CN104994470A - 一种基于toa与rss融合的无线传感器网络协作跟踪方法 - Google Patents

Abstract

本发明提出了一种基于TOA与RSS融合的无线传感器网络协作跟踪方法。该方法首先利用传感器测量的TOA与RSS信息估计传感器与目标之间的相对距离，然后基于估计的相对距离修正传感器测量的TOA与RSS信息，最后利用修正的TOA与RSS信息估计目标的位置。该方法通过增加对传感器测量信息的修正技术，提高了对目标位置的跟踪精度。

Description

一种基于TOA与RSS融合的无线传感器网络协作跟踪方法

技术领域

本发明涉及一种无线传感器网络协作跟踪方法，用于集成基于TOA(信号到达时间)与RSS(接收信号强度)测量信息的跟踪优势，属于智能信息处理技术领域。

背景技术

对目标位置的跟踪与定位是无线传感器网络技术的一项重要应用。位置信息在军事和民用领域都是非常重要的，基于位置的服务致力于能够精确确定目标的位置信息，并通过将位置信息应用到各类设备为用户提供个性化的移动服务。通过借助于无线传感器网络所使用的射频信号进行目标位置的跟踪与定位能够很好地克服传统的基于视频、红外等跟踪与定位方法的缺陷，并且通过与传统方法进行异类信息的组合，可以进一步提高对目标位置的跟踪与定位精度。这也使得基于无线传感器网络技术的跟踪与定位拥有巨大的应用前景和发展潜力。

在现有的技术中，根据使用射频信号类型的不同存在多种目标跟踪方法。例如测距方法、测距差方法、测角方法以及联合测距测角方法等。由于跟踪环境的复杂性，没有一种方法能够以足够的跟踪精度服务于所有的场景。实际上，它们中的每一种策略都有自己的优势，也有自己的缺点。在众多跟踪方法中，基于TOA与RSS的跟踪是测距方法中的最常用的策略。基于TOA的方法虽然可以提供高精度的解决方案，但是覆盖范围小；而基于RSS的方法虽然可以提供较大范围的覆盖，但是容易受到环境变化的影响，跟踪精度低。在实际的无线传感器网络中，射频信号往往受到非视距传输效应、多径传播效应、信号衰减规律复杂等因素影响，使得使用单一模式的跟踪方法不能满足实际需求。因此，一种基于TOA与RSS融合的策略应运而生。

在使用TOA与RSS融合的方法中，主要有两种策略实现对目标位置的跟踪。一种是三角质心方法；另一种是非线性滤波器方法。对于三角质心方法，需要至少同时测量三个TOA结果，才能确定一个目标位置，因此当跟踪环境动态变化剧烈或者目标出现较大机动时，可能导致较差的位置跟踪结果，导致对目标位置的失跟；而且当使用传感器的数目较多时，并非所有的观察圆都能够相交在同一点，这也可能导致估计的目标位置有较大误差。同样，非线性滤波器需要假设已知目标的运动方程以及已知测量噪声的统计特性，当假设条件与实际不符时也可能导致较差的目标位置估计结果，而这些假设条件对跟踪者来说往往也是未知的。

对于非线性滤波器方法，目前仍然采用直接将测量信息应用到非线性滤波器来估计目标的位置，因而对于可能出现的非视距传输效应、多径传播效应、信号衰减规律复杂等因素影响，测量噪声与假设条件不符，导致较大的跟踪误差。

发明内容

本发明的目的在于克服现有技术的不足，提出一种新的基于TOA与RSS融合的无线传感器网络协作跟踪方法。该方法通过增加对TOA与RSS信息的修正技术，提高了对目标位置的跟踪精度，满足了实际工程系统的设计需求。

本发明的技术解决方案为：首先设计传感器与目标相对距离变化的模型，其次利用传感器测量的TOA与RSS信息估计传感器与目标之间的相对距离，然后利用估计的相对距离修正传感器测量的TOA与RSS信息，最后基于修正的TOA与RSS信息估计目标的位置。

