CN102608571B

CN102608571B - 一种面向野生动物的无线传感器网络的目标定位方法

Info

Publication number: CN102608571B
Application number: CN 201210059809
Authority: CN
Inventors: 房鼎益; 刘晨; 陈晓江; 邢天璋; 何阿静; 王如晨; 邓周虎; 张远; 王兆强; 尹小燕; 王举; 赵晖; 聂卫科
Original assignee: Northwest University
Current assignee: Northwest University
Priority date: 2012-03-08
Filing date: 2012-03-08
Publication date: 2013-09-11
Anticipated expiration: 2032-03-08
Also published as: CN102608571A

Abstract

本发明公开了一种面向野生动物的无线传感器网络的目标定位方法，主要包括构建无线传感器网络、参考数据采集、确定目标是否进入监测区域、确定目标进入哪个小三角形、确定目标相对三角形的精确位置、确定目标的实际地理位置等步骤，该方法适合稀疏部署场景，能满足在保证一定的目标定位正确率的前提下，通过网络的稀疏部署，用最少的节点有效的监测目标，以获取其位置信息的需求。

Description

一种面向野生动物的无线传感器网络的目标定位方法

技术领域

本发明涉及无线网络的应用，特别是一种面向野生动物的无线传感器网络的目标定位方法。

背景技术

野生动物在自然界中具有重要的生态地位和生态功能，是整个生态链中不可或缺的环节之一，如何有效对其进行监测与保护，显得尤为重要。传统的野生动物保护采用人工方式手工记录、统计，因此，传统方式存在很多弊端，如：缺乏长期性、实时性，也有一定的困难性和危险性，另外，时空割裂，难以对获取的数据进行时间、空间、现象的综合分析。而目前无线传感器网络的出现，为解决上述问题提供了技术支撑。

无线传感器网络是由部署在被监测区域的大量分布式传感器节点组成的，它综合了传感器技术、无线通信技术、嵌入式技术和计算机技术等多种领域技术，通过各种类型的传感器对物质的性质、环境的状态以及行为模式等信息进行大规模、长期、实时的获取，并通过802.15.4通信协议以自组织的方式将感知数据传送至远程数据中心。其中，无线传感器网络的定位技术为野生动物的活动轨迹监测提供了有效解决方案。

根据目标是否需要携带设备，目前的目标定位分为主动式定位和被动式定位。

所谓主动式定位，就是目标通过携带无线收发设备进行目标定位。Zhang等人提出了一个结合了WSN和RFID技术的基于RF的混合方法。利用稀疏的传感器网络首先找出目标存在的子区域，之后利用处于子区域内的RFID参考标签的信息来定位目标，子区域的划分是由目标对象引起的传感器网络的RSSI波动来决定的。LANDMARC通过发掘RFID网络信号强度分布与环境相关性的规律通过K个最近的参考标签估计出目标的位置信息，LANDMARC的主要优点是通过利用参考标签的概念增强了目标定位的正确率，是在定位粒度、正确率与成本之间找折中，但并没有考虑参考标签部署成其他形状时对近邻数选择的影响以及三维空间中定位的性能。

而被动式定位就是当目标进入无线环境中，利用目标对通信链路RSSI值的影响，进行目标定位。目前，在部署规模上与部署结构上，大多数采用规则的阵列形式，并且其定位的正确率取决于节点部署的密度，而通常节点间的距离固定为1米到2米，实验测试的场景规模较小，并且假设部署的所有节点之间都能够相互通信。然而野生动物大多活跃在人迹罕至的野外，其范围之广将使得网络的部署规模较大。当监测区域较大时，节点的规则密集部署将增加成本代价，同时节点数量多将导致局部网络拥塞，增加通信代价；如果将节点间的距离增大，其定位的准确率又将会大大下降。因此，“被动式”并不完全适用于大规模野外部署场景。

