性能驱动的无线传感网目标跟踪动态传感器选择策略

The efficient sensor selection scheme is the key technology to realize distributed target tracking for resource, such as energy and bandwidth and so on, constrained wireless sensor networks. Taking the criterion of sensor selection as the point of departure, we will investigate the multi-step-ahead conditional posterior Cramér-Rao lower bound (PCRLB), its extension to multi-target tracking and its distributed implementation. The project will develop the computation efficient quantized measure for the sensor achievable optimal performance. Further, by taking the conditional PCRLB as the reward function, the nonmyopic sensor selection approach will be explored. We will pursue the computation efficient nonmyopic sub-optimal scheme based on rollout policy iteration algorithm. In addition, for multi-target tracking in the presence of detection uncertainty, association uncertainty, parameter uncertainty and number uncertaity, we will establish the model of sensor management based on the random finite set theory. The project will seek the performance-driven sensor selection strategy for multi-target tracking. Also, for frequent changes of the network topology and link failure that exist in the decentralized senor networks, the distributed sensor selection scheme and algorithm will be investigated based on consensus and gossip algorithm. This project aims to carry out the distinct research on theory and algorithms for dynamic sensor selection strategies. The developed strategies are energy, bandwidth and computation efficient with the characteristics of multi-step-ahead, multi-target and distributed multi-sensor selection. Finally, we will complete the corresponding simulations and system integration.

对能量和带宽等资源受限的无线传感器网络，有效的传感器选择策略是实现分布式目标跟踪的关键技术。本项目拟从传感器选择准则入手，研究多步、多目标跟踪的条件后验克拉美-罗下界（PCRLB）及其分布式实现，建立一种计算有效的传感器最优性能的量化测度。以条件PCRLB作为回报函数，研究非近视（Nonmyopic）传感器选择策略，基于Rollout策略迭代算法，寻找计算有效的Nonmyopic次优策略。对检测不确定、关联不确定、参数不确定和个数不确定的多目标跟踪问题，基于随机有限集理论建立传感器管理模型，研究性能驱动的多目标跟踪传感器选择策略。对存在拓扑变动和链路故障的分散式结构的传感器网络，基于Consensus方法和Gossip方法，研究分布式传感器节点选择策略及算法。开展特色鲜明的能量、带宽和计算有效的多步多目标分布式多传感器动态选择策略的理论研究与算法实现，并完成相应的仿真分析和系统集成。

对资源受限的无线传感器网络下的目标跟踪问题，传感器节点的选择和管理面临着诸多困难和挑战，本项目针对此问题开展了特色鲜明的能量、带宽和计算有效的多步多目标分布式多传感器选择策略的理论研究与算法实现，主要研究成果如下：.1、提出一组稀疏提升算法实现目标跟踪精度和感知通讯代价之间的最优折中，将传感器选择问题描述为设计一个稀疏向量，分别基于凸松弛算法、加速邻近梯度算法和ADMM算法提出了一组有效的传感器选择方法，并且提出一种低复杂度的分布式ADMM算法实现了传感器的分布式选择。.2、对传感器量化数据下的目标跟踪问题，针对大规模的无线传感器网络，为了节约网络能耗并且提高实时性，基于ADMM算法，提出一种快速集中式和分布式传感器选择算法，并且对两种算法的性能进行了仿真对比。.3、基于市场价值理论，将融合中心作为市场中的消费者，传感器节点作为市场中的生产者，我们将Bit最优分配和传感器节点选择问题映射为寻找市场中的Walrasian平衡点，基于市场价值理论，我们提出了自适应动态位分配和传感器选择算法。.4、针对具有随机间歇性观测的无线传感器网络，基于多模型估计方法和一致性信息滤波器，提出一种对观测节点故障容错的自适应分布式目标跟踪方法；针对资源受限的无线传感器网络，提出一种基于数据删减及量化新息的目标跟踪和传感器选择方法。.5、对层次型结构的无线传感器网络，提出一种有效的分布式传感器节点选择策略，基于条件PCRLB和Consensus算法建立了分布式传感器节点选择的次优迭代算法和选择策略。.6、对不确定环境下数目未知且时变的多目标跟踪问题，基于多目标多伯努利滤波器，建立多目标跟踪传感器选择的性能回报函数，实现性能驱动的自适应和鲁棒的多目标跟踪传感器选择。.本项目的研究成功，将对无线传感器网络管理、多源信息融合理论与应用、目标检测与跟踪、分布式信息处理等研究方向起推动作用，其结果将在智能交通系统、车联网等领域具有重要的应用价值。