一种基于多采样率多模型融合估计的移动目标跟踪方法

摘要

一种基于多采样率多模型融合估计的移动目标跟踪方法，该方法首先将无线传感器网络分为m个簇，建立不同采样速率下的状态空间模型。簇头节点利用EKF方法得到局部估计结果。融合中心把所有局部估计同步到同一时刻点，并利用CI融合方法得到融合估计结果，通过目标速度的估计值和簇头节点的能量信息调整网络节点的采样速率。本发明提供一种在保证跟踪精度、鲁棒性以及快速反应能力的前提下，有效降低传感器网络的能耗、提升灵活性的基于多采样率多模型融合估计的移动目标跟踪方法。

说明书

技术领域

本发明涉及移动目标跟踪领域，尤其是一种移动目标实时跟踪方法。 

背景技术

无线传感器网络由于其自组织性、鲁棒性以及可大范围覆盖的特点，使得它在环境检测、车辆跟踪、军事侦查与军事目标跟踪等领域具有重要的应用价值。在目标跟踪领域，在评价跟踪方法时，需综合考虑跟踪精度、跟踪鲁棒性和能量消耗以及跟踪反应时间等指标。为了提高跟踪精度，提出了多传感器信息融合估计方法，即通过融合多个传感器的测量信息来提高跟踪精度。特别地，采用分布式状态融合估计方法，可通过融合各局部状态估计获得精度更高的融合估计结果，使目标跟踪系统的故障容错能力和鲁棒性得到增强和改善。在现有目标跟踪技术中，有采用这种基于多组传感器的分布式状态融合估计方法，然而都是采用多组传感器单一采样率和单一移动目标模型的方式，不能根据移动目标的状态(如移动速度)以及传感器节点的能量状况调整跟踪策略，导致系统灵活性不足且不利于无线传感器网络的节能降耗。目前在无线传感器网络中还没有技术能够依据移动目标运动情况来调整信息采集速率以降低传感器网络的能耗。 

发明内容

为了克服已有移动目标跟踪方法的灵活性较差、能耗较大的不足，本发明提供一种在保证跟踪精度、鲁棒性以及快速反应能力的前提下，有效降低传感器网络的能耗、提升灵活性的基于多采样率多模型融合 估计的移动目标跟踪方法。 

本发明解决其技术问题所采用的技术方案是： 

一种基于多采样率多模型融合估计的移动目标跟踪方法，所述方法包括以下步骤： 

步骤1)把移动目标的速度分为L个不同的等级，无线传感器网络分为m个不同的簇，传感器节点分为n个不同的采样速率，选择移动目标的状态变量，所述状态变量为位置、速度或加速度，建立n个采样速率下移动目标跟踪的状态空间模型； 

步骤2)簇头节点收集其簇内节点的量测信息，根据当前采样速率下状态空间模型，应用扩展卡尔曼方法得到移动目标的局部估计，并把局部估计结果以及其剩余能量信息发送到融合中心； 

步骤3)针对低采样速率的簇，在其局部估计缺失的时刻点上，融合中心通过对上一时刻的状态估计值进行预测，把所有局部估计结果同步到同一时刻点； 

步骤4)融合中心根据各局部估计的误差协方差矩阵，在线确定CI融合方法中的融合参数，应用CI融合估计方法，得到移动目标的融合估计结果，所述融合估计结果包括运动速率估计值； 

步骤5)融合中心根据移动目标的运动速率估计值以及各簇头节点的能量信息，若移动目标的运动速度估计值低于相应的阈值，将降低能量最低簇节点的采样速率；反之，移动目标的运动速度估计值高于相应的阈值，将加快能量最高簇节点的采样速率；并把采样速率调整结果发送给各簇头节点； 

步骤6)若簇头节点收到采样速率调整信息，将调整簇内节点的采样速率，并切换到相应采样速率下的状态空间模型，否则，各簇节点按原采样速率进行采样和状态估计。 

进一步，所述步骤1)中，根据系统的节能要求和跟踪精度要求 确定L、m和n的取值，其中，L＝m×n+1，L个速度等级对应L个速度阈值V_c,c＝1,…,L-1且V_c-1＜V_c。 

