分布式多目标伯努利滤波器的网络共识技术

王佰录 易 伟 李溯琪 孔令讲 杨晓波

(电子科技大学电子工程学院，四川成都 611731)

1 引言

与集中式多传感器多目标跟踪技术相比，分布式多传感器多目标跟踪技术(distributed multi-sensor multi-object tacking, DMMT) 具有通信代价低、容错率高等优势，因此在理论研究和实际工程应用中都具有重大意义。分布式多传感器多目标融合所面临的一个挑战是不同传感器节点间量测存在未知的相关性信息。文献[1]提出了解决该问题的最优解，然而由于最优解需要计算不同传感器节点间的公共信息，计算量大，实际中通常难以实现。Mahler在[2]中提出了一种易于实现的次优解，称之为广义协方差交集(Generalized Covariance Intersection, GCI)融合。GCI融合是协方差交集(Covariance Intersection, CI)准则[3]的推广。相比于CI融合准则，GCI融合准则放松了高斯分布假设，适用于服从任意分布的后验概率密度函数。另外，文献[4]证明了GCI融合准则能够规避公共信息的重复计算，因此适用于存在未知相关性的多目标后验分布间的信息融合。

基于Mahler的研究工作[2]，Clark等人推导得出了几种类型的多目标概率分布的GCI融合解析表达式，包括泊松(Poisson)，独立同分布簇(independent identically distributed clusters), 伯努利(Bernoulli)等分布[5]利用GCI融合的这些解析表达式，2013年，M.Uney等人采用序贯蒙特卡罗(Sequential Monte Carlo，SMC)滤波技术实现了基于GCI融合准则的概率假设密度(Probability Hypothesis Density，PHD)滤波器的分布式融合[6]；同一时期，G.Battistelli等人也发表了利用混合高斯(Gaussian Mixture，GM)技术，并结合网络共识理论实现的基于GCI融合准则的基数化概率假设密度(Cardinalized Probability Hypothesis Density，CPHD)滤波器的分布式融合[7]; 随后，M.B.Guldogan等人于2014年实现了基于GCI融合准则的分布式伯努利滤波器的融合算法，并将该融合技术成功应用到了多普勒传感器网络中[8]。……