本發(fā)明屬于傳感器網(wǎng)絡(luò)通訊
技術(shù)領(lǐng)域：
，特別涉及一種移動自組織傳感器網(wǎng)絡(luò)中三維聯(lián)合定位與追蹤方法。
背景技術(shù)：
：無線傳感器網(wǎng)絡(luò)(wirelesssensornetwork，以下簡稱wsn)代表了一種全新的信號觀測、收集和分布式處理的方式，而由數(shù)百甚至數(shù)千個傳感器節(jié)點(diǎn)在大范圍地理區(qū)域中自由移動，并通過ad-hoc方式形成移動自組織傳感器網(wǎng)絡(luò)(mobilead-hocsensornetwork，以下簡稱masn)更是大大擴(kuò)展了傳統(tǒng)靜態(tài)wsn的應(yīng)用領(lǐng)域。通過動態(tài)分布式探測、處理和傳播數(shù)據(jù)，masn可隨時、隨地提供對信息的訪問，由于其低成本、高可靠性、靈活性和易部署性，wasn已經(jīng)引起各國軍事界、工業(yè)界、學(xué)術(shù)界的廣泛關(guān)注。wasn應(yīng)用領(lǐng)域首先需要解決的兩大關(guān)鍵問題就是傳感器定位和目標(biāo)追蹤。傳統(tǒng)的解決方案是把這兩個問題看成相互獨(dú)立的問題，分別解決，或者先使用傳感器之間的觀測信息來定位傳感器，然后再結(jié)合這些估計(jì)的傳感器位置信息和傳感器觀測到的目標(biāo)信息進(jìn)行目標(biāo)追蹤。針對無線傳感器定位問題，最直接的方法是為每個節(jié)點(diǎn)安裝全球衛(wèi)星定位系統(tǒng)(globalpositioningsystem，簡稱gps)接收器以確定節(jié)點(diǎn)位置。但是，gps定位僅僅適用于無遮擋的室外環(huán)境，在一些特定的環(huán)境中(如室內(nèi)、水下等)，會由于接收不到衛(wèi)星信號而失效。而且gps能耗大、成本高，與無線傳感器網(wǎng)絡(luò)低成本、低功耗特性相違背，無法廣泛應(yīng)用于傳感器節(jié)點(diǎn)定位。就目標(biāo)跟蹤而言，mdzakirul設(shè)計(jì)了一種基于局部預(yù)測的移動目標(biāo)跟蹤方案，命名為t-跟蹤，t-跟蹤減少了目標(biāo)跟蹤對于傳感器定位精度和相互作用頻率的依賴性。然而，這種解決方案并沒有考慮到傳感器對目標(biāo)的觀測信息同樣可以用來優(yōu)化傳感器自身的位置估計(jì)。基于此，taylor在2007年首次提出了同時進(jìn)行傳感器定位和目標(biāo)跟蹤(simultaneouslocalizationandtracking，以下簡稱slat)的方法，應(yīng)用傳感器對目標(biāo)的觀測信息同時進(jìn)行目標(biāo)跟蹤并修正對傳感器的位置估計(jì)。然而，slat方法是針對位置固定的靜態(tài)無線傳感器網(wǎng)絡(luò)而言的，且僅適用于網(wǎng)絡(luò)中靜態(tài)傳感器位置誤差較小的情況。此外，因?yàn)樗惴ū旧韽?fù)雜度過高而無法在各傳感器節(jié)點(diǎn)分布式執(zhí)行，只能在高配置的中心節(jié)點(diǎn)集中執(zhí)行。在動態(tài)masn環(huán)境下，傳感器一直處于移動狀態(tài)，需要實(shí)時更新其位置估計(jì)信息。meyer在2012年提出了協(xié)作slat(cooperativesimultaneouslocalizationandtracking，以下簡稱coslat)框架，不僅僅利用傳感器對目標(biāo)的觀測信息，同時通過傳感器之間的測量信息擴(kuò)展slat，因而可以應(yīng)用于masn。然而，該coslat算法基于粒子濾波，在分布式計(jì)算的環(huán)境下需要消耗高額的通信成本和巨大的能量損失，而這兩點(diǎn)恰恰是masn最難以承受的。于是，meyer隨后改進(jìn)coslat方法，提出了一個混合的基于粒子濾波和參數(shù)消息傳遞的算法，在采用粒子濾波估計(jì)后驗(yàn)概率分布后，應(yīng)用高斯混合模型(gaussianmixturemodel，簡稱gmm)來近似后驗(yàn)分布，從而減少網(wǎng)絡(luò)通信量。