CN103476110B - 节点自定位与目标跟踪同时进行的分布式算法 - Google Patents

Abstract

本发明提供节点自定位与目标跟踪同时进行的分布式算法，设置若干簇头节点位置已知，若干普通节点未知，并设置存在移动目标，所述移动目标在整个区域内随机运动，同时设置将整个区域被随机划分为M个子区域，具体包括以下步骤：步骤100：进行非完全观测下路径损耗模型参数估计；步骤101：在簇头节点上进行分布式目标粗定位；步骤102：在普通节点上进行目标精确定位；步骤103：在普通节点上设置与目标跟踪同时进行自定位。采用上述方案，可有效消除非完全观测数据中的截断误差等噪声信号的影响，保证各节点观测模型与外部环境实时匹配，保证节点定位与目标跟踪同时进行的模型匹配度。

Description

节点自定位与目标跟踪同时进行的分布式算法

技术领域

本发明属于节点自定位与目标跟踪技术领域，尤其涉及的是一种非完全观测下节点自定位与目标跟踪同时进行的分布式算法。

背景技术

与机器人自主导航中的“同时定位与地图构建”(SLAM)问题类似，节点定位与目标跟踪同时进行的算法研究也面临一个两难问题：为了跟踪目标，节点需要知道自身位置信息；为了节点自定位，多个节点需要明确目标的位置信息。这就好比是一个“egg-chicken”问题。节点需要同时维护两个模型，同时进行节点定位与目标跟踪。

近年来，节点定位与目标跟踪同时进行的算法研究成为无线定位跟踪技术的一个研究热点。该问题的初始条件下，所有的节点都不知道自身以及相邻节点的相对位置信息，因此初始条件下各节点只能进行相对独立的目标跟踪。但如果被跟踪目标遍历覆盖区域内展开的节点，且允许这些节点之间共享跟踪信息，则最终这些节点可以完成自定位。即使这些节点无法估计或共享运动目标的真实轨迹，节点的自定位仍可实现，这是因为该运动目标正在同时被多个节点观测。基于这一原则，现有技术曾提出了不同的解决方案，例如均将定位问题归结为一个贝叶斯判决问题且将观测的后验分布近似为高斯分布。不同之处在于，有的使用迭代的分布式线性化方法同时进行节点定位和目标跟踪，其通信策略的设计过于依赖树结技巧且需要事先设定某一节点的位置；有的则使用矩匹配方法且并非是分布式算法。现有技术中还有将各个节点视为多个隐空间过程，通过建立各节点观测之间的相关函数来实现节点的自定位。该算法实现较为简单，但需要汇聚节点，并非真正意义上的分布式算法且节点自定位时只能对数据进行离线处理。现有技术中还有将节点定位与目标跟踪同时进行的定位算法研究归结为一个隐马尔可夫模型的参数估计问题，将极大似然估计方法应用到节点自定位中，并实现了真正意义上的分布式运算。其与上述方案相比，在应用研究和算法推倒方面都有明显的优势。

因为网络链路质量指示，功率控制等的需要，通常情况下传感器节点带有接收信号强度(RSS)指示器，故基于RSS观测的节点定位与目标跟踪需要很少或根本不需要添加硬件设备，无需额外的信号传输，成本和计算复杂度低。但与此同时因RSS检测方法简易，指示器自身精度有限等原因，RSS观测多为非完全观测数据，即不可避免的存在舍入误差、截断误差及非视距误差等，从而使观测到的RSS值难以准确反映实际的RSS。针对这一问题，现有解决方案在进行节点定位前首先借助期望最大化算法估计路径损耗模型的参数以提高定位的精度，其参数估计的过程需要离线数据处理，实时性较差。目标跟踪是一个在线的数据处理过程，因此如何在目标跟踪的同时实现路径损耗模型参数估计和节点自定位的在线运算，也是节点定位与目标跟踪同时进行的算法研究亟待解决的一个关键问题。现有解决方案提出了一种在线的区域定位序列算法，使用检测方法实现了目标的在线定位。有的解决方案则系统分析了广义状态空间模型的参数在线估计问题，以粒子滤波的观测数据概率密度函数的预测和滤波为基础，从极大似然估计和贝叶斯估计两个方面入手给出了多种在线期望最大化算法和在线梯度速降算法，对解决上述问题有一定的借鉴意义。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种非完全观测下节点自定位与目标跟踪同时进行的分布式算法。

