标，优化信息融合跟踪结构，使不同传感器通过交流、合作与竞争协同完成跟踪任务的协同跟踪方法就显得尤为重要，并逐渐成为信息融合问题中的一个核心问题。 本文在前人工作的基础上，结合实际科研项目，以提高传感器网络的整体跟踪性能为目标，研究了不同实际情况下，传感器网络对单、多机动目标进行协同跟踪的若干方法。论文的主要研究工作概括如下： 1.介绍了协同跟踪的基础理论及其数学描述。研究了目标运动模型、传感器观测模型、观测噪声的闪烁效应以及常用的滤波算法，并对迭代无迹卡尔曼滤波算法进行了改进。构建了多传感器协同跟踪的一般性研究框架，指出了协同跟踪问题与一般跟踪问题的区别在于传感器跟踪性能的度量以及传感器行为的决策与执行。 2.研究了静态传感器机动目标协同跟踪方法。针对传感器数量较少、位置固定，且每一时刻只允许选择一个传感器进行目标跟踪的问题，提出了一种基于Rényi信息增量的机动目标协同跟踪方法。该方法将目标跟踪精度作为主要考虑因素，首先利用粒子滤波算法计算每个传感器对目标状态估计的Rényi信息增量，然后以Rényi信息增量最大为准则进行跟踪传感器的选择，最后通过多模型的交互作用实现对机动目标状态的准确估计。该方法能够根据机动目标运动情况自适应地为其选择合适的传感器进行接力跟踪，获得较高跟踪精度。 3.研究了动态传感器机动目标协同跟踪方法。在大型动态传感器网络中，针对传感器数量众多、位置可移动，且多个传感器同时工作时目标信息传递能耗不容忽视情况下的跟踪传感器选择问题，提出了一种动态传感器优化部署下的机动目标协同跟踪方法。该方法首先采用粒子群算法优化部署动态传感器的位置，提高了有效覆盖率并降低了传感器网络能耗；然后，在此基础上，以传感器间信息传递能耗与候选传感器的Rényi信息增量构造适应度函数，采用二值粒子群优化算法自适应地选择最佳跟踪传感器组；最后，利用最佳跟踪传感器组对目标进行观测，并采用交互多模型粒子滤波算法对机动目标位置进行估计并进行分布式融合。仿真结果表明，该方法能够提高资源有效利用率。 4.研究了多机动目标协同跟踪方法。在监视区域存在多个目标的情况下，针对如何将有限的传感器资源分配给不同目标进行跟踪的问题，提出了一种基于博弈论的多机动目标协同跟踪方法。该方法首先利用交互多模型扩展粒子滤波算法递归地估计网络中各机动目标的状态；然后，促使跟踪精度未达系统要求的目标代理发起谈判，在确保谈判双方利益最大化的条件下，通过博弈为谈判发起者争取更多的传感器对其所代表的目标进行跟踪；最后，将各目标代理获得的传感器估计值进行融合。该算法能够根据网络对每个目标的跟踪需求自适应地为其分配合适的传感器，使传感器网络保持对所有目标的稳定跟踪并获得较优的整体跟踪精度。 5.研究了多目标协同检测与跟踪方法。在实际多目标环境下，监视区域内的目标数随时可能发生变化。不断出现的新生目标，使得现有传感器-目标分配方案随之失效。针对如何根据目标被探测状态（被检测或者被跟踪），将有限的传感器资源分配给不同的目标进行相应探测任务的问题，提出了一种基于后验克拉美-罗下界（Posterior Cramer-Rao Lower Bound, PCRLB）和二值粒子群优化算法（Binaryparticle swarm optimization, BPSO）的多目标协同检测与跟踪方法。该方法首先采用独立于滤波算法的PCRLB来衡量多个已跟踪目标的跟踪精度，并借助随机分布的检测粒子计算获得传感器对新生目标可能出现区域的检测覆盖情况；然后，利用BPSO算法获得能够最大化跟踪精度和检测概率的最优分配方案；最后，根据最优分配方案进行粒子滤波与跟踪融合。该算法能够根据目标的被探测状态为其分配合适的传感器，实现新生目标的及时检测和已跟踪目标的持续跟踪。另外，依据隐身目标的雷达截面积具有方向性的先验信息，将所提方法应用到隐身目标的协同跟踪中。仿真实验证明了该算法的有效性。