CN102547973B - 一种基于rssi的多传感器融合移动节点跟踪方法 - Google Patents

Abstract

本发明公开了基于RSSI的多传感器融合移动节点跟踪方法，包括：确定监测间隔并传送给移动节点；移动节点根据所获时间间隔定时发送监测信标；周围节点测得RSSI，确定锚节点；锚节点对数据进行处理后将数据发向信宿，由信宿转交给监控台，监控台对各锚节点的数据进行融合，获得实时跟踪数据。本发明通过锚节点对定周期发送脉冲信标的移动节点测量RSSI，确定移动节点位置、速度、加速度等信息，并将这些信息通过转发实现对移动节点的跟踪定位，跟踪时间间隔可调，部分去除了不良数据的影响，提高了定位精度，提供速度、加速度等大多数跟踪技术所不能提供的信息，可以同时实现对多个移动目标的跟踪任务，比单传感器跟踪技术精度有所提高。

Description

一种基于RSSI的多传感器融合移动节点跟踪方法

技术领域

本发明涉及无线电跟踪定位领域，具体涉及在无线传感器网络(Wireless sensor network，WSN)中，由锚节点通过测量移动节点所发送信号的RSSI(Received Signal Strength Indicator，接收信号强度)，确定移动节点位置、速度、加速度等信息，并将这些信息通过转发实现对移动节点的跟踪定位方法。

背景技术

自从被誉为21世纪最有影响力的21项技术和改变世界的10大技术之一以来，无线传感器网络(Wireless Sensor Network,WSN)技术日渐受到人们的关注。无线传感器网络由部署在监测区域内大量的廉价微型传感器节点组成,通过无线通信方式形成的一个多跳自组织网络,其目的是协作地感知、采集和处理网络覆盖的地理区域中感知对象的信息,并发布给观察者。传感器、感知对象和观察者是无线传感器网络的三个基本要素网络。当前，无线传感器网络已广泛应用于军事、环境监测、医疗卫生等领域。

节点定位技术作为为用户提供各种具体应用支持的无线传感器网络应用支撑技术之一,用于确定每个传感器节点的相对位置或绝对位置。该技术在军事侦查、环境检测、紧急救援等应用中尤为重要。目前,无线传感器网络的定位算法从定位手段上主要分为两大类,基于测距技术(range-based)的定位算法和无需测距(range-free)定位算法。基于测距的节点定位技术主要包括TOA(Time Of Arrival,到达时间)、TDOA(time difference on arrival,到达时间差)、AOA(angle of arrival,到达角度)和RSSI等。TOA需要节点间精确的时间同步；TDOA技术受限于传播距离和视距传播；AOA也受外界环境影响，而且需要额外硬件支持才能实现；RSSI虽然精度不高，但由于不需额外硬件支持，符合低功率、低成本的要求，因此本发明采用该技术进行定位。无需测距的节点定位技术主要包括质心、DV-Hop、Amorphous、API T算法。质心算法虽然性能不受节点密度影响,实现简单,通信开销最小,但是它的精确度最低；DV-Hop算法节点不需要任何附加的硬件支持,但是受节点密度影响较大,在节点较为稀疏的定位环境中,定位误差较大；Amorphous算法的健壮性和适应性都不如DV-Hop算法,但通信开销小于DV-Hop算法；AP IT算法受节点密度影响较小,但是受到锚节点密度的影响最大,而在实际应用中,锚节点的数量往往极为有限。

值得注意的是，以上主要针对无线网络节点都是静止的情况设计的。而在实际应用中，许多被监测的无线网络节点是实时移动的。为能实时监测这些移动网络节点的运动态势，需要研究相应的实时定位方法。虽然在这方面有人已经做出了一些探索，但依旧存在计算复杂、精度有限等缺点。

发明内容

本发明的目的在于克服现有技术的缺陷而提供一种多传感器融合移动节点跟踪方法，通过锚节点对定周期发送脉冲信标的移动节点测量RSSI，确定移动节点位置、速度、加速度等信息，并将这些信息通过转发实现对移动节点的跟踪定位方法。

实现上述目的的技术方案是：一种基于RSSI的多传感器融合移动节点跟踪方法，该方法基于无线传感网络，所述的无线传感网络包括若干个节点以及一监控台，每一个节点都是一个可实现信息发送与接收的无线传感网络终端，在该若干个节点中，至少有一个为移动节点，其余为固定节点，固定节点知道本节点位置信息，所述的固定节点中有一个是信宿，该信宿通过有线或无线的方式与所述的监控台相连，其特征在于，所述的多传感器融合移动节点跟踪方法包括以下步骤：