主动式定位需要目标携带无线设备，可操作性差，效率低，不适用于野生动物的定位。而被动式定位则无需携带无线设备，比较适合野生动物的定位，但需要在定位的正确率与部署代价上权衡。基于上述分析，主动式定位与被动式定位均存在明显的问题，并不完全适用于野生动物的定位，那么，在基于被动式定位的基础上，如何在保证一定的目标定位正确率的前提下，通过网络的稀疏部署，用最少的节点有效的监测目标，以获取其位置信息，是本领域技术人员所关注的。

发明内容

本发明的目的在于，提供一种面向野生动物的无线传感器网络的目标定位方法。

为了实现上述任务，本发明采取如下的技术解决方案：

一种面向野生动物的无线传感器网络的目标定位方法，其特征在于，按下列步骤进行：

步骤一，构建无线传感器网络：

在野生动物保护区监测区域内，布署无线传感器节点和汇聚节点，所述的无线传感器节点搭建成由任意多个正三角形构成的网络拓扑，每个正三角形的顶点放置Micaz节点，相邻Micaz节点之间间距为3～5米，Micaz节点距离地面高度为0.6米～1米，相邻Micaz节点之间可以相互通信；所述的汇聚节点离网络拓扑的距离小于70米，用于将采集的数据发送到基地，通过网络、串口传输或GPRS将数据传至PC机的数据库保存，便于分析处理；

步骤二，参考数据采集：

在进行目标定位之前，需要事先将每个正三角形所围成的区域再进行正三角形剖分，然后将剖分后的所有小三角形的顶点进行位置编号，记为变量N，N＝1，2，3，…，15；让目标依次位于1至15号位置，并记录目标位置编号和相应的向量

其中，r₁，r₂和r₃分别对应每个小三角形的三条链路上的RSSI值；进行多次测量后，求平均值作为最终的参考标准，为步骤五做准备；

步骤三，确定目标是否进入监测区域：

正常情况下，节点间链路的RSSI值处于稳定状态，由于噪音、节点电量不足各种因素的影响，RSSI值可能会出现轻微的波动，其波动范围＜3db；当目标进入监测区域后，某些链路的RSSI值会发生较大的波动，进而确定目标进入监测区域；

步骤四，确定目标进入哪个小三角形：

通过分析采集到的每个小三角形对应的三条链路上的RSSI值构成的向量，观察各个向量元素值的波动情况，如果向量产生较大波动，则说明目标进入由三个Micaz节点围成的三角形区域T内；

步骤五，确定目标相对三角形的精确位置：

假设所测RSSI向量为

通过计算

取向量p，其中，

且使得e最小，则将向量p所对应的位置作为目标的相对位置；

查找步骤二中目标位置与RSSI向量的对应关系，从而，确定动物相对该三角形的精确位置(在误差≤5m时，正确率可达64.4％)。

步骤六，确定目标的实际地理位置：

通过坐标(T，N)确定目标的实际地理位置，其中，T表示拓扑结构中由三个Micaz节点围成的小三角形区域编号，N表示小三角形中每个位置的编号。

本发明的面向野生动物的无线传感器网络的目标定位方法，适合稀疏部署场景，能满足在保证一定的目标定位正确率的前提下，通过网络的稀疏部署，用最少的节点有效的监测目标，以获取其位置信息的需求。

