在以往的工作中，研究者们在处理多传感器网络的估计及滤波问题时，大多数是采用分散式卡尔曼算法，但是由于该方法要求网络拓扑为全连通，且通信复杂度和网络能耗较大，人们开始思考能否找到一种分布式的滤波算法，在融合时每一个节点不需要和全部传感器通讯，而是仅和周围部分节点进行信息的交流，不再要求节点完全连通，从而大大降低通讯的复杂度和能量损耗，研究结果表明，一致性算法正是满足这些要求的一种行之有效的算法。64506

一致性问题起源于管理科学和统计学领域，已有较长的研究历史。1987年Reynolds[17]按照鸟群的活动特点对动物的群体行为进行了研究提出了著名的Boid模型，该模型给与群体行为以下三条规则，即：分离性，列队性，聚合性。不久之后，Vicsek[18]等人应用统计力学的知识，给出了一个经典的多智能体模型，该模型中的智能体是非平衡的。Jadbabaie等[19]对Vicsek等人提出的非平衡的系统模型进行了线性化的处理，并讨论了其角度一致性的相关问题。接着，Olfati-Saber等人总结了前人的成果，在此基础上系统的研究了有关一致性的内容，为这类问题的研究构建了一个较为全面的理论框架，正式提出了一致性算法和一些重要概念的定义，并研究了一些影响一致性收敛速度、均衡状态等性能的因素[20]。

卡尔曼一致滤波算法优于其他分布式估计算法之处在于[16]：信息的交换仅存在于节点和它的邻居节点之间，并且随着时间的推移，一致性算法可以将传感器节点间的局部信息扩散到全部网络中，从而提高了网络估计的精度；基于这种局部的信息交换大大降低了通信开销，同时使得所有传感器对目标的估计值趋于一致，适用于移动传感器网络，避免了网络规模扩大产生的不可扩展性；卡尔曼一致滤波算法的实现主要包括两个方面[16]：1)单个传感器使用卡尔曼滤波算法对数据进行处理从而获得对目标状态的最优估计；2)使用一致性协议对相邻节点间交流的信息进行融合，将局部的最优估计推广到整个网络。查阅近年来的文献资料，卡尔曼一致滤波算法的发展总结为以下三个主要的阶段：论文网

第二阶段：Olfati-Saber[14]、[23]、[24]等人对卡尔曼一致滤波器进行了全面系统的研究，给出了该算法的理论框架。该阶段主要的研究成果如下：Olfati-Saber[14]等提出了一种基于信息形式卡尔曼滤波器的一致性滤波算法，算法由一系列的微卡尔曼滤波器组成，每个微滤波器都包含一个低通一致性滤波器和一个高通一致滤波器，它们的功能是对测量值和协方差进行融合处理，该算法可以用于信号的估计和跟踪，但这种算法存在一个较大的缺陷：仅适用于所有传感器测量模型都相同的网络，不能对异类传感器网络进行处理，实用性较差。不久，Olfati-Saber又在文献[11] 中对文献[14]中的算法做了改进，改进之后的算法可以应用于具有不同观测矩阵的传感器网络，并在此基础上提出了三种基于一致性的卡尔曼滤波算法。

第三阶段： Stankovic[24]、[25]、[26]等人在Saber研究结果的基础之上，应用一致性算法融合相邻传感器的预测值，还研究了丢包、传感器故障、时延等问题对估计精度的影响，使得该算法更加具有实用性。国内研究者在这一阶段也有较大进展：席峰等人[23]、[24]对算法融合过程进行了研究，提出在利用一致性协议进行融合时可根据节点自身情况确定一致性加权系数；虞文武[25]等人将牵制控制引入一致性滤波器中，减小了控制代价；王帅[26]也提出了一种等。