多传感器丢包系统的分布式融合估计方法

"本文主要探讨了在具有多个不同丢包率的传感器系统中，如何进行信息融合估计。针对这类系统，研究了线性最小方差（LMV）框架下的集中式和分布式融合估计器设计。文章提出了适用于离散时变线性随机系统的LMV集中式融合估计器（CFE），包括滤波器、预测器和 smoother，并利用创新分析方法进行推导。然而，集中式融合估计器可能存在高昂的计算成本和较低的可靠性。为了解决这些问题，基于 LMV 意义下的标量加权最优融合估计算法，设计了分布式融合估计器（DFE），该算法具有并行结构，能有效降低计算负担并提升系统可靠性。此外，文中还推导了任意两个传感器子系统之间的估计误差互协方差矩阵，以实现更优的分布式融合估计。数值模拟结果验证了所提出算法的实用性。关键词包括多传感器、集中式估计器、分布式融合估计器、交叉协方差和数据包丢失。" 文章详细内容: 在多传感器系统中，由于通信信道不稳定或传感器本身的故障，数据包丢失是常见的问题。不同的传感器可能会有不同的丢包率，这给信息融合带来了挑战。线性最小方差（LMV）是一种常用的优化准则，用于设计估计器，以最小化估计误差的方差。在这种背景下，作者对具有多个数据包丢失的多传感器系统进行了深入研究。 首先，论文介绍了LMV集中式融合估计器（CFE），这是一种结合了滤波器、预测器和平滑器的估计器，旨在在所有可能的数据包丢失情况下提供最佳的全局估计。创新分析方法被用来处理数据包丢失带来的不确定性，这种方法基于未观测到的系统状态的创新（即残差）来更新估计。 然而，CFE的计算复杂度较高，因为需要考虑所有可能的数据包丢失情况，这可能导致系统的实时性和稳定性受到影响。为了解决这个问题，作者提出了分布式融合估计器（DFE）。DFE利用标量加权的最优融合估计算法，并采用并行结构，每个传感器节点独立处理本地数据，然后通过通信网络进行信息交换和融合，这样可以显著减少计算负荷，同时通过分布式处理增强了系统的鲁棒性。 此外，为了进一步优化分布式融合估计的效果，论文还详细推导了任意两个传感器子系统之间的估计误差互协方差矩阵。这种交叉协方差的分析有助于理解不同传感器间的估计质量以及它们如何协同工作以提高整体估计精度。 数值案例的分析展示了所提出的算法在实际应用中的有效性。这些案例可能包括模拟各种丢包率场景，比较集中式和分布式融合估计器的表现，以及评估不同系统配置对总体性能的影响。 这篇论文提供了针对具有不同丢包率的多传感器系统的信息融合策略，为设计高效且可靠的融合估计器提供了理论基础和实用方法。通过结合集中式和分布式融合估计的优势，可以在数据包丢失的条件下实现更准确的系统状态估计，这对于许多依赖于多传感器数据的应用，如自动驾驶、环境监测和航空航天等领域都具有重要的实际意义。