CN103547033B - 基于无线传感器执行器网的大型智能灯光节能控制方法 - Google Patents

Abstract

本发明提供了一种基于无线传感器执行器网的大型智能灯光节能控制方法，包括以下步骤：步骤1：初始化传感器节点的滤波器参数；步骤2：打开传感器，对监测区域进行检测；步骤3：对不同的测量信息进行融合；步骤4：计算滤波器增益，更新滤波器的预测值；步骤5：根据当前滤波器的预测值，执行相应的操作。本发明是一种分布式协同估计和控制算法，每个节点能够根据自身的测量信息和接收邻居节点的测量信息协同地估计车辆的状态，控制器根据这些状态控制命令。由于实时地监测车辆和控制灯光，相比传统的照明系统，大大地减少了能耗，根据卡尔曼预测估计需要亮灯的扇形区域，控制灯光的亮度，不仅节约了能量，而且具有非常人性化的舒适度。

Description

基于无线传感器执行器网的大型智能灯光节能控制方法

技术领域

本发明涉及一种无线传感器执行器网的智能灯光控制技术，特别涉及一种基于无线传感器执行器网的大型智能灯光节能控制方法。

背景技术

大型的地下车库通常没有自然光，采用人工照明，安装有大量的灯具，消耗大量的电力资源，尤其是在没有或仅有少量车辆出入时，点亮大量的灯，造成资源浪费。为了达到节能减排的目的，有必要开发一个智能灯光控制系统，根据实际情况，对灯进行合理的调度，以减少能量消耗。无线传感器执行器网具有低功耗、低成本、分布式和自组织的特点，能够有效克服单个传感器节点自身因计算能力、探测范围、通信带宽等带来的限制，提高网络的可靠性，扩大无线传感器执行器网的应用范围，结合无线传感器执行器网的优点，可以将其应用于智能灯光控制领域，实现对灯光的合理控制，达到节能的目的。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于无线传感器执行器网的大型智能灯光节能控制方法，该方法是分布式的，每个节点在网络中的地位是对等的，不需要信息融合中心，对于单个节点或通信链路是鲁棒的，且不需要复杂的通信协议来传递信息。

本发明的目的通过下述技术方案实现：一种基于无线传感器执行器网的大型智能灯光节能控制方法，包括以下步骤：

步骤1：初始化传感器节点的滤波器参数；

步骤2：打开传感器，对监测区域进行检测；

步骤3：对不同的测量信息进行融合；

步骤4：计算滤波器增益，更新滤波器的预测值；

步骤5：根据当前滤波器的预测值，执行相应的操作。

所述步骤1中，所述的滤波器参数包括状态预测矩阵、误差协方差矩阵、测量值存储器和测量值计数器，所述状态预测矩阵服从高斯分布。

所述步骤2中，对监测区域进行检测，如果有测量值，将测量值进行存储；如果没有，则令当前节点的测量值为零；所述节点的测量值包括自身传感器的测量值和接收到的其他传感器节点的测量值。

所述步骤3包括以下步骤：

S31、如果当前节点的传感器有测量值，则当前节点竞争信道，将当传感器的测量值广播给其他节点，通信阶段的其他非广播时段，则接收其他节点的测量值，并进行存储和计数；如果当前节点的传感器没有测量值，则监听信道，接收其他节点的测量值，并进行存储和计数；

