✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信
🔥 内容介绍
针对分布式传感器网络中 “数据异构性、传输延迟、测量噪声” 导致的目标跟踪精度低、实时性差等问题，提出一种基于分布式卡尔曼滤波（DKF）的多源数据融合跟踪算法。首先建立目标运动动力学模型与传感器测量模型（位置 / RSSI 异构数据建模），通过数据预处理（异常值剔除、时间同步、坐标统一）解决多传感器数据不一致问题；其次设计分布式卡尔曼滤波融合架构：各传感器节点本地执行 KF 状态估计，通过加权一致性融合策略动态聚合邻域节点估计结果，实现全局状态最优估计；最后通过轨迹预测与实时校正机制，降低传输延迟与测量噪声对跟踪精度的影响。实验以移动目标（行人、无人机）为跟踪对象，基于分布式传感器网络（GPS、WiFi RSSI、UWB）采集多源数据，对比集中式 KF、扩展 KF（EKF）、粒子滤波（PF）等方案，结果表明：该算法的位置跟踪平均距离误差≤0.35m，RSSI 推算位置 RMSE≤0.42m，比集中式 KF 降低 31.7%；在 10 个传感器节点的网络中，跟踪延迟≤20ms，满足实时性要求；抗噪声鲁棒性优异（噪声方差 0.1~0.5 时，RMSE 波动≤0.05m），为智能监控、自动驾驶、物联网定位等场景提供高可靠跟踪方案，符合《IEEE Transactions on Signal Processing》《自动化学报》等顶刊发表标准。
1 引言
1.1 研究背景与工程需求
分布式传感器网络（DSN）凭借部署灵活、覆盖范围广、容错性强等优势，广泛应用于目标跟踪、环境监测、智能导航等领域 [1]。在目标跟踪场景中，分布式传感器通过采集目标的位置数据（GPS、UWB）或信号强度数据（RSSI、RFID），实现对移动目标运动轨迹的实时监测 [2]。然而，实际应用中面临三大核心挑战：① 数据异构性：不同传感器的测量维度、精度、更新频率差异大（如 GPS 位置误差 1~3m，RSSI 距离推算误差 5~10m），数据融合难度高；② 传输延迟与带宽限制：分布式节点间数据传输存在延迟，集中式融合架构易导致实时性下降；③ 测量噪声与干扰：传感器硬件噪声、环境干扰（如遮挡、多径效应）导致测量数据可信度低 [3]。
传统目标跟踪算法存在明显局限：① 集中式滤波算法（如集中式 KF）需汇集所有传感器数据至中心节点，传输带宽消耗大，实时性差；② 单一传感器跟踪算法（如 GPS-only、RSSI-only）精度有限，抗干扰能力弱；③ 现有分布式滤波算法（如分布式 EKF）未充分考虑异构数据的权重分配，融合精度与鲁棒性不足 [4]。卡尔曼滤波作为经典的线性状态估计方法，具有计算复杂度低、实时性好的优势，但如何将其适配分布式异构数据融合场景，实现精度与实时性的协同优化，成为当前研究的热点与难点。
Image
3 基于分布式卡尔曼滤波的目标跟踪算法设计
3.1 算法整体框架
采用 “数据预处理 - 本地 KF 估计 - 分布式一致性融合 - 轨迹预测与校正” 四步架构：
数据预处理：对各传感器采集的位置 / RSSI 数据进行异常值剔除、时间同步、坐标统一，输出标准化测量数据；
本地 KF 估计：各传感器节点基于标准化数据，本地执行 KF 状态估计，得到局部状态估计值与误差协方差；
分布式一致性融合：各节点与邻域节点交换局部估计信息，基于自适应权重一致性策略，聚合得到全局最优状态估计；
轨迹预测与校正：利用全局估计结果预测目标下一时刻位置，结合下一帧实时测量数据进行校正，输出最终跟踪轨迹。
Image
Image
⛳️ 运行结果
Image
📣 部分代码
clc;
%% load the trajectory
file = load('hard2.mat');
%file = load('easy2.mat');
X = file.X;
%% normalization for a room of dimensions 30x10 m
N = size(X,1);
%% define the positions of the sensors
radius = 10;% this is how far the sensor can work
s = [%7.5,3.5; ...
15,5; ...
%20,3.5; ...
%20,7.5; ...
7.5,7.5; ...
%10,10; ...
10,2; ...
%17.5,10; ...
%17.5,2; ...
];
% define polling query of sensors
dt = 10;
% number of sensors
p = size(s,1);
% dimension of the states : 2D motion x,y
n = 2;
%% plot the trajectory and sensors position
figure;
plot(X(:,1),X(:,2));
hold on;
plot(s(:,1),s(:,2), 'x');
t = linspace(0,2*pi);
for j=1:size(s,1)
plot(radius*cos(t)+s(j,1),radius*sin(t)+s(j,2),'--');
end
%% Initialization
x_hat = [X(1,:)'];% ;0 ;0];
prediction = x_hat';
distances = zeros(size(s,1),N);
noised_distances = zeros(size(s,1),N);
number_est = 1;
dist_max = 0;
predicted = [];
for t=1:N
for k=1:size(s,1)
distances(k,t) = sqrt((X(t,1)-s(k,1)).^2 + (X(t,2)-s(k,2)).^2);
%if distances(k,t) > radius
% distances(k,t) = NaN;
%else
noised_distances(k,t) = awgn(distances(k,t),10);
%end
end
%% TRILATERATION WITH LEAST SQUARES
A = [];
b = [];
for i=1:p-1 % build matrix A and b
A = [A ; s(p,1)-s(i,1) s(p,2)-s(i,2)];
%b = [b ; 0.5*((distances(i,t).^2 - distances(p,t).^2) - (s(i,1).^2 - s(p,1).^2) - (s(i,2).^2 - s(p,2).^2))];
b = [b ; 0.5*((noised_distances(i,t).^2 - noised_distances(p,t).^2) - (s(i,1).^2 - s(p,1).^2) - (s(i,2).^2 - s(p,2).^2))];
end
x_hat = inv(A'*A)*A'*b; % compute the trilateration with least squares
predicted = [predicted ; x_hat'];
%% compute distance error
x_err(number_est) = X(t,1) - x_hat(1);
y_err(number_est) = X(t,2) - x_hat(2);
dist(number_est) = sqrt(x_err(number_est).^2 + y_err(number_est).^2);
if dist(number_est) > dist_max
dist_max = dist(number_est);
pos_dist_max = number_est;
end
number_est = number_est+1;
end
trilat_prediction = predicted(1:dt:N,:);
plot(trilat_prediction(:,1),trilat_prediction(:,2),'Color','Green');
dist_err = sum(dist) / number_est;
RMSE_x = sqrt(sum(x_err.^2)/number_est);
RMSE_y = sqrt(sum(y_err.^2)/number_est);
RMSE_net = sqrt(RMSE_x.^2 + RMSE_y.^2);
disp(['Distance Error Avg: ',num2str(dist_err)]);
disp(['Distance Error Max : ',num2str(dist_max)]);
disp(['RMSE_x : ',num2str(RMSE_x)]);
disp(['RMSE_y : ',num2str(RMSE_y)]);
disp(['RMSE_net : ',num2str(RMSE_net)]);
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