步骤1，监控台确认跟踪时间间隔并传送给移动节点，即由系统用户根据应用需要在监控台上输入跟踪时间间隔T和跟踪的移动节点，监控台将此信息发送给信宿，信宿通过若干固定节点发送给指定的移动节点；

步骤2，移动节点根据所获时间间隔T定时发送监测信标，即移动节点获得指定时间间隔T后，建立一间隔为T的定时器，每隔时间间隔T发送一次监测信标给周围的节点，信标中包含发送信号强度和移动节点标记；

步骤3，周围节点测得移动节点的RSSI，确定锚节点，即周围节点k测得t时刻的RSSI为r(k,t)后，与一预先设定好的阈值R相比较，如果r(k,t)≥R，则节点k为该时刻的锚节点i，否则不是锚节点，等待下一时刻再测量移动节点的RSSI；

步骤4，锚节点i对数据进行处理后将数据发向信宿，由信宿转交给监控台；

步骤5.监控台对各锚节点i的数据进行融合，获得实时跟踪数据，

步骤4中，所述的锚节点i对数据进行处理，包括：

$r(i,t)=\left\{\begin{array}{cc}{P}_t-40.2-20\mathrm{lgd}\left(t\right)& d\≤8m\\ P_t-58.5-33\mathrm{lgd}\left(t\right)& d>8m\end{array}\right.---\left(1\right)$

其中r(i，t)为锚节点i通过测得的RSSI，P_t为移动节点发送信号强度，d(t)为锚节点i与移动节点之间距离；

根据公式(1)算出锚节点i与移动节点间距离，公式为：

$d\left(t\right)=\left\{\begin{array}{cc}10^((P_t-40.2-r(i,t))/20)& d\≤8m\\ 10^((P_t-58.5-r(i,t))/33)& d>8m\end{array}\right.---\left(2\right)$

算出d(t)后，与一阈值D相比较，如果|d(t)-d(t-1)|>D，则转向步骤3，否则继续，所述的阈值D是用于去除部分信号不稳定的锚节点所引入的误差；

假设锚节点i的坐标为(x_i,y_i)，移动节点当前时刻t的位置为(x_t,y_t)，则建立相关方程：

$d\left(t\right)=\sqrt{{(x_i-x_t)}^2+{(y_i-y_t)}^2}---\left(3\right)$

把该方程传递给信宿，信宿再转交给在监控台，

所述的步骤5包括以下步骤：

步骤51.使用如下加权质心算法计算出移动节点位置：

$x_t=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{x_i}{d_i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{d_i}}$

$y_t=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{y_i}{d_i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{d_i}}---\left(4\right)$

其中，n为t时刻传送到监控台的锚节点数目；

步骤52.使用kal man滤波器进行状态估计，得到最终跟踪信息；

滤波器的状态方程为如下：

$r(t+1)=r\left(t\right)+T\stackrel{\·}{r}\left(t\right)+\frac{T^2}{2}\stackrel{\·\·}{r}\left(t\right),$

$\stackrel{\·}{r}(t+1)=\stackrel{\·}{r}\left(t\right)+T\stackrel{\·\·}{r}\left(t\right),$

s(t)＝r(t)+v(t)，  (5)

其中r(t)为移动节点在时刻t的位置，即

$r\left(t\right)=\left[\begin{array}{c}{x}_t\\ y_t\end{array}\right],---\left(6\right)$

为移动节点在时刻t的速度，为移动节点在时刻t的加速度，s(t)为移动节点在时刻t的位置观察变量，v(t)为高斯白噪声；

令

$x\left(t\right)=\left[\begin{array}{c}r\left(t\right)\\ \stackrel{\·}{r}\left(t\right)\\ \stackrel{\·\·}{r}\left(t\right)\end{array}\right],\mathrm{\Φ}=\left[\begin{array}{ccc}1& T& \frac{T^2}{2}\\ 0& 1& T\\ 0& 0& 1\\ & & \end{array}\right],\mathrm{\Γ}=\left[\begin{array}{c}0\\ 0\\ 0\end{array}\right]$

H＝[1 0 0]

则状态方程(5)可以改写为

x(t+1)＝Φx(t)+Γw(t)，

y(t)＝Hx(t)+v(t)，  (7)

