多传感器随机不确定系统的自适应信息融合估计

Adaptive information fusion estimation problems will be studied for multi-sensor stochastic uncertain systems by applying adaptive estimation theory and information fusion estimation theory in this project. For multi-sensor stochastic uncertain systems with partially or completely unknown model parameters and statistical information of multiplicative and additive noises, under the situations of synchronous samplings and asynchronous samplings of sensors, the centralized and distributed information fusion identifiers for model parameters and noise statistics will be presented by applying recursive least square method and correlation functions. Also, the adaptive information fusion state estimators will be also presented. The convergence of the proposed adaptive information fusion state estimation algorithms will be investigated. We will solve the adaptive information fusion estimation problems for networked stochastic uncertain systems with unknown quantization errors, transmission random delay rates and packet dropout rates induced by limited network bandwidths in sensor networks. The effectiveness of the proposed algorithms will be verified by computer simulation and mobile robot tracking experiment platform. The study of this project can be widely applied to the adaptive information fusion estimation fields of target tracking, navigation and positioning, sensor networks, and so on. It will provide theoretic foundation and technological approaches for engineers to solve the adaptive estimation problems of practical systems. So, the study of this project has the important theoretical significance and potential engineering application value.

本项目将应用自适应估计理论和信息融合估计理论，研究多传感器随机不确定系统的自适应信息融合估计问题。针对系统模型参数、乘性噪声和加性噪声统计信息部分或全部未知的多传感器随机不确定系统，分别考虑在各传感器同步采样和异步采样的情况下，应用递推最小二乘方法和相关函数，将分别提出集中式和分布式信息融合模型参数辨识器和噪声统计辨识器，以及自适应信息融合状态估值器。探索所提出的自适应信息融合状态估计算法的收敛性。并解决传感器网络中由于网络带宽受限导致的数据量化误差、传输随机滞后率和丢包率未知的网络化随机不确定系统的自适应信息融合估计问题。通过计算机仿真和移动机器人跟踪实验平台验证所提出的算法的有效性。研究成果可广泛应用于目标跟踪、导航定位和传感器网络等系统自适应信息融合估计领域。将为工程人员解决实际系统的自适应估计问题提供理论依据和技术途径。因而，研究工作具有重要的理论意义和潜在的工程应用价值。

在网络化系统中，由于传感器老化或故障可能导致的传感器观测数据丢失或衰减，网络带宽受限可能导致数据在传输过程中存在随机滞后和丢包，以及为节省带宽数据量化所引起的量化误差，使得网络化系统具有随机不确定性。这些网络诱导不确定现象可以通过带乘性噪声和相关噪声的随机不确定系统描述。而且，根据工程实际需求，传感器的采样速率可能是非均匀的。本项目对同步或异步采样的随机不确定系统，应用新息分析方法，提出了在线性最小方差意义下的最优线性估计算法。对多传感器随机不确定系统，提出了集中式、分布式和贯序信息融合最优和次优估计算法。分析了算法的稳定性和稳态特性。证明了最优分布式和贯序融合估计与集中式融合估计的精度等价性。当网络化系统中的观测丢失率、衰减率、滞后率、丢包率、量化误差、传感器偏差等不确定信息未知时，这些未知参数的辨识问题可通过模型转换化为带未知模型参数和虚拟加性噪声方差系统的辨识问题。对模型参数未知和/或噪声统计信息未知的系统，应用递推增广最小二乘法和相关函数法，分别提出了模型参数辨识器和噪声统计辨识器。将辨识的结果代入到前面所提出的最优和次优估计算法中可获得相应的自适应估计算法。应用动态(方差)误差系统分析方法分析了算法的收敛性。研究成果可广泛应用于目标跟踪、导航制导、环境监测和传感器网络等领域，可为相关工程技术人员提供理论依据和技术支撑。因而，研究工作具有重要的理论意义和潜在的应用价值。