節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法
【專利摘要】本發(fā)明提供節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，設(shè)置若干簇頭節(jié)點位置已知，若干普通節(jié)點未知，并設(shè)置存在移動目標(biāo)，所述移動目標(biāo)在整個區(qū)域內(nèi)隨機運動，同時設(shè)置將整個區(qū)域被隨機劃分為M個子區(qū)域，具體包括以下步驟：步驟100：進行非完全觀測下路徑損耗模型參數(shù)估計；步驟101：在簇頭節(jié)點上進行分布式目標(biāo)粗定位；步驟102：在普通節(jié)點上進行目標(biāo)精確定位；步驟103：在普通節(jié)點上設(shè)置與目標(biāo)跟蹤同時進行自定位。采用上述方案，可有效消除非完全觀測數(shù)據(jù)中的截斷誤差等噪聲信號的影響，保證各節(jié)點觀測模型與外部環(huán)境實時匹配，保證節(jié)點定位與目標(biāo)跟蹤同時進行的模型匹配度。
【專利說明】節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于節(jié)點自定位與目標(biāo)跟蹤【技術(shù)領(lǐng)域】，尤其涉及的是一種非完全觀測下節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法。
【背景技術(shù)】
[0002]與機器人自主導(dǎo)航中的“同時定位與地圖構(gòu)建”(SLAM)問題類似，節(jié)點定位與目標(biāo)跟蹤同時進行的算法研究也面臨一個兩難問題:為了跟蹤目標(biāo)，節(jié)點需要知道自身位置信息；為了節(jié)點自定位，多個節(jié)點需要明確目標(biāo)的位置信息。這就好比是一個“egg-chicken”問題。節(jié)點需要同時維護兩個模型，同時進行節(jié)點定位與目標(biāo)跟蹤。
[0003]近年來，節(jié)點定位與目標(biāo)跟蹤同時進行的算法研究成為無線定位跟蹤技術(shù)的一個研究熱點。該問題的初始條件下，所有的節(jié)點都不知道自身以及相鄰節(jié)點的相對位置信息，因此初始條件下各節(jié)點只能進行相對獨立的目標(biāo)跟蹤。但如果被跟蹤目標(biāo)遍歷覆蓋區(qū)域內(nèi)展開的節(jié)點，且允許這些節(jié)點之間共享跟蹤信息，則最終這些節(jié)點可以完成自定位。即使這些節(jié)點無法估計或共享運動目標(biāo)的真實軌跡，節(jié)點的自定位仍可實現(xiàn)，這是因為該運動目標(biāo)正在同時被多個節(jié)點觀測?；谶@一原則，現(xiàn)有技術(shù)曾提出了不同的解決方案，例如均將定位問題歸結(jié)為一個貝葉斯判決問題且將觀測的后驗分布近似為高斯分布。不同之處在于，有的使用迭代的分布式線性化方法同時進行節(jié)點定位和目標(biāo)跟蹤，其通信策略的設(shè)計過于依賴樹結(jié)技巧且需要事先設(shè)定某一節(jié)點的位置；有的則使用矩匹配方法且并非是分布式算法?，F(xiàn)有技術(shù)中還有將各個節(jié)點視為多個隱空間過程，通過建立各節(jié)點觀測之間的相關(guān)函數(shù)來實現(xiàn)節(jié)點的自定位。該算法實現(xiàn)較為簡單，但需要匯聚節(jié)點，并非真正意義上的分布式算法且節(jié)點自定位時只能對數(shù)據(jù)進行離線處理?，F(xiàn)有技術(shù)中還有將節(jié)點定位與目標(biāo)跟蹤同時進行的定位算法研究歸結(jié)為一個隱馬爾可夫模型的參數(shù)估計問題，將極大似然估計方法應(yīng)用到節(jié)點自定位中，并實現(xiàn)了真正意義上的分布式運算。其與上述方案相比，在應(yīng)用研究和算法推倒方面都有明顯的優(yōu)勢。
