CN101482607B - 应用于无线移动传感器网络的目标跟踪方法及装置 - Google Patents
应用于无线移动传感器网络的目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN101482607B CN101482607B CN2009100607901A CN200910060790A CN101482607B CN 101482607 B CN101482607 B CN 101482607B CN 2009100607901 A CN2009100607901 A CN 2009100607901A CN 200910060790 A CN200910060790 A CN 200910060790A CN 101482607 B CN101482607 B CN 101482607B
- Authority
- CN
- China
- Prior art keywords
- node
- target
- monitored
- sensor network
- wireless mobile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种应用于无线移动传感器网络的目标跟踪方法及装置,方法包括步骤:无线移动节点在被监测区域内自行展开,实现对被监测区域的覆盖;节点自行展开包括:确定节点移动方向和移动速度;改变节点发射功率;满足节点停止运动的条件时结束节点自行展开过程;各节点对被监测目标进行采样,同时使用本地滤波器获得对被监测目标的不完全评估,采用平均一致性滤波器并通过邻居节点间通信,进行分布式数据融合,获得对被监测目标的全局状态评估;由位于目标预测区域的节点引导区域外节点向区域内移动,准备进行下一轮目标跟踪。该方法具有目标时刻对网络可见、鲁棒性好、能耗低、跟踪精度高的优点,适合无线移动传感器网络对运动目标的跟踪。
Description
技术领域
本发明涉及无线通信领域,特别是涉及应用于无线移动传感器网络的目标跟踪方法及装置。
背景技术
近年来,随着机器人技术和宽带无线通信技术的发展,从无线传感器网络中衍生出了无线移动传感器网络。无线移动传感器网络由分散的移动节点组成,每个节点除了具有传统静态节点的传感、计算和通信能力外,还具有一定的机动能力,节点可以独立布置而不必依附其它物体。对于一些危险场合和动态环境对象,如灾难现场紧急救援、建筑物内危险品泄漏等,传统的静态无线传感器网络部署方法实现起来将十分困难甚至失效。而利用移动传感器网络的机动能力,问题将会迎刃而解。配备相关传感器的移动节点可以自动地在现场部署开来,按预定的程序取得一个合适的分布密度和网络覆盖,及时传回实时数据。无线移动传感器网络对各种关键应用领域,例如通讯、军事、医疗、救灾和监控等方面的工作产生相当重要的影响。移动节点能够随目标的移动而移动,始终保持目标对网络可见,是目标跟踪应用领域无线移动传感器网络不同于静态无线传感器网络的最显著特点。
由于定位方式不同,无线移动传感器网络的目标跟踪策略也不同,定位分为主动定位和被动定位,与之相对应,目标跟踪策略分为主动跟踪策略和被动跟踪策略。目标主动跟踪策略由移动目标通过射频信号向邻近信标节点发出定位请求,对信标节点接收的接收信号强 度指示RSSI设置阈值,超过阈值的节点之间进行信息交换,并且对它们的RSSI值进行排序,值最大的前N个节点被激活,同时向移动目标回传相应数据,告诉它们的位置信息。然后设计基于距离的定位算法利用这N个节点的坐标信息计算自身的位置坐标。目标被动跟踪策略通过多个节点融合判决机制来实现对目标的侦测,这是因为由单个节点来判断目标的虚警概率较高。多个节点根据他们各自采集到的声音、振动、RSSI等信号,通过信息交换和相应的决策机制对目标进行判决。由于被动的目标自身无法同监测节点之间进行通信,因此在进行目标跟踪时,监测节点需要按照一定的准则来确定一个“簇首”节点,簇首节点再根据特定的方法来激活邻近节点以构成检测区域对目标运动轨迹进行估计。