本发明的技术方案如下：

节点自定位与目标跟踪同时进行的分布式算法，其中，设置若干簇头节点位置已知，若干普通节点未知，并设置存在移动目标，所述移动目标在整个区域内随机运动，同时设置将整个区域被随机划分为M个子区域，具体包括以下步骤：

步骤100：针对各簇头节点和普通节点的特定信号传输环境分别进行非完全观测下路径损耗模型参数估计；

步骤101：在簇头节点上基于多元假设检验进行分布式目标粗定位；

步骤102：在普通节点上基于分布式滤波进行目标精确定位；

步骤103：在普通节点上设置与目标跟踪同时进行自定位。

所述的节点自定位与目标跟踪同时进行的分布式算法，其中，所述步骤100中，所述非完全观测下路径损耗模型参数估计是通过预定信息准则筛选最优路径损耗模型，并应用预定算法估计模型参数以消除非完全观测数据中的截断误差、舍入误差以及非视距误差的影响。

所述的节点自定位与目标跟踪同时进行的分布式算法，其中，所述步骤101中采用分布式的序列定位算法，具体步骤为：

步骤1010：对多个簇头节点进行感知；

步骤1011：对多个对簇头节点设置相互通信；

步骤1012：对多个对簇头节点设置假设检验。

所述的节点自定位与目标跟踪同时进行的分布式算法，其中，所述步骤101之后还执行步骤101A：分析分布式序列定位算法的收敛性和精度，并针对定位精度、非完全观测引入误差及定位系统规模的因素，消除对所述分布式序列定位算法复杂度的影响。

所述的节点自定位与目标跟踪同时进行的分布式算法，其中，所述步骤102的具体步骤为：在所述粗定位选定任一子区域，使用扩展卡尔曼滤波或粒子滤波进行目标精确定位。

所述的节点自定位与目标跟踪同时进行的分布式算法，其中，所述步骤103的具体步骤为：使用在线的分布式预定算法或迭代极大似然算法估计普通节点的自身位置，并分析算法的收敛性。

所述的节点自定位与目标跟踪同时进行的分布式算法，其中，设置所述簇头节点与所述普通节点分别通过不同能级与移动目标进行通信，且两类节点的采样序列不同。

采用上述方案：(1)提出基于非完全观测数据的路径损耗模型参数在线估计算法，可有效消除非完全观测数据中的截断误差、舍入误差以及非视距误差等噪声信号的影响，保证各节点观测模型与外部环境实时匹配，同时在线的模型参数估计利于观测数据的实时处理，保证节点定位与目标跟踪同时进行的模型匹配度。

(2)提出基于能量分级的分布式目标跟踪算法，高能级情况下将大尺度的目标跟踪问题归结为区域定位问题，并使用多元假设检验方法解决该问题；低能级情况下将小尺度的目标跟踪问题归结为隐马尔科夫模型的分布式滤波问题，并设计有效的信息传输策略优化滤波结果。

(3)实现与目标跟踪同时进行的分布式节点自定位，设计在线的分布式期望最大化方法估计节点自身位置。

附图说明

图1为本发明的节点定位与目标跟踪示意图。

图2为本发明簇头节点和普通节点运算框图。

图3为本发明簇头节点和普通节点运算具体流程图。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

实施例1

如图1所示，大空心圆表示簇头节点，小空心圆表示普通节点，实心圆表示移动目标，其中簇头节点位置已知，整个区域被随机划分为M个子区域W_a,a∈[1,…M]，移动目标在整个区域内随机运动。首先，当目标进入某一子区域时，附近簇头节点i被激活，与临近的多个簇头节点协同工作确定目标所在子区域W_i。然后，子区域W_i及相邻区域内普通节点被激活，协同完成运动目标精确定位及普通节点的自定位。

本算法是在簇头节点和普通节点的运算中心上分别实现。首先，各簇头节点基于期望最大化(EM)算法在线进行观测模型参数估计，并协同完成基于分布式序列检验的目标粗定位；然后，普通节点在各簇头节点估计结果的基础上在线进行观测模型参数估计，并通过分布式滤波和似然估计协同完成目标的精确定位和节点自定位，具体如图2所示。

如图2所示：(1)非完全观测下路径损耗模型参数估计：针对各簇头节点和普通节点的特定信号传输环境分别展开。通过Akaike信息准则筛选最优路径损耗模型；应用EM算法估计模型参数以消除非完全观测数据中的截断误差、舍入误差以及非视距误差等噪声信号的影响；设计滑动窗口，使用有限的非完全观测数据在线实时估计模型参数。

