CN101860959A

CN101860959A - 基于rssi的无线传感器网络的定位方法

Info

Publication number: CN101860959A
Application number: CN201010190760A
Authority: CN
Inventors: 陈佳品; 陈凯; 赵琦; 李振波
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2010-06-04
Filing date: 2010-06-04
Publication date: 2010-10-13
Anticipated expiration: 2030-06-04
Also published as: CN101860959B

Abstract

一种无线传感器网络技术领域的基于RSSI的无线传感器网络的定位方法，包括以下步骤：分别测量锚节点和待测节点的RSSI值，得到待测节点与每个锚节点的距离信息；选取与待测节点最近的三个锚节点作为参考节点，进行粗定位得到待测节点的粗定位位置；建立待测节点的分布概率模型，得到待测节点在无线传感器网络中每个位置的分布概率；以待测节点的粗定位位置为初始位置、以L1为步长进行定位搜索处理，得到待测节点的第一次定位位置；以第(N-1)次的定位位置为初始位置、以LN为步长进行定位搜索，得到待测节点的第N次定位位置，即待测节点的最终位置。本发明对节点的密度要求低，且不易受环境干扰，定位精度大大提高，定位误差降至20％到50％之间。

Description

基于RSSI的无线传感器网络的定位方法

技术领域

本发明涉及的是一种无线传感器网络技术领域的方法，具体是一种基于RSSI(ReceivedSignal Strength Indication，接收信号强度指示)的无线传感器网络的定位方法。

背景技术

无线传感器网络(WSN，Wireless Sensor Network)是继因特网之后，将对人类生活方式产生重大影响的一项IT技术。它综合了传感器技术、嵌入式技术、微机电系统(MEMS，Microelectronic mechanical system)技术以及现代的网络和无线通信技术。在传感器网络中，各类集成化的微型传感器通过协作进行实时监测、感知和采集各种环境或监测目标的信息，并对这些信息进行处理加工，再通过随机自组无线通信网络以多跳的方式将信息传送到用户终端，从而实现物理世界、计算机世界以及人类社会三元世界的连通。由于其不需要固定网络支持，功耗和成本都很低，在军事、环境监测、医疗、农业和采矿领域有广阔的应用前景。特别适合用于布线和电源供给困难，人员不能到达的区域，以及一些临时场合。

定位技术作为无线传感器网络中的一项核心技术，对于传感器网络的监测活动至关重要。路由算法的优化，资源的有效配置，对特定目标的定位和追踪，计算网络的覆盖范围以及控制通信开销和网络负载方面都是在准确的位置信息的基础上进行的。由于受到成本、功耗、扩展性等问题的限制，人工安置所有节点或者为每个节点配备全球定位系统(GPS，GlobalPositioning System)模块的方法是不现实的。

近年来通过节点之间有限的信息传输来获取节点的位置信息成为了该领域的一个重要应用方向。将位置信息未知的节点称为待测节点，而位置信息已经掌握可用来协助待测节点实现定位的节点称为锚节点。其中基于接收信号强度指示测距的定位技术是一个比较有代表性的实现方案。RSSI，是无线发送层的可选部分，通过接收到的信号强弱可以对两个通信节点间的距离进行估算，进而根据相应的数据进行定位。由于其定位原理简单，且无需额外的硬件开销和网络通信开销，得到了人们的亲睐。

经对现有文献检索发现，N.Bulush等在《IEEE(Institute of Electrical and ElectronicsEngineers)Personal Communications Magazine(美国电气和电子工程师协会个人通信杂志)》2000年10发表的“GPS-less Low-Cost Outdoor Localization for very Small Device(基于超小型设备的非GPS低功耗室外定位方法)”中提出了用于传感器网络定位的质心算法，其基本思路为取待测节点附近的几个锚节点，将锚节点构成的几何图形的中心位置作为定位的结果。M.Sugano等在《The IASTED(international association of science and technology fordevelopment)International Conference on Wireless Sensor Network(国际科学技术发展协会国际无线传感网络会议)》2006年10月发表“Indoor Localization System Using RSSIMeasurement of Wireless Sensor Network Based on Zig Bee Standard(利用RSSI测量实现的基于紫蜂标准的室内无线传感网络定位系统)”中则使用数学优化的方法，通过最小化误差的平方来得到最优解。但是上述两种技术都是利用数学中的一些简单的估算方法，只能实现对未知节点的粗略定位；对节点的密度有较高的要求，定位精度也不理想，且容易受环境干扰，影响其定位精度。

发明内容

本发明的目的在于克服现有技术的上述不足，提供一种基于RSSI的无线传感器网络的定位方法。本发明通过数学建模，实现了对待测目标节点在全平面上概率分布估算，根据此进行定位，具有精度高、抗干扰能力强的优点。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