主动跟踪策略要求被监测目标自身具备无线通信能力,该限制在实际应用中不一定能够满足。无线移动传感器网络由大量具有移动性的无线节点构成,节点具备无线通信和传感的能力,因此,被动跟踪策略更加适合无线移动传感器网络。目前提出的无线目标跟踪算法多是针对静态无线传感器网络,无线节点固定的分布在某个监测区域内,该类算法假设目标始终对无线传感网络可见。不过这种假设并不能总是成立,一旦目标移动出了监测区域就无法再进行跟踪。针对静态无线传感器网络的无线目标跟踪算法中比较有代表性的有:基于Kalman滤波[1]的目标跟踪算法,是一个对动态系统的状态序列进行线性最小方差估计的算法,具有计算量小、可实时计算的特点,可以准确的预测目标的位置和速度,但是Kalman滤波器只能处理线性问题,不适用于非线性问题,因而制约其应用;基于EKF(ExtensionKalman Filter,扩展卡尔曼滤波)的目标跟踪算法,基本思想是利用泰勒级数展开(1阶)来线性化状态和观测模型,再利用Kalman滤波求 解,能够适合非线性度不强的系统;粒子滤波PF(Particle Filter)算法于1993年由Gordon等人率先提出[2],它是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法,适用于能用状态空间模型表示的非线性系统,为了适应分布式网络的要求,出现了分布式粒子滤波DPF,采用分布式数据融合结构;文献[4]给出了杂波环境下传感器网络中协作式目标跟踪算法,通过组合Sigma-point滤波器和信息滤波器,提出了一种分布式跟踪算法,但该算法并未考虑如何保证网络的连通性。
综上所述,应用于无线移动传感器网络的目标跟踪方法亟待开发与应用。
本发明相关的技术文献有以下9篇:
[1]Farina A.Target tracking with bearings-only measurements[J].Signal Processing,1999,78(S0165-1684),61-78.
[2]Lei Ming,Han Chong zhao,Xiao Mei.“novel modified methodfor extension kalman particlefilter”[J],Journal of Xi’an Jiao tongUniversity,vol.39,NO.8,Aug.2005.
[3]GORDON N J,SALMOND D,SMITH A.Novel approach tononlinear and non-GaussianBayesian state estimation[J].Proc Inst ElectEng F,1993,140(2):107-113.
[4]Tom V,Wang X D.Decentralized sigma point information filtersfor targettracking in collaborative sensor networks.IEEE Transections onSignal Processing,2005,53(8):2997-3009.
[5]Moon,T.K.The expectation-maximization algorithm[J].SignalProcessing Magazine,IEEE,Nov.1996,13(6):47-60.
[6]Olfati-Saber R,Shamma,J.S.Consensus filters for sensornetworks and distributed sensorfusion[C]//2005European ControlConference CDC-ECC′05.44th IEEE Conference on12-15Dec.2005: 6698-6703.
[7]H.Chen,T.Kirubarajan and Y.Bar-Shalom.Performance limitsoftrack-to-track fusionversus centralized estimation:theory andapplication[J].IEEETransactions on Aerospaceand Electronic Systems,April 2003,39(2):386-400.
[8]K.C.Chang,T.Zhi and R.K.Saha.Performance evaluation oftrack fusion with informationmatrix filter[J].IEEE Transactions onAerospace and Electronic Systems,2002,38(2):455-466.
[9]M.J.Coates.Distributed particle filtering for sensor networks[C]//2004In Proc.IEEE/ACMInt.Symp.IPSN,Berkeley,CA,Apr.2004:99-107.