S32、具有测量值的节点对测量值存储器中的所有测量值进行求和，求取所有测量值的平均值及其误差协方差矩阵，完成信息融合；

S33、所有传感器所处的环境相同，其测量误差协方差矩阵相同，当前节点只广播测量值以提高通信效率。

所述步骤3包括以下步骤：

A31、在具有测量值的节点中随机选择一个节点作为簇头节点，其他非簇头节点竞争信道，广播其传感器的测量值，簇头节点接收其他簇头节点的测量值并进行存储和计数；

A32、簇头节点将其测量值存储器中的所有测量值进行求和，求取多个测量值的平均值及其误差协方差矩阵，完成信息融合；

A33、所有传感器所处的环境相同，其测量误差协方差矩阵相同，当前节点只广播测量值以提高通信效率。

所述步骤4包括以下步骤：

S41、如果当前节点有融合后的测量信息，当前节点运用卡尔曼最优预测方程，计算滤波器的增益；

S42、更新当前时刻的预测信息，当前时刻的更新值包括状态预测值和协方差矩阵。

所述步骤4包括以下步骤：

A41、簇头节点接收上一簇头节点的状态预测值和协方差矩阵；

S42、簇头节点根据融合后的测量信息和接收到的预测信息，计算当前时刻的滤波器增益，更新当前时刻的预测信息，将状态预测值进行广播，一段时间后停止广播；准备将预测信息发送给下一个簇头节点。

所述的步骤5包括以下步骤：

S51、如果当前节点有预测值，依据预测值，判断当前节点是否亮灯，发出控制指令，并转到步骤2继续执行程序；

S52、如果当前节点没有预测值，则转到步骤1继续执行程序。

所述的步骤5包括以下步骤：

A51、簇头节点根据预测值，判断簇头节点是否亮灯，发出控制指令；

A52、非簇头节点，接收信道中的状态预测值，判断当前节点是否亮灯，发出控制指令；

A53、如果非簇头节点需要亮灯，将簇头节点的状态预测值进行路由转发，转到步骤2继续执行程序；如果不需要亮灯，转到步骤2继续执行程序；

A54、为避免重复接收数据，非簇头节点接收到一次状态预测值后即停止接收数据。

所述步骤5中，需要亮灯的区域为扇形区域，所述扇形区域是以车辆为圆心、r为半径以及夹角为θ的区域，所述扇形区域的角平分线为车辆的速度方向；灯光的强度与灯和车的距离成反比，距离越远灯越暗，灯光强度的控制算法不局限与此。

本发明至少可以通过以下两种方式实现：

方式一：

本方式在系统中每个工作传感器节点并行处理信息并且只与自己的邻居节点交换信息，达到信息协同处理的目的，系统是全分布式的，可以进行大规模扩充。其中，当前节点的邻居节点是指位于当前节点通信范围内的节点。

现以当前节点s_i为例说明所采取的技术方案：

第一步：初始化节点的滤波器参数；

第二步：打开传感器，对监测区域进行检测；

第三步：当前节点与邻居节点交换测量信息；

第四步：计算滤波器增益，根据第三步中交换的测量信息，更新滤波器的预测值；

第五步：如果当前节点具有预测值，依据当前节点的预测值，发出控制指令，转入到第二步继续执行程序；如果当前节点没有预测值，则转到第一步继续执行程序。

其中上述所述第一步中，所述的滤波器参数包括状态预计值，误差协方差矩阵，测量值存储器，测量值计数器。其中状态预测值服从高斯分布。

上述所述第二步中，传感器对监测区域进行检测，如果有测量值，将测量值进行存储；如果没有，则令传感器的测量值为零。

上述所述第三步中，所述的交换测量信息包括当前节点广播其测量信息给邻居节点和当前节点接收来自邻居节点的测量信息。其中

3.1、当前节点的邻居节点是指位于当前节点通信范围内的其他节点。

3.2、如果当前节点没有测量信息，当前节点只接收其他节点的测量信息并进行存储，不进行广播，以提高通信效率。

上述所述第四步中包括以下步骤：

4.1、当前节点将自己的测量信息与收到的测量信息进行融合，求取其均值，并计算测量误差的协方差矩阵。如果当前节点没有自己的测量信息，则仅将收到的测量信息进行融合。

4.2、当前节点运用卡尔曼最优预测方程，更新当前时刻的预测值。当前时刻的更新值包括状态预测值和协方差矩阵。

上述所述第五步中包括以下步骤：

5.1、如果当前节点有预测值，依据预测值，判断当前节点是否亮灯，发出控制指令，转到第二步继续执行程序。其中，需要亮灯的区域为以车辆为圆心，r为半径，夹角为θ的扇形区域，扇形区域的角平分线为车辆的速度方向。灯光的强度与灯和车的距离成反比，距离越远灯越暗，灯光强度的控制方法不局限与此。

