存在无知节点时传感器网络的信息驱动全分布式卡尔曼滤波器
最优化与控制
2014-10-03 v1
摘要
我们考虑传感器网络的分布式卡尔曼滤波问题，其中每个节点以相同的频率进行测量、与局部邻居通信，并更新其局部估计和估计误差协方差。在这种情况下，如果目标既未被某个节点也未被其局部邻居直接观测到，则该节点对该目标是无知的。著名的卡尔曼一致性滤波器 (KCF) 已被证明在网络中不存在无知节点时表现良好。存在无知节点的情况后来由广义 KCF (GKCF) 和信息加权一致性滤波器 (ICF) 进行了研究。然而，所有这些嵌入一致性的滤波器都需要一些全局信息，如图的最大度或节点总数。如果这些全局信息随时间变化，例如时变拓扑或网络中意外的传感器故障，GKCF 或 ICF 的性能可能会下降。随着通信拓扑变化、节点故障或新节点的加入，滤波器性能将受到不利影响。在本文中，我们为每个节点考虑了一种新颖的局部加权最小二乘估计器，该估计器利用其广义测量来跟踪目标，该广义测量不仅由其自身和局部邻居的测量形成，还包含它们先前的局部估计。通过在协方差矩阵推导中进行一些近似，我们提出了信息驱动全分布式卡尔曼滤波器 (IFDKF)，它能够在不知晓任何全局信息的情况下处理无知节点的存在。实验结果表明，在所考虑的实际场景中，所提出的算法优于现有算法。
引用
@article{arxiv.1410.0411,
title = {Information-driven Fully Distributed Kalman Filter for Sensor Networks in Presence of Naive Nodes},
author = {Shaocheng Wang and Wei Ren and Zhongkui Li},
journal= {arXiv preprint arXiv:1410.0411},
year = {2014}
}