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种应用于无线移动传感器网络的目标跟踪方法及装置,使其适合无线移动传感器网络对运动目标的跟踪,并具有运动目标始终对网络可见、鲁棒性好、能耗低、跟踪精度高等优点。
为了实现上述目的,本发明包括下列步骤:无线移动节点在被监测区域内自行展开,实现对被监测区域的覆盖;所述节点自行展开包括:确定节点的移动方向和移动速度;改变节点的发射功率;当满足节点停止运动的条件时结束节点自行展开过程;各节点使用自身配备的传感器对被监测目标进行采样,使用本地滤波器对采样数据进行处理进而获得对被监测目标的不完全评估,采用平均一致性滤波器仅通过邻居节点间通信,将不完全评估数据扩撒到全网,各节点进行分布式数据融合进而获得对被监测目标的全局状态评估;节点运动指引:全局状态评估给出预测区域,位于目标预测区域内的节点引导区域外的节点向区域内移动,为下一轮目标跟踪做好准备。
在上述技术方案中,所述确定节点的移动方向和移动速度方法为:各节点以初始功率广播探测帧,节点根据接收的探测帧确定其移动方向,根据发射功率确定其移动速度。
在上述技术方案中,所述节点停止运动的条件为下列任一项:(1)节点所受外力总和为零且无线发射功率大于初始发射功率;(2)节点的发射功率已达到额定发射功率。
在上述技术方案中,所述获得对被监测目标的本地评估后还包括下列步骤:计算高斯混合模型参数,用该参数代替分布式粒子滤波DPF中的大量带权值的粒子,作为节点间的交换信息。
在上述技术方案中,所述节点运动引导的步骤具体包括:确定位于目标预测区域内引导节点的移动速度和目标位置信息;引导节点向被引导节点提供移动速度和目标位置信息,被引导节点收到信息后按要求移动;移动到目标位置的被引导节点转换成引导节点,继续指引其它被引导节点。
在上述技术方案中,被引导节点收到移动速度和目标位置信息后直接从当前所在位置移动到目标位置,其移动轨迹近似于直线。
结合上述应用于无线移动传感器网络的目标跟踪方法,本发明还提供一种应用于无线移动传感器网络的目标跟踪装置,其装置包括:节点自行展开单元:用于无线移动节点自行展开,实现对被监测区域的覆盖;目标运动趋势评估单元:用于各节点对被监测目标进行采样,通过本地滤波器获得对被监测目标的不完全评估,通过邻居节点间通信,采用平均一致性滤波器进行分布式数据融合,获得对被监测目标的全局状态评估;节点运动引导单元:用于由位于目标预测区域的节点指引区域外的节点向区域内移动,准备进行下一轮目标跟踪。
由于本发明的技术方案中采用平均一致性滤波器实现分布式数据融合,取消了现有分布式数据融合需要的融合中心,使无线移动传感器网络具有很高的鲁棒性。在目标跟踪的各个步骤中使用功率控制技术,减少了邻近节点间的干扰几率,降低了节点通信能耗,延长了系统生命周期。因此应用本发明提供的目标跟踪方法及装置在无线移动传感器网络上进行目标跟踪,能够保证目标跟踪的精度,降低跟踪过程中的节点通信能耗,提高网络自身的鲁棒性。
综上所述,与现有技术中基于静态无线传感器网络的目标跟踪方法相比,本发明提供的应用于无线移动传感器网络的目标跟踪方法及装置能够始终保证运动目标对网络可见,克服了目标跟踪过程中的局限性。由于本发明采用功率控制和平均一致性滤波器等综合技术,既保证了目标跟踪性能、降低了节点能耗,同时又使得该方法较以前的目标跟踪方法具有很强的鲁棒性,适合在无线移动传感器网络上应用。
附图说明
图1为本发明的步骤流程图。
图2为本发明的结构示意图。
图3为本发明节点自主布置的步骤流程图。
图4为本发明节点自主布置的过程示意图。
图5为本发明目标运动轨迹预测的步骤流程图。
图6为本发明目标跟踪的过程示意图。
图7为本发明后续节点引导的步骤流程图。
图8为本发明后续节点引导的过程示意图。
其中:a为节点初始位置图,b为第一轮引导后节点位置图,c为第二轮引导后节点位置图,d为引导过程完毕后节点位置图。
图9为本发明分布式数据融合结构与传统分布式数据融合的结构比较图。
图10为用本发明进行分布式数据融合的性能比较图。
图11为用本发明进行目标跟踪的通信开销比较图。
图12为用本发明进行目标跟踪的性能比较图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述,但该实施例不应理解为对本发明的限制。
本发明实施例提供一种应用于无线移动传感器网络的目标跟踪方法,参见图1所示,该方法包括下列主要步骤:
步骤101:节点自行展开:无线移动节点在被监测区域内自行展开,实现对被监测区域的覆盖;
步骤102:目标运动趋势评估:各节点使用自身配备的传感器对被监测目标进行采样,使用本地滤波器对采样数据进行处理进而获得对被监测目标的不完全评估,采用平均一致性滤波器仅通过邻居节点间通信,将不完全评估数据扩撒到全网,各节点进行分布式数据融合进而获得对被监测目标的全局状态评估;
