在信息科学和智能控制领域,由于问题规模的扩大与复杂度增加,多智能体的协作与融合已成为工程研究的热点。为了满足分布式、自主性的架构和体现更高级的智能特征,可采用“局域强耦合复杂系统”模型描述智能体的相互作用。其中每个智能体仅与邻域范围内的其他耦合智能体交互状态估计信息,彼此协商达成某种一致的团队行为或全局信息决策。就系统的状态估计与反馈控制而言,基于一致性的探讨,意味着随时间推移,各智能体不断趋近于相同的状态值。系统建立在分布式递推状态估计的基础上,经过信息的交互和加权融合,促进全局一致收敛的实现。经典Kalman滤波器由于具有较低的存储和计算量要求,以及基于最小均方误差意义的最优估计特性,是一种应用广泛而成熟的时域递推估计算法。然而在实际应用中,人们常常会忽略一些可以事先了解的系统或目标的先验约束关系。这些由于客观物理规律、地形布置、多个体的预设阵列等限定而产生的约束,致使状态估计(滤波)的模型概率结构发生了变化,Kalman滤波的结果失去其最优性。国内外对含约束条件的状态估计的有关研究,已形成一些解决策略,但是对于复杂而非精确的约束条件,目前的研究还不够深入。本文针对局域强耦合系统,研究其状态变量受到约束时的融合估计方法。创新性的工作可以概括为:(1)从一致性协议的离散形式出发,提出局域强耦合系统的分布式滤波和信息融合问题在约束框架下的描述,包括对一致性指标的提出、状态更新与局域信息交互机制等。(2)分析量测的不完全情形,以及体现在智能体自身或通信过程中的状态估计异常,建立“部分信息”模型;以提高分布式融合结构可靠性和自适应性为原则,通过系统误差辨识及配准、滤波新息协方差匹配和改进的Sage-Husa算法等技术,有效实现异常诊断与处理。(3)对于存在不等量关系和并非精确预知的复杂约束条件,首先借鉴最优化理论中积极集法的思想,将不等式约束转化为等式约束下的优化问题求解;其次通过基于精确惩罚函数的寻优体系,处理一般的含不等式约束问题,使状态估计稳定在可行域中;另外,针对约束条件可能非精确的情形,结合实时量测对其可靠程度进行度量,从而得到更加合理的全局估计。