其中w(t)为高斯白噪声，

在公式(7)基础上引入kal man滤波器对数据进行处理，kal man滤波器的递推公式如下：

状态最优估计方程： $\hat{x}(t+1|t+1)=\hat{x}(t+1|t)+K(t+1)\mathrm{\ϵ}(t+1),$

一步预测方程： $\hat{x}(t+1|t)=\mathrm{\Φ}\hat{x}\left(t\right|t),$

新息计算方程： $\mathrm{\ϵ}(t+1)=y(t+1)-H\hat{x}(t+1|t),$

最优滤波增益阵：K(t+1)＝P(t+1|t)H^T[HP(t+1|t)H^T+R]^-1，

一步预测误差方差阵：P(t+1|t)＝ΦP(t|t)Φ^T+ΓQΓ^T，

估计误差方差阵：P(t+1|t+1)＝[I_n-K(t+1)H]P(t+1|t)，  (8)

公式(8)中，为状态量估计值，为一步预测估计值，ε(t+1)为新息，K(t)为增益矩阵，P(t+1|t)为一步预测误差方差阵，P(t|t)估计误差方差阵。

本发明的有益效果是：

1.跟踪时间间隔可调；

2.由于采用锚节点筛选技术，部分去除了不良数据的影响，提高了定位精度；

3.采用状态估计技术，提供速度、加速度等大多数跟踪技术所不能提供的信息；

4.可以同时实现对多个移动目标的跟踪任务；

5.由于采用多传感器信息融合技术，比单传感器跟踪技术精度有所提高。

附图说明

图1是本发明的网络拓扑结构示意图。

具体实施方式

以下结合附图及实施例进一步说明本发明。

如附图1所示，无线传感网络100包括若干个节点和监控台3，每一个节点都是一个无线传感网络终端，可以实现信息发送与接收。在这些节点中，至少有一个移动节点1，其余为固定节点2。此外，固定节点2知道本节点位置信息。固定节点2中有一个节点是信宿21，信宿21通过有线或无线方式与监控台3相连。

本发明包括以下步骤：

步骤1，监控台3确认跟踪时间间隔并传送给移动节点1。

由系统用户根据应用需要在监控台3上输入跟踪时间间隔T和跟踪的移动节点1，监控台将此信息发送给信宿21，信宿21通过若干固定节点2发送给指定移动节点1；

步骤2，移动节点1根据所获时间间隔定时发送监测信标给周围的节点；

移动节点1获得指定时间间隔T后，建立一间隔为T的定时器，每隔时间间隔T发送一次监测信标，信标中包含发送信号强度、移动节点标记；

步骤3，周围节点测得移动节点1的RSSI，确定锚节点；

周围节点k测得t时刻的RSSI为r(k,t)后，与一预先设定好的阈值R相比较。如果r(k,t)≥R则节点k为该时刻的锚节点，否则不是锚节点，等待下一时刻再测量移动节点1的RSSI，R与应用场景和节点密度有关，使得接收信号较差的节点不会成为锚节点。一般来说，R值的选择必须确保经过步骤3筛选出的锚节点大于等于3。

步骤4，锚节点i对数据进行处理后将数据发向信宿21，由信宿21转交给监控台；

根据IEEE802.15.4简化的信道模型，有

$r(i,t)=\left\{\begin{array}{cc}{P}_t-40.2-20\mathrm{lgd}\left(t\right)& d\≤8m\\ P_t-58.5-33\mathrm{lgd}\left(t\right)& d>8m\end{array}\right.$

(1)

其中r(i，t)为锚节点i通过测得的信号强度，P_t为移动节点发射信号强度，d(t)为锚节点i与移动节点之间距离；

根据公式(1)算出锚节点i与移动节点1间距离

$d\left(t\right)=\left\{\begin{array}{cc}10^((P_t-40.2-r(i,t))/20)& d\≤8m\\ 10^((P_t-58.5-r(i,t))/33)& d>8m\end{array}\right.$

(2)

算出d(t)后，与一阈值D相比较，如果|d(t)-d(t-1)|>D，则转向步骤3，否则继续，阈值D与应用场景和移动节点速度有关，是用于去除部分信号不稳定的锚节点所引入的误差。

假设锚节点i的坐标为(x_i,y_i)，移动节点1当前时刻t的位置为(x_t,y_t)，则建立相关方程

$d\left(t\right)=\sqrt{{(x_i-x_t)}^2+{(y_i-y_t)}^2}$

(3)

把该方程传递给信宿21，信宿21再转交给在监控台3。

步骤5.监控台3对各锚节点的数据进行融合，获得实时跟踪数据。

该步骤又可分为以下步骤：

步骤51.使用如下加权质心算法计算出移动节点1位置：

$x_t=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{x_i}{d_i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{d_i}}$

$y_t=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{y_i}{d_i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{d_i}}$

(4)