步骤103:节点运动指引:全局状态评估给出预测区域,位于目标预测区域内的节点引导区域外的节点向区域内移动,为下一轮目标跟踪做好准备。
对应上述应用于无线移动传感器网络的目标跟踪方法,本发明实 施例还提供一种应用于无线移动传感器网络的目标跟踪装置,参见图2所示,该装置包括:节点自行展开单元:用于无线移动节点自行展开,实现对被监测区域的覆盖;目标运动趋势评估单元:用于各节点对被监测目标进行采样,通过本地滤波器获得对被监测目标的不完全评估,通过邻居节点间通信,采用平均一致性滤波器进行分布式数据融合,获得对被监测目标的全局状态评估;节点运动指引单元:用于由位于目标预测区域的节点引导区域外的节点向区域内移动,准备进行下一轮目标跟踪。
下面结合具体公式原理等对本发明实施例进行详细描述。
(一)上述无线移动节点自行展开(即步骤101)的具体步骤参见图3和图4所示,包括:确定节点的移动方向和移动速度;改变节点的发射功率;当满足节点停止运动的条件时结束节点自主布置过程。下面结合具体公式分别进行说明。
(1)节点移动方向的确定:每个节点认为自己处于某个网格的中央,以默认的初始发射功率Ptx(origin)向四周广播探测帧,无线节点通过传感器可以辨别应答帧来自哪个方向。每个节点对相邻的节点有反方向的斥力,每个节点都具有元斥力,表示为fi。每个节点都向斥力合力的方向移动,定义某个节点受到的斥力合力的大小和方向为:
(2)节点移动速度的确定:无线节点根据自己当前的无线发射功率确定其运动速度,运动速度的表达式为: 其中发 射功率Ptx的单位为dbm,δ为自然数。可以看出,节点移动速度与发射功率成正比。
(3)节点停止运动的条件:以上两步确定了节点的移动方向和速度,则节点开始运动,并且需要在完成布置任务后停止运动,无线节点停止运动的条件为: 当节点满足以下两个条件中的任何一个时,节点都将完成自主布置过程,停止运动:1、节点所受外力总和为0,且无线发射功率大于初始发射功率;2、节点的发射功率已达到额定发射功率,即最大发射功率。
(二)上述目标运动趋势评估的步骤(即步骤102)具体参见图5和图6所示,包括:获得不完全状态评估,计算高斯混合模型参数,采用平均一致性滤波器进行分布式数据融合,获得对被监测目标的全局状态评估。下面结合具体公式分别进行说明。
(1)获得不完全状态评估:各个移动节点使用自身的传感器对被监测目标进行采样,通过本地滤波器对采样数据进行处理,获得对被监测目标运动状态的不完全状态评估。
(2)计算高斯混合模型参数:高斯混合模型中指出,任何概率分布都可以由一个有限数目的高斯函数线性组合来近似,那么由n个节点组成的无线移动传感器网络使用分布式粒子滤波对被监测目标进行跟踪,就是要通过量测值得到被监测目标状态的后验概率分布,则后验概率分布可以表示为由q个高斯混合项组成的高斯混合模型:
参数θ={αj,uj,∑j},j=1,...,q,i=1,...,n,
其中αj为混合比例系数, αj>0,μj为均值,
∑j是第q个高斯混合项的协方差,
zi,i=1...n的似然函数为:
EM算法[5]作为一种针对概率模型设计的迭代优化技术,是使用观测数据对混合模型进行拟和的标准方法,EM算法分为期望和最大值化两个步骤,上述高斯混合模型参数θ={αj,μj,∑j}用EM算法可表示如下:1、期望步骤:
2、最大值化步骤中所有参数θ={αj,μj,∑j}的迭代算法如下:
在高斯混合模型参数中定义如下参数:
则节点间进行交换的本地高斯混合模型的参数θ={αj,uj,∑j}可表示为:
(3)使用平均一致性(consensus)滤波器进行分布式数据融合,获得对被监测目标的全局状态评估:
无线移动传感器网络中的所有节点处于平等地位,位于被监测目 标附近的节点都对被监测目标采样并使用本地滤波器计算出本地状态评估,然后对采样节点使用平均一致性滤波器,仅通过邻居节点间通信,便可以结合其它节点的本地状态评估进行数据融合,进而得到目标的全局状态评估。
平均一致性滤波器的目的是要设计一个分布式低通滤波器,设G中各个节点的状态为x=(x1,...,xn)T,测量输入信号为由ui(t),G的输出为y=x,且G的所有节点最终渐近达到ε-consensus,这里ε-consensus指G中所有节点的最终状态收敛至一个半径为ε的球域内(亦即渐近一致),故在每一个节点i内有如下离散时间域内的一致性算法表达式:
一致性滤波器算法[6]指出:考虑一个规则网络G,设信号r(t)的变化速率 若一致性滤波器具有如下动态特性:
所有节点的状态平均值u(t)=x(t)为低通滤波器u(t)=(k+1)(u(t)-μ)的输出,且输入u(t)=r(t)+w(t),其中零均值噪声w(t)=(∑ivi(t))/n。
由以上定理可知,低通滤波器的输出xi能够渐进的聚合于本地输入ui的平均值: 因此,高斯混合模型参数中Qt 1、Qt 2、Qt 3的全局表达式为:
高斯混合模型的全局参数θ可表示为:
目标运动状态的全局评估的均值和协方差。
(三)上述节点运动指引的步骤(即步骤103)具体参见图7和图8所示,包括:确定位于目标预测区域内引导节点的移动速度和目标位置信息;引导节点向被引导节点提供移动速度和目标位置信息,被引导节点收到信息后按要求移动,移动到目标位置的被引导节点转换成引导节点,继续指引其它被引导节点。下面结合具体公式分别进行说明。
(1)确定引导节点的移动速度和目标位置信息:
对被监测目标运动状态的全局评估提供了被监测目标下一步会达到的位置Pospredicted,位于该位置附近的节点i算出其与Pospredicted之间的距离,其移动速度表示为:
其中,r表示被预测区域的范围,当节点i位于被预测区域范围以外时,移动速度为0,则不再作为引导节点,而是等待其它引导节点将速度信息发送给它;当节点i位于被预测区域范围以内时,则作为引导节点,其移动速度与|Posi-Pospredicted |成正比,α为比例系数。
(2)引导节点向被引导节点提供移动速度和目标位置信息:
本发明实施例中使用信号强度来度量节点之间的相对运动速度趋势,采用一个自由空间传播模型: 其中rxP和txP分别是收发两端收到和发送的信号强度,d是发送者和接收者之间的距离。
通过度量从同一个发送者接收到的两个连续数据帧之间的信号强度,就可以知道相对移动性度量,定义为:
如果这个度量的值是一个较大的负数,那么节点间的相对移动速度就很快;反之,节点之间的距离则相对稳定。引导节点指引被引导节点向目标区域移动,在移动到目标位置后,被引导节点就要转换成新的引导节点,引导其它被引导节点向目标区域移动。此时引导节点需要向被引导节点提供速度Voli→j和目标位置Posi信息,目标位置信息由定位算法确定,速度Voli→j定义为:
被引导节点获得了速度和目标位置信息后,可以直接从现在位置移动到引导节点提供的目标位置,其移动轨迹近似于直线,最大限度的减少了能量消耗。
为了能够进行公平合理的性能评估,本发明实施例给出目标跟踪过程中几个定量评价指标的定义(在评估过程中本发明实施例被称为DOTW)。
(1)数据融合精度的定量评估:均方根(RMS)
分布式目标跟踪方法中,数据融合的精度决定了目标跟踪的精度。图9中显示了传统的分布式数据融合结构与本发明的数据融合结构的区别。传统分布式数据融合结构中需要一个融合中心使用权值协方差WCF[7]或信息矩阵IMF[8]等数据融合算法,对接收到的各个节点的本地评估进行数据融合后,由融合中心给出目标的全局评估结果。融合中心的存在,不仅要求各个节点都将自己的信息发送给容新中心,增加了通信开销;而且造成了瓶颈,一旦融合中心失效,整个系统就无法工作。本发明实施例提出的分布式数据融合结构不再需要融合中心,各个节点使用平均一致性滤波器,通过邻近节点间通信实现分布式数据融合,不仅降低了通信开销,而且提高了系统的鲁棒性。
RMS的定义如下:
参见图10所示,将本发明实施例与采用传统分布式数据融合结构的CWF和IMF融合算法进行数据融合的性能比较。初始阶段,参与融合的节点个数少,本发明实施例的数据融合RMS值要大于CWF和IMF融合算法。不过,随着参与融合的节点个数不断增加,本发明实施例的数据融合RMS值不断减小,当参与节点个数达到80个时,与CWF和IMF算法的RMS值相当。如果参与节点个数继续增加,本发明实施例的数据融合RMS值将会低于CWF和IMF算法的RMS值,即本发明实施例数据融合性能将会优于CWF和IMF算法。
(2)通信开销的定量评估:通信字节数(BYTE)
本发明实施例使用高斯混合模型参数代替带权值的粒子作为数据融合过程中节点间交换的信息。序贯重要采样法是一种通过蒙特卡罗模拟实现递推贝叶斯滤波器的技术。它的核心思想是利用一系列随机样本的加权和来表示所需的后验概率密度,得到状态的估计值。当样本点数增至无穷大,蒙特卡罗特性与后验概率密度的函数表示等价。就是说,要得到较高的数据融合精度,就必须在节点间交换更多数量的粒子的信息,这无疑增加了通信的字节数。
参见图11所示,随着参与数据融合的节点个数不断增加,本发明实施例在数据融合过程中节点间通信的字节数增加缓慢并保持在1000以下;CWF和IMF两种算法传统分布式数据融合算法在数据融合过程中节点间通信的字节数比本发明实施例要高出一个数量级,节点能耗也会大大增加。
(3)定位精度的定量评估:均方根误差(RMSE)
RMSE作为跟踪精度性能指标,定义如下:
参见图12所示,将本发明实施例与在静态无线传感器网络中广泛应用的目标跟踪算法DPF[9]对同一目标进行跟踪的性能比较,具体使用RMSE对其定位精度进行量化的结果为:本发明实施例的RMSE值为4.9854,DPF算法的RMSE值为5.1026,可见本发明实施例的目标跟踪精度要优于现有的DPF算法。
上述3个指标的数据表明:本发明实施例是一种鲁棒性好、定位精度高、低能耗、具有实用价值的无线目标跟踪方法。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (7)