附图说明

图1是信号对称特性模型；

图2是4米链路方格分布图；

图3(a)是目标干扰下4米单链路RSSI分布三维曲线图；

图3(b)是目标干扰下4米单链路RSSI分布二维平面图；

图4是单元检测模型结构示意图；

图5是单元检测模型示意图；

图6是4米单元检测模型垂直线RSSI分布图；

图7是主垂直线上RSSI分布图；

图8是实验场景示意图；

图9是与单链路定位正确率的对比图；

图10是不同链路长度定位正确率的对比图；

图11是不同算法的定位正确率对比图；

图12是节点部署结构示意图；

图13是目标位置与RSSI的对应关系图；

以下结合附图和实施例对本发明作进一步的详细说明。

具体实施方式

申请人在野生动物保护中利用RSSI的无线传感器网络对目标进行定位，其基本思路是：首先，在对目标进行定位之前，需要分析目标在不同位置是如何影响一条通信链路RSSI值的，寻找其特性，作为后续判定目标位置的依据。其次，提出信号对称模型及其性质，并给予分析推导以及真实场景的实验验证，从而验证单链路下RSSI值和目标位置的对应关系遵循信号对称特性。然而，研究结果表明，仅以一条链路的RSSI值波动，来判断目标的位置，其精确度是远远不够的。要想保证一定的目标定位准确率，必须通过多条链路的综合结果，给出判断。最后，考虑建立基于多条链路构成单元监测模型，以便提高目标定位的精确度。为了实现单元测试模型，申请人分三步进行：首先，对单元检测模型的结构进行了分析。其次，建立了单元检测模型并通过实验进行了验证。最后，将单元检测模型在不同链路长度上进行了迁移，同时对比了不同场景下，单元检测模型定位的性能。

为了最终实现目标定位，从以下几点分析：

首先，目标在不同位置是如何影响一条通信链路RSSI值？

实验中，采用部署两个通信节点，使其间距L米，距离地面H米，其中一个作为发送端节点，另一个作为接收端节点。根据这两个节点所形成的监测区域的水平线与垂直线将监测区域划分为若干个子区域，具体来说，将监测区域划分为边长为f米的s×t个方格，如图1所示。同时，定义静止状态表示没有目标进入监测区域的状态；波动状态为有目标进入的状态。

实验得出，当目标在两个通信节点所形成的监测区域移动时，对其所形成的通信链路上的RSSI进行影响，导致接收端节点的RSSI表现出以下特性：

1)链路RSSI值随着目标位置的改变而变化；

2)当目标位于该链路所形成的区域中的对称位置上时，链路RSSI值近似一致；

3)单条链路有效检测区域是有限的。

将上述规律，称为信号对称模型。

接着，通过理论分析验证信号对称模型的三个特性的正确性：

信号对称特性1：

根据绕射理论，如图1所示的部署模型可以抽象为无线通信中的楔形绕射模型，目标可以看做是楔形障碍物。因此，可以对上述信号对称特性进行如下证明：

假设目标的宽度为r_n，可由费涅尔方程计算，得出：

r_{n} = \sqrt{\frac{nλ d_{1} d_{2}}{d_{1} + d_{2}}} - - - (1)

其中n为目标遮挡的费涅尔区个数，λ为波长，d₁为发送端节点到目标之间的距离，d₂为目标到接收端节点之间的距离，因此，n可以表示为：

n = \frac{{r_{n}}^{2} (d_{1} + d_{2})}{λ d_{1} d_{2}} - - - (2)

因此，对于不同的d₁和d₂，根据公式(1)，可以求得不同的n。如图1所示，可以看出目标遮挡的费涅尔区(图中椭圆所示)越多，链路RSSI衰减越大，即可知对于目标处于不同位置的情况，对应于不同的d₁和d₂，因而得到不同的n，而不同的n表示目标所遮挡的菲涅尔区个数不同，进而RSSI衰减不同，即证明了信号对称特性1。

信号对称特性2：

通常，费涅尔绕射参数可通过以下公式计算得到

v = h \sqrt{\frac{2 (d_{1} + d_{2})}{λ d_{1} d_{2}}} - - - (3)

其中，h为目标的有效高度。

根据公式3可知，对于相同的菲涅尔绕射参数v来说，d₁和d₂具有对称性，也就是说d₁和d₂取值在互换的情况下，并不影响参数v的取值。因此，当目标处于该区域的对称位置时，其对应的d₁和d₂具有对称性，而参数v是不变的，进而由目标引起的绕射增益不变，因此，证明了信号对称特性2。

信号对称特性3：

通常情况下，如果目标没有遮挡第一费涅尔区，那么绕射损耗将会很小，绕射影响可以忽略不计，事实上，只要第一费涅尔区的55％不被遮挡，其绕射损耗将不会不产生明显影响。这就意味着，目标遮挡所影响的范围是有限的。由此，证明了信号对称特性3。

通过上述的推导与分析，验证了所提出的信号对称模型的三个特性。接下来，在真实场景中，按照上述模型部署节点，获取实际环境中的RSSI数据，对所提出的信号对称模型的特性进行验证。

