小学生环保手抄报-有关祖国的作文

文章编号：１００１—９９４４（２０１４）０１．０００６—０５
基于扩展卡尔曼滤波 的自适应混合估计算法
余辉荣１，夏候凯顺１，叶景志１，邬依林
１，２
（１．华南理 Ｓ－大学自动化科学与工程学院，广州５１０６４０；２．广东第二师范学院计算机科学系，广州５１０３１０）
摘要：在无线传感器网络多目标跟踪应用中，针对被跟踪对象运动特征的多样性和速度突
变等复 杂运动情况而导致的定位不准确、对延，甚至目标丢失等问题，分析了传统定位算
法各自的优劣，在扩展 卡尔曼滤波算法平滑跟踪的基础上有效融合最小二乘算法快速跟
踪的特点，提出一种基于扩展卡尔曼滤波 的自适应混合估计定位算法。实验平台结果验证
了该算法能够实现对多个复杂运动目标的快速准确跟踪。
关键词：多目标跟踪；定位算法：卡尔曼滤波：混合估计
中图分类号：ＴＰ２１２．６文献标志 码：Ａ
Ｓｅｌｆ－ａｄａｐｔｉｖｅ
Ｈｙｂｒｉｄ
Ｅｓｔｉｍａｔｉｏｎ
Ａｌ ｇｏｒｉｔｈｍ
Ｂａｓｅｄ
ｏｎ
Ｅｘｔｅｎｄｅｄ
Ｋａｌｍａｎ
Ｆｉ ｌｔｅｒ
ＹＵ
Ｈｕｉ—ｒｏｎ９１，ＸＩＡＨＯＵ
（１．Ｓｃｈｏｏｌ
Ｋａｉ —ｓｈｕｎｌ，ＹＥ
Ｊｉｎｇ・ｚｈｉｌ，ＷＵ
Ｙｉ—ｌｉｎｌ，２
ａｎｄ
Ｅ ｎｇｉｎｅｅｒｉｎｇ，Ｓｏｕｔｈ
Ｃｈｉｎａ
Ｕｎｉｖｅｒｓｉｔｙ
ｏｆ
Ｔ ｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ
５
１０６４０，Ｃｈｉｎａ；
ｏｆ
Ａｕｔｏｍａｔｉｏｎ
Ｓｃｉｅｎｃｅ
２．Ｄｅｐａｒｔｍｅｎｔ
ｏｆ
Ｃｏｍ ｐｕｔｅｒＳｃｉｅｎｃｅ，ＧｕａｎｇｄｏｎｇＵｎｉｖｅｒｓｉｔｙ
ｏｆ
Ｅｄｕｃａｔｉｏ ｎ，Ｇｕａｎｇｚｈｏｕ
５１０３１０，Ｃｈｉｎａ）
ｍｕｌｔｉ—ｔａｒｇｅｔｔｒａｃｋｉ ｎｇ
ａｐｐｌｉｃａｔｉｏｎ
ｏｆｗｉｒｅｌｅｓｓ
ｓｅｎｓｏｒ
Ａｂｓｔｒ ａｃｔ：Ｉｎ
ａｎｄ
ｅｖｅｎ
ｎｅｔｗｏｒｋｓ，ｆｏｒ
ｔｈｅ
ｔｉ ｍｅ
ｄｅｌａｙ，ｉｎａｃｃｕｒａｔｅｐｏｓｉｔｉｏｎｉｎｇ
ｏｂｊｅｃｔ
ｌｏｓ ｔ
ｐｒｏｂｌｅｍｓ
ｒｅｓｕｌｔｅｄｆｒｏｍｔｈｅ
ｄｉｖｅｒｓｉｔｙ
ａ ｎｄ
ａｌｇｏｒｉｔｈｍｓ，ａ
ｃｏｍｐｌｅｘｉｔｙ
ｓｔｒａｔｅｇｙ
ｏｆ
ｍｏｖｅｍｅｎｔ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅ
ｔｒａｃｋｉｎｇｅｆｆｅｃｔｉｖｅｌｙ