步骤一，建立直角坐标系，得到无线传感器网络中每个锚节点的位置信息，且分别测量锚节点和待测节点的RSSI值，对得到的RSSI值进行估算处理，得到待测节点与每个锚节点的距离信息。

所述的估算处理是：

r_{j} = r_{0} e^{\frac{p_{j} - p_{0}}{10 n}},

其中：r_j是待测节点与第j个锚节点的距离，p_j是第j个锚节点的RSSI值，n为信道衰减参数，r₀是参考距离，p₀是距离为r₀的两个传感器节点间的接收强度，1≤j≤N，N是锚节点的总数目。

步骤二，选取与待测节点最近的三个锚节点作为参考节点，采用加权的质心法对待测节点进行粗定位，得到待测节点的粗定位位置。

所述的粗定位，是指：

x_{0} = x_{1} \times \frac{r_{1}}{r_{1} + r_{2} + r_{3}} + x_{2} \times \frac{r_{2}}{r_{1} + r_{2} + r_{3}} + x_{3} \times \frac{r_{3}}{r_{1} + r_{2} + r_{3}},

y_{0} = y_{1} \times \frac{r_{1}}{r_{1} + r_{2} + r_{3}} + y_{2} \times \frac{r_{2}}{r_{1} + r_{2} + r_{3}} + y_{3} \times \frac{r_{3}}{r_{1} + r_{2} + r_{3}},

其中：(x_i，y_i)为选取的参考节点的坐标，1≤i≤3，r_i为待测节点到第i个参考节点的距离，(x₀，y₀)是待测节点的粗定位位置坐标信息。

步骤三，建立待测节点的分布概率模型，得到待测节点在无线传感器网络中每个位置的分布概率。

所述的分布概率模型是：

P (x, y) = \underset{i = 1,2,3}{Σ} \frac{10 nexp [- {(10 n \log (r_{i} / \sqrt{{(x - x_{i})}^{2} + {(y - y_{i})}^{2}}))}^{2} / {2 σ}^{2}]}{2 π \sqrt{2 π} σIn 10 ({(x - x_{i})}^{2} + {(y - y_{i})}^{2})},

其中：P(x，y)是待测节点在无线传感器网络中(x，y)处的分布概率，n是信道衰减参数，(x_i，y_i)是第i个参考节点的坐标信息，r_i是待测节点到第i个参考节点的距离，σ是功率测量误差方差，1≤i≤3。

步骤四，以待测节点的粗定位位置为初始位置、以L₁为步长进行定位搜索处理，得到待测节点的第一次定位位置。

所述的定位搜索处理，是：以(x₀，y₀)为初始位置，以L为步长，分别得到(x₀，y₀)、(x₀+L，y₀)、(x₀，y₀+L)、(x₀-L，y₀)和(x₀，y₀-L)处的分布概率，选择其中最大的分布概率所对应的位置为该次定位位置。

步骤五，按照步骤四的方法，以待测节点的第一次定位位置为初始位置、以L₂为步长进行定位搜索处理，得到待测节点的第二次定位位置，其中：L₂＜L₁。

步骤六，不断重复步骤五，以第(N-1)次的定位位置为初始位置、以L_N为步长进行定位搜索处理，得到待测节点的第N次定位位置，该定位位置就是待测节点的最终位置信息。

与现有技术相比，本发明的有益效果是：能够从有限的信息中得到更多的定位信息，克服了现有技术中由于个别节点在功率强度测量上的误差过大而造成的最终定位结果误差过大的缺陷，对节点的密度要求低，且不易受环境干扰，定位精度大大提高，定位误差降至20％到50％之间。

具体实施方式

以下对本发明的方法进一步描述：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例包括以下步骤：

所述的估算处理是：

r_{j} = r_{0} e^{\frac{p_{j} - p_{0}}{10 n}},

本实施例在r₀＝0.1m，n＝2。

所述的粗定位，是指：

x_{0} = x_{1} \times \frac{r_{1}}{r_{1} + r_{2} + r_{3}} + x_{2} \times \frac{r_{2}}{r_{1} + r_{2} + r_{3}} + x_{3} \times \frac{r_{3}}{r_{1} + r_{2} + r_{3}},

y_{0} = y_{1} \times \frac{r_{1}}{r_{1} + r_{2} + r_{3}} + y_{2} \times \frac{r_{2}}{r_{1} + r_{2} + r_{3}} + y_{3} \times \frac{r_{3}}{r_{1} + r_{2} + r_{3}},

所述的分布概率模型是：

P (x, y) = \underset{i = 1,2,3}{Σ} \frac{10 nexp [- {(10 n \log (r_{i} / \sqrt{{(x - x_{i})}^{2} + {(y - y_{i})}^{2}}))}^{2} / {2 σ}^{2}]}{2 π \sqrt{2 π} σIn 10 ({(x - x_{i})}^{2} + {(y - y_{i})}^{2})},