实验具体步骤如下：

步骤一：部署实验场景。如图1所示，申请人在学校空旷的操场上，部署两个Micaz节点(CC2420芯片，2.4Hz)，一个作为发送端，另一个作为接收端，两个节点之间的距离为4米，距离地面高0.8米，整个监测区域被划分为7*12个方格，四个子区域，每个方格的边长为0.5米。其部署的俯视图如图2所示。目标依次站在每个方格，分别收集相应的100条RSSI数据。

步骤二：对于每个方格上收到的RSSI数据求取均值。

步骤三：分析与处理实验数据。图3(a)表示了当目标位于每个方格时，节点RSSI值的实验结果。不同的颜色代表不同的RSSI值，其中颜色深黑色部分的数值对应没有目标干扰的情况下，即链路在静态下的RSSI，因此图中颜色深黑色部分对应的区域则表示单链路所不能检测到的区域(图3(b)的表现更加清楚)，同时当目标站在位于垂直线上下1米的位置时，RSSI值变化不明显，进而说明单链路的有效检测范围是有限的，即验证了信号对称特性3。从图3(a)中还可以看出，不同方格对应的RSSI值不同，当目标接近中点时，RSSI值变大，当目标靠近节点时，RSSI值变小，也就是说明目标位于不同位置时，对于链路RSSI的影响是不同的，即验证了信号对称特性1。当目标站在以水平线和垂直线划分的对称区域时，RSSI值也表现出近似对称的性质，即证明了信号对称特性2。

通过以上真实场景实验，验证了单链路下RSSI值和目标位置的对应关系遵循信号对称特性，为后续目标位置估计的工作提供了有力依据。

然而，在信号对称模型中，单链路的目标检测能力是有限的，要想确保一定的目标定位准确率，必须通过多条链路的RSSI进行综合判定，所以申请人提出了基于多链路的单元测试模型。

接下来，进行单元测试模型的分析，具体的内容如下：

首先，分析单元测试模型的结构：

不同的链路条数以及在相同链路条数下不同的部署结构，会直接影响定位的性能。直观上来看，链路条数越多，定位的准确率越高，但是当链路条数增加时，无疑也增加了网络的通信开销，对于能量受限的传感器节点，这将影响到整个网络的生命周期。此外，当链路条数增加到一定程度时，定位准确率将会逼近最大值，此时，无论链路条数再增加，其定位的准确率将基本保持不变，因此，在建立由多条链路构成的单元检测模型时，需要综合考虑网络通信代价、节点能耗、定位准确率等诸多因素，寻求单元检测模型的最优结构。

如图4所示，申请人提出了三种可能的单元检测模型结构，即车轮型、三角形和十字交叉型，并综合考虑、分析稀疏度、覆盖度以及每种几何结构下节点之间的通信代价，作为单元检测模型结构的评判标准。