ｍｅｒｇｉｎｇ
ｏｂｊｅｃｔｓ
ａｎｄ
ｂｙｊｕｄｇｉｎｇ
ｔｈｅｔｒａｄｉｔｉｏｎａｌｌｏｃａｔｉｏｎｏｆｔｈｅ
ｓｍｏｏｔｈ ｌｙｔｒａｃｋｉｎｇ
ｏｆ
ｅｓ—
ｃａｎ
Ｋａｌｍａｎｆｉｌｔｅｒ
ａｌｇｏｒｉｔｈｍ
ｔｉｍａｔｉｏｎ
ａｃｈｉｅｖｅ
ａｌｇｏｒｉｔｈｍ
ａ ｃｃｕｒａｔｅ
ｗｉｔｈｔｈｅ
ｏｎ
ｒａｐｉｄｉｔｙ
ｏｆｌｅａｓｔ
ｓｑｕａｒｅ
ａｌｇｏｒｉｔｈｍ
ｗａｓ
ｐｒｅｓｅｎｔｅｄ，ｒｅｓｕｌｔ
Ｋａｌｍａｎ
ｆｉｌｔｅｒ．Ｅｘｐｅｒｉｍｅｎｔａｌ
ｉｎ
ｉｎ
ａ
ｓｅｌｆ－ａｄａｐｔｉｖｅｈｙｂｒｉｄ
ａｌｇｏｒｉｔｈｍ
ｐｌａｔｆｏｒｍ
ｂ ａｓｅｄｅｘｔｅｎｄｅｄｒｅｓｕｌｔｓ
ｔｉｍｅ．
ｓｈｏｗｔｈａｔｔｈｅ
ｔｒａ ｃｋｉｎｇ
ｆｏｒ
ｍｕｌｔｉｐｌｅｃｏｍｐｌｅｘ
ｍｏｂｉｌｅ
ｔａｒｇｅ ｔｓ
ｒｅａｌ
Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉ－ｔａｒｇｅｔｔｒａｃｋｉｎｇ；ｌｏｃａｔｉ ｏｎａｌｇｏｒｉｔｈｍ；Ｋａｌｍａｎｆｉｌｔｅｒ；ｈｙｂｒｉｄ
ｅｓｔｉｍａｔｉｏｎ
多 个目标的实时、精确跟踪是无线传感器网
络的重要应用和研究难点。随着被跟踪目标数量及
其运 动特征多样性的增加，若要继续保持有效跟
踪。则对于分布式传感器节点的协同调度效率和定
位 算法的要求也同步上升。一个优良的定位算法必
须具备自组织性、低能耗、高鲁棒性和分布式计算
等特点【”。无线传感器网络中的目标跟踪算法基本
收稿日期：２０１３—０６—１８：修订日期：２ ０１３－０７—１７
上分为直接通信法【２】、基于二进制探测的方法【３】、
基于树状结构的 方法…、基于簇状结构的方法［５１、
基于预测机制的方法ｆ６１、基于粒子滤波的方法【７１、
基于自适应机制的方法【８１和对偶空间转换跟踪方
法１９１等。
传统的最小二乘定位算法及 常规的卡尔曼滤
波定位算法是最常用的方法。前者具有收敛速度
基金项目：广东省自然科学基金 资助项目（￥２０１２０１０００８４６２）；国家自然科学基金资助项目（６１２７３１０９）
作者简 介：余辉荣（１９８８～），男，硕士研究生，研究方向为无线传感器网络、多智能体协同控制等。
■< br>万方数据
Ａｕｔｏｍａｔｉｏｎ＆Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ
２０１４（１）