然而，在近似后驗(yàn)分布的過程中，必然會引入誤差，并隨著時間推移逐步累積，導(dǎo)致估計(jì)精度不可避免地下降。我國對傳感器網(wǎng)絡(luò)的研究和投入興起于2000年之后，目前沒有同時針對傳感器節(jié)點(diǎn)定位與目標(biāo)跟蹤問題的研究，主要還是根據(jù)傳統(tǒng)方案拆分為傳感器定位和目標(biāo)跟蹤的單個任務(wù)進(jìn)行研究。如徐家祥、劉毅、周晶針對目標(biāo)追蹤問題，提出一種傳感器優(yōu)化調(diào)度方法，以最小追蹤誤差優(yōu)化目標(biāo)，將每個傳感器的激活和休眠表示成二進(jìn)制變量，每一次調(diào)度都對應(yīng)一個二進(jìn)制變量組合，將傳感器網(wǎng)絡(luò)優(yōu)化調(diào)度問題轉(zhuǎn)化為一個以最小化追蹤誤差為目標(biāo)的0-1凸優(yōu)化問題。刁英裴對傳感器定位問題中可定位性問題和定位算法問題進(jìn)行了研究，從圖論角度出發(fā)，得到圖的可定位性條件，從解的存在性出發(fā)，得到代數(shù)的可定位性條件。針對這組條件，提出了一種新的序貫式的，以簇為單位的定位算法。以上所述均是針對二維空間的情況，三維空間和二維平面相比，環(huán)境因素更加復(fù)雜，節(jié)點(diǎn)的計(jì)算量也有所增大。目前三維定位算法的研究尚處于起步階段：魏寧2009年在二維空間虛擬力理論的基礎(chǔ)上，基于三維感知空間感知模型，設(shè)計(jì)了td-vfa算法，對無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)部署問題進(jìn)行了深入討論，在此基礎(chǔ)上，設(shè)計(jì)了基于概率的目標(biāo)定位算法。2015年胡娟等針對三維wsn，提出了一種新的基于打洞的mds分布式定位算法，避免了復(fù)雜的局部坐標(biāo)系統(tǒng)融合和相對坐標(biāo)到絕對坐標(biāo)的轉(zhuǎn)換。brunosilva等在2014年對具有完全兼容的802.15.4a節(jié)點(diǎn)的室內(nèi)定位技術(shù)進(jìn)行了性能分析，并且在基于802.15.4a的系統(tǒng)中實(shí)現(xiàn)了非復(fù)雜的三邊測量算法，該系統(tǒng)可以用于實(shí)時跟蹤。遺憾的是，目前提出的定位算法存在精確度不高、實(shí)時性差的問題，且還沒有學(xué)者嘗試在三維空間中同時進(jìn)行傳感器定位和目標(biāo)追蹤。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提出一種移動自組織傳感器網(wǎng)絡(luò)中三維聯(lián)合定位與追蹤方法；其特征在于，該方法是同時定位與追蹤的變分濾波算法，用于解決目前跟蹤定位系統(tǒng)中定位精度低、實(shí)時性差、算法復(fù)雜度高的問題；對于二維定位與追蹤的變分濾波算法，通過增加第三維坐標(biāo)計(jì)算的方式拓展到三維空間，采用rssi經(jīng)驗(yàn)衰減模型以減少測距誤差對定位結(jié)果的影響；在三維空間中，首先定位一定數(shù)量的位置固定的錨節(jié)點(diǎn)，為了提升定位精度，將已定位節(jié)點(diǎn)升級為信標(biāo)節(jié)點(diǎn)，若某個未知節(jié)點(diǎn)的鄰居信標(biāo)節(jié)點(diǎn)個數(shù)大于三，則直接使用加權(quán)平均來定位；同時，針對傳感器的隨機(jī)性和目標(biāo)運(yùn)動的不可預(yù)測性分別建立分層狀態(tài)演化模型，采用擴(kuò)展的高斯分布在三維空間中進(jìn)行描述，其均值和方差均為隨機(jī)變量，分別服從獨(dú)立分布，這樣通過長尾來覆蓋小概率的隨機(jī)可能性，以應(yīng)對傳感器和目標(biāo)的隨機(jī)性；并通過利用傳感器之間以及傳感器與目標(biāo)之間的觀測