【雷达】【传感器】【轨迹估计】基于联邦卡尔曼滤波Federated、集中式滤波、分布式卡尔曼滤波Decentralized Kalman filter研究（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

1. 集中式滤波

2. 分布式卡尔曼滤波

3. 联邦卡尔曼滤波（FKF）

应用对比

📚2 运行结果

2.1 联邦卡尔曼滤波Federated Kalman Filter

2.2 分布式卡尔曼滤波Decentralized Kalman filter

🎉3 参考文献

🌈4 Matlab代码实现

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

联邦卡尔曼滤波（Federated Kalman Filter）和分布式卡尔曼滤波（Decentralized Kalman Filter）是两种用于多传感器融合的技术，它们在处理雷达和其他传感器数据时都具有重要的应用价值。

1. **联邦卡尔曼滤波（Federated Kalman Filter）**：
   - 联邦卡尔曼滤波是一种将多个卡尔曼滤波器的估计结果进行集成的技术。在雷达系统中，如果存在多个雷达设备，每个设备可以视为一个独立的卡尔曼滤波器，负责对目标状态进行估计。
   - 联邦卡尔曼滤波的核心思想是将各个传感器的估计结果进行合并，以获得对目标状态的更准确和一致的估计。这种合并可以通过各种技术实现，如加权平均、卡尔曼融合等。
   - 与传统的集中式融合方法相比，联邦卡尔曼滤波具有分布式计算、减少通信开销等优点。

2. **分布式卡尔曼滤波（Decentralized Kalman Filter）**：
   - 分布式卡尔曼滤波是一种在多个传感器之间进行分散计算的卡尔曼滤波技术。在雷达系统中，每个雷达设备都维护一个卡尔曼滤波器，负责对目标状态进行估计。
   - 分布式卡尔曼滤波的关键在于通过合作和通信来实现传感器之间的信息交换和状态一致性维护。通常，传感器之间会周期性地交换状态估计信息和协方差信息，并根据接收到的信息更新本地的状态估计。
   - 分布式卡尔曼滤波可以提高系统的鲁棒性和可扩展性，适用于分布式传感器网络中的目标跟踪和定位任务。

这两种技术都在多传感器融合领域得到了广泛应用，能够有效地提高系统的性能和可靠性，特别是在需要处理大规模传感器网络或需要分布式决策的场景中。在雷达系统中，它们可以用于目标跟踪、轨迹预测和环境感知等应用。

在雷达和传感器网络中，轨迹估计是至关重要的一个环节，特别是在多目标跟踪、无人机导航、智能交通系统等应用中。联邦卡尔曼滤波（Federated Kalman Filter, FKF）、集中式滤波（Centralized Kalman Filter）以及分布式卡尔曼滤波（Decentralized Kalman Filter, DFK）是解决此类问题时常见的几种滤波方法，各有其特点和适用场景：

1. 集中式滤波

原理：在集中式滤波中，所有传感器的数据被传输到一个中心处理器（或融合中心），在这个中心处理器上执行卡尔曼滤波算法来综合所有信息并估计目标状态。这种方法可以充分利用所有传感器的信息，通常能获得最优的估计结果，因为它基于全局信息进行计算。

优势：提供最佳估计性能，因为所有的测量都被考虑进来，没有信息损失。 劣势：通信负担重，对中心处理器的计算能力要求高，且存在单点故障风险。

2. 分布式卡尔曼滤波

原理：分布式卡尔曼滤波将滤波过程分散到各个传感器节点上，每个节点基于局部信息执行滤波操作，并通过局部交互共享信息来协同估计目标状态。这减少了通信量并降低了对中心处理器的依赖。

类型：

• 分布式估计算法（如Consensus-based）允许节点间直接或间接交换信息，逐步收敛到全局最优解。
• 信息滤波直接在信息域进行操作，减少通信数据量，适合带宽受限的网络。

优势：减轻通信压力，提高系统鲁棒性，降低中心处理单元的压力。 劣势：估计性能可能略逊于集中式，因为信息共享可能存在延迟或不完全。

3. 联邦卡尔曼滤波（FKF）

原理：联邦卡尔曼滤波是一种介于集中式和分布式之间的方法，它试图平衡二者的优势。在FKF中，系统被分为若干子系统，每个子系统执行局部卡尔曼滤波，然后子系统间通过某种协议（比如周期性或事件驱动的信息交换）来共享必要的信息，进行联合估计。

优势：相对于集中式，它减轻了通信负担；相比分布式，它通过增加一些中心协调提高了估计精度。 劣势：实现复杂度较高，需要设计有效的信息交换机制以保证估计性能。

应用对比

选择哪种滤波方法取决于具体的应用场景、通信条件、计算资源和对精度、实时性的要求。例如，在传感器网络密集、通信资源丰富的环境下，集中式滤波可能是最直接的选择；而在资源受限、分布式部署的情况下，则倾向于使用分布式或联邦卡尔曼滤波。

总的来说，这些算法的研究不断推进着多传感器系统在复杂环境下的目标跟踪和轨迹估计能力，是现代智能系统发展的重要支撑。

📚2 运行结果

2.1 联邦卡尔曼滤波Federated Kalman Filter

2.2 分布式卡尔曼滤波Decentralized Kalman filter

部分代码：

%雷达的位置
radar_1 = [750 750];
radar_2 = [-750 750];
radar_3 = [0 -1000];
radar1_noise = 3;
radar2_noise = 1;
radar3_noise = 4;

%真实的测量信号
radar1_ture_measuremnet = sqrt((radar_1(1)-x_ture_traj).^2 + (radar_1(2)-y_ture_traj).^2 );
radar2_ture_measuremnet = sqrt((radar_2(1)-x_ture_traj).^2 + (radar_2(2)-y_ture_traj).^2 );
radar3_ture_measuremnet = sqrt((radar_3(1)-x_ture_traj).^2 + (radar_3(2)-y_ture_traj).^2 );

%加噪声的测量
radar1_noise_measuremnet = radar1_ture_measuremnet + radar1_noise * randn(1,size(radar1_ture_measuremnet,2));
radar2_noise_measuremnet = radar2_ture_measuremnet + radar2_noise * randn(1,size(radar2_ture_measuremnet,2));
radar3_noise_measuremnet = radar3_ture_measuremnet + radar3_noise * randn(1,size(radar3_ture_measuremnet,2));

%%
%FR结构的联邦滤波器(融合重置结构)
%联邦滤波器 三个子滤波器 一个主滤波器
beta_M = 0;
N = 3;
beta_i = 1/N;%每个传感器分配的权值是一样的

Q_process_noise_system = diag([2 2]);%系统的过程噪声，题目的要求
P_cov_system = diag([1000 1000 ]);%初始的系统协方差,随便给定的
X_init_state = [0;500];%初始目标的位置
%%%%%%%%%%%%%%%%%%%%%%%%%%%%1.信息分配与重置%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]唐娟.基于联邦强跟踪卡尔曼滤波的组合导航关键技术研究[D].山东大学,2019.

[2]唐娟.基于联邦强跟踪卡尔曼滤波的组合导航关键技术研究[D].山东大学,2018.DOI:CNKI:CDMD:2.1018.110701.

[3]赵杭州.基于联邦卡尔曼滤波的多传感器组合导航故障诊断研究[D].北京理工大学,2017.

[4]邓胡滨,张磊,吴颖,等.基于卡尔曼滤波算法的轨迹估计研究[J].传感器与微系统, 2012, 31(5):4.DOI:10.3969/j.issn.1000-9787.2012.05.002.

🌈4 Matlab代码实现