快、跟踪及时等优点，但测量信号中的噪声在融合
后也被凸显，导致定位轨迹波动较 大；后者是一种
高效率的自回归滤波器，能够从一系列不完全及包
含噪声的测量中。估计出动态 系统的状态【１０］，抗观测
噪声干扰能力强，其缺点是信号收敛速度较慢。因
此，对于目标运 动特性较复杂的情况（如图１所
示）．当运动速度发生突变时，运用单一的任一定位
算法都无法 达到快速且准确的追踪。
图１
目标运动特性示意图
Ｆｉｇ．１
Ｓｃｈｅｍａｏ ｆ
ｔａｒｇｅｔ
ｍｏｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓ
本文针对上述两种算法 的固有缺陷，提出了一
种自适应的混合估计算法。该算法以基于单个观测
值的扩展卡尔曼滤波模 型为基础，结合收敛速度更
快的最小二乘法对卡尔曼滤波估计进行修正，有效
结合两者的优点， 以达到更优的跟踪效果。
１
传统定位算法分析
常规的ＴＯＡ定位算法包括最小二乘法、 基于泰
勒展开的增量式算法、卡尔曼滤波算法等，其中以
最小二乘法和卡尔曼滤波算法为主。< br>图２最小二柔原理图
Ｆｉｇ．２
Ｓｃｈｅｍａ
ｏｆｌｅａｓｔ
ｓｑｕａ ｒｅｓ
１．１
最小二乘定位算法
在二维平面系统中，通过测得已知的ｎ个传感
器节点（菇－，Ｙ，），（Ｘ＇２，ｉ，，ｚ），（Ｘ３ｙ３），（Ｘｎ％）…与目标的
距离ｄ．，ｄ２ ，…，以，求得目标坐标（ｚ。，ｙ０）。根据图２列
ａ动化ｓ仪表２０１４（１）
万方数据< br>出以下方程组：
（Ｘｌ叫ｏ）２＋（），１一ｙｏ）２＝ｄ１２
（茏２叫ｏ）２＋（）， ２一ｙｏ）２＝ｄ２２
（Ｘｎ叫ｏ）２＋（％一ｙｏ）２＝砰
整理得：ＡＸ＝Ｂ
其中：
２（ｘ１一戈。）
２（ｙｌ—ｎ）
Ａ＝
２（ｘ２－－Ｘ。）２（ｙ２－Ｙ。）
（２）
Ｘ１２－ｘｊ七７｝一Ｙｊ—ｄ１２＋ｄｎｌ
Ｂ＝
Ｘ２２一ｘ：＋ｙ壬 一ｙ：一ｄ２２＋ｄ．２
（３）
Ｘｎ＿１２一ｘｊ＋＇‘一＇ｊ—ａ０七ａ：
ｘ＝Ｉ< br>ＸＯｙｏ］
（４）
Ｊ
采用最小方差的估计方法可得到坐标：
群５＝（Ａ ＴＡ）一１Ａ啊
（５）
１．２扩展卡尔曼滤波定位算法
对于多个跟踪对象，假设各对象 的线性离散系
统模型如下：
ｐ２１‘些ｔｋ．－，ｌ＋Ｗｉ，ｋ－Ｉ＾…，眦－１，２，…（６ ）
’’’
’。
【Ｚ拙＝皿，＆置。￡＋Ｋ，＾
式中：Ⅳ为网络中目标个数；ｋ 为采样时刻；置．＾为ｋ
时刻被估计的ｎ维系统状态变量；痧㈨一。为五一１时
刻到五时刻系统 ｎ维的状态转移矩阵；Ｚ“为是时
刻的ｍ维观测量；日．＾为后时刻的ｍ×凡维量测矩
阵，过程 噪声Ｗ，。和观测噪声Ｋ．。是均值为０，符合
高斯正态分布的白噪声序列，其协方差矩阵分别为
Ｑ啪一ｌ和冠加
常规卡尔曼滤波递推方法如下【ｌｌ】：
Ｓｔｅｐｌ
状态的单步预测 方程为
置，ｋ／ｋ－１＝痧ｉ，ｋ／ｋ－ＩＸｉ如ｌ
（７）
Ｓｔｅｐ２单步预测状态协 方差方程为
Ｐｉ，肌＿ｌ－西ｉ，ｋ／ｋ－１Ｐｉ忙ｌ艄咖ｌ肌一１＋Ｑｎｌ（８）
Ｓｔｅｐ３ 最优卡尔曼增益：
Ｋ，＾－＿ｉｔ，ｍ臆－１日１．々（日。。∥ｉ．孤一】日ｌ。ｋ＋Ｒ涤）Ｊ（９）
Ｓｔｅｐ４修正状态预测估计置．船＿１．
置．ｋｌｋ：Ｘｉ，ｋ／ｋ－ｌ＋Ｋ．Ｉ［Ｚｍ啦， ｋ置．腓一１］
（１０）

