1.一种置信度传递的分布式容积卡尔曼滤波协作定位方法，其特征在于：包括以下步骤：(1)构建分布式移动代理节点协作定位网络模型，初始化网络参数、置信度迭代计算次数，已知参考节点位置，移动代理节点状态先验消息满足高斯分布；

(2)每个移动代理节点计算自身状态预测消息，包括高斯均值向量和误差协方差矩阵；

(3)构建实时量测网络，获得相邻代理和参考节点之间距离量测，对获得的实时量测消息进行存储；

(4)执行置信度传递与迭代计算，相邻移动代理节点之间传递高斯参数化置信度，并采用重构策略获得组合高维均值向量和协方差矩阵表示组合先验消息；

(5)根据步骤(4)获得高维组合均值向量和协方差矩阵，计算高维组合容积点，并将组合容积点带入非线性量测函数计算容积点传播，获得组合量测消息和量测预测均值；

(6)根据步骤(5)中获得的高维组合容积点和组合量测消息以及量测预测均值，计算量测预测协方差矩阵和组合状态消息与量测信息的交叉协方差矩阵；

(7)计算容积卡尔曼滤波增益，移动代理节点状态估计均值和误差协方差矩阵更新，获得移动代理节点高斯参数化置信度；返回步骤(4)执行高斯参数化置信度传递与迭代计算，完成预定迭代计算次数后返回步骤(2)进入下一轮递归计算。

2.如权利要求1所述的基于置信度传递的分布式容积卡尔曼滤波协作定位方法，其特征在于：所述步骤(1)中，初始化网络参数，t＝0时刻，已知参考节点位置集合{xa′}，移动代理节点状态{xa,0}先验消息满足高斯分布f(xa,0)～N(μa,0,Ca,0)，其中，t∈{0,...,T}表示运行步长，T表示运行步长总和，N(·)表示高斯分布缩写，f(xa,0)表示先验消息，μa,0和Ca,0是已知高斯分布均值向量和协方差矩阵，(a,a′)∈A表示一个移动代理节点和一个参考节点，A是网络中所有节点集合；已知移动代理节点过程噪声和量测噪声满足零均值高斯分布分别表示为 其中，ua,t是已知过程噪声， 是已知过程噪声方差，I是单位矩阵，va,k；t是量测噪声， 是已知量测噪声方差，k是相邻节点，因子图中置信度传递迭代计算次数设置为n∈{1,...,N}，N表示正整数。

3.如权利要求1所述的基于置信度传递的分布式容积卡尔曼滤波协作定位方法，其特征在于：所述步骤(2)中移动代理节点计算t时刻自身状态预测消息f(xa,t|t-1)，首先，获得t-1时刻的移动代理节点状态后验高斯分布均值向量 和误差协方差矩阵 其次，计算2da个容积点ξ(i)和 表达式如下：

其中，da是节点均值向量 的维度，ei表示矩阵 第i列元素， 表示da维的单位矩阵，n是置信度迭代计算次数，移动代理节点通过状态转移函数xa,t＝f(xa,t-1,ua,t)计算传播后的容积点 表达式如下： 进而可以计算移动代理节点预测消息包括均值向量μa,t|t-1和误差协方差矩阵Ca,t|t-1表达式如下：其中，Qt-1是已知过程噪声方差矩阵，所有移动代理节点完成状态预测和预测误差协方差计算，获得预测均值向量μa,t|t-1和误差协方差矩阵Ca,t|t-1表示t时刻移动代理节点先验分布消息f(xa,t)。

4.如权利要求1所述的基于置信度传递的分布式容积卡尔曼滤波协作定位方法，其特征在于：所述步骤(3)中，移动代理节点获得相邻代理和参考节点之间距离量测表达式如下：ya,k,t＝h(xa,t,xk,t,va,k；t)，其中，xa,t和xk,t是代理节点和相邻节点状态，k∈Ma,t表示相邻节点，Ma,t表示相邻节点集合，也是网络节点集合A的子集表示为 量测模型中h(·)是非线性函数计算表达式如下： 其中，||·||表示欧式距离范数， 和 表示节点状态中的位置向量；进而，可以获得组合量测消息计算表达式如下：Ya,t＝H(Xa,t)+Va,t，其中组合状态向量

组合量测值 表示相

邻节点状态向量， 是t时刻代理节点获得相邻节点距离量测，Na,t＝(1,

2,...,N)表示t时刻与代理节点a相链接的相邻节点个数。

5.如权利要求1所述的基于置信度传递的分布式容积卡尔曼滤波协作定位方法，其特征在于：所述步骤(4)中，相邻代理节点之间传递高斯参数化置信度表示为均值向量和误差协方差矩阵 其中，n表示迭代计算次数，k→a表示t时刻相邻代理节点之间传递消息；并采用消息重构策略获得组合高维均值向量 和协方差矩阵 来表示组合先验消息f(n-1)(Xa,t)，其中，高维组合均值向量 和高维组合误差协方差矩阵 表达式如下：其中，diag(·)表示块对角矩阵。

6.如权利要求1所述的基于置信度传递的分布式容积卡尔曼滤波协作定位方法，其特征在于：所述步骤(5)中，根据获得的组合均值向量 和误差协方差矩阵 计算2Da个组合容积点 和 表达式如下：

其中，Da表组合均值向量 的维度， da表示均值向量 的维度，

dk表示相邻节点均值向量 的维度， 表示矩阵 第i列元素， 表示Da维的单位矩阵；随后，将容积点 带入非线性量测函数计算容积点传播 并计算量测预测均值 表达式如下：

7.如权利要求1所述的基于置信度传递的分布式容积卡尔曼滤波协作定位方法，其特征在于：所述步骤(6)中，根据组合容积点 组合量测消息 量测预测均值计算组合量测协方差矩阵 和组合状态与量测的交叉协方差矩阵 表达式如下：其中，Ra,t是已知组合量测方差，X表示状态标识符,Y表示量测标识符；由于组合均值包含相邻节点位置消息 k∈Ma,t，生成的组合容积点 也包含了相邻节点位置消息，因而 是一个耦合交叉协方差矩阵，在计算单个移动代理节点状态增益时需要对矩阵 进行解耦合处理，从而提取出关于移动代理节点状态的交叉协方差矩阵，对Da维交叉协方差矩阵 进行解耦合，得到da维解耦交叉协方差矩阵

8.如权利要求1所述的基于置信度传递的分布式容积卡尔曼滤波协作定位方法，其特征在于：所述步骤(7)中，根据量测协方差矩阵 和解耦交叉协方差矩阵 计算迭代过程中的滤波增益 表达式如下： 根据t时刻量测消息Ya,t计算代理状态估计均值 和误差协方差矩阵 表达式如下：

移动代理节点获得均值向量 和误差协方差矩阵 表示为自身高斯参数化置信度，随后返回步骤(4)进入下一次高斯参数化置信度传递与迭代计算，完成预定迭代计算次数后返回步骤(2)进入下一轮递归。