其中n为t时刻传送到监控台的锚节点数目。

步骤52.使用kal man(卡尔曼)滤波器进行状态估计，得到最终跟踪信息。卡尔曼滤波器是一种高效率的递归滤波器,它能够从一系列的不完全包含噪声的测量中，估计动态系统的状态。

kal man滤波器的状态方程为如下：

$r(t+1)=r\left(t\right)+T\stackrel{\·}{r}\left(t\right)+\frac{T^2}{2}\stackrel{\·\·}{r}\left(t\right)$

$\stackrel{\·}{r}(t+1)=\stackrel{\·}{r}\left(t\right)+T\stackrel{\·\·}{r}\left(t\right)$

s(t)＝r(t)+v(t)

(5)

其中r(t)为移动节点1在时刻t的位置，即

$r\left(t\right)=\left[\begin{array}{c}{x}_t\\ y_t\end{array}\right]$

(6)

为移动节点1在时刻t的速度，为移动节点1在时刻t的加速度，s(t)为移动节点1在时刻t的位置观察变量，v(t)为高斯白噪声。

令

$x\left(t\right)=\left[\begin{array}{c}r\left(t\right)\\ \stackrel{\·}{r}\left(t\right)\\ \stackrel{\·\·}{r}\left(t\right)\end{array}\right],\mathrm{\Φ}=\left[\begin{array}{ccc}1& T& \frac{T^2}{2}\\ 0& 1& T\\ 0& 0& 1\\ & & \end{array}\right],\mathrm{\Γ}=\left[\begin{array}{c}0\\ 0\\ 0\end{array}\right]$

H＝[1 0 0]

则状态方程(5)可以改写为

x(t+1)＝Φx(t)+Γw(t)

y(t)＝Hx(t)+v(t)

(7)

其中w(t)为高斯白噪声。

在公式(7)基础上引入kal man滤波器对数据进行处理。kal man滤波器的递推公式如下：

状态最优估计方程： $\hat{x}(t+1|t+1)=\hat{x}(t+1|t)+K(t+1)\mathrm{\ϵ}(t+1),$

一步预测方程： $\hat{x}(t+1|t)=\mathrm{\Φ}\hat{x}\left(t\right|t),$

新息计算方程： $\mathrm{\ϵ}(t+1)=y(t+1)-H\hat{x}(t+1|t),$

最优滤波增益阵：K(t+1)＝P(t+1|t)H^T[HP(t+1|t)H^T+R]^-1，

一步预测误差方差阵：P(t+1|t)＝ΦP(t|t)Φ^T+ΓQΓ^T，

估计误差方差阵：P(t+1|t+1)＝[I_n-K(t+1)H]P(t+1|t)，

(8)

公式8中，为状态量估计值，为一步预测估计值，ε(t+1)为新息，K(t)为增益矩阵，P(t+1|t)为一步预测误差方差阵，P(t|t)估计误差方差阵，具体推导请参考哈尔滨工业大学出版社于2005年6月第一版作者为邓自立的《最优估计理论及其应用》。

综上所述，本发明首先根据应用需求设定跟踪时间间隔，再由移动节点1定时发送信标。周围节点接收到信标后，根据RSSI筛选出锚节点。锚节点计算出自身与移动节点1距离传送给监控台3。监控台3实现对多传感器数据的融合，并得出相关跟踪信息。本发明以无线传感网络移动节点1跟踪为研究对象，综合考虑实际需求，可直接应用于实际无线传感网络工程中。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案也应该属于本发明的范畴，应由各权利要求所限定。

Claims (1)

1.一种基于RSSI的多传感器融合移动节点跟踪方法，该方法基于无线传感网络，所述的无线传感网络包括若干个节点以及一监控台，每一个节点都是一个可实现信息发送与接收的无线传感网络终端，在该若干个节点中，至少有一个为移动节点，其余为固定节点，固定节点知道本节点位置信息，所述的固定节点中有一个是信宿，该信宿通过有线或无线的方式与所述的监控台相连，其特征在于，所述的多传感器融合移动节点跟踪方法包括以下步骤：

步骤1，监控台确认跟踪时间间隔并传送给移动节点，即由系统用户根据应用需要在监控台上输入跟踪时间间隔T和跟踪的移动节点，监控台将此信息发送给信宿，信宿通过若干固定节点发送给指定的移动节点；

步骤2，移动节点根据所获时间间隔T定时发送监测信标，即移动节点获得指定时间间隔T后，建立一间隔为T的定时器，每隔时间间隔T发送一次监测信标给周围的节点，信标中包含发送信号强度和移动节点标记；

步骤3，周围节点测得移动节点的RSSI，确定锚节点，即周围节点k测得t时刻的RSSI为r(k,t)后，与一预先设定好的阈值R相比较，如果r(k,t)≥R，则节点k为该时刻的锚节点i，否则不是锚节点，等待下一时刻再测量移动节点的RSSI；