Ｓｔｅｐ５当前状态误差协方差矩阵为
Ｐｉ， ｋｌｋ＝［五一Ｋ．％日，ｔｌｅⅢ一１
（１１）
在非线性的目标跟踪系统中，要利用卡尔曼算
法，将非线性过程围绕当前的状态估计利用泰勒级
数展开方法进行近似线性化，再用卡尔曼滤波 算法
解决非线性系统的滤波问题．即扩展卡尔曼滤波算
法（ＥＫＦ）［１２１。
１．３ 单个观测值的扩展卡尔曼滤波模型
将轮式移动机器人作为多目标跟踪系统的移
动目标，根据机器 人的运动学方程建立滤波器模型
的状态方程：
ＯＯ
１丁０
．。．．．Ｔ．．． ——０
０１０
ｍｉ
置“ｌ＝币。置．女＋Ｊ１。Ｕｉ．产
００１００
Ｕ．≈
Ｏ００
０旦
ｍ．
（１２）
其中：第ｉ个移动机器人的状态为Ｘ ｉ＝Ｅｘ。Ⅳｈ
ｙｉ
１－＇ｔｉ，ｙ］１，
分别代表Ｘ轴、ｙ轴的坐标和速度；ｍ。代 表机器人
的质量：丁为采样周期，此时状态转移矩阵是常数
矩阵。
观测方程Ｚ啪堀．。 置，。的建立如下：
假设簇节点（Ｘｉ，ａ儿．。）在某一时刻后与目标ｉ之
间的理论距离值为 ｄ知：
ｄｉ，ｏ、／（互“吨抽）２＋（竹．女了。）２
（１３）
线性化可得：
ｄｉｎ２一＝了７云云ｉ三；妻专盂赢并ｉ＾＋
丽差需嘉亍扎ｔ
。４）
、／（戈ｍ— 戈ｉ．。）２＋（ｙ“一ｙ。，。）２。’
其中：Ｚｍ＝盔。Ｘ，≈＝Ｉｘ泓，ｙｉ，ｔ】为而时刻第ｉ 个机器人
的坐标．观测矩阵为
Ｈｉ，ｋ＝‘丽Ｘ丢ｉ筹杀ｙｉ矛ｙｌ
ｏ
、／（ ，＾—戈。）‘＋（．ｋ一．。）‘
、／（戈汕一戈。，。）２＋（ｙｍ—Ｍ，。）２
瓦差嚣高 歹叫Ｑ５）
２基于扩展卡尔曼滤波的混合估计算法
在多目标跟踪应用系统中，由于目标运动特性
及其跨越网格区域的多样性，同时存在无线传感器
网络因数据掉包而引起的观测值丢失问题，观 测环
■
万方数据
境变得异常复杂。最小二乘定位算法受测量值噪声
影响大．而 传统的扩展卡尔曼滤波定位算法也存在
一定程度的延时问题．使得网络对于速度发生突变
的目标 的精确跟踪变得困难，甚至出现丢失目标的
严重后果。两者的性能对比如表１所示。
表１两种传 统定位算法的性能比较
Ｔａｂ．１
Ｐｅｒｆｏｒｍａｎｃｅ
ｃｏｍｐａｒｉｓｏｎｏｆｔｗｏｔｒａｄｉｔｉｏｎａｌｌｏｃａｔｉｏｎ
ａｌｇｏｒｉｔｈｍｓ
采用卡尔曼滤 波定位算法时，当目标发生突变
运动时，目标状态一般也发生较大的变化。此时卡
尔曼的单步预 测状态估计与真实状态误差很大．但
是由观测值体现出来的系统状态误差却较小。因
此，以观测 值为基准，通过增强新加入信息的修正
作用．以此加大滤波增益Ｋ，达到加快滤波跟踪速
度、减 小估计误差的目的。
以单个目标为例：卡尔曼增益Ｋ与状态估计误
差协方差矩阵Ｒｍ和观测噪声 协方差矩阵露。有
关。若系统采用相同结构和参数的传感器节点，则
现了滤波的精度，Ｒ川。越 小说明滤波越准确【１３】。因
此，Ｋ的增大是由滤波不准确，协方差矩阵较大所
要求的。根据以上分析，改进后的卡尔曼增益凰具有如
下形式：
甄＝甄＋甄（１６）
其中： 噩为常规卡尔曼滤波在ｋ时刻的增益；甄为
附加增益。系统状态估计方程重写为
墨肮＝墨心＋甄 ［Ｚ＾一巩凰腑一１］
（１７）
其余递推公式保持不变。
缸的设计目标：当检测到系统 状态发生很大变
化时，尬同步增大，加大信息的校正作用，提高跟踪
速度：当系统状态趋于稳定 后甄迅速减小，使Ｋｋ兰
甄，转化成标准的卡尔曼。令
一
＾一女．
凰＝Ｋ，ｋ
Ａ
，
Ｏ＜Ａ＜Ｉ
０）
（
１８
式中：ｋ。为系统状态 发生突变的时刻；Ｋ＾为ｋｏ时刻
足以实现目标快速跟踪的增益矩阵；Ａ为常数，一般
取０．８ 。０．９。可通过设定一个非常大的协方差阵只，
Ａｕｔｏｍａｔｉｏｎ＆Ｉｎｓｔｒｕｍｅｎｔａｔｉ ｏｎ
２０１钺Ｊ）
蛾可视为常数。甄随Ｒｍ的增大而增大，且只枞体