信息，在三維空間中同時進(jìn)行目標(biāo)定位和傳感器追蹤；具體步驟如下：步驟1:，通過對隱藏狀態(tài)的擴(kuò)展，建立分層狀態(tài)演化模型，這種模型用于描述實(shí)際情況中非線性非高斯分布；步驟2:采用常見的rssi(receivedsignalstrengthindicator,接收信號強(qiáng)度)經(jīng)驗(yàn)衰減模型建立觀測模型，其中，傳感器根據(jù)接收到的信號強(qiáng)度換算與探測目標(biāo)之間的距離；步驟3:根據(jù)步驟1和步驟2中提出的模型，傳感器的定位和目標(biāo)追蹤簡化為兩個積分運(yùn)算；步驟4:針對步驟3中積分難以計(jì)算的情況，提出變分濾波方法；通過可分解的分布近似后驗(yàn)概率分布，計(jì)算預(yù)測分布，通過指數(shù)形式的解決方案最小化預(yù)測分布和可分離近似分布之間的庫勒巴克-萊布勒分歧誤差；步驟5：通過仿真驗(yàn)證變分濾波算法的性能，并與粒子濾波算法在追蹤精度和追蹤時間兩方面進(jìn)行比較。所述步驟1建立的分層狀態(tài)演化模型是將待估計(jì)的隱藏狀態(tài)被擴(kuò)展為從而形成分層狀態(tài)演化模型如下，其中，t表示時刻,表示探測傳感器；k表示傳感器的標(biāo)號；表示數(shù)學(xué)期望的方差矩陣，表示方差矩陣服從的wishart分布所對應(yīng)的方差期望值，表示其自由度，是作為取值固定的超參數(shù)；d代表wishart分布的維度，在三維空間中進(jìn)行模擬仿真，因此d＝3；wishart分布為統(tǒng)計(jì)學(xué)上的一種半正定矩陣隨機(jī)分布。所述步驟3的傳感器的定位和目標(biāo)追蹤簡化為兩個積分運(yùn)算即通過對均值和方差矩陣進(jìn)行積分獲得，實(shí)際計(jì)算過程中，首先用先前采樣時刻t-1的狀態(tài)估計(jì)結(jié)合狀態(tài)演化模型根據(jù)公式(2)計(jì)算出預(yù)測分布這個階段被稱為預(yù)測。然后，根據(jù)觀測模型結(jié)合觀測信息，用于更新預(yù)測分布以得到新的更精確的狀態(tài)估計(jì)這個階段被稱為更新。所謂目標(biāo)追蹤和傳感器定位就是通過這兩個方程式的遞歸運(yùn)算實(shí)現(xiàn)移動狀態(tài)估計(jì)的在線更新，不難發(fā)現(xiàn)，其中狀態(tài)演化模型和觀測模型的定義對于狀態(tài)估計(jì)起到了至關(guān)重要的作用；簡化的兩個積分運(yùn)算為：其中即根據(jù)觀測信息集來估計(jì)后驗(yàn)概率分布所述步驟2建立的觀測模型為：其中a定義為距離發(fā)射器1m處的接收信號強(qiáng)度，單位dbm；n為信道衰減指數(shù)，與環(huán)境因素有關(guān)，一般取值2～4；εk為均值為零，方差為σ的高斯隨機(jī)噪聲變量，對于各個探測傳感器而言獨(dú)立同分布。所述采用變分濾波算法將時序依賴關(guān)系降至一個簡單的高斯分布，相比于傳統(tǒng)的粒子濾波而言大大減少了聚簇之間的通信，仿真中分別使用粒子濾波算法和變分濾波算法進(jìn)行傳感器定位和目標(biāo)追蹤，仿真結(jié)果如表5.1所示，仿真中采用的粒子數(shù)為400。表5.1變分濾波與粒子濾波誤差比較從結(jié)果可以看出，變分濾波在目標(biāo)追蹤方面明顯優(yōu)于粒子濾波，且是在不增加時間復(fù)雜度的情況下提升了性能；移動傳感器的定位效果相對而言不如目標(biāo)追蹤，這是由于算法的執(zhí)行是基于簇的，僅僅探測到目標(biāo)的傳感器被激活和重新定位，這導(dǎo)致了傳感器的精確定位在高流量區(qū)域。本發(fā)明的有益效果是從理論證明了變分濾波算法能夠收斂到與實(shí)際分布誤差最小的高斯?fàn)顟B(tài)估計(jì)。通過同時優(yōu)化狀態(tài)估計(jì)和模型參數(shù)，顯著提升了估計(jì)精度并避免了狀態(tài)描述的復(fù)雜性和不必要的通信。解決聯(lián)合定位與追蹤問題，其能夠相互促進(jìn)和不斷提高移動傳感器和目標(biāo)的估計(jì)，同時減少網(wǎng)絡(luò)的資源消耗。