1.一种应用于无线移动传感器网络的目标跟踪方法,其方法包括下列步骤:
第一步骤:无线移动节点在被监测区域内自行展开,实现对被监测区域的覆盖;所述无线移动节点自行展开包括:
1)确定节点的移动方向和移动速度;
2)改变节点的发射功率;
3)当满足节点停止运动的条件时结束节点自行展开过程;
第二步骤:各节点使用自身配备的传感器对被监测目标进行采样,使用本地滤波器对采样数据进行处理进而获得对被监测目标的不完全评估,采用平均一致性滤波器仅通过邻居节点间通信,将不完全评估数据扩撒到全网,各节点进行分布式数据融合进而获得对被监测目标的全局状态评估;
第三步骤:节点运动指引:全局状态评估给出预测区域,位于目标预测区域内的节点引导区域外的节点向区域内移动,为下一轮目标跟踪做好准备。
2.如权利要求1所述的应用于无线移动传感器网络的目标跟踪方法,其特征在于:所述确定节点的移动方向和移动速度方法为:各节点以初始功率广播探测帧,节点根据接收的探测帧确定其移动方向,根据发射功率确定其移动速度。
3.如权利要求1所述的应用于无线移动传感器网络的目标跟踪方法,其特征在于:所述节点停止运动的条件为下列任一项:
1)节点所受外力总和为零且无线发射功率大于初始发射功率;
2)节点的发射功率已达到额定发射功率。
4.如权利要求1所述的应用于无线移动传感器网络的目标跟踪方法,其特征在于:所述获得对被监测目标的不完全评估后还包括下列步骤:
计算高斯混合模型参数,用该参数代替分布式粒子滤波DPF中的大量带权值的粒子,作为节点间的交换信息。
5.如权利要求1所述的应用于无线移动传感器网络的目标跟踪方法,其特征在于:所述节点运动指引的步骤为:
第一步:确定位于目标预测区域内引导节点的移动速度和目标位置信息;
第二步:引导节点向被引导节点提供移动速度和目标位置信息,被引导节点收到信息后按要求移动;
第三步:移动到目标位置的被引导节点转换成引导节点,继续指引其它被引导节点的运动。
6.如权利要求5所述的应用于无线移动传感器网络的目标跟踪方法,其特征在于:被引导节点收到移动速度和目标位置信息后直接从当前所在位置移动到目标位置,其移动轨迹近似于直线。
7.一种应用于无线移动传感器网络的目标跟踪装置,其装置包括:
节点自行展开单元:用于无线移动节点根据区域形状自行展开,实现对被监测区域的覆盖;
所述无线移动节点自行展开包括:
1)确定节点的移动方向和移动速度;
2)改变节点的发射功率;
3)当满足节点停止运动的条件时结束节点自行展开过程;
目标运动趋势评估单元:用于各节点对被监测目标进行采样,通过本地滤波器获得对被监测目标的不完全评估,采用平均一致性滤波器并通过邻居节点间通信,进行分布式数据融合,获得对被监测目标的全局状态评估;
节点运动指引单元:用于由位于目标预测区域的节点指引区域外的节点向区域内移动,准备进行下一轮目标跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100607901A CN101482607B (zh) | 2009-02-19 | 2009-02-19 | 应用于无线移动传感器网络的目标跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100607901A CN101482607B (zh) | 2009-02-19 | 2009-02-19 | 应用于无线移动传感器网络的目标跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101482607A CN101482607A (zh) | 2009-07-15 |
CN101482607B true CN101482607B (zh) | 2011-05-18 |
Family
ID=40879808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100607901A Expired - Fee Related CN101482607B (zh) | 2009-02-19 | 2009-02-19 | 应用于无线移动传感器网络的目标跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101482607B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102186241A (zh) * | 2011-04-26 | 2011-09-14 | 江苏科技大学 | 基于并行分布式粒子滤波的无线传感器网络目标跟踪方法 |
CN102589550A (zh) * | 2012-01-12 | 2012-07-18 | 山东轻工业学院 | 一种应用联邦h∞滤波器实现组合导航精确定位的方法及系统 |
