在传感器网络和分布式控制领域，分布式状态估计是一个至关重要的研究方向。相较于集中式估计将所有数据汇集至中央处理器进行处理，分布式估计允许网络中的每个传感器节点仅基于本地测量信息及其与邻居节点的有限通信，协同地完成对系统状态的估计。这种方法在鲁棒性、可扩展性和部署便利性上具有显著优势，尤其适用于军事侦察、环境监测等大规模或恶劣环境下的应用场景。
尽管已有大量基于共识理论的分布式估计算法被提出，例如对状态（估计值）、测量值或似然函数进行共识，但这些研究仍存在两个关键局限。首先，现有工作大多假设测量噪声为高斯白噪声，这与许多实际系统中存在的有色噪声（如陀螺仪的漂移、全球导航卫星系统中的雷达信号）不符，这些噪声具有时间相关性，用白噪声模型描述会过于理想化。其次，尽管算法通常能在通信开销和估计性能之间取得某种权衡，但分布式估计器由于信息共享不充分导致的性能损失，相比于集中式估计器，其定量的性能差距和明确的数学关系尚未被充分揭示。具体而言，设计参数（如共识增益）与最终估计精度之间的闭合表达式关系尚未建立。
针对以上挑战，来自香港科技大学、北京大学和北京航空航天大学的研究团队在IEEE Transactions on Automatic Control期刊2022年9月第67卷第9期上发表了一篇题为“Distributed State Estimation for Continuous-Time Linear Systems with Correlated Measurement Noise”的研究论文。该研究由Duan Peihu, Qian Jiachen, Wang Qishao, Duan Zhisheng以及Shi Ling共同完成，旨在解决连续时间线性系统在具有时间相关测量噪声的传感器网络下的分布式状态估计问题。
研究背景与目标 该研究的核心科学领域是控制理论与信息融合，具体聚焦于分布式滤波（Distributed Filtering）和传感器网络状态估计。研究动机源于实际系统中普遍存在的时间相关噪声，以及现有分布式估计算法在理论完备性上的不足。传统处理相关噪声的方法，如状态增广法可能带来奇异问题，而测量差分法则对连续时间系统可能导致较大的计算误差。更重要的是，在分布式框架下处理相关噪声时，现有方法通常需要一些特定的可观测性条件，而非更通用、更容易验证的联合可观测性条件。
因此，本研究设定了两个明确目标：一是设计一种无需全局信息、能处理时间相关测量噪声的完全分布式状态估计器；二是对所设计估计器的性能进行严格分析，并定量揭示其与集中式估计器之间的性能差距。
研究方法与详细流程 本研究提出了一套完整的、包含新型信息融合策略的分布式估计框架。核心创新在于一个“增强的领导者-跟随者共识信息融合策略”以及在此策略基础上构建的分布式状态估计器。整个研究流程可分为理论设计、性能分析、扩展应用和仿真验证四个主要部分。
第一部分：分布式估计器设计 研究首先考虑一个由n个传感器组成的网络，观测一个连续时间线性动态系统。系统状态方程为ẋ(t) = Ax(t) + w(t)，其中w(t)为过程噪声。每个传感器i的测量模型为y_i(t) = C_i x(t) + z_i(t)，其中z_i(t)是相关测量噪声，其动态由ż_i(t) = φ_i z_i(t) + v_i(t)描述，v_i(t)为白噪声。传感器之间通过一个无向连通图进行通信。
为了解决每个传感器无法直接获取全局输出矩阵C和所有测量值y的问题，研究提出了一个统一的、双层的信息融合策略。第一层用于估计其他传感器的测量值。对于传感器i，它维护一个对传感器j测量值的估计ξ_ij，其动态设计为： ξ̇ij = -μ [ Σ{k∈Ni} a{ik}(ξ_ij - ξkj) + a{ij}(ξ_ij - y_j) ] + C_j A x̂_i。 其中，μ是共识增益，x̂_i是传感器i对系统状态的估计。该设计本质上是一个领导者-跟随者共识协议，y_j是“领导者”的真实测量（仅邻居j可获取），ξ_ij是“跟随者”i对领导者j状态的估计，并通过与自己的其他邻居k进行共识来协同追踪。额外的项C_j A x̂_i用于补偿系统动态带来的变化。
将所有对邻居测量值的估计堆叠成向量ξ_i，则可得到紧凑形式：ξ̇i = -μ [ Σ{k∈Ni} a{ik}(ξ_i - ξ_k) + B_i (ξ_i - y) ] + C A x̂_i。其中B_i是一个块对角矩阵，编码了邻居关系。
基于这个对全局测量y的估计ξ_i，传感器i的状态估计器设计为一个改进的Luenberger观测器形式： ˙̂x_i = (A + K C) x̂_i - K ξ_i。 其中，估计器增益K的设计基于一个稳态Riccati方程的解：K = -P C^T R_z^{-1}，这里P满足A P + P A^T + Q - P C^T R_z^{-1} C P = 0，Q和R_z分别是过程噪声和相关噪声初始协方差的块对角矩阵。需要注意的是，C和R_z在这里是全局信息。为了完全分布式，论文进一步设计了与（1）式类似的自适应共识协议，用于在线估计这些全局常数矩阵C和R_z，并证明了其指数收敛性。这使得整个框架在实现时无需任何先验的全局网络或系统信息。
