基于量化信息的分布式卡尔曼滤波算法

　　针对一个无融合中心传感器网络中的状态估计问题，提出一种基于量化信息的分布式卡尔曼滤波（QDKF）算法。首先，在分布式卡尔曼滤波（DKF）中，以节点状态估计精度为加权准则，动态选取加权矩阵，使得全局估计误差的协方差最小；然后，进一步考虑了网络带宽受限制的情况，在DKF算法中加入均匀量化器，节点之间通信使用量化后的信息，以减少网络通信的带宽需求。QDKF算法仿真采用了8 bit的均匀量化器，与Metropolis加权法和最大度加权法相比，动态加权法的状态估计均方根误差分别降低了25%和27. 33%。实验结果表明，采用动态加权法的QDKF算法能提高系统的状态估计精度，减少带宽需求，适用于网络通信受限制的应用场合。