三个性能参数定义如下：

稀疏度：在一定面积的覆盖区域内，部署节点的疏密程度；

覆盖度：部署的节点所形成的所有链路RSSI有效覆盖被监测区域的程度。

节点通信代价：同一时刻，节点接收其他节点数据包的多少。

下面，以上述三个性能参数为依据，分析单元检测模型的三种可能的结构的性能。

首先，对于车轮型的结构模型来说，如图4(a)所示。

假设相互通信的节点间距离为4米，其稀疏度可以看做为覆盖8m×8m的区域，需要12+1个节点，形成12条通信链路；

覆盖度：以4米为半径的圆，一周部署12个节点，组成正十二边形，其完全覆盖会有重叠，因此不存在检测不到的区域；

节点通信代价：节点分为发送节点和接收节点，圆周上的12个节点同时给圆心的1个节点发数据包，12条链路，需要考虑冲突避免。

其次，对于三角形结构模型，如图4(b)所示。

稀疏度为覆盖大约8m×8m的区域，需要节点7个(正六边形)，形成12条链路；

覆盖度：三角形的各个链路能够有效覆盖该三角形区域，因此不存在盲区；

节点通信代价：节点分为发送节点、接收节点、发送接收节点；形成3条通信链路，同一时刻，不会有过多的通信开销。

最后，对于十字交叉型结构，如图4(c)所示。

稀疏度为覆盖8m*8m的区域，需要节点12个，形成8条链路；

覆盖度：位于检测区域4个角的1m*1m的区域为检测盲区，没有相应的RSSI能够有效的反应此处位置信息，而整体的部署即多个十字交叉型的组合会产生多个盲区；

节点通信代价：只有2条链路，节点分为发送节点和接收节点，接收节点同时收2个节点的数据包，相对于车轮型结构来说，通信开销小。

通过以上分析对比知：

在稀疏度上，三种结构从优到劣的排序为三角形结构、十字交叉型结构、车轮型结构。

在覆盖度上，车轮型结构最优，其次是三角形结构，最后是十字交叉型结构。

在节点通信代价上，十字交叉型结构优于三角形结构，三角形结构优于车轮型结构。

所以，综合考虑这三个性能参数，最终选取三角形结构作为单元检测模型的最优结构。

确定单元检测模型的最优结构后，然后，需要建立并验证单元测试模型。

步骤一：场景部署。如图5所示，单元检测模型包括三条通信链路，由等边为1米的三角形构成，将其中一条链路所覆盖的区域划分为s×t(7×5)个小方格。

步骤二：基于贝叶斯概率建立单元测试模型。利用贝叶斯分类器，建立单元检测模型，该模型的输入为三条链路的RSSI值所构成的RSSI向量，模型的输出则是目标可能的位置。

建立并验证单元测试模型后，最后，将单元检测模型在不同链路长度上进行迁移，同时，在不同场景下，对比单元检测模型定位的性能。

首先，分析基于不同链路长度的模型迁移。

之前建立的单元检测模型中，假设节点间的距离为4米，然而，在实际的场景中，节点的距离是可以改变的。而节点的距离越大，划分的网格越多。因此，需要分析RSSI和目标位置之间的关系。

在4米的单元检测模型中，每条垂直线上的RSSI分布规律近似一致。如图6所示，当目标位于每条垂直线的中点时候，RSSI变小；当目标远离各个中点时，RSSI值变大。因此，其他垂直线上的RSSI分布可以看做是参考垂直线上RSSI分布的旋转或者拉伸，进而，将一条垂直线上的RSSI分布迁移到另一条垂直线上是可能的。

选择两个节点间中垂线作为参考垂直线，定义f为RSSI值和方格位置之间的函数关系，即r⁽ⁱ⁾＝f(L⁽ⁱ⁾)，1＜i＜k，其中k是垂直线的个数，L：{L⁽ⁱ⁾＝(x⁽ⁱ⁾，y⁽ⁱ⁾)}方格位置的集合，{r⁽ⁱ⁾}是每一条垂直线i相关的RSSI值。

RSSI从参考垂直线L_MVL变化到第i个垂直线

计算如下：

其中，α⁽ⁱ⁾和β⁽ⁱ⁾表示变化的相关系数。

因此，不同链路长度的单元检测模型的建立可以通过从参考垂直线的RSSI值迁移到其他垂直线上。这使得更加简单并且可扩展性强。

然后，在不同场景下，对比单元检测模型定位的性能，具体按下列步骤进行：

步骤一：实验场景部署。如图8所示，在空旷的操场上，使用芯片为CC2420，信道频率为2.4GHz的Micaz节点进行实验。所有的节点均放置在高度为0.95米的支架上，节点间的距离为4米。所有节点的位置信息已知，当目标进入检监测区域时，通过单元检测模型即可估计出目标的位置(xi，yi)。

步骤二：对比及分析实验结果：

将三角形模型的单元检测模型分别与单链路的对比、不同链路长度对比、其他算法的对比，来评定单元检测模型的定位性能优劣。

1)单元检测模型与单链路的定位性能对比：

实验中，如图5部署节点，构成三条链路，将这三条链路的RSSI值记为向量

然后，利用单元监测模型，和所测的的RSSI向量

估计目标的位置，定位性能对比结果如图9所示，横轴为误差容忍，纵轴为定位精确度，显然，与单链路比，单元测试模型的定位精度有很显著的提高，特别是，当误差容忍少于1米时。例如，当误差容忍设为0.5米时，正确定位率提高了39.5％。

