徐义晗

（1.淮安信息职业技术学院，江苏 淮安 223003；2.江苏省软件测试工程技术研究开发中心，江苏 淮安 223003）

0 引言

随着传感技术的迅速发展，无线传感网络（Wireless Sensor Networks，WSNs）在交通、环境监测等方面得到广泛应用［1］，而节点的定位与跟踪是这些应用的基本要求。在实际应用中，目标的移动加大了定位和跟踪的难度。

定位和跟踪本质上都是估计目标的位置。由于成本低、易操作，基于接收信号强度指示（Received Signal Strength Indicator，RSSI）的测距定位得到广泛应用［2-3］。然而，基于RSSI 测距定位的主要问题在于RSSI 值与所测的距离间存在非线性关系。噪声、信号衰减等原因都会影响它们的非线性关系。目前，研究人员针对基于RSSI 测距定位的目标跟踪问题进行了大量研究［4］。主要的研究工作在于通过合适的回归贝叶斯滤波处理RSSI 值，如卡尔曼滤波（Kalman Filter，KF）［5-7］和粒子滤波（Partical Filter，PF）［8-9］。基于KF 或PF 系统主要取决于噪声分布的统计信息。相比于KF，PF 在处理测量值的非线性方面存在优势，但是它的计算复杂度远高于KF。无迹KF（Unscented KF，UKF）提高了KF 在处理系统非线性问题的性能［10-11］。文献［11］提出了基于UKF 的定位和跟踪算法，通过多个传感节点测量估计行人的移动轨迹。文献［12］提出基于人工神经网络（Artificial Neural Networks，ANN）的室内定位算法，定位的平均精度为1.79 m。利用神经网络建立不同信号接收强度与节点位置间关系。文献［13］将机器学习与KF 进行结合，跟踪移动目标。实际上，移动模型和测量模型是非线性的。相比于KF，UKF 能够有效地处理非线性模型，它通过无先导变换，处理非线性关系。

为此，提出无迹卡尔曼滤波的移动目标跟踪算法（Unscented KF-based mobile Target Tracking，UKTT）。……