所述步骤1)中，所述状态变量为二维或三维参数。 

所述步骤1)中，各采样速率下的状态空间模型存储在簇头节点中，通过指针数组M[n]指向各状态空间模型，即M[j],j＝1,…,n指向采样速率j下的状态空间模型。 

更进一步，所述步骤2)中，所述的量测信息为传感器节点与移动目标的距离、移动目标的加速度和运动姿态。 

在步骤3)中，若下一时刻该局部估计结果继续缺失，将对当前时刻得到的预测值进行再次预测，以得到下一时刻的状态估计值。 

在步骤4)中，所述的融合参数ω_i通过各簇局部估计的误差协方差矩阵的迹在线确定，即其中，tr(P_i,k|k)、tr(P_l,k|k)为簇i、l的局部估计的误差协方差矩阵的迹，P_i,k|k、P_l,k|k为当前时刻k簇i、l的局部估计的误差协方差矩阵，α_i、α_l为加权系数，且与预测次数成反比，$\underset{i=1}{\overset{m}{\Sigma }}{\alpha }_i=1,\underset{l=1}{\overset{m}{\Sigma }}{\alpha }_l=1.$

再进一步，在步骤5)中，当移动目标速度低于阈值V_L-1时，能量最低簇节点的采样速率降低1倍，当移动目标速度低于阈值V_L-2时，尚未降低采样速率且能量最低簇节点的采样速率降低1倍，当移动目标速度低于阈值V_L-m-2时，m个簇节点都已降低1倍采样速率，能量最低簇节点的采样速率降低2倍，以此类推，当移动目标速度低于阈值V₁时，所有节点的采样速率降低n倍；反之，增加能量最高簇节点的采样速率。 

在步骤5)中，所述量测信息为距离信息时，根据当前时刻的位 置估计值和上一时刻的位置估计值，推算出移动目标速度。 

本发明的有益效果主要表现在：由于快速采样率对于提高运动缓慢的移动目标跟踪精度帮助很小。针对这个问题，本发明提供了动态调整传感器采样速率的分布式移动目标跟踪方法。当目标运动缓慢时，降低各簇节点的采样速率和生成局部估计的速率，但是融合中心仍保持原来的速率进行融合估计以保证系统的快速反应能力。相比现有的目标跟踪方法，该方法在降低无线传感器网络能耗的同时，保证了系统的跟踪精度、鲁棒性以及快速反应能力。 

附图说明

图1是无线传感器网络的目标跟踪系统示意图。 

图2是采用多组传感器进行融合估计的移动目标跟踪方法示意图。 

图3是各簇头节点的局部估计流程图。 

图4是融合中心的移动目标状态融合估计流程图。 

图5是多速率采样、估计、融合示意图。 

具体实施方式

下面结合附图对本发明作进一步描述。 

参照图1～图5，一种基于多采样率多模型融合估计的移动目标跟踪方法，所述方法包括以下步骤： 

步骤1)把移动目标的速度分为L个不同的等级，无线传感器网络分为m个不同的簇，传感器节点分为n个不同的采样速率。选择移动目标的状态变量(位置、速度、加速度)，建立n个采样速率下移动目标跟踪的状态空间模型； 

步骤2)簇头节点收集其簇内节点的量测信息，根据当前采样速 率下状态空间模型，应用扩展卡尔曼(EKF)方法得到移动目标的局部估计，并把局部估计结果以及其剩余能量信息发送到融合中心(汇聚节点)； 

步骤3)针对低采样速率的簇，在其局部估计缺失的时刻点上，融合中心通过对上一时刻的状态估计值进行预测，把所有局部估计结果同步到同一时刻点； 

步骤4)融合中心根据各局部估计的误差协方差矩阵，在线确定CI融合方法中的融合参数，应用CI融合估计方法，得到移动目标的融合估计结果，所述融合估计结果包括运动速率估计值； 

步骤5)融合中心根据移动目标的运动速率估计值以及各簇头节点的能量信息，若移动目标的运动速度估计值低于相应的阈值，将降低能量最低簇节点的采样速率；反之，移动目标的运动速度估计值高于相应的阈值，将加快能量最高簇节点的采样速率；并把采样速率调整结果发送给各簇头节点； 

步骤6)若簇头节点收到采样速率调整信息，将调整簇内节点的采样速率，并切换到相应采样速率下的系统模型。否则，各簇节点按原速率进行采样和状态估计。 

重复执行步骤1)-6)，实现对移动目标的实时、精确地跟踪。 

在步骤1)所述的移动目标状态变量包括移动目标在监视区域坐标系中x轴和y轴的位置、速度和加速度。可根据实际系统的节能要求和跟踪精度要求确定L、m和n的取值。其中，L＝m×n+1，L个速度等级对应L-1个速度阈值V_c,c＝1,…,L-1且V_c-1＜V_c。 