对 式（８）、式（９）进行修正以确定Ｋ＾【１３１。协方差阵罡
代表滤波估值与状态真值之间的误差，但 其并没有
一种标准的理论取法。
本文结合收敛速度快的最小二乘法来确定Ｋ＾。
在目标 发生运动突变时，最小二乘法以其快速收敛
的特性保证获取较为准确的状态估计，但其仍然存
在 较大的噪声．因此先采用一阶低通滤波器消除高
频噪声：
五．产仅・置．Ｉ＋（１一ａ）・五扣 ｌ（１９）
应用层
３算法效果验证
３．１
实验平台简介
系统在逻辑结 构上分为感知层、网络通信层、应
用层，实体垂直架构依次为分布式测量节点、基站、
ＵＳＢ— ＺｉｇＢｅｅ通信网关、数据服务中心。系统架构如
图３所示。
．。。
粼专心
箭叫Ｉ心—‘，反＼
’
，，
＼、＼、
其中：置．。为本次滤波输出值；置。。 为本次采样值；
置肛．为上次滤波输出值；０ｃ为滤波系数，其值通常
远小于ｌ。
假设 利用最小二乘法经低通滤波器得到ｋ。时
刻的系统状态估计为置＾，则通过设计一个只，ｋ：
只 ．ｔ。＝研（五，ｔ。域。）（五．ｋ啦。）１’）
可得：
（２０）
Ｋ．ｋＺ．＾。Ｈ ｌ。＝（巩。只，ｔ。日＾。ｔ皿ｋ）一
最终卡尔曼增益设计为
（２１）
鲨繁≥一≯< br>嘶‘二窖’ｈ。矿
图３实验平台架构图
Ｆｉｇ．３
网络通信层
＿－‘／
…ＺｉｇＢｃｃ■二纱¨
＿
认
、。
。
矗‰
ｏ＿矿
飞：
。薹国ｙ上
Ｃｏｎｆｉｇｕｒａｔｉｏｎ
ｏｆ
ｅｘｐｅｒ ｉｍｅｎｔａｌｐｌａｔｆｏｒｍ
噩—‰一。ＨＴ（风ｆ‰一１日１４最）。１＋
Ｉ—Ｉ
１２个分布式网络超声波测距节点均匀分布，在
平面上组成一个大小为４
ｍｘ６
Ａ。 只，＾。日ｌ。（日‘。只，＾。日ｋ１搬‘。）～，Ｏ＜Ａ＜Ｉ（２２）
模型参数及初值的确定：上述混合估计算法的模型参数及初值可按常
规的卡尔曼滤波器来确定。若多目标跟踪系统采用
周期驱动异步测量策略且采样周期为ｒ，则过程噪
声协方差：
ｍ，坐标从（Ｏ，０）到
ｍ，包含４个节点；
（４００。６００）的有效监视区域。将监视区域划分为６
个网格，每个 网格大小为２
ｍｘ２
基站是在无线网络覆盖区中．负责整个网络的资源
分配和信息解析 的单元；ＵＳＢ—ＺｉｇＢｅｅ通信网关是负
责基站和数据服务中心之间的信息传递，实现上下
行双向通信的单元：数据服务中心是采集无线传感
器网络原始测量数据和利用数据融合定位算法计算｝丁３｝ｒ２
级＝Ａ
００
ｏｏ
争ｒ２丁０
ｒ
００
０
目标位置信息的单元．并负责绘制目标轨迹曲线和
（２３）
存储历史数据：轮式移 动机器人可在监测网络内任
意移动。作为系统的跟踪目标。
ｒ
扣ｒ
３．２速度 突变情况的效果
针对移动目标速度突变运动的情况．将本文的
混合估计算法嵌入到多目标跟踪实 验平台中，可得
到如图４的实验结果。图４（ａ）是目标以０．５ｒａｄ／ｓ的
速度运动到两网 格交界处并突然停止（速度变为０）
的理想轨迹；图４（ｂ）、（ｃ）、（ｄ）分别为最小二乘算
其中，Ａ为过程噪声因子。
过程噪声和量测噪声必须满足一定的数量级
关系才能得到好的跟踪 效果。量测噪声协方差的辨
识原则为
＾
戤＝｝艺［（ｚｉ讯钆）（Ｚｉ也乱）７］托
扛１
（２４）
法、常规卡尔曼滤波定位算法、混合估计算法的实际
跟踪 轨迹图。与收敛快速的最小二乘法相比。混合
估计算法虽然收敛速度稍慢，但其对目标速度不发
生大突变时的跟踪更趋平滑准确；而与收敛速度慢
９｛
Ｐｏ可选择范围比较大，可设为单位阵Ｊ 。系统初
值凰则可通过最小二乘定位算法确定。
自动诧ｓ仪表２０１４（ｔ）
万方数据