[0004]因為網(wǎng)絡(luò)鏈路質(zhì)量指示，功率控制等的需要，通常情況下傳感器節(jié)點帶有接收信號強度(RSS)指示器，故基于RSS觀測的節(jié)點定位與目標(biāo)跟蹤需要很少或根本不需要添加硬件設(shè)備，無需額外的信號傳輸，成本和計算復(fù)雜度低。但與此同時因RSS檢測方法簡易，指示器自身精度有限等原因，RSS觀測多為非完全觀測數(shù)據(jù)，即不可避免的存在舍入誤差、截斷誤差及非視距誤差等，從而使觀測到的RSS值難以準(zhǔn)確反映實際的RSS。針對這一問題，現(xiàn)有解決方案在進行節(jié)點定位前首先借助期望最大化算法估計路徑損耗模型的參數(shù)以提高定位的精度，其參數(shù)估計的過程需要離線數(shù)據(jù)處理，實時性較差。目標(biāo)跟蹤是一個在線的數(shù)據(jù)處理過程，因此如何在目標(biāo)跟蹤的同時實現(xiàn)路徑損耗模型參數(shù)估計和節(jié)點自定位的在線運算，也是節(jié)點定位與目標(biāo)跟蹤同時進行的算法研究亟待解決的一個關(guān)鍵問題。現(xiàn)有解決方案提出了一種在線的區(qū)域定位序列算法，使用檢測方法實現(xiàn)了目標(biāo)的在線定位。有的解決方案則系統(tǒng)分析了廣義狀態(tài)空間模型的參數(shù)在線估計問題，以粒子濾波的觀測數(shù)據(jù)概率密度函數(shù)的預(yù)測和濾波為基礎(chǔ)，從極大似然估計和貝葉斯估計兩個方面入手給出了多種在線期望最大化算法和在線梯度速降算法，對解決上述問題有一定的借鑒意義。
[0005]因此，現(xiàn)有技術(shù)存在缺陷，需要改進。

【發(fā)明內(nèi)容】

[0006]本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提供一種非完全觀測下節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法。
[0007]本發(fā)明的技術(shù)方案如下:
[0008]節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其中，設(shè)置若干簇頭節(jié)點位置已知，若干普通節(jié)點未知，并設(shè)置存在移動目標(biāo)，所述移動目標(biāo)在整個區(qū)域內(nèi)隨機運動，同時設(shè)置將整個區(qū)域被隨機劃分為M個子區(qū)域，具體包括以下步驟:
[0009]步驟100:針對各簇頭節(jié)點和普通節(jié)點的特定信號傳輸環(huán)境分別進行非完全觀測下路徑損耗模型參數(shù)估計；
[0010]步驟101:在簇頭節(jié)點上基于多元假設(shè)檢驗進行分布式目標(biāo)粗定位；
[0011]步驟102:在普通節(jié)點上基于分布式濾波進行目標(biāo)精確定位；
[0012]步驟103:在普通節(jié)點上設(shè)置與目標(biāo)跟蹤同時進行自定位。
[0013]所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其中，所述步驟100中，所述非完全觀測下路徑損耗模型參數(shù)估計是通過預(yù)定信息準(zhǔn)則篩選最優(yōu)路徑損耗模型，并應(yīng)用預(yù)定算法估計模型參數(shù)以消除非完全觀測數(shù)據(jù)中的截斷誤差、舍入誤差以及非視距誤差的影響。
[0014]所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其中，所述步驟101中采用分布式的序列定位算法，具體步驟為:
[0015]步驟1010:對多個簇頭節(jié)點進行感知；
[0016]步驟1011:對多個對簇頭節(jié)點設(shè)置相互通信；
[0017]步驟1012:對多個對簇頭節(jié)點設(shè)置假設(shè)檢驗。
[0018]所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其中，所述步驟101之后還執(zhí)行步驟IOlA:分析分布式序列定位算法的收斂性和精度，并針對定位精度、非完全觀測引入誤差及定位系統(tǒng)規(guī)模的因素，消除對所述分布式序列定位算法復(fù)雜度的影響。