CN103067940A (zh) * | 2012-12-20 | 2013-04-24 | 华南理工大学 | 基于无线传感器网络的协同信息估计方法 |
CN103260238A (zh) * | 2012-12-28 | 2013-08-21 | 重庆邮电大学 | 无线传感器网络中基于速度采样区的移动节点定位方法 |
CN103096444B (zh) * | 2013-01-29 | 2016-08-10 | 浙江大学 | 一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法 |
CN103235283B (zh) * | 2013-04-08 | 2015-03-25 | 苏州迈普信息技术有限公司 | 一种基于蓝牙判别运动趋势的方法 |
CN104168648B (zh) * | 2014-01-20 | 2018-01-19 | 中国人民解放军海军航空工程学院 | 传感器网络多目标分布式一致性跟踪方法 |
CN104467742A (zh) * | 2014-12-16 | 2015-03-25 | 中国人民解放军海军航空工程学院 | 基于高斯混合模型的传感器网络分布式一致性粒子滤波器 |
CN106093853B (zh) * | 2016-06-07 | 2019-02-19 | 北京邮电大学 | 移动台位置的测量方法及装置 |
CN107426532B (zh) * | 2017-05-18 | 2019-12-13 | 华侨大学 | 基于已知轨道的多摄像头合作接力监控方法 |
CN107453993B (zh) * | 2017-08-11 | 2020-05-12 | 长春理工大学 | 基于Fisher信息矩阵与SUKF的目标跟踪方法 |
CN107453918B (zh) * | 2017-08-25 | 2019-01-08 | 中国人民解放军火箭军研究院 | 一种数据丢失与通信故障下的分布式目标跟踪方法及装置 |
CN109246637B (zh) * | 2018-08-20 | 2020-11-06 | 上海交通大学 | 一种分布式传感器网络协同配准方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101051973A (zh) * | 2007-05-17 | 2007-10-10 | 浙江大学 | 基于虚拟力的移动无线传感器网络节点布局方法及装置 |
-
2009
- 2009-02-19 CN CN2009100607901A patent/CN101482607B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101051973A (zh) * | 2007-05-17 | 2007-10-10 | 浙江大学 | 基于虚拟力的移动无线传感器网络节点布局方法及装置 |
Non-Patent Citations (4)
Title |
---|
Reza Olfati-Saber,Jeff S. Shamma.Consensus Filters for Sensor Networks and Distributed Sensor Fusion.《Proceedings of the 44th IEEE Conference on Decision and Control,and the European Control Conference 2005》.2005, * |
李莹莹,张衡阳,刘云辉.基于移动传感器网络的节能目标跟踪.《自动化学报》.2007,第33卷(第11期), * |
韩屏,李方敏,罗婷.无线移动传感器网络的分布式目标跟踪算法.<<北京邮电大学学报>>.2009,第32卷(第1期),90-94. * |
韩屏.无线移动传感器网络的分布式目标跟踪算法研究.《中国博士学位论文全文数据库-信息科技辑》.2009,I136-11. * |
Also Published As
Publication number | Publication date |
---|---|
CN101482607A (zh) | 2009-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101482607B (zh) | 应用于无线移动传感器网络的目标跟踪方法及装置 | |
CN109116349B (zh) | 多传感器协同跟踪联合优化决策方法 | |
Guo et al. | An exponential-Rayleigh model for RSS-based device-free localization and tracking | |