使用分層狀態(tài)演化模型來描述目標(biāo)狀態(tài)，沒有目標(biāo)的先驗(yàn)信息更適合于實(shí)際中非線性非高斯的情況?？偠灾谧兎譃V波的coslat算法通過分布式執(zhí)行，實(shí)時更新各傳感器和目標(biāo)的位置估計(jì)，在保持與傳統(tǒng)的粒子濾波算法同數(shù)量級的時空復(fù)雜性的基礎(chǔ)上，通過誤差最小化顯著提升了傳感器和目標(biāo)位置的估計(jì)精度，并大大降低了網(wǎng)絡(luò)通信量，從而減少了能量損失。附圖說明圖1為分層狀態(tài)演化模型圖形。圖2為貝葉斯推理模型。具體實(shí)施方式本發(fā)明提出一種移動自組織傳感器網(wǎng)絡(luò)中三維聯(lián)合定位與追蹤方法；下面結(jié)合附圖予以說明。該方法是同時定位與追蹤的變分濾波算法；針對傳感器的隨機(jī)性和目標(biāo)運(yùn)動的不可預(yù)測性分別建立分層狀態(tài)演化模型，采用擴(kuò)展的高斯分布在三維空間中進(jìn)行描述，其均值和方差均為隨機(jī)變量，分別服從獨(dú)立分布，這樣通過長尾來覆蓋小概率的隨機(jī)可能性，以應(yīng)對傳感器和目標(biāo)的隨機(jī)性；通過利用傳感器之間以及傳感器與目標(biāo)之間的觀測信息，在三維空間中同時進(jìn)行目標(biāo)定位和傳感器追蹤；如圖1所示，本發(fā)明的具體實(shí)現(xiàn)方式如下：1.通過對隱藏狀態(tài)的擴(kuò)展，形成分層狀態(tài)演化模型。假設(shè)在時刻t目標(biāo)狀態(tài)服從高斯分布，但不同于普通高斯分布，其數(shù)學(xué)期望和方差矩陣均是隨機(jī)的，具體而言，數(shù)學(xué)期望服從一般高斯分布，方差矩陣服從wishart分布。通過期望和方差的隨機(jī)性來進(jìn)一步增加狀態(tài)分布的不確定性。換句話說，待估計(jì)的隱藏狀態(tài)被擴(kuò)展為從而形成分層狀態(tài)演化模型如下，其中表示數(shù)學(xué)期望的方差矩陣，表示方差矩陣服從的wishart分布所對應(yīng)的方差期望值，表示其自由度，且作為取值固定的超參數(shù)。d代表wishart分布的維度。不難理解，通過為設(shè)定隨機(jī)的數(shù)學(xué)期望和方差使概率分布具有長尾效應(yīng)，在面對節(jié)點(diǎn)運(yùn)動軌跡發(fā)生突變的罕見情況下，也可以迅速適應(yīng)，從而確保對目標(biāo)準(zhǔn)確定位。所述分層狀態(tài)演化模型可通過對均值和方差矩陣進(jìn)行積分獲得，2.建立觀測模型是傳感器根據(jù)接收到的信號強(qiáng)度換算與探測目標(biāo)之間的距離，采用常見的信號接收強(qiáng)度(receivedsignalstrengthindicator,簡稱rssi)，公式為rssi＝-(10nlog10b+a)，其中a定義為距離發(fā)射器1m處的接收信號強(qiáng)度，單位dbm；n為信號傳輸常數(shù)，與環(huán)境因素有關(guān)；b為距發(fā)射節(jié)點(diǎn)的距離；以移動傳感器為例，它能夠觀測到的移動節(jié)點(diǎn)其中既包括目標(biāo)i＝0也包括其它移動的傳感器節(jié)點(diǎn)(i≠0),用εk表示探測誤差。具體模型如下，令噪聲εk對于各個探測傳感器而言獨(dú)立同分布。圖2展示了狀態(tài)演化模型和觀測模型在貝葉斯推理過程中的作用。3.簡化傳感器定位問和目標(biāo)追蹤問題為兩個積分運(yùn)算。將待估計(jì)的傳感器節(jié)點(diǎn)和目標(biāo)位置統(tǒng)一形式化為按照貝葉斯理論，即根據(jù)觀測信息集來估計(jì)后驗(yàn)概率分布簡化的兩個積分運(yùn)算為：其中實(shí)際計(jì)算過程中，我們首先用先前采樣時刻t-1的狀態(tài)估計(jì)結(jié)合狀態(tài)演化模型根據(jù)公式(2)計(jì)算出預(yù)測分布這個階段被稱為預(yù)測。