5.2、如果当前节点没有预测值，则转到第一步继续执行程序。

附图1给出了实施例一实现的流程图。

方式二：

与实施例一的完全分布式结构不同，实施例二采用局部集中控制，整体分布式的控制算法，利用其他节点的历史数据，提高预测精度。

方式二包括以下步骤：

第一步：初始化节点的滤波器参数，设置初始簇头节点；

第二步：打开传感器，对监测区域进行检测；

第三步：选取簇头节点，接收上个簇头节点的预测值信息，接收其他节点的测量信息。

第四步：簇头节点更新滤波器的预测值，将状态预测值广播给其他节点，发出控制指令，准备将预测信息发送给下一个簇头节点。然后转到第二步继续执行程序。

第五步：其他非簇头节点接收信道中的状态预测值，依据状态预测值，发出控制指令，并对簇头节点的预测信息进行路由转发，转到第二步继续执行程序。

其中，上述所述第一步中，滤波器参数包括状态预测值和误差协方差矩阵，且滤波器的状态预测值服从高斯分布。初始簇头节点为i＝1。

其中上述所述第二步中，传感器节点对监测区域进行检测，如果有测量值，将测量值进行存储；如果没有，则令当前节点的测量值为零。

其中上述所述第三步中，中包括以下步骤：

3.1、簇头节点的选择遵循以下原则：在具有测量信息的传感器节点中，随机选取一个节点作为当前时刻的簇头节点。

3.2、上个簇头节点的预测信息包括状态预测值和误差协方差矩阵。

3.3、具有测量信息的传感器节点将其测量信息发送给簇头节点，发送完毕后，准备接收簇头节点的状态预测信息。

3.4、簇头节点接收其他节点的测量信息，并进行存储和计数统计。

其中上述所述第四步中，包括以下步骤：

4.1、簇头节点接收其他节点的测量信息后，求取所有测量信息的平均值，并计算测量平均值的误差协方差矩阵。

4.2、簇头节点运用卡尔曼最优预测方程，更新当前时刻的预测值，其中包括状态预测值和误差协方差矩阵。

4.3、簇头节点根据当前时刻的状态预测值，对簇头节点所控制的灯发出控制指令。

4.4、簇头节点将状态预测值广播出去，发送给其他节点。

4.5、簇头节点准备好将预测信息发送给下一时刻的簇头节点。

其中上述所述第五步中，包括以下步骤：

5.1、其他非簇头节点，接收簇头节点或其他节点广播的状态预测值，依据状态预测值，对当前节点所控制的灯发出控制指令。其中，为了避免重复接收数据，当前节点收到一次状态预测信息后即刻停止数据接收。

5.2、如果当前节点在需要亮灯的区域内，则将簇头节点的状态预测信息进行转发，然后转到步骤2继续执行程序。如果当前节点不在需要亮灯的区域内，则直接转到第二步继续执行程序。其中，需要亮灯的区域为以车辆为圆心，r为半径，夹角为θ的扇形区域，扇形区域的角平分线为车辆的速度方向。灯光的强度与灯和车的距离成反比，距离越远灯越暗，灯光强度的控制算法不局限与此。

5.3、如果当前节点在当前工作周期内没有接收到任何预测数据，则转到第二步继续执行程序。

附图2给出了实施例二实现的流程图。

本发明相对于现有技术具有如下的优点及效果：

1、本发明中，提出的亮灯区域为扇形区域，相比于传统的全部灯都亮的方式减少大量的能耗。而且，有车辆进入监测区域时对应的灯才亮，车辆离开检测区域，灯自动熄灭。进一步，即使检测区域的灯亮，亮度也不一样，离车近的地方亮度高，远处逐渐变暗。这样，进一步节约能量。

