分布式傳感器網(wǎng)絡(luò)環(huán)境的多目標(biāo)跟蹤和特征管理設(shè)計

近來傳感器技術(shù)和無線通信技術(shù)的發(fā)展導(dǎo)致了一個新概念的誕生一傳感器網(wǎng)絡(luò)，即一個由本地傳感器節(jié)點所組成的具有感知、處理和通信能力的一種廣泛應(yīng)用的網(wǎng)絡(luò)。為了更深入地挖掘傳感器網(wǎng)絡(luò)所具有的能力，筆者提出了一種可擴展分布式的多目標(biāo)跟蹤和特征管理方法，該方法能夠通過一個傳感器網(wǎng)絡(luò)對多個目標(biāo)實現(xiàn)跟蹤和特征管理。

傳統(tǒng)的多目標(biāo)跟蹤方法，如MHT跟蹤器，不適用于傳感器網(wǎng)絡(luò)。而現(xiàn)有基于傳感器網(wǎng)絡(luò)的算法僅基于如下情況：所跟蹤目標(biāo)的數(shù)量已知不變，并且它們的運動軌跡對于本地傳感器已知。而在本文中，筆者放寬了以上假設(shè)，形成對于分布式多目標(biāo)的跟蹤和特征管理算法DMTIM。文中在實現(xiàn)數(shù)據(jù)關(guān)聯(lián)和多目標(biāo)跟蹤運用了馬爾科夫鏈蒙特卡羅數(shù)據(jù)關(guān)聯(lián)MCMCDA的方法，實時對未知數(shù)量的多目標(biāo)進行跟蹤。MCMCDA方法能夠獨立地對軌跡進行起始和終止，并能夠跟蹤未知數(shù)量的多目標(biāo)。每個傳感器能夠運用MCMCDA有效地跟蹤一組未知數(shù)量的目標(biāo)，并且能夠?qū)δ繕?biāo)的特征進行分布式地管理。

本文結(jié)構(gòu)如下：分布式多目標(biāo)的跟蹤與特征管理算法概述;多目標(biāo)跟蹤問題及其概率模型;DMTIM關(guān)鍵算法敘述：馬爾科夫鏈蒙特卡羅數(shù)據(jù)關(guān)聯(lián)算法;DMTIM組成部分介紹，包括數(shù)據(jù)關(guān)聯(lián)、多目標(biāo)跟蹤、特征管理和信息融合;DMTIM算法仿真試驗及評估。

1 分布式多目標(biāo)跟蹤和特征管理

文中研究重點是傳感器網(wǎng)絡(luò)中多目標(biāo)的跟蹤和特征管理方法。每個傳感器擁有自己的觀測區(qū)域，且擁有與其鄰近傳感器通信的能力。如圖1所示一個簡單的二傳感器的系統(tǒng)，大圓圈代表傳感器的觀測區(qū)域。每個傳感器能夠?qū)Χ嗄繕?biāo)進行跟蹤并在觀測區(qū)域內(nèi)管理目標(biāo)特征。該問題的難點在于觀測區(qū)域內(nèi)目標(biāo)的數(shù)量會隨時間而變化，因此我們必須尋求一種可擴展的，在相鄰傳感器中具有本地一致性的方法。

筆者提出的可擴展的分布式多目標(biāo)跟蹤與特征管理DMTIM算法能對未知數(shù)量且數(shù)量隨時變化的機動目標(biāo)進行跟蹤，對其特征進行有效的管理。并能夠在一個分布式的傳感器網(wǎng)絡(luò)中進行實現(xiàn)。對于每一個傳感器，DMTIM中的多目標(biāo)跟蹤算法負責(zé)估算如下量：目標(biāo)的數(shù)量，觀測區(qū)域內(nèi)所有目標(biāo)的運動軌跡，以及在特征管理算法中將用到的混合矩陣和本地信息。然后，相鄰的傳感器通過相互通信對本地狀態(tài)估算值和信任矩陣進行交換。同時，通過信息融合實現(xiàn)了本地一致性，進而實現(xiàn)全局一致性。

本文的剩余部分對DMTIM的算法模塊進行了詳細描述并且還對多目標(biāo)跟蹤問題，以及馬爾科夫鏈蒙特卡洛數(shù)據(jù)關(guān)聯(lián)進行了描述。

2 多目標(biāo)跟蹤

基于每個傳感器視野范圍內(nèi)的目標(biāo)數(shù)量會隨時間不斷變化，本章提出的DMTIM多目標(biāo)跟蹤適應(yīng)于此類多目標(biāo)數(shù)量不確定的情況。

2.1 問題模式

設(shè)T∈Z+為傳感器觀測持續(xù)的時間，K為該時間內(nèi)觀測范圍R中所出現(xiàn)的目標(biāo)數(shù)量。在某時間段

Y的集合，且ω∈Ω，有如下參數(shù)：

分離的過程如圖2所示，其中K為軌跡數(shù)量，|Tk|為Tk的基數(shù)，當(dāng)沒有軌跡互擾的情況下認為Tk為一個正確的軌跡。假設(shè)一條軌跡至少包含兩個觀測值，因為不能由一個單一的觀察值確定一條軌跡。于是再假設(shè)e(t-1)為時刻t-1之后目標(biāo)的數(shù)量，z(t)為時刻t消失的目標(biāo)的數(shù)量，c(t)=e(t-1)-z(t)為時刻t-1到t未消失的數(shù)量。設(shè)a(t)為時刻t新出現(xiàn)的目標(biāo)，d(t)為時刻t的實際目標(biāo)，g(t)=c(t)+a(t)-d(t)為未識別的目標(biāo)。最后，設(shè)f(t)=n(t)-d(t)為錯誤報警數(shù)量，有：

其中P(ω|Y)是Y的相似概率。

本文采用了最大后驗MAP算法解決多目標(biāo)跟蹤問題。該算法對觀測目標(biāo)進行分割，并根據(jù)分割對目標(biāo)狀態(tài)進行估算。