Wang et al. | Robust device-free wireless localization based on differential RSS measurements | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
US9329257B2 (en) | Cooperative localization for wireless networks | |
Wang et al. | Lightweight robust device-free localization in wireless networks | |
CN104320845A (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
Zhang et al. | A node localization approach using particle swarm optimization in wireless sensor networks | |
CN102209379A (zh) | 基于rssi的无线传感器网络节点定位方法 | |
Tian et al. | A grid cumulative probability localization-based industrial risk monitoring system | |
Yang et al. | Research on 3D positioning of handheld terminal based on particle swarm optimization | |
Song et al. | Fingerprinting localization method based on toa and particle filtering for mines | |
Ren et al. | Improved extended kalman filter based on fuzzy adaptation for slam in underground tunnels | |
Chagas et al. | Genetic algorithms and simulated annealing optimization methods in wireless sensor networks localization using artificial neural networks | |
CN103630876A (zh) | 基于RSSI的ZigBee节点定位方法 | |
Li et al. | Cramer-rao lower bound analysis of data fusion for fingerprinting localization in non-line-of-sight environments | |
CN107148079A (zh) | 移动自组织传感器网络中三维联合定位与追踪方法 | |
Munadhil et al. | Distance estimation-based PSO between patient with Alzheimer’s disease and beacon node in wireless sensor networks | |
Zhang et al. | A node localisation approach based on mobile beacon using particle swarm optimisation in wireless sensor networks | |
CN102752850A (zh) | 一种基于非测距的网络锚节点筛选装置及其方法 | |
Guo et al. | An Exponential-Rayleigh signal strength model for device-free localization and tracking with wireless networks | |
Zhang et al. | Research on D2D co-localization algorithm based on clustering filtering | |
Vadivukkarasi et al. | Investigations on real time RSSI based outdoor target tracking using kalman filter in wireless sensor networks | |
Yadav et al. | Q-Learning based optimized localization in WSN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110518 Termination date: 20160219 |