In the past few years, we have witnessed the rapid popularization of networked cooperative multi-agent systems, which consistently move towards becoming ubiquitous in our society. As one of the most well-established examples of such systems, sensor networks have been applied to increasingly more complex systems, demanding even more robust, efficient, and reliable technologies. Distributed state estimation is the most fundamental task that one can accomplish with these networks. The main objective of this thesis is to develop robust distributed filtering strategies for sensor networks applied to linear discrete-time systems subject to model parametric uncertainties. Specifically, we deal with two types of uncertainties: norm-bounded and polytopic. To achieve this goal, we also address other related problems, divided into two categories. The first category of problems refers to the single-sensor state estimation task. Within this category, we consider the scenarios in which the underlying models are perfectly known and where they are subject to each of the two kinds of uncertainty. We propose nominal and robust filters for each situation. The second category concerns the networks with multiple sensors, considering the same three scenarios. For each one, we propose both centralized and distributed estimators. We use the average consensus algorithm to obtain the distributed filters, which approximate their centralized counterparts. The proposed filters are based on the celebrated Kalman filter and present a similar recursive and relatively simple structure. We evaluate the performance of the proposed estimators with application examples, in which we also compare them to existing strategies from the related literature.

Nos últimos anos, tem-se testemunhado a rápida popularização de sistemas multiagentes cooperativos em rede, que consistentemente tendem a se tornar onipresentes em nossa sociedade. Sendo um dos exemplos mais bem estabelecidos de tais sistemas, as redes de sensores têm sido aplicadas a sistemas cada vez mais complexos, exigindo tecnologias cada vez mais robustas, eficientes e confiáveis. A estimação distribuída de estado é a tarefa mais fundamental que podemos realizar com essas redes. O principal objetivo desta tese é desenvolver estratégias robustas de filtragem distribuída para redes de sensores aplicadas a sistemas lineares em tempo discreto sujeitos a incertezas paramétricas. Especificamente, consideram-se dois tipos de incertezas: limitadas em norma e politópicas. Para atingir esse objetivo, outros problemas relacionados também são abordados, divididos em duas categorias. A primeira categoria de problemas refere-se à tarefa de estimativa de estado baseada em um único sensor. Dentro dessa categoria, considera-se o cenário em que os modelos são perfeitamente conhecidos, assim como os em que eles são sujeitos a cada um dos dois tipos de incerteza. São propostos filtros nominais e robustos para cada situação. A segunda categoria diz respeito às redes com múltiplos sensores, considerando os mesmos três cenários. Para cada um, são propostos estimadores centralizados e distribuídos. O algoritmo de consenso é utilizado para obter-se os filtros distribuídos, que aproximam suas versões centralizadas correspondentes. Os filtros propostos são baseados no célebre filtro de Kalman e apresentam uma estrutura recursiva semelhante e relativamente simples. O desempenho dos estimadores propostos é avaliado por meio de exemplos de aplicação, sendo também comparados com estratégias existentes na literatura relacionada.