2、本发明采用无线传感器执行器网协同监测车辆的动态信息，成本较低，系统的鲁棒性好，容错能力强。

3、本发明中采用的卡尔曼最优预测方法，是一种估计误差最小的最优估计，便于在线实时更新预测值和误差协方差矩阵。

4、本发明利用多个传感器节点协同工作，具有较高的估计精度。

5、本发明根据卡尔曼滤波方法预测和估计车辆或人员的动态信息，动态实时的控制灯光亮和灭及亮度。

附图说明

图1是本发明实施例1的控制算法流程图。

图2是本发明实施例2的控制算法流程图。

图3是本发明实施例2的仿真运行结果图；其中，黑色实线线表示车辆的实际运动轨迹，黑色虚线扇形区域表示需要亮灯的区域，空心圆圈表示没有亮的灯，实心圆圈表示亮的灯。

图4是本发明的预测误差随时间的变化曲线。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

对于无线传感器执行器网中的分布式状态估计，考虑如下离散线性时不变系统的状态方程：

X(k+1)＝AX(k)+Bw(k)，（1）

其中X(k)为k时刻系统的状态变量，分别为车的位置的横坐标、纵坐标、速度的横坐标、纵坐标，A和B为适当维数的矩阵，w(k)是具有均值为零，方差为Q的状态噪声。

我们使用无线传感器网络来测量系统的状态变量，并运用卡尔曼滤波算法对系统的状态进行一步最优预测，在时刻k，当车辆在s_i的监测范围内时，相应的测量方程为：

Z_i(k)＝HX(k)+v(k)，（2）

其中Z_i(k)为传感器节点s_i在时刻k的测量值，v(k)是具有均值为零，方差为R₀的高斯随机噪声。其中i∈{1,2,...,N}。N为节点个数。

本发明的目标是设计一种分布式状态估计算法，运用卡尔曼预测方程对系统的状态进行一步最优估计，根据估计结果对灯光进行控制，在满足实际需要的同时，实现节能的目的。

下面对本发明的内容作进一步的阐述，以前节点为s_i为例：

一种基于无线传感器执行器网的大型智能灯光节能控制方法，主要包括以下步骤：

第一步：初始化每个节点的参数。其中包括滤波器的初始预测值，预测协方差矩阵的初始值Pⁱ(0|-1)＝P₀，将测量值存储器、计数器清零。其中i∈{1,2,...,N}。N为节点个数。

第二步：打开传感器节点，对监测区域进行检测。如果车辆在当前节点的监测范围内，对车辆的运动状态进行测量，获得k时刻的测量信息

Z_i(k)＝HX(k)+v(k)，

否则令Z_i(k)＝0。

第三步：当前节点与邻居节点进行信息交换。其中，s_i的邻居节点是指位于s_i通信范围内的节点s_j。如果当前节点具有测量信息Z_i(k)，则将当前节点的测量值Z_i(k)发送给邻居节点s_j，同时接收邻居节点s_j的测量值并进行存储和计数统计，n_i为当前节点所具有的测量值的个数，是当前节点的测量值和收到的邻居节点的测量值的个数之和。

注意：因为在同一相邻区域内，各传感器节点的测量噪声近似相同，易得R_i＝R_j＝R₀，其中R_j为邻居节点的测量噪声协方差矩阵，因此在通信时，邻居节点间只需交换测量信息，可以节约通信带宽，提高通信效率。

第四步：运用卡尔曼最优预测方程计算车辆运动状态的预测值和误差协方差矩阵。

1）根据第三步中信息交换的结果，求取测量值的平均值

${\stackrel{\‾}{Z}}_i=\frac{Z_i+\mathrm{\Σ}{Z}_j}{n_i},$

其中，Z_i为当前节点的测量值，ΣZ_j为所获得的邻居节点的测量值的和。由于每个传感器节点独立进行测量，其测量值是独立同分布的高斯随机数，因此，的误差协方差矩阵

$R_i=\frac{R_0}{n_i},$

2）计算当前节点的卡尔曼增益Kⁱ(k)，具体计算如下：

Kⁱ(k)＝APⁱ(k|k-1)H^T[HPⁱ(k|k-1)H^T+R_i]^-1，

3)根据1）中得到的测量信息更新状态预测值和误差协方差矩阵Pⁱ(k+1|k)