步骤2)所述的量测信息为传感器节点与移动目标的距离、移动目标的加速度、运动姿态(方向)，传感器可以包括超声波、红外、激光传感器、信号衰减(RSSI)得到的距离信息，还可以包括加速度计、陀螺仪传感器。另外，各簇头节点只有在得到量测信息的时候，生成 移动目标的局部估计结果。 

在步骤3)中，若下一时刻该局部估计结果继续缺失，将对当前时刻得到的预测值进行再次预测，以得到下一时刻的状态估计值。还包括融合中心通过多次迭代预测来弥补局部估计在多个融合时刻上局部估计的缺失。 

步骤4)中，所述的融合参数ω_i通过各簇局部估计的误差协方差矩阵的迹在线确定，即其中，tr(P_i,k|k)、tr(P_l,k|k)为簇i、l的局部估计的误差协方差矩阵的迹，P_i,k|k、P_l,k|k为当前时刻k簇i、l的局部估计的误差协方差矩阵，α_i、α_l为加权系数，且与预测次数成反比，另外，融合中心只存储了最高采样速率下的系统状态空间模型。 

在步骤5)中，当移动目标速度低于阈值V_L-1时，能量最低簇节点的采样速率降低1倍，当移动目标速度低于阈值V_L-2时，尚未降低采样速率且能量最低簇节点的采样速率降低1倍，当移动目标速度低于阈值V_L-m-2时(m个簇节点都已降低1倍采样速率)，能量最低簇节点的采样速率降低2倍，以此类推，当移动目标速度低于阈值V₁时，所有节点的采样速率降低n倍。反之，增加能量最高簇节点的采样速率。仅距离信息可观测时，可以根据当前时刻的位置估计值和上一时刻的位置估计值，推算出移动目标速度。 

如图1所示，无线传感器网络节点划分为m个簇，簇头节点负责收集簇内节点量测信息并生成移动机器人位置信息、速度、加速度的局部估计结果，融合中心负责收集全网局部估计并进行状态融合估计。图1描述了无线传感器网络环境下移动机器人的实时跟踪。目标跟踪 系统状态估计框图如图2所示。移动机器人目标跟踪系统的模型可由如式(1)和(2)所示的状态空间模型描述： 

x(k)＝f_j(x(k-1))+Gw_j(k)    (1) 

z_i(k_j)＝h_i(x(k_j))+v_i(k_j)  i＝1,…,mj＝1,…,n    (2) 

其中，k为离散时间序列，i为各簇节点序号，j为采样速率等级，共分为n个等级。为k时刻目标的位置与速度状态，为簇i(局部估计i)的k_j＝j(k-1)+1时刻下的状态观测。为簇i在采样速率j下的状态转移矩阵，为簇i的局部估计观测矩阵。n_x为系统状态的维数，n_i,z为局部观测向量的维数。w_j(k),v_i(k_j)为零均值、协方差矩阵分别为Q_j和R_ij的不相关高斯白噪声。初始状态和初始协方差矩阵分别为x_0|0和P_0|0，且x_0|0与w_j(k)，v_i(k_j)统计独立。 

簇i通过扩展卡尔曼方法得到局部估计值，具体方法如式(3)-(7)所示： 

${\hat{x}}_{i,k_j+1|k_j}=f_j\left({\hat{x}}_{i,k_j|k_j}\right)---\left(3\right)$

$P_{i,k_j+1|k_j}=F_{k_j}{P}_{i,k_j|k_j}{F_{k_j}}^T+Q_j---\left(4\right)$

$K_{i,k_j+1}=P_{k_j+1|k_j}{H_{i,k_j+1}}^T{[H_{i,k_j+1}{P}_{i,k_j+1|k_j}{H_{i,k_j+1}}^T+R_{\mathrm{ij}}]}^{-1}---\left(5\right)$