(2)基于能量分级的分布式目标跟踪：运动目标发射信号强度可分为不同等级，拟通过两级发射信号能量在不同尺度下使用分布式算法跟踪运动目标，提高目标跟踪的灵活性和精确度。

(a)基于多元假设检验的分布式目标粗定位：在簇头节点上实现。在此，将大尺度的目标跟踪问题归结为一个区域定位问题，并使用基于极大后验估计的多元假设检验方法解决该问题。在极大后验估计收敛性分析的基础上，设计分布式的序列定位算法，通过节点感知，多节点相互通信和假设检验三步来实现区域定位，并分析分布式序列定位算法的收敛性和精度，研究定位精度、非完全观测引入误差及定位系统规模等因素对定位算法复杂度的影响。

(b)基于分布式滤波的目标精确定位：在普通节点上实现。在上述目标粗定位选定的子区域内，使用扩展卡尔曼滤波(EKF)或粒子滤波(PF)进行目标精确定位。将子区域内小尺度的目标跟踪问题归结为一个隐马尔科夫模型(HMM)的滤波问题，设计有效的信息传输策略，降低普通节点与相邻节点间的通信量，实现分布式滤波的优化。

(3)与目标跟踪同时进行的分布式节点自定位：将与目标跟踪同时进行的分布式普通节点自定位问题归结为一个HMM的静态参数估计问题。使用在线的分布式EM算法或迭代极大似然(RML)算法估计普通节点的自身位置，并分析算法的收敛性。

本发明是在实施拟探索定位系统中非完全观测下的路径损耗模型参数估计、能级可变的分布式假设检验和分布式滤波在目标跟踪中的应用以及在线的静态隐马尔科夫模型参数估计等问题，有效开展节点定位与目标跟踪同时进行的分布式算法研究。

如图3所示，(1)非完全观测下节点观测模型的参数估计：簇头节点和普通节点分别通过不同能级与移动目标进行通信，且两类节点的采样序列不同。图3中p_i(k)表示高能级情况下k时刻移动目标的发射信号强度，与之对应的簇头节点i的接受信号强度则为r_i(k)，低能级情况下簇头节点与移动目标无法通信；p_j(n)表示高能级情况下n时刻移动目标的发射信号强度，与之对应的普通节点j的接受信号强度则为r_j(n)，表示低能级情况下n时刻移动目标的发射信号强度，与之对应的普通节点j的接受信号强度则为。簇头节点和普通节点估计各自观测模型参数的方法是相同的：首先，通过Akaike信息准则筛选最优路径损耗模型；然后设计滑动窗口，使用EM算法借助有限的非完全观测在线估计模型参数；最后得到一组路径损耗模型参数的估计值β。不同点在于，簇头节点i仅使用高能级观测数据{p_i(k),r_i(k)}，而普通节点j则同时使用高能级观测数据{p_j(n),r_j(n)}和低能级观测数据

(2)基于能量分级的分布式目标跟踪：实现了上述模型参数估计，簇头节点i在高能级观测下与相邻子区域内的其他簇头节点协同完成分布式目标粗定位；以粗定位结果为基础，普通节点j则在两种能级观测下与其他邻居节点协作进行目标的分布式精确跟踪。

(a)基于多元假设检验的分布式目标粗定位：图3中{…Ｈ_ｉ－１，Ｈ_ｉ＋１…}表示与簇头节点i相邻的其他簇头节点进行目标区域定位的判决结果，以此为基础，簇头节点i通过节点感知、多节点交互和多元假设检验三个步骤来完成区域定位H_i=h_i{W_i}，该结果表示簇头节点i判定运动目标在子区域W_i内。

(b)基于分布式滤波的目标精确定位：图3中C_j-1(n)不口R_j-1(n)分别表示与普通节点j相邻的某一邻居节点j-1的自身位置的估计、观测方程的观测转移矩阵和观测噪声的协方差阵。这些信息存储在邻居节点j-1上，可通过无线传输到节点j。普通节点j收到的矩阵

$\left\{\begin{array}{ccc}.& .& .\\ .& .& .\\ .& .& .\\ {\widehat{\mathrm{\θ}}}_{j-1}\left(n\right)& C_{j-1}\left(n\right)& R_{j-1}\left(n\right)\\ {\widehat{\mathrm{\θ}}}_{j+1}\left(n\right)& C_{j+1}\left(n\right)& R_{j+1}\left(n\right)\\ .& .& .\\ .& .& .\\ .& .& .\end{array}\right\}$