步骤4，锚节点i对数据进行处理后将数据发向信宿，由信宿转交给监控台；

步骤5.监控台对各锚节点i的数据进行融合，获得实时跟踪数据，

步骤4中，所述的锚节点i对数据进行处理，包括：

$r(i,t)=\left\{\begin{array}{cc}{P}_t-40.2-20\mathrm{ig\; d}\left(t\right)& d\≤8m\\ P_t-58.5-33\mathrm{lg\; d}\left(t\right)& d>8m\end{array}\right.---\left(1\right)$

其中r(i，t)为锚节点i通过测得的RSSI，P_t为移动节点发送信号强度，d(t)为锚节点i与移动节点之间距离；

根据公式(1)算出锚节点i与移动节点间距离，公式为：

$d\left(t\right)=\left\{\begin{array}{cc}10^((P_t-40.2-r(i,t))/20)& d\≤8m\\ 10^((P_t-58.5-r(i,t))/33)& d>8m\end{array}\right.---\left(2\right)$

算出d(t)后，与一阈值D相比较，如果|d(t)-d(t-1)|>D，则转向步骤3，否则继续，所述的阈值D是用于去除部分信号不稳定的锚节点所引入的误差；

假设锚节点i的坐标为(x_i,y_i)，移动节点当前时刻t的位置为(x_t,y_t)，则建立相关方程：

$d\left(t\right)=\sqrt{{(x_i-x_t)}^2+{(y_i-y_t)}^2}---\left(3\right)$

把该方程传递给信宿，信宿再转交给在监控台，

所述的步骤5包括以下步骤：

步骤51.使用如下加权质心算法计算出移动节点位置：

$x_t=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{x_i}{d_i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{d_i}}$

$y_t=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{y_i}{d_i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{d_i}}---\left(4\right)$

其中，n为t时刻传送到监控台的锚节点数目；

步骤52.使用kalman滤波器进行状态估计，得到最终跟踪信息；

滤波器的状态方程为如下：

$r(t+1)=r\left(t\right)+T\stackrel{\·}{r}\left(t\right)+\frac{T^2}{2}\stackrel{\·\·}{r}\left(t\right),$

$\stackrel{\·}{r}(t+1)=\stackrel{\·}{r}\left(t\right)+T\stackrel{\·\·}{r}\left(t\right),$

s(t)＝r(t)+v(t)，    (5)

其中r(t)为移动节点在时刻t的位置，即

$r\left(t\right)=\left[\begin{array}{c}{x}_t\\ y_t\end{array}\right],---\left(6\right)$

为移动节点在时刻t的速度，为移动节点在时刻t的加速度，s(t)为移动节点在时刻t的位置观察变量，v(t)为高斯白噪声；

令

$x\left(t\right)=\left[\begin{array}{c}r\left(t\right)\\ \stackrel{\·}{r}\left(t\right)\\ \stackrel{\·\·}{r}\left(t\right)\end{array}\right],\mathrm{\Φ}=\left[\begin{array}{ccc}1& T& \frac{T^2}{2}\\ 0& 1& T\\ 0& 0& 1\end{array}\right],\mathrm{\Γ}=\left[\begin{array}{c}0\\ 0\\ 0\end{array}\right]$

H＝[1 0 0]

则状态方程(5)可以改写为

x(t+1)＝Φx(t)+Γw(t)，

y(t)＝Hx(t)+v(t)，    (7)

其中w(t)为高斯白噪声，

在公式(7)基础上引入kalman滤波器对数据进行处理，kalman滤波器的递推公式如下：

状态最优估计方程： $\hat{x}(t+1|t+1)=\hat{x}(t+1|t)+K(t+1)\mathrm{\ϵ}(t+1),$

一步预测方程： $\hat{x}(t+1|t)=\mathrm{\Φ}\hat{x}\left(t\right|t),$

新息计算方程： $\mathrm{\ϵ}(t+1)=y(t+1)-H\hat{x}(t+1|t),$

最优滤波增益阵：K(t+1)＝P(t+1|t)H^T[HP(t+1|t)H^T+R]^-1，

一步预测误差方差阵：P(t+1|t)＝ΦP(t|t)Φ^T+ΓQΓ^T，

估计误差方差^阵：P(t+1|t+1)＝[I_n-K(t+1)H]P(t+1|t)，    (8)

公式(8)中，为状态量估计值，为一步预测估计值，ε(t+1)为新息，K(t)为增益矩阵，P(t+1|t)为一步预测误差方差阵，P(t|t)估计误差方差阵。