$P_{i,k_j+1|k_j+1}=[I-K_{i,k_j+1}{H}_{i,k_j+1}]P_{i,k_j+1|k_j}---\left(6\right)$

${\hat{x}}_{i,k_j+1|k_j+1}={\hat{x}}_{i,k_j+1|k_j}+K_{i,k_j+1}[z_{i,k_j+1}-h_i\left({\hat{x}}_{k_j+1|k_j}\right)]---\left(7\right)$

其中,分别是簇i在k_j＝j(k-1)+1采样时刻上目标状态的局部估计值和对下一时刻的预测值。分别为簇i在j(k-1)+1采样时刻上目标状态的局部估计误差协方差矩阵和对下一时刻的预测误差协方差矩阵。为当前采样速率j下的系统方程雅克比矩阵 以及为簇i局部估计量测方程的雅克比矩阵 Q_j，R_ij分别为当前采样速率j下系统噪声的协方差矩阵和簇i局部估计量测噪声的协方差矩阵。为扩展卡尔曼滤波增益，Ι为单位矩阵。 

簇头节点存储了各采样速率下的移动目标模型，簇头节点根据不同的采样速率，切换相应的系统模型，根据式(3)-(7)得到簇i的局部估计，并把局部估计结果和其能量信息发送到融合中心，具体局部估计流程图可参照图3。若簇i降低了采样速率，只有在k_j＝j(k-1)+1时刻有新的观测值产生并产生局部估计值，在时刻点k_j＝j(k-1)+1+s,s＝1,2,...,j-1上没有新的观测值和局部估计值产生。如图5所示，融合中心在每时刻点k上都进行状态融合估计，当没有收到簇i的局部估计时，利用第k_j时刻簇i的局部估计值进行一步预测得到k_j+1时刻的局部估计状态，即滤波增益等于零，当所有簇的局部估计状态同步到k_j+1时刻点上，应用快速方法在线确定CI融合参数ω_i，并得到相应的融合估计结果。其中， $\underset{i=1}{\overset{m}{\Sigma }}{\omega }_i=1.$

具体的CI融合估计方法如式(9)-(11) 

${\omega }_i=\frac{{\alpha }_i/\mathrm{tr}\left(P_{i,k_j+1|k_j+1}\right)}{\underset{l=1}{\overset{m}{\Sigma }}{\alpha }_l/\mathrm{tr}\left(P_{l,k_j+1|k_j+1}\right)}---\left(9\right)$

$P_{\mathrm{CI},k_j+1|k_j+1}^{-1}=\underset{i=1}{\overset{l}{\Sigma }}{\omega }_i{P}_{i,k_j+1|k_j+1}^{-1}---\left(10\right)$

${\hat{x}}_{\mathrm{CI},k_j+1|k_j+1}=P_{\mathrm{CI},k_j+1|k_j+1}\underset{i=1}{\overset{l}{\Sigma }}{\omega }_i{P}_{i,k_j+1|k_j+1}^{-1}{\hat{x}}_{i,k_j+1|k_j+1}---\left(11\right)$

其中，分别为移动目标在k_j+1(k_j+1＝j(k-1)+2)时刻的CI状态融合估计值和误差协方差矩阵。ω_i是计算移动目标状态的融 合估计值和误差协方差矩阵时采用的各局部估计的权值。为簇i的局部估计误差协方差矩阵的迹。α_i为加权系数，与预测次数成反比，且要求$\underset{i=1}{\overset{m}{\Sigma }}{\alpha }_i=1.$

融合中心根据式(9)-(11)进行状态融合估计，得到更为精确的估计结果。若移动目标的运动速度低于相应的阈值，将降低能量最低簇节点的采样速率；反之，移动目标的运动速度高于相应的阈值，将加快能量最高簇节点的采样速率。融合中心把采样速率的调整结果发送给的各簇头节点，簇头节点相应调整簇内节点的采样速率以及切换到相应的状态空间模型。 

一种适用于无线传感器网络节能的采用多组传感器多采样率的分布式移动目标实时跟踪的系统，所述系统包括： 

簇，在无线传感器网络中，由若干个传感器节点组成的子网络，簇内的节点统称簇节点。 

簇头节点，负责管理簇内传感器子节点的节点，计算能力和能量储备都要高于其他普通的节点。用于生成移动目标状态的局部估计，并把局部估计结果发送到融合中心(汇聚节点)。 

汇聚节点，负责建立和管理整个无线传感器网络，收集所有簇头节点的局部估计结果，并生成融合估计结果。一般通过固定电源供电，具有最强的处理能力。