的标准卡尔曼滤波相比，其对于目标速度不会突变
时的跟踪效果相当，但是对于 移动目标速度突变时
的收敛速度则快得多，跟踪效果更佳。
网络２网络２‘网络２网络２
沙。｝纠∥伊
．
网络Ｉ．．．．用聱１．．
彤爵１．．
圈聱１．
（ 。－）删思轨迹
（ｈ）最小‘乘（ｔ｝杯准ｆ、尔曼（ｔｌＪ混合什ｆｆ
图４速度突变情况下性 能对比
Ｆｉｇ．４
Ｐｅｒｆｏｒｍａｎｃｅ
ｃｏｍｐａｒｉｓｏｎ
ｏｆｍｕｔ ａｔｉｏｎｒａｔｅ
ｃａｓｅ
３．３实际跟踪结果分析
图５是两台轮式移动机器人同相 位协同控制
的实际效果图。其中一台机器人在左上方的网格内
围绕网格中心做半径为０．５ｎｌ 的圆周运动。线速度
为Ｏ．３
ｍ／ｓ，角速度为０．６ｒａｄ］ｓ，角速度变化在１０％以内；另一台机器人则在最下面四个网格围绕中心节
点做半径为１ｍ．通过无线网络反馈位置信息给机
器人调节控制器输出，使得其角速度和轴向角跟前
一台机器人一致的圆周运动，实现双机器人的 同相
位协同控制。
图５双机器人协同控制效果图
Ｆｉｇ．５Ｄｉａｇｒａｍ
ｏ ｆ
ｄｕａｌ－ｒｏｂｏｔ
ｃｏｏｐｅｒａｔｉｖｅ
ｃｏｎｔｒｏｌ
实验结果表 明。混合估计算法合理地融合了两
种定位算法的优点，不仅能准确跟踪正常运动的目
标而不丢失 ，且对于移动机器人在网格切换时速度
和观测模型发生突变时的运动也能达到平滑、快速
跟踪的 效果。
４结语
本文讨论了无线传感器网络多目标跟踪应用
中目标运动特性多样化的复杂 情况及由其导致的
跟踪困难问题．并针对该问题提出了混合估计算
１０
万方数据
法。该算法是一个自适应的校正过程。当目标移动
速度不突变时，其能够以常规的卡尔曼滤波定位算< br>法出现，达到平滑且准确的目标跟踪性能；而当目标
运动速度发生突变时。其又能够结合收敛速度 快的
最／Ｉｘ－－乘法来校正卡尔曼滤波增益。达到快速跟踪
的目的。通过搭建一个基于卡尔曼 滤波的无线传感
器网络多目标实时跟踪实验平台。进行相关算法的
效能验证。实验结果表明，本 文的自适应混合估计
算法具有良好的跟踪性能。
参考文献：
【ｌ】杜晓通．无线传感器 网络技术与工程应用【Ｍ】．北京：机械出版社，
２０１０．
【２】２
ＹｏｎｇＤ，Ｃ ｈｅｎ
Ｗ，Ｌｉ
Ｘ．Ｕｓｉｎｇ
ｍｏｂｉｌｅｈｅｂｒｏｎ８
ｔｏ
ｌ ｏｃａｔｅ
ｓｅｎｓｏｒｓ
ｉｎｏｂｓｔｒｕｃｔｅｄ
ｅｎｖｉｒｏｎｍｅｎｔｓ［ｊ ］ｊｏｕｒｎａｌ
ｏｆ
ＰａｒａｌｌｅｌａｎｄＤｉｓｔｒｉｂｕｔｅｄ
Ｃｏｍｐｕｔ ｉｎｇ，２０１０，７０（６）：“４—６５６．
【３】３
Ｚｈａｎｇ
Ｒ
Ｂ， Ｚｈａｎｇ
Ｌ
Ｌ，Ｆｅｎｇ
Ｙ
Ｂ．Ｖｅｒｙ
ｌｏｗ
ｅｎｅｒ ｇｙ
ｃｏｎｓｕｍｐ－
ｔｉｏｎｗｉｒｅｌｅｓｓ
ｓｅｎｓｏｒ
ｌｏｃａｌｉ ｚａｔｉｏｎ
ｆｏｒ
ｄａｎｇｅｒ
ｅｎｖｉｒｏｎｍｅｎｔｓ
ｗｉｔｈ
ｓｉｎｇｌｅ
ｍｏｂｉｌｅ
ａｎｃｈｏｒ
ｎｏｄｅ［Ｊ］．Ｗｉｒｅｌｅｓｓ
Ｐｅｒｓｏｎａｌ
Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，
２００８，４７（４）：４９７—５２１ ．
【４】４
Ｋｕａｎｇ
ＸＨ，Ｓｈａｏ
ＨＨ，Ｆｅｎｇ
Ｒ．Ａ
ｎｅｗ
ｄｉｓｔｒｉｂｕｔｅｄ
ｌｏｃａｌｉｚａｔｉｏｎ