第二部分：估计性能分析 在建立了估计器动态方程后，研究转入严格的理论性能分析。定义状态估计误差e_i = x̂_i - x和测量估计误差ε_i = ξ_i - y。通过推导整个网络的增广误差向量η = [ε^T, e^T]^T的动态方程：η̇ = A_η η + v_η，其中v_η包含了系统噪声和测量噪声。
分析的核心是研究估计误差协方差矩阵P_η(t) = E{η(t)η(t)^T}的收敛性和有界性。通过对P_η(t)求导，得到一个微分方程，并运用Lyapunov稳定性理论进行证明。研究的关键发现是：只要共识增益μ大于一个依赖于系统参数和通信图拉普拉斯矩阵最小特征值的阈值（μ > ||(C A P - K^T) Q^{-1} (C A P - K^T)^T|| / (2 λ_min(L_B))），那么增广误差动态矩阵A_η就是一个Hurwitz矩阵，从而保证Pη(t)是一致有界且最终收敛的。这直接意味着每个传感器的状态估计误差协方差P{e,i}(t)也是一致有界的，从而在理论上保证了所提分布式估计器的稳定性与性能。
第三部分：与集中式估计器的定量比较 为了量化分布式估计的性能损失，研究将所提分布式估计器与理想的集中式估计器进行对比。集中式估计器拥有所有传感器的测量信息，其形式为：˙̂x_c = A x̂_c + K (C x̂_c - y)。
研究详细推导了分布式估计误差协方差P_e(t)与集中式估计误差协方差P_c(t)的差值Pδ(t)的动态方程。通过复杂的数学分析，研究得出了一个重要结论：当共识增益μ趋于无穷大时，每个传感器的稳态估计误差协方差将收敛到集中式估计器的稳态误差协方差，即lim{μ→∞} P_{e,i}(∞) = P_c(∞)。这一结论从极限意义上证明了所提分布式估计器可以达到集中式的最优性能。更重要的是，对于任意有限的μ，性能差距P_δ(∞)可以通过一个代数方程精确表征，该方程清晰地展示了估计性能与通信强度（反映在μ的大小上）之间的权衡关系。
第四部分：完全分布式与扩展应用 为了使算法无需预设任何全局参数（包括上文的μ阈值），研究进一步设计了共识增益μ的自适应律。对于每个传感器i，将其共识增益μ_i设计为一个动态变量，更新律为： μ̇_i(t) = -m μ_i(t) + ρ_i θ_i^T Γ^T Γ θ_i。 其中，θ_i反映了本地测量估计的一致误差，m是一个小的正常数，ρ_i和Γ是设计参数。该自适应律仅使用本地和邻居信息，无需知道网络拓扑的全局特征（如λ_min(L_B)）。理论证明表明，采用此自适应增益的完全分布式估计器（Fully Distributed Estimator, FDE）仍能保证估计误差的均方值最终收敛到一个有界残差集内。
此外，研究还将该框架拓展到更一般的场景：1) 确定性有界噪声系统：当噪声w(t)和z_i(t)不再是随机的，而是确定性且有界时，证明了估计误差将指数收敛到一个有界集。2) 无噪声系统：当系统无任何噪声时，设计了更简单的自适应律（μ̇_i(t) = ρ_i θ_i^T Γ^T Γ θ_i），并证明了状态估计误差能渐近收敛到零。
主要结果与结论 在仿真验证部分，研究对一个4维状态、7个传感器的网络进行了数值模拟。系统参数和噪声模型均按论文设定。仿真结果验证了：1）所提分布式估计器能有效跟踪真实系统状态，各传感器的估计误差均方值有界。2）与典型的分布式信息加权卡尔曼共识滤波（DIF）和渐近最优分布式滤波（AOF）相比，本文提出的完全分布式估计器（FDE）在处理相关测量噪声时表现出更优的估计精度（更小的平均均方误差）。3）自适应设计的共识增益μ_i(t)在实际运行中会收敛到一个有限值，且该值远小于根据理论阈值预先设定的保守常数，说明了自适应律的有效性和低保守性。
本研究的主要结论是，成功为具有时间相关测量噪声的连续时间线性系统设计了一套新颖且强大的分布式状态估计框架。该框架的核心贡献在于：1) 提出了一个统一的增强领导者-跟随者信息融合策略，能够同时收集全局测量和系统矩阵信息，无需额外的共识算法。2) 对估计性能进行了严格的理论担保，并首次以闭合形式建立了分布式估计器与集中式估计器之间的性能差距表达式，清晰揭示了通信频率与估计精度之间的定量权衡。3) 通过引入自适应共识增益，实现了完全分布式，且算法可扩展应用于确定性噪声甚至无噪声系统，适用性广泛。
研究的亮点与价值 本研究的亮点突出体现在以下几个方面： 1. 方法新颖性：提出的“增强领导者-跟随者共识”信息融合框架是一个统一且创新的设计，避免了在状态共识和测量共识之间切换或引入额外算法，结构清晰。 2. 理论深度：不仅证明了估计器的稳定性，更深入定量分析了性能极限，得出了lim{μ→∞} P{e,i}(∞) = P_c(∞)这一关键结论，填补了分布式估计性能量化分析的理论空白。 3. 问题针对性：直接针对实际中广泛存在但研究不足的时间相关测量噪声，且避免了传统差分方法可能带来的数值问题，仅需标准的联合可观测性条件，易于验证。 4. 实用性与鲁棒性：提出的完全分布式自适应方案不依赖于任何全局信息，对网络拓扑变化具有内在的适应性，并且框架可兼容随机噪声、确定性有界噪声及无噪声等多种场景，鲁棒性强。
这项研究在分布式控制与估计领域具有重要的科学价值和应用价值。科学上，它为解决相关噪声下的分布式估计问题提供了系统的理论方法和严格的分析工具，特别是关于性能量化比较的结论，对后续研究具有指导意义。应用上，所提出的完全分布式算法易于在资源受限的传感器网络节点上实现，为复杂环境下的高精度协同感知与状态监控提供了可行的技术方案。