$\begin{array}{c}{\hat{X}}^i(k+1|k)=A{\hat{X}}^i\left(k\right|k-1)+K^i\left(k\right)({\stackrel{\‾}{Z}}_i\left(k\right)-H{\hat{X}}^i\left(k\right|k-1)),\\ P^i(k+1|k)={\mathrm{AP}}^i\left(k\right|k-1)A^T-K^i\left(k\right){\mathrm{HP}}^i\left(k\right|k-1)A^T+{\mathrm{BQB}}^T,\end{array}$

第五步：依据当前节点得到的状态预测值，判断当前节点是否处在需要亮灯的区域，发出控制指令，转到第二步继续执行程序。需要亮灯的区域为以车辆为圆心，r为半径，夹角为θ的扇形区域，扇形区域的角平分线为车辆的速度方向；

$\begin{array}{c}{d}_i=\left|\right|Y_i-{\hat{E}}^i(k+1|k)\left|\right|<r,\\ a_i={(Y_i-{\hat{E}}^i(k+1|k))}^T{\hat{V}}^i(k+1|k)\&GreaterEqual;\cos \left(\mathrm{\&theta;}\right),\end{array}$

其中Y_i为当前节点的位置，车辆位置的预测值，d_i预测值与当前传感器节点之间的距离，为速度的预测值，a_i车辆位置的预测值与传感器节点之间的位置差矢量与速度矢量夹角的余弦值。

4）如果当前节点没有状态预测值，则转到第一步继续执行程序。

为了验证上述分布式信息协同估计算法的有效性，采用以下方法进行验证：

在监控区域是110×110米的方形区域内，用N＝100个均匀分布的传感器节点构成的无线传感器执行器网来跟踪一辆车，车辆的状态方程和测量方程为具体实施方式中的（1）和（2）式，各参数表示为：

$A=\left[\begin{array}{cccc}1& 0& 0.05& 0\\ 0& 1& 0& 0.05\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],B=\left[\begin{array}{cc}0& 0\\ 0& 0\\ 0.05& 0\\ 0& 0.05\end{array}\right],H=\left[\begin{array}{c}1\\ 1\\ 1\\ 1\end{array}\right],Q=\left[\begin{array}{cc}5& 0\\ 0& 5\end{array}\right],R_0=\left[\begin{array}{cccc}2& 0& 0& 0\\ 0& 2& 0& 0\\ 0& 0& 3& 0\\ 0& 0& 0& 3\end{array}\right],$

对于每个滤波器的初始值选取，

${\hat{X}}^i\left(0\right|-1)=Z^i,P^i\left(0\right|-1)=\left[\begin{array}{cccc}5& 0& 0& 0\\ 0& 5& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],$

仿真步长h＝0.05秒，总时间步k＝150。传感器节点的测量半径为20米，通信半径为30米。需要亮灯的扇形区域半径为为40米，扇形夹角为60度。

定义预测误差为：

$e\left(k\right)=\left|\right|X\left(k\right)-\hat{X}\left(k\right|k-1)\left|\right|,$

考虑多个节点的平均预测误差：

$e\left(k\right)=\frac{1}{n}\mathrm{\&Sigma;}\left|\right|X\left(k\right)-{\hat{X}}^i\left(k\right|k-1)\left|\right|,$