本实施例中L₁＝1m。

本实施例中L₂＝0.5L₁。

步骤六，不断重复步骤五，以第(N-1)次的定位位置为初始位置、以L_N为步长进行定位搜索处理，得到待测节点的第N次定位位置，该定位位置就是待测节点的最终位置信息，其中：L_N＜L_N-1，L_N-1为第(N-1)定位搜索处理的步长。

本实施例中L_t＝0.5L_t-1，2≤t≤N，N＝6。

在一个10m×10m的无线传感器网络中，锚节点均匀分布，信道衰减参数为3，功率测量误差方差为4，在不同的锚节点数目下，当分别采用本实施例方法、最小二乘法和质心法所得到的定位误差如表1所示。

表1

锚节点个数	最小二乘法的定位误差	质心法的定位误差	本实施例方法的定位误差
锚节点个数	最小二乘法的定位误差	质心法的定位误差	本实施例方法的定位误差	9	1.312	2.05	0.815
16	0.834	1.076	0.575	9	1.312	2.05	0.815
16	0.834	1.076	0.575	25	0.678	0.642	0.546

所述的定位误差的公式为：

E = \sqrt{{(x - a)}^{2} + {(y - b)}^{2}} * 0.1,

其中：(x，y)为待测节点的真实位置坐标，(a，b)为检测得到的位置坐标，E是定位误差(单位为m)。

从表1可见，当锚节点为9个时，本实施例方法相对于最小二乘法的定位误差提高37.88％，本实施例方法相对于质心法的定位误差提高60.24％；当锚节点为16个时，本实施例方法相对于最小二乘法的定位误差提高31.06％，本实施例方法相对于质心法的定位误差提高46.56％；当锚节点为25个时，本实施例方法相对于最小二乘法的定位误差提高19.47％，本实施例方法相对于质心法的定位误差提高14.95％。

Claims

1.一种基于RSSI的无线传感器网络的定位方法，其特征在于，包括以下步骤：

步骤一，建立直角坐标系，得到无线传感器网络中每个锚节点的位置信息，且分别测量锚节点和待测节点的RSSI值，对得到的RSSI值进行估算处理，得到待测节点与每个锚节点的距离信息；

步骤二，选取与待测节点最近的三个锚节点作为参考节点，采用加权的质心法对待测节点进行粗定位，得到待测节点的粗定位位置；

步骤三，建立待测节点的分布概率模型，得到待测节点在无线传感器网络中每个位置的分布概率；

步骤四，以待测节点的粗定位位置为初始位置、以L₁为步长进行定位搜索处理，得到待测节点的第一次定位位置；

步骤五，按照步骤四的方法，以待测节点的第一次定位位置为初始位置、以L₂为步长进行定位搜索处理，得到待测节点的第二次定位位置，其中：L₂＜L₁；

2.根据权利要求1所述的基于RSSI的无线传感器网络的定位方法，其特征是，步骤一中所述的估算处理是：

r_{j} = r_{0} e^{\frac{p_{j} - p_{0}}{10 n}},

3.根据权利要求1所述的基于RSSI的无线传感器网络的定位方法，其特征是，步骤二中所述的粗定位，是：

x_{0} = x_{1} \times \frac{r_{1}}{r_{1} + r_{2} + r_{3}} + x_{2} \times \frac{r_{2}}{r_{1} + r_{2} + r_{3}} + x_{3} \times \frac{r_{3}}{r_{1} + r_{2} + r_{3}},

y_{0} = y_{1} \times \frac{r_{1}}{r_{1} + r_{2} + r_{3}} + y_{2} \times \frac{r_{2}}{r_{1} + r_{2} + r_{3}} + y_{3} \times \frac{r_{3}}{r_{1} + r_{2} + r_{3}},

4.根据权利要求1所述的基于RSSI的无线传感器网络的定位方法，其特征是，步骤三中所述的分布概率模型是：

P (x, y) = \underset{i = 1,2,3}{Σ} \frac{10 nexp [- {(10 n \log (r_{i} / \sqrt{{(x - x_{i})}^{2} + {(y - y_{i})}^{2}}))}^{2} / {2 σ}^{2}]}{2 π \sqrt{2 π} σIn 10 ({(x - x_{i})}^{2} + {(y - y_{i})}^{2})},

5.根据权利要求1所述的基于RSSI的无线传感器网络的定位方法，其特征是，所述的定位搜索处理，是：以(x₀，y₀)为初始位置，以L为步长，分别得到(x₀，y₀)、(x₀+L，y₀)、(x₀，y₀+L)、(x₀-L，y₀)和(x₀，y₀-L)处的分布概率，选择其中最大的分布概率所对应的位置为该次定位位置。