∞ｈｅｍｅｆｏｒ
ｗｉｒｅｌｅｓｓ
ｓｅｎｓｏｒ
ｎｅｔｗｏｒｋｓＬ刀．Ａｃｔａ
Ａｕｔｏｍａｔｉ ｃａ
Ｓｉｎｉｃａ，
２００８，３４（３）：３４４－３４８．
【５】Ｍｉｒｅｌａ< br>Ｍ，Ｍｉｈａｅｌａ
Ｃ．Ｉｍｐｍｖｅｄ
ｓｅｎｓｏｒ
ｎｅｔｗｏｒｋｌｉｆｅ ｔｉｍｅｗｉｔｈ
ｍｕｌｔｉｐｌｅ
ｍｏｂｉｌｅ
ｓｉｎｋｓ［Ｊ］．Ｐｅｒｖａｓｉ ｖｅ
ａｎｄＭｏｂｉｌｅ
Ｃｏｍｐｕｔｉｎｇ，２００９，
５（５）：５４２－５５５ ．
【６】郑巍，刘三阳，寇晓丽．动态传感器网络移动代理路由算法叨．控
制与决策，２０１０ ，２５（７）：１０３５—１０３９．
【７】Ｗａｎｇ
Ｇ
Ｊ，Ｗａｎｇ
Ｔ，Ｊ ｉａ
Ｗ
Ｊ．Ａｄａｐｔｉｖｅ
ｌｏｃａｔｉｏｎ
ｕｐｄａｔｅｓ
ｆｏ ｒｍｏ－
ｂｉｌｅｓｉｎｋｓｉｎ
ｗｉｒｅｌｅｓｓｓｅｎ∞ｒ
ｎｅｔｗｏｒｋｓ［Ｊ ］．Ｊｏｕｒｎａｌ
ｏｆ
Ｓｕｐｅｒｅｏｍｐｕｔ・
ｉｎｇ，２００９，４７（２）： １２７－１４５．
【８】Ｃａｍｐ
Ｔ，Ｂｏｌｅｎｑ
Ｊ，Ｄａｖｉｅｓ
Ｖ．Ａ
ｓｕｒｖｅｙ
ｏｆ
ｍｏｂｉｌｉｔｙ
ｍｏｄｅｌｓｆｏｒ
ａｄ
ｈｏｃ
ｎｅｔｗｏｒｋ
ｒｅｓｅａｒｃｈ［Ｊ］．Ｗｉｒｅｌｅｓｓ
Ｃｏｍｍｕｎｉ ｃａｔｉｏｎｓ
ａｎｄＭｏｂｉｌｅ
Ｃｏｍｐｕｔｉｎｇ，２００２，２（５）：４８３—５０ ２．
【９】Ｋｕｏ－Ｆｅｎｇ
Ｓｓｕ，Ｃｈｉａ－Ｈｏ
Ｏｕ，Ｊｉａｕ
ＨＣ． Ｌｏｃａｌｉｚａｔｉｏｎｗｉｔｈ
ｍｏｂｉｌｅ
ａｎｃｈｏｒ
ｐｏｉｎｔｓ
ｉｎ
ｗｉｒｅｌｅｓｓ
ｓｅｎｓｏｒ
ｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ
Ｔｒ ａｎｓａｃｔｉｏｎｓ
ｏｎ
Ｖｅｈｉｃｕｌａｒ
Ｔｅｃｈｎｏｌｏｇｙ，２００５，５ ４（３）：１１８７－１１９７．
【１０】Ｙａｎｇ
Ｌｉｕ．Ｓｕｎ
Ｚｈｅｎ－ｄｏｎ ｇ．ＥＫＦ－ｂａｓｅｄ
ａｄａｐｔｉｖｅ
ｓｏｒｌｓｏｒ
ｓｃｈｅｄｕｌｉｎｇｆｏｒ
ｔａｒｇｅｔ
ｔｒａｃｋｉｎｇ［Ｃ］／／ＩＥＥＥ
Ｉｎｔｅｒｎａｔｉｏ ｎａｌ
Ｓｙｍｐｏｓｉｕｍ
ｏｎ
Ｉｎｆｏｒ－
ｍａｔｉｏｎＳｃｉｅｎｃｅａ ｎｄ
Ｅｎｇｉｅｅｆｉｎｇ，２００８：１７１—１７４．
【１１】Ｒａｊｅｎｄｒａｎ
Ｖ，Ｏｂｒａｅｚｋａ
Ｋ，Ｇａｒｃｉａ－Ｌｕｎａ—Ａｅｅｖｅｓ
ＪＪ．Ｅｎｅｒｇｙ—ｅ ｆｆｉ・
ｅｉｅｎｔ，ｃｏｌｌｉｓｉｏｎ－ｆｒｅｅ
ｍｅｄｉｕｍ
ａｃｃｅｓｓｃｏ ｎｔｒｏｌ
ｆｏｒ
ｗｉｒｅｌｅｓｓ
ｓｅｎｓｏｒ
ｎｅｔｗｏｒｋｓ［Ｃ］／ ／Ｐｒｏｃｅｅｄｉｎｇ
ｏｆ
ＳｅｎＳｙｓ０３，２００３：１８１—１９２．
【１２ 】Ｙｅ
Ｊｉｎｇｚｈｉ，Ｚｈａｏ
Ｌｉｎｇ，Ｌｕｏ
Ｗｅｎｆｅｎｇ．Ｐｅｒｆｏｒｍ ａｎｃｅｓ
ｏｆ
ｌｏｃａｌｉｚａｔｉｏｎ
ａｌｇｏｒｉｔｈｍｓ
ｉｎ
ａ
ｐｒｏｔｏｔｙｐｅ
ＷＳＮ
ｓｙｓｔｅｍ［Ｊ］．Ａｄｖａｎｃｅｄ
Ｍａ ｔｅｒｉａｌｓ
Ｒｅｓｅａｒｃｈ，２０１２（４５７－－４５８）：７２３－７２７．
【１３ 】孙枫，刘希斌．一个快速跟踪的卡尔曼滤波算法及其在舰船组合
导航中的应用册．中国惯性技术学报， ２０００，８（４）：１９—２３．
●