其中，n为预测值的个数，Xⁱ(k)和分别为当前时刻车辆的实际状态和预测状态。

本实施例一是完全分布式的系统，各个节点在系统中的地位对等，个别节点出现问题退出时，不会波及其他节点，系统的鲁棒性较好。

实施例2

本实施例除以下内容外，同实施例1：

一种基于无线传感器执行器网的大型智能灯光节能控制方法，主要包括以下步骤：

第一步：初始化每个滤波器的状态误差协方差矩阵Pⁱ(0|-1)＝P₀，其中i∈{1,2,...,N}。N为节点个数。令i＝1为初始簇头节点；

第二步：打开传感器节点，对监测区域进行检测，如果车辆在当前节点s_i的监测范围内，则可获得k时刻的测量值：

Z_i(k)＝HX(k)+v(k)，

否则，令Z_i(k)＝0；

第三步：选取簇头节点，接收上个簇头节点的状态预测值误差协方差矩阵P(k|k-1)；

具有测量信息的传感器节点将其测量信息发送给簇头节点，发送完毕后，准备接收簇头节点的状态预测信息；

簇头节点接收其他节点的测量信息Z_i(k)，并进行存储和计数；

第四步：1）根据收到的测量信息，计算测量信息的平均值：

$\stackrel{\&OverBar;}{Z}=\frac{\mathrm{\&Sigma;}{Z}_i}{n},$

其中，ΣZ_i为簇头节点所获得的测量值的和，n为测量值的个数。由于每个传感器节点独立进行测量，其测量值是独立同分布的高斯随机数，因此，的误差协方差矩阵：

$R=\frac{R_0}{n},$

计算最优的当前卡尔曼增益K(k)：

K(k)＝AP(k|k-1)H^T[HP(k|k-1)H^T+R]^-1，

根据1）中的测量信息，更新状态预测值和误差协方差矩阵P(k+1|k)；

$\begin{array}{c}\hat{X}(k+1|k)=A\hat{X}\left(k\right|k-1)+K\left(k\right)(\stackrel{\&OverBar;}{Z}\left(k\right)-H\hat{X}\left(k\right|k-1));\\ P(k+1|k)=\mathrm{AP}\left(k\right|k-1)A^T-K\left(k\right)\mathrm{HP}\left(k\right|k-1)A^T+{\mathrm{BQB}}^T;\end{array}$

簇头节点根据预测值，判断簇头节点是否处在需要亮灯的区域，发出控制指令，同时将状态预测值广播出去，发送给其他节点；

簇头节点做好准备，将状态预测值和误差协方差矩阵发送给下一时刻的簇头节点；

第五步：其他非簇头节点，接收信道中的状态预测值，具体包括以下步骤：

1）当前节点根据接收到的预测值，判断当前节点是否处在需要亮灯的区域，如果在，则点亮该节点控制的灯，同时将簇头节点的预测值广播出去，进行路由转发。否则，转到第二步继续执行程序；

2）为了避免重复接收数据，当前节点在收到一次状态预测值后停止接收；

3）如果当前节点在当前工作周期内没有收到任何预测值，则转到第二步继续执行程序。

其中，需要亮灯的区域为以车辆为圆心，r为半径，夹角为θ的扇形区域，扇形区域的角平分线为车辆的速度方向。灯光的亮度也可根据实际需要进行调节。

为了验证上述分布式信息协同估计算法的有效性，采用以下方法进行验证：

在监控区域是110×110米的方形区域内，用N＝100个规则分布的传感器节点构成的无线传感器执行器网来跟踪一辆车，车辆的状态方程和测量方程为具体实施方式中的（1）和（2）式，各参数表示为：

$A=\left[\begin{array}{cccc}1& 0& 0.05& 0\\ 0& 1& 0& 0.05\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],B=\left[\begin{array}{cc}0& 0\\ 0& 0\\ 0.05& 0\\ 0& 0.05\end{array}\right],H=\left[\begin{array}{c}1\\ 1\\ 1\\ 1\end{array}\right],Q=\left[\begin{array}{cc}5& 0\\ 0& 5\end{array}\right],R_0=\left[\begin{array}{cccc}2& 0& 0& 0\\ 0& 2& 0& 0\\ 0& 0& 3& 0\\ 0& 0& 0& 3\end{array}\right],$

每个滤波器的初始值，

$\hat{X}\left(0\right|-1)=\left[\begin{array}{c}0\\ 0\\ 10\\ 10\end{array}\right],P\left(0\right|-1)=\left[\begin{array}{cccc}5& 0& 0& 0\\ 0& 5& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

仿真步长h＝0.05秒，总时间步k＝150。传感器节点的测量半径为20米，通信半径为30米，需要亮灯的扇形区域半径为为40米，扇形夹角为60度。

定义预测误差为：

$e\left(k\right)=\left|\right|X\left(k\right)-\hat{X}\left(k\right|k-1)\left|\right|,$

此实施例二是半分布式的系统，在局部进行集中控制，随着时间的推移，预测误差逐步减少，估计精度较高。

图3为采用上述参数所得到的仿真结果图，图中可以看出，该算法具有较高的估计精度。

图4分别展示了两种算法的估计误差，从图中可以看出，实施例2具有较小的估计误差。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，包括以下步骤：

