通过重配置实现未知目标数量下多机器人多目标跟踪的弹性

我们解决了在一个网络化多机器人团队于感兴趣环境中执行未知数量目标的分布式跟踪时维持资源可用性的问题。基于我们的模型，机器人配备有感知与计算资源，使其能利用分布式概率假设密度（PHD）滤波器在环境中协同跟踪一组目标。我们使用机器人传感器测量噪声协方差矩阵的迹来量化其感知质量。在执行跟踪任务时，若某机器人经历传感器质量退化，则对机器人团队的通信网络进行重配置，使得具有故障传感器的机器人可与其他机器人共享信息，以提升团队的目标跟踪能力，同时不强制改变大量活跃通信链路的数量。监控团队的中心系统执行所有网络重配置计算。我们在本文中考虑两种不同的 PHD 融合方法，并提出四种不同的混合整数半定规划（MISDP）公式（每种 PHD 融合方法对应两种公式）以实现我们的目标。所有四种 MISDP 公式均在仿真中得到验证。