基于扩展卡尔曼滤波的自适应混合估计算 法
作者：
作者单位：
余辉荣， 夏候凯顺， 叶景志， 邬依林， YU Hui- rong， XIAHOU Kai-shun， YE Jing-zhi， WU Yi-
lin
余辉荣,夏候凯顺,叶景志,YU Hui-rong,XIAHOU Kai- shun,YE Jing-zhi(华南理工大学自动化科学与工程
学院,广州,510640)， 邬依林,WU Yi-lin(华南理工大学自动化科学与工程学院,广州510640;广东第二师
范 学院计算机科学系,广州510310)
自动化与仪表
Automation & Instr umentation
2014,29(1)
刊名：
英文刊名：
年，卷(期) ：

参考文献(13条)

1.杜晓通

无线传感器网络技术与工程应用 2010
D;Chen W;Li X

Using mobile beacons to locate sensors in obstructed environments[外文期刊] 2010(06)
R B;Zhang L L;Feng Y B

Very low energy consumption wireless sensor localization for danger environments
with single mobile anchor node[外文期刊] 2008(04)
XH;Shao HH;Feng R

A new distributed localization scheme for wireless sensor networks[期刊论文]
-
Acta
Automatica Sinica 2008(03)
M;Mihaela C

Improved sensor network lifetime with multiple mobile sinks[外文期刊] 2009(05)
6.郑巍;刘三阳;寇晓丽

动态传感器网络移动代理路由算法[期刊论文]
-
{H}控制与决策 2010(07)
G J;Wang T;Jia W J

Adaptive location updates for mobile sinks in wireless sensor networks[外文期刊]
2009(02)
T;Bolenq J;Davies V

A survey of mobility models for ad hoc network research[外文期刊] 2002(05)
-Feng Ssu;Chia-Ho Ou;Jiau HC

Localization with mobile anchor points in wireless sensor networks[外文期刊]
2005(03)
Liu;Sun Zhen- dong

EKF-based adaptive sensor scheduling for target tracking 2008
ran V;Obraczka K;Garcia-Luna-Aceves JJ

Energy- efficient,collision-free medium access control for wireless
sensor networks 2003
Jingzhi;Zhao Ling;Luo Wenfeng

Performances of localization algorithms in a prototype WSN system 2012(457-
458)
13.孙枫;刘希斌

一个快速跟踪的卡尔曼滤波算法及其在舰船组合导航中的应用 2000(04)


引用本文格式：余辉荣.夏候凯顺.叶景志.邬依林.YU Yi-lin

基于扩展卡尔曼滤波的
自适应混合估计算法[期刊论文]
-
自动化与仪表 2014(1)