[SD-WAA论文概述] 传感器不同视域下的分布式融合方法

论文名称：Distributed Multi-Sensor Fusion of PHD Filters With Different Sensor Fields of View
作者：Wei Yi, Guchong Li and Giorgio Battistelli
期刊：IEEE Transactions on Signal Processing
Pub Date ：2020-09-11
DOI：10.1109/tsp.2020.3021834

---

一、摘要

本文基于概率假设密度（PHD）滤波器研究了不同视域（FoVs）传感器网络中分布式多目标跟踪（MTT）及信息融合的问题。首先，从最小识别信息(PMDI)理论出发，从理论上分析了标准WAA融合是基于同视域假设的，实际场景中若未考虑不同视域的影响，容易丢失非共视区域的目标，因此标准WAA融合不适用于实际场景。由此，本文将WAA融合推广至多传感器不同视域场景，并针对视域已知且时不变与视域未知且存在未知障碍遮挡两种场景提出了对应的解决方案，进一步扩展了WAA融合准则的应用范围。文章的架构如下：

---

二、回顾 - 基于PHD滤波器的标准WAA融合

Tip：对于 Cauchy-Schwarz 散度在泊松假设下的计算解析式推导见文献：
H. G. Hoang, B. N. Vo, B. T. Vo, and R. Mahler, “The Cauchy-Schwarz divergence for Poisson point processes,” IEEE Trans. Inf. Theory, vol. 61, no. 8, pp. 4475–4485, 2014.

---

三、对传感器不同视域影响的理论分析

结论：通过定义平均信息差异（AID），推导可得AID由两项构成：第一项表征强度函数集中的强度函数与局部强度函数的关系，标准WAA的融合公式使得该项达到零；第二项表征强度函数集间的最小信息差异，其为独立于局部强度函数的一个常数。因此，WAA的融合性能仅由第二项所决定。

结论：定义第二项为信息差异系数（IDC），通过推导可得第二项由共视区域IDC与非共视区域IDC两部分组成，而不仅仅取决于共视区域IDC。由此，即使本地传感器共视区域内的信息高度一致（即共视区域IDC很小），由于非共视区域IDC的存在，总体的IDC任然可以非常大。因此，从PMDI的角度上分析可知不同视域传感器间的标准WAA融合是不合适的。

---

四、算法一：仅考虑视域已知且时不变的多传感器分布式融合（SD-WAA）

由于传感器视域已知且时不变，因此可根据视域的先验信息对传感器视域进行空间划分，然后按照共视区域信息并行进行标准WAA融合，非共视区域信息采取补偿策略的思想进行SD-WAA融合。

• 视域划分
  
  以三传感器分布式系统为例，传感器视域被分为两部分：共视区域和非共视区域。

• SD-WAA融合
  

五、算法二：考虑一般情况下的多传感器分布式融合（C-SD-WAA）

一般情况下，多传感器的视域信息是未知的，且监测环境中往往存在障碍物遮挡或者传感器之间存在信息反馈等复杂情况。在这种情况下，本文结合合适的聚类算法（如最大后验密度相干聚类等），有效地解决了一般情况下的多传感器分布式融合的问题。

六、仿真实验

• 场景一：视域已知且时不变的多传感器分布式跟踪系统
  
  

结论：标准WAA由于对非共视区域信息的丢失性能较差；相比之下，SD-WAA算法能够有效地跟踪所有目标，且性能最好；而C-SD-WAA算法由于没有利用传感器视场的先验信息，其性能略低于SD-WAA算法。

• 场景二：视域未知且存在障碍物遮挡的多传感器分布式跟踪系统
  
  

结论：SD-WAA算法由于障碍物的存在，基于传感器视场知识的信息平均不再可靠。相比之下，C-SD-WAA的性能此时体现出更大的优势。