基于传感器融合与卡尔曼滤波的被动无线传感器网络中的实时目标跟踪

《Scientific Reports》：Real-time target tracking in passive wireless sensor networks using sensor fusion and Kalman filtering

　　

摘要

本文针对自适应估计与控制中的被动无线传感器网络跟踪问题进行了深入研究。现有模型主要基于线性且时不变的假设，采用固定的卡尔曼框架进行数据融合。但在面对非线性测量动态以及传感器异步失效的情况时，这些方法的效率较为低下。本研究提出了一种自适应混合融合方法，用于解决网络变化带来的跟踪不稳定问题和高延迟问题。该方法结合了预测状态外推与动态增益调整，采用扩展卡尔曼滤波器结构实现。其中的挑战在于如何实现分布式节点间的同步，以及精确控制通信周期的时序。研究的目的是在部分节点缺失的情况下提升定位精度与稳定性。仿真过程中使用了MATLAB和Simulink，设置了预定义的网络拓扑结构和节点分布。所选评估参数包括均方根误差、延迟时间以及反映动态响应的链路质量，这些参数值是通过针对节点密度的敏感性分析得出的实际网络范围。数据通过迭代仿真生成，以确保更新周期的一致性。数据处理采用过滤和归一化方法，以消除异常干扰。评估指标包括均方根误差精度、延迟响应以及吞吐量利用率。从结果可以看出，通过将基于卷积神经网络和双向长短期记忆网络的特征提取模块与所提出的自适应传感器融合及扩展卡尔曼滤波跟踪框架相结合，不仅实现了性能提升，均方根误差从0.64降至0.41，延迟时间也从290毫秒降至180毫秒。研究结果还表明，网络可靠性有所提高，稳定性指标ξ?从0.71上升至0.89，从而能够在实际条件下实现更强的动态响应。