[0019]所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其中，所述步驟102的具體步驟為:在所述粗定位選定任一子區(qū)域，使用擴展卡爾曼濾波或粒子濾波進行目標(biāo)精確定位。
[0020]所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其中，所述步驟103的具體步驟為:使用在線的分布式預(yù)定算法或迭代極大似然算法估計普通節(jié)點的自身位置，并分析算法的收斂性。
[0021]所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其中，設(shè)置所述簇頭節(jié)點與所述普通節(jié)點分別通過不同能級與移動目標(biāo)進行通信，且兩類節(jié)點的采樣序列不同。
[0022]采用上述方案:(I)提出基于非完全觀測數(shù)據(jù)的路徑損耗模型參數(shù)在線估計算法，可有效消除非完全觀測數(shù)據(jù)中的截斷誤差、舍入誤差以及非視距誤差等噪聲信號的影響，保證各節(jié)點觀測模型與外部環(huán)境實時匹配，同時在線的模型參數(shù)估計利于觀測數(shù)據(jù)的實時處理，保證節(jié)點定位與目標(biāo)跟蹤同時進行的模型匹配度。[0023](2)提出基于能量分級的分布式目標(biāo)跟蹤算法，高能級情況下將大尺度的目標(biāo)跟蹤問題歸結(jié)為區(qū)域定位問題，并使用多元假設(shè)檢驗方法解決該問題；低能級情況下將小尺度的目標(biāo)跟蹤問題歸結(jié)為隱馬爾科夫模型的分布式濾波問題，并設(shè)計有效的信息傳輸策略優(yōu)化濾波結(jié)果。
[0024](3)實現(xiàn)與目標(biāo)跟蹤同時進行的分布式節(jié)點自定位，設(shè)計在線的分布式期望最大化方法估計節(jié)點自身位置。
【專利附圖】

【附圖說明】
[0025]圖1為本發(fā)明的節(jié)點定位與目標(biāo)跟蹤示意圖。
[0026]圖2為本發(fā)明簇頭節(jié)點和普通節(jié)點運算框圖。
[0027]圖3為本發(fā)明簇頭節(jié)點和普通節(jié)點運算具體流程圖。
【具體實施方式】
[0028]以下結(jié)合附圖和具體實施例，對本發(fā)明進行詳細說明。
[0029]實施例1
[0030]如圖1所示,大空心圓表示簇頭節(jié)點，小空心圓表示普通節(jié)點，實心圓表示移動目標(biāo)，其中簇頭節(jié)點位置已知，整個區(qū)域被隨機劃分為M個子區(qū)域Wa，a e [1，...Μ]，移動目標(biāo)在整個區(qū)域內(nèi)隨機運動。首先，當(dāng)目標(biāo)進入某一子區(qū)域時，附近簇頭節(jié)點i被激活，與臨近的多個簇頭節(jié)點協(xié)同工作確定目標(biāo)所在子區(qū)域I。然后，子區(qū)域Wi及相鄰區(qū)域內(nèi)普通節(jié)點被激活，協(xié)同完成運動目標(biāo)精確定位及普通節(jié)點的自定位。
[0031]本算法是在簇頭節(jié)點和普通節(jié)點的運算中心上分別實現(xiàn)。首先，各簇頭節(jié)點基于期望最大化(EM)算法在線進行觀測模型參數(shù)估計，并協(xié)同完成基于分布式序列檢驗的目標(biāo)粗定位；然后，普通節(jié)點在各簇頭節(jié)點估計結(jié)果的基礎(chǔ)上在線進行觀測模型參數(shù)估計，并通過分布式濾波和似然估計協(xié)同完成目標(biāo)的精確定位和節(jié)點自定位，具體如圖2所示。
[0032]如圖2所示:(I)非完全觀測下路徑損耗模型參數(shù)估計:針對各簇頭節(jié)點和普通節(jié)點的特定信號傳輸環(huán)境分別展開。通過Akaike信息準(zhǔn)則篩選最優(yōu)路徑損耗模型；應(yīng)用EM算法估計模型參數(shù)以消除非完全觀測數(shù)據(jù)中的截斷誤差、舍入誤差以及非視距誤差等噪聲信號的影響；設(shè)計滑動窗口，使用有限的非完全觀測數(shù)據(jù)在線實時估計模型參數(shù)。
[0033](2)基于能量分級的分布式目標(biāo)跟蹤:運動目標(biāo)發(fā)射信號強度可分為不同等級，擬通過兩級發(fā)射信號能量在不同尺度下使用分布式算法跟蹤運動目標(biāo)，提高目標(biāo)跟蹤的靈活性和精確度。
