基于动态拓扑优化的移动传感器网络分布式估计方法研究

With the development of electronics and wireless communication technology, mobile robots and sensor networks have been widely used in environmental monitoring and target tracking. Under the background of cooperation between mobile robots and sensor networks, this project is mainly concerned with the problems of distributed filtering with dynamic topology optimization. Distributed algorithms are developed to implement the relative localization between mobile robots and sensor nodes, and a cooperative triangulation method is employed to construct the three-dimentional observations of targets based on the bearing-only measurements on different nodes. To deal with the high maneuverability of targets and the partially missing measurement problems, a dynamic strategy is designed to adjust the network topology structure which ensures the continuity of the three-dimentional observations. In the designing of distributed filtering algorithms, the main objective is to realize the optimal trade-off between the distributed filters performance and the amount of data communication between nodes, and establish sparse network topology with dynamic adjustment ability. The parameters of the distributed filters can be obtained by the combination of classic filtering theories and sparse optimization methods. The main task of this project is to solve the problems of how the changes of topology structure affect the performance of distributed filters, and the proposed methods can provide the theoretical support and verification for practical applications of the cooperation between mobile robots and sensor networks.

随着电子和无线通信技术的发展，移动机器人和传感器网络在环境监控和目标跟踪等领域得到了广泛应用。本项目以移动机器人和传感器网络协同工作为背景，重点研究带有网络拓扑动态优化的分布式滤波问题。通过建立分布式定位算法实现移动机器人和传感器节点之间的相对定位，并基于不同节点的纯方位观测，利用协作三角测量方法构建目标的三维观测。为了解决目标高机动性和局部观测丢失问题，设计网络拓扑结构的动态调整策略，以保证对目标三维观测的连续性。在分布式滤波算法设计中，以实现分布式滤波器性能与节点间数据通信量的最优折衷为目标，建立具有动态调整能力的稀疏通信拓扑结构。通过经典滤波理论和稀疏优化方法的结合完成滤波器参数的设计。本项目的主旨在于解决拓扑结构变化对分布式滤波器性能带来的影响，所建立的方法能够为提高移动机器人和传感器网络协同工作的实用性提供理论支持和原型验证。

本项目以移动机器人与传感器网络的协同为背景，主要研究了机器人与传感器节点的协同观测问题，传感器网络拓扑结构的优化问题，以及基于传感器网络的分布式估计问题。取得主要成果包括（1）考虑了基于视觉的系统前端，利用多部件模型建立了一种目标跟踪算法，该算法对目标局部遮挡造成的观测丢失具有较好的鲁棒性；（2）针对稠密一致性网络研究了拓扑结构优化方法，通过构建一个稀疏优化问题可以求得一个性能接近的稀疏子网络，进而在一定程度上降低传感器节点之间的通信负担；（3）通过将伽辽金有限元方法与经典滤波理论相结合，利用点源在空间中分布具有稀疏性的特点提出了一种分布式估计算法，该算法可以根据传感器网络采集的低维观测数据对高维空间场进行分布式重构；（4）以变分推断技术和经典贝叶斯滤波为基础，研究了存在随机观测丢失和马尔科夫跳变系统的状态估计问题，所提出的变分滤波器可以有效估计系统状态并推断系统当前的工作模式。该结果可以进一步应用于多部件目标跟踪算法和随机切换拓扑网络中的分布式估计算法设计。本项目所取得研究成果能用有效结合移动机器人和传感器网络的优势，在一定程度上提升整个系统的综合性能，降低资源消耗和运行成本。本项目的实施能够为提高传感器网络感知能力和拓展传感器网络的应用领域提供了一定的理论基础和实践指导。