表示全部的有效邻居节点信息。普通节点j及其邻居节点上采用传统的分布式EKF或PF算法，难点在于设计有效的信息传输策略，降低普通节点j与其邻居节点的通信量，实现分布式滤波的优化，并最终获得运动目标的最优位置估计

(3)与目标跟踪同时进行的分布式节点自定位：普通节点j在进行目标精确跟踪的同时也在估计自身位置。借助于上述分布式滤波过程中观测概率密度的预报和滤波信息，在线实时更新观测的似然函数，进而实现在线的分布式EM或RML算法以估计节点j的自身位置

本发明中(1)通过Akaike信息准则筛选最优路径损耗模型，设计在线的期望最大化算法以消除非完全观测数据中舍入误差、截断误差及非视距误差等因素影响，提高定位和跟踪的精度。

(2)充分利用发射信号能级变化的信息，在高能级情况下实现基于多元假设检验的分布式目标粗定位，在低能级情况下使用分布式滤波实现目标的精确定位，改善路径损耗模型参数估计和移动目标跟踪的性能。

(3)设计有效的通信规则使多个节点协同完成状态估计，在进行目标跟踪的同时设计在线的分布式极大似然估计算法实现节点的自定位。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种节点自定位与目标跟踪同时进行的分布式算法，其特征在于，设置若干簇头节点位置已知，若干普通节点未知，并设置存在移动目标，所述移动目标在整个区域内随机运动，同时设置将整个区域被随机划分为M个子区域，具体包括以下步骤：

步骤100：针对各簇头节点和普通节点的特定信号传输环境分别进行非完全观测下路径损耗模型参数估计；所述非完全观测下路径损耗模型参数估计，具体为通过Akaike信息准则筛选最优路径损耗模型；应用EM算法估计模型参数以消除非完全观测数据中的截断误差、舍入误差以及非视距误差噪声信号的影响；设计滑动窗口，使用有限的非完全观测数据在线实时估计模型参数；

步骤101：在簇头节点上基于多元假设检验进行分布式目标粗定位；所述多元假设检验进行分布式目标粗定位，具体为在极大后验估计收敛性分析的基础上，设计分布式的序列定位算法，通过节点感知，多节点相互通信和假设检验三步来实现区域定位，并分析分布式序列定位算法的收敛性和精度，研究定位精度、非完全观测引入误差及定位系统规模因素对定位算法复杂度的影响；

步骤102：在普通节点上基于分布式滤波进行目标精确定位；所述在普通节点上基于分布式滤波进行目标精确定位，具体为在步骤101目标粗定位选定的子区域内，使用扩展卡尔曼滤波EKF或粒子滤波PF进行目标精确定位；

步骤103：在普通节点上设置与目标跟踪同时进行自定位；所述在普通节点上设置与目标跟踪同时进行自定位，具体为使用在线的分布式EM算法或迭代极大似然RML算法估计普通节点的自身位置，并分析算法的收敛性。

2.如权利要求1所述的节点自定位与目标跟踪同时进行的分布式算法，其特征在于，所述步骤100中，所述非完全观测下路径损耗模型参数估计是通过预定信息准则筛选最优路径损耗模型，并应用预定算法估计模型参数以消除非完全观测数据中的截断误差、舍入误差以及非视距误差的影响。

3.如权利要求1所述的节点自定位与目标跟踪同时进行的分布式算法，其特征在于，所述步骤101中采用分布式的序列定位算法，具体步骤为：

步骤1010：对多个簇头节点进行感知；对多个对簇头节点设置相互通信；对多个对簇头节点设置假设检验。

4.如权利要求3所述的节点自定位与目标跟踪同时进行的分布式算法，其特征在于，所述步骤101之后还执行步骤101A：分析分布式序列定位算法的收敛性和精度，并针对定位精度、非完全观测引入误差及定位系统规模的因素，消除对所述分布式序列定位算法复杂度的影响。

5.如权利要求1所述的节点自定位与目标跟踪同时进行的分布式算法，其特征在于，所述步骤102的具体步骤为：在所述粗定位选定任一子区域，使用扩展卡尔曼滤波或粒子滤波进行目标精确定位。

6.如权利要求1所述的节点自定位与目标跟踪同时进行的分布式算法，其特征在于，所述步骤103的具体步骤为：使用在线的分布式预定算法或迭代极大似然算法估计普通节点的自身位置，并分析算法的收敛性。

7.如权利要求1所述的节点自定位与目标跟踪同时进行的分布式算法，其特征在于，设置所述簇头节点与所述普通节点分别通过不同能级与移动目标进行通信，且两类节点的采样序列不同。