[0034](a)基于多元假設(shè)檢驗的分布式目標(biāo)粗定位:在簇頭節(jié)點上實現(xiàn)。在此，將大尺度的目標(biāo)跟蹤問題歸結(jié)為一個區(qū)域定位問題，并使用基于極大后驗估計的多元假設(shè)檢驗方法解決該問題。在極大后驗估計收斂性分析的基礎(chǔ)上，設(shè)計分布式的序列定位算法，通過節(jié)點感知，多節(jié)點相互通信和假設(shè)檢驗三步來實現(xiàn)區(qū)域定位，并分析分布式序列定位算法的收斂性和精度，研究定位精度、非完全觀測引入誤差及定位系統(tǒng)規(guī)模等因素對定位算法復(fù)雜度的影響。
[0035](b)基于分布式濾波的目標(biāo)精確定位:在普通節(jié)點上實現(xiàn)。在上述目標(biāo)粗定位選定的子區(qū)域內(nèi)，使用擴展卡爾曼濾波(EKF)或粒子濾波(PF)進行目標(biāo)精確定位。將子區(qū)域內(nèi)小尺度的目標(biāo)跟蹤問題歸結(jié)為一個隱馬爾科夫模型(HMM)的濾波問題，設(shè)計有效的信息傳輸策略，降低普通節(jié)點與相鄰節(jié)點間的通信量，實現(xiàn)分布式濾波的優(yōu)化。
[0036](3)與目標(biāo)跟蹤同時進行的分布式節(jié)點自定位:將與目標(biāo)跟蹤同時進行的分布式普通節(jié)點自定位問題歸結(jié)為一個HMM的靜態(tài)參數(shù)估計問題。使用在線的分布式EM算法或迭代極大似然(RML)算法估計普通節(jié)點的自身位置，并分析算法的收斂性。
[0037]本發(fā)明是在實施擬探索定位系統(tǒng)中非完全觀測下的路徑損耗模型參數(shù)估計、能級可變的分布式假設(shè)檢驗和分布式濾波在目標(biāo)跟蹤中的應(yīng)用以及在線的靜態(tài)隱馬爾科夫模型參數(shù)估計等問題，有效開展節(jié)點定位與目標(biāo)跟蹤同時進行的分布式算法研究。
[0038]如圖3所示，(I)非完全觀測下節(jié)點觀測模型的參數(shù)估計:簇頭節(jié)點和普通節(jié)點分別通過不同能級與移動目標(biāo)進行通信，且兩類節(jié)點的采樣序列不同。圖3中PiGO表示高能級情況下k時刻移動目標(biāo)的發(fā)射信號強度，與之對應(yīng)的簇頭節(jié)點i的接受信號強度則為ri(k)，低能級情況下簇頭節(jié)點與移動目標(biāo)無法通信；p^n)表示高能級情況下η時刻移動目
標(biāo)的發(fā)射信號強度，與之對應(yīng)的普通節(jié)點j的接受信號強度則為h (η)，表示低能級情況下η時刻移動目標(biāo)的發(fā)射信號強度，與之對應(yīng)的普通節(jié)點j的接受信號強度則為
。簇頭節(jié)點和普通節(jié)點估計各自觀測模型參數(shù)的方法是相同的:首先，通過Akaike信息準(zhǔn)則篩選最優(yōu)路徑損耗模型；然后設(shè)計滑動窗口，使用EM算法借助有限的非完全觀測在線估計模型參數(shù)；最后得到一組路徑損耗模型參數(shù)的估計值β。不同點在于，簇頭節(jié)點i僅使用高能級觀測數(shù)據(jù){Pi (k)，r, (k)}，而普通節(jié)點j則同時使用高能級觀測數(shù)據(jù){Pj (η)，rj (η)}
和低能級觀測數(shù)據(jù)的咖;(》)}


O
[0039](2)基于能量分級的分布式目標(biāo)跟蹤:實現(xiàn)了上述模型參數(shù)估計，簇頭節(jié)點i在高能級觀測下與相鄰子區(qū)域內(nèi)的其他簇頭節(jié)點協(xié)同完成分布式目標(biāo)粗定位；以粗定位結(jié)果為基礎(chǔ)，普通節(jié)點j則在兩種能級觀測下與其他鄰居節(jié)點協(xié)作進行目標(biāo)的分布式精確跟蹤。