步骤1：初始化传感器节点的滤波器参数；

步骤2：打开传感器，对监测区域进行检测；

步骤3：对不同的测量信息进行融合；

步骤4：计算滤波器增益，更新滤波器的预测值；

步骤5：根据当前滤波器的预测值，执行相应的操作；

所述的步骤5包括以下步骤：

A51、簇头节点根据预测值，判断簇头节点是否亮灯，发出控制指令；

A52、非簇头节点，接收信道中的状态预测值，判断当前节点是否亮灯，发出控制指令；

A53、如果非簇头节点需要亮灯，将簇头节点的状态预测值进行路由转发，转到步骤2继续执行程序；如果不需要亮灯，转到步骤2继续执行程序；

A54、为避免重复接收数据，非簇头节点接收到一次状态预测值后即停止接收数据。

2.根据权利要求1所述的基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，所述步骤1中，所述的滤波器参数包括状态预测矩阵、误差协方差矩阵、测量值存储器和测量值计数器，所述状态预测矩阵服从高斯分布。

3.根据权利要求1所述的基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，所述步骤2中，对监测区域进行检测，如果有测量值，将测量值进行存储；如果没有，则令当前节点的测量值为零；所述节点的测量值包括自身传感器的测量值和接收到的其他传感器节点的测量值。

4.根据权利要求1所述的基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，所述步骤3包括以下步骤：

S31、如果当前节点的传感器有测量值，则当前节点竞争信道，将当传感器的测量值广播给其他节点，通信阶段的其他非广播时段，则接收其他节点的测量值，并进行存储和计数；如果当前节点的传感器没有测量值，则监听信道，接收其他节点的测量值，并进行存储和计数；

S32、具有测量值的节点对测量值存储器中的所有测量值进行求和，求取所有测量值的平均值及其误差协方差矩阵，完成信息融合；

S33、所有传感器所处的环境相同，其测量误差协方差矩阵相同，当前节点只广播测量值以提高通信效率。

5.根据权利要求1所述的基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，所述步骤3包括以下步骤：

A31、在具有测量值的节点中随机选择一个节点作为簇头节点，其他非簇头节点竞争信道，广播其传感器的测量值，簇头节点接收其他簇头节点的测量值并进行存储和计数；

A32、簇头节点将其测量值存储器中的所有测量值进行求和，求取多个测量值的平均值及其误差协方差矩阵，完成信息融合；

A33、所有传感器所处的环境相同，其测量误差协方差矩阵相同，当前节点只广播测量值以提高通信效率。

6.根据权利要求1所述的基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，所述步骤4包括以下步骤：

S41、如果当前节点有融合后的测量信息，当前节点运用卡尔曼最优预测方程，计算滤波器的增益；

S42、更新当前时刻的预测信息，当前时刻的更新值包括状态预测值和协方差矩阵。

7.根据权利要求1所述的基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，所述步骤4包括以下步骤：

A41、簇头节点接收上一簇头节点的状态预测值和协方差矩阵；

S42、簇头节点根据融合后的测量信息和接收到的预测信息，计算当前时刻的滤波器增益，更新当前时刻的预测信息，将状态预测值进行广播，一段时间后停止广播；准备将预测信息发送给下一个簇头节点。

8.根据权利要求1所述的基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，所述的步骤5包括以下步骤：

S51、如果当前节点有预测值，依据预测值，判断当前节点是否亮灯，发出控制指令，并转到步骤2继续执行程序；

S52、如果当前节点没有预测值，则转到步骤1继续执行程序。

9.根据权利要求1所述的基于无线传感器执行器网的大型智能灯光节能控制方法，其特征在于，所述步骤5中，需要亮灯的区域为扇形区域，所述扇形区域是以车辆为圆心、r为半径以及夹角为θ的区域，所述扇形区域的角平分线为车辆的速度方向；灯光的强度与灯和车的距离成反比，距离越远灯越暗，灯光强度的控制算法不局限与此。