2)单元检测模型中，不同链路长度的对比：

如图10所示，横轴为误差容忍与链路长度的比值，纵轴为定位精确度，显然，当链路越长，相应的定位精确度越低，这是因为噪音的影响，距离越远，RSSI值就越弱。如果将误差容忍设为0.5米，则对于2米、4米、6米和8米的定位精确度依次为80.6％、64.4％、43.4％和27.6％。可见，定位精确度受链路数量的影响，因此，需要在性能和系统代价上权衡。

3)不同算法的对比：

将单元检测模型、中点算法和交叉点算法进行了对比，如图11所示，横轴为误差容忍，纵轴为定位精确度，显然，与中点算法和交叉点算法相比，单元检测模型对目标定位的精确度有显著的提高，特别是，当误差容忍少于1.5米时。

综上所述，单元检测比较适合稀疏部署场景，它尽可能满足了在保证一定的目标定位正确率的前提下，通过网络的稀疏部署，用最少的节点有效的监测目标，以获取其位置信息需求。

接下来，将单元检测模型应用到大规模野生动物定位中，具体步骤如下：

步骤一，构建无线传感器网络：

在秦岭金丝猴保护区的监测区域内，布署100个无线传感器节点和1个汇聚节点，所述的无线传感器节点搭建成由有限个正三角形构成的网络拓扑，每个正三角形的顶点放置Micaz节点，相邻Micaz节点之间间距为4米，Micaz节点距离地面高度为0.8米，相邻Micaz节点之间可以相互通信；所述的汇聚节点离网络拓扑的距离为50米，用于将采集的数据发送到基地，通过网络将数据传至PC机的数据库保存，便于分析处理；

步骤二，参考数据采集：

在进行目标定位之前，需要事先将每个正三角形所围成的区域再进行正三角形剖分，然后将剖分后的所有小三角形的顶点进行位置编号，记为变量N，N＝1，2，3，…，15；让目标依次位于1至15号位置，并记录目标位置编号和相应的向量其中，r₁，r₂和r₃分别对应每个小三角形的三条链路上的RSSI值；进行多次测量后，求平均值作为最终的参考标准，为步骤五做准备，如下表所示：

步骤三，确定目标是否进入监测区域：

步骤四，确定目标进入哪个小三角形：

步骤五，确定目标相对三角形的精确位置：

假设所测RSSI向量为通过计算

取向量p，其中，

查找步骤二中目标位置与RSSI向量的对应关系，从而，确定动物相对该三角形的精确位置(在误差＜＝0.5m时，正确率可达64.4％)。

步骤六，确定目标的实际地理位置：

Claims

1.一种面向野生动物的无线传感器网络的目标定位方法，其特征在于，按下列步骤进行：

步骤一，构建无线传感器网络：

步骤二，参考数据采集：

在进行目标定位之前，需要事先将每个正三角形所围成的区域再进行正三角形剖分，然后将剖分后的所有小三角形的顶点进行位置编号，记为变量N，N=1，2，3，…，15；让目标依次位于1至15号位置，并记录目标位置编号和相应的向量其中，r₁，r₂和r₃分别对应每个小三角形的三条链路上的RSSI值；进行多次测量后，求平均值作为最终的参考标准，为步骤五做准备；

步骤三，确定目标是否进入监测区域：

步骤四，确定目标进入哪个小三角形：

步骤五，确定目标相对三角形的精确位置：

假设所测RSSI向量为

通过计算

取向量p，其中，

查找步骤二中目标位置与RSSI向量的对应关系，从而，确定动物相对该三角形的精确位置；

步骤六，确定目标的实际地理位置：

通过坐标（T，N）确定目标的实际地理位置，其中，T表示拓扑结构中由三个Micaz节点围成的小三角形区域编号，N表示小三角形中每个位置的编号。