[0040](a)基于多元假設(shè)檢驗的分布式目標(biāo)粗定位:圖3中{…!^ —，！^ +廣..}表示與簇頭節(jié)點i相鄰的其他簇頭節(jié)點進行目標(biāo)區(qū)域定位的判決結(jié)果，以此為基礎(chǔ)，簇頭節(jié)點i通過節(jié)點感知、多節(jié)點交互和多元假設(shè)檢驗三個步驟來完成區(qū)域定位Hi=Ili {WJ，該結(jié)果表示簇頭節(jié)點i判定運動目標(biāo)在子區(qū)域Wi內(nèi)。
[0041](b)基于分布式濾波的目標(biāo)精確定位:圖3中#M(?)、C^(Ii)不口 IV?分別表
示與普通節(jié)點j相鄰的某一鄰居節(jié)點j-ι的自身位置的估計、觀測方程的觀測轉(zhuǎn)移矩陣和觀測噪聲的協(xié)方差陣。這些信息存儲在鄰居節(jié)點j-Ι上，可通過無線傳輸?shù)焦?jié)點j。普通節(jié)點j收到的矩陣
【權(quán)利要求】
1.節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其特征在于，設(shè)置若干簇頭節(jié)點位置已知，若干普通節(jié)點未知，并設(shè)置存在移動目標(biāo)，所述移動目標(biāo)在整個區(qū)域內(nèi)隨機運動，同時設(shè)置將整個區(qū)域被隨機劃分為M個子區(qū)域，具體包括以下步驟: 步驟100:針對各簇頭節(jié)點和普通節(jié)點的特定信號傳輸環(huán)境分別進行非完全觀測下路徑損耗模型參數(shù)估計； 步驟101:在簇頭節(jié)點上基于多元假設(shè)檢驗進行分布式目標(biāo)粗定位； 步驟102:在普通節(jié)點上基于分布式濾波進行目標(biāo)精確定位； 步驟103:在普通節(jié)點上設(shè)置與目標(biāo)跟蹤同時進行自定位。
2.如權(quán)利要求1所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其特征在于，所述步驟100中，所述非完全觀測下路徑損耗模型參數(shù)估計是通過預(yù)定信息準(zhǔn)則篩選最優(yōu)路徑損耗模型，并應(yīng)用預(yù)定算法估計模型參數(shù)以消除非完全觀測數(shù)據(jù)中的截斷誤差、舍入誤差以及非視距誤差的影響。
3.如權(quán)利要求1所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其特征在于，所述步驟101中采用分布式的序列定位算法，具體步驟為: 步驟1010:對多個簇頭節(jié)點進行感知； 步驟1011:對多個對簇頭節(jié)點設(shè)置相互通信； 步驟1012:對多個對簇頭節(jié)點設(shè)置假設(shè)檢驗。
4.如權(quán)利要求3所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其特征在于，所述步驟101之后還執(zhí)行步驟IOlA:分析分布式序列定位算法的收斂性和精度，并針對定位精度、非完全觀測引入誤差及定位系統(tǒng)規(guī)模的因素，消除對所述分布式序列定位算法復(fù)雜度的影響。
5.如權(quán)利要求1所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其特征在于，所述步驟102的具體步驟為:在所述粗定位選定任一子區(qū)域，使用擴展卡爾曼濾波或粒子濾波進行目標(biāo)精確定位。
6.如權(quán)利要求1所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其特征在于，所述步驟103的具體步驟為:使用在線的分布式預(yù)定算法或迭代極大似然算法估計普通節(jié)點的自身位置，并分析算法的收斂性。
7.如權(quán)利要求1所述的節(jié)點自定位與目標(biāo)跟蹤同時進行的分布式算法，其特征在于，設(shè)置所述簇頭節(jié)點與所述普通節(jié)點分別通過不同能級與移動目標(biāo)進行通信，且兩類節(jié)點的采樣序列不同。
【文檔編號】H04W64/00GK103476110SQ201310368043
【公開日】2013年12月25日 申請日期:2013年8月21日 優(yōu)先權(quán)日:2013年8月21日
【發(fā)明者】姜向遠, 張煥水 申請人:中國石油大學(xué)(華東)