然后，根據(jù)觀測模型結(jié)合觀測信息，用于更新預(yù)測分布以得到新的更精確的狀態(tài)估計(jì)這個階段被稱為更新。所謂目標(biāo)追蹤和傳感器定位就是通過這兩個方程式的遞歸運(yùn)算實(shí)現(xiàn)移動狀態(tài)估計(jì)的在線更新，不難發(fā)現(xiàn)，其中狀態(tài)演化模型和觀測模型的定義對于狀態(tài)估計(jì)起到了至關(guān)重要的作用。4.針對積分難以計(jì)算的情況，提出變分濾波方法。通過可分解的分布近似后驗(yàn)概率分布，計(jì)算預(yù)測分布，通過指數(shù)形式的解決方案最小化預(yù)測分布和可分離近似分布之間的庫勒巴克-萊布勒(kullback-leibler，簡稱kl)分歧誤差。步驟1:得出變分算法產(chǎn)生的分布。通過最小化kl分歧誤差來實(shí)現(xiàn)：其中因此可由下式得出，其中變分算法產(chǎn)生的分布為，步驟2:使得和具有解析表達(dá)式并計(jì)算它們的期望。其中，參數(shù)按照以下方案迭代更新直到收斂，均值和方差矩陣擁有解析表達(dá)式，因此它們的期望可以由下式容易的求出：步驟3:計(jì)算不具有解析表達(dá)式估計(jì)的狀態(tài)普適狀態(tài)演化模型和觀測模型共同更新其中樣本服從高斯分布并根據(jù)它們的近似程度進(jìn)行加權(quán)計(jì)算：當(dāng)計(jì)算粒子權(quán)重時，關(guān)于q()的期望是通過蒙特卡羅方法近似的,其中n為粒子的數(shù)量。步驟4:計(jì)算預(yù)測分布。這個指數(shù)形式的解決方案，最小化了預(yù)測分布和可分離近似分布之間的的kl誤差，產(chǎn)生的高斯分布用于預(yù)測期望，wishart分布用于預(yù)測方差矩陣：移動節(jié)點(diǎn)的狀態(tài)根據(jù)以下表達(dá)式進(jìn)行預(yù)測：所述采用變分濾波算法將時序依賴關(guān)系降至一個簡單的高斯分布，相比于傳統(tǒng)的粒子濾波而言大大減少了聚簇之間的通信，仿真中分別使用粒子濾波算法和變分濾波算法進(jìn)行傳感器定位和目標(biāo)追蹤，仿真結(jié)果如表5.1所示，仿真中采用的粒子數(shù)為400。表5.1變分濾波與粒子濾波誤差比較評估指標(biāo)粒子濾波變分濾波目標(biāo)追蹤的均方根誤差(m)0.97780.0787傳感器定位的均方根誤差(m)0.43270.4230傳感器部署的均方根誤差(m)1.25531.2525平均執(zhí)行時間(s)0.28810.2810從結(jié)果可以看出，變分濾波在目標(biāo)追蹤方面明顯優(yōu)于粒子濾波，且是在不增加時間復(fù)雜度的情況下提升了性能；移動傳感器的定位效果相對而言不如目標(biāo)追蹤，這是由于算法的執(zhí)行是基于簇的，僅僅探測到目標(biāo)的傳感器被激活和重新定位，這導(dǎo)致了傳感器的精確定位在高流量區(qū)域。本發(fā)明從理論證明了變分濾波算法能夠收斂到與實(shí)際分布誤差最小的高斯?fàn)顟B(tài)估計(jì)。通過同時優(yōu)化狀態(tài)估計(jì)和模型參數(shù)，顯著提升了估計(jì)精度并避免了狀態(tài)描述的復(fù)雜性和不必要的通信。解決聯(lián)合定位與追蹤問題，其能夠相互促進(jìn)和不斷提高移動傳感器和目標(biāo)的估計(jì)，同時減少網(wǎng)絡(luò)的資源消耗。使用一般狀態(tài)演化模型來描述目標(biāo)狀態(tài)，沒有目標(biāo)的先驗(yàn)信息更適合于實(shí)際中非線性非高斯的情況?？偠灾谧兎譃V波的coslat算法通過分布式執(zhí)行，實(shí)時更新各傳感器和目標(biāo)的位置估計(jì)，在保持與傳統(tǒng)的粒子濾波算法同數(shù)量級的時空復(fù)雜性的基礎(chǔ)上，通過誤差最小化顯著提升了傳感器和目標(biāo)位置的估計(jì)精度，并大大降低了網(wǎng)絡(luò)通信量，從而減少了能量損失。當(dāng)前第1頁12