为达到上述目的，如图1所示，本发明的具体实现步骤如下：

1.设计传感器与目标的相对距离模型；

2.利用传感器测量的TOA与RSS信息估计传感器与目标之间的相对距离；

3.基于估计的相对距离修正TOA与RSS信息；

4.利用修正的TOA与RSS信息估计目标的位置。

本发明有以下一些技术特征：

(1)步骤1所述的设计传感器与目标的相对运动模型是指以传感器与目标之间的相对距离为变量，设计相对距离满足的匀速运动模型。

(2)步骤2所述的估计相对距离是指基于传感器测量的TOA与RSS信息，利用非线性滤波器估计传感器与目标之间的相对距离。

(3)步骤3所述的修正TOA与RSS信息是指将估计的相对距离代入TOA与RSS测量方程，获取修正的TOA与RSS信息。

(4)步骤4所述的估计目标位置信息是指基于修正的TOA与RSS信息，利用非线性滤波器估计目标的位置信息。

本发明的优点和积极效果是：

本发明通过设计传感器与目标之间的相对距离模型，增加了对TOA与RSS测量信息的预处理步骤，实现了对TOA与RSS测量信息的修正，然后利用修正的TOA与RSS信息估计目标的位置，有效提高了对目标位置的跟踪精度。本发明提出的方法计算复杂度合适，能够保证跟踪系统运行的实时性。

附图说明

图1为本发明提出的跟踪方法的流程图；

图2为本发明方法对目标位置跟踪的效果示意图；

图3为本发明方法与传统未进行修正的方法对目标跟踪的位置误差比较示意图；

具体实施方式

参照图1，本发明的具体实现过程如下：

1.设计传感器与目标的相对距离模型

$d_k^s={\mathrm{Fd}}_{k-1}^s+w_{k-1}^s$

$y_k^s=d_k^s+u_k^s$

$z_k^s=K_s-10{\mathrm{\λ}}_{s}log\left(d_k^s\right)+v_k^s$

式中，表示k时刻的第s个传感器与目标之间的相对距离向量；F表示匀速运动模型的状态转移矩阵；表示过程零均值高斯白噪声向量，协方差矩阵为表示k时刻第s个传感器测量的TOA信息；表示k时刻第s个传感器测量的RSS信息；K_s表示第s个传感器的信号功率；λ_s表示路径损耗随距离增大的速率；和分别表示k时刻第s个传感器测量的TOA与RSS噪声，和假设为零均值高斯白噪声，方差分别为和记为TOA与RSS测量信息的联合向量，为第s个传感器测量噪声的协方差矩阵。

不失一般性，假设传感器数量为N。

2.利用测量的TOA与RSS信息估计传感器与目标之间的相对距离

记为第s个传感器与目标之间的相对距离和相对距离变化率组成的向量，利用如下的非线性滤波器估计k时刻第s个传感器与目标之间相对距离和相对距离变化率组成的向量

步骤2.1状态预测

$b_{k|k-1}^s={\mathrm{Fb}}_{k-1|k-1}^s$

$B_{k|k-1}^s={\mathrm{FB}}_{k-1|k-1}^s{F}^T+Q_{k-1}^s$

步骤2.2状态更新

${\hat{O}}_k^s=\frac{1}{4}\underset{i=1}{\overset{4}{\Σ}}h\left({\mathrm{\χ}}_{k,i}^s\right)$

$b_{k|k}^s=b_{k|k-1}^s+B_1^s{\left(B_2^s\right)}^{-1}(O_k^s-{\hat{O}}_k^s)$

$B_1^s=\frac{1}{4}\underset{i=1}{\overset{4}{\Σ}}\[{\mathrm{\χ}}_{k,i}^s-b_{k|k-1}^s\]{\[h\left({\mathrm{\χ}}_{k,i}^s\right)-{\hat{O}}_k^s\]}^T$

$B_2^s=\frac{1}{4}\underset{i=1}{\overset{4}{\Σ}}\[h\left({\mathrm{\χ}}_{k,i}^s\right)-{\hat{O}}_k^s\]{\[h\left({\mathrm{\χ}}_{k,i}^s\right)-{\hat{O}}_k^s\]}^T+R_k^s$

$B_{k|k}^s=B_{k|k-1}^s-B_1^s{\left(B_2^s\right)}^{-1}{\left(B_1^s\right)}^T$

3.基于估计的相对距离修正TOA与RSS信息

修正的TOA与RSS信息为：所有的传感器修正信息记为其中为向量中的第一个元素，即为第s个传感器与目标之间估计的相对距离。

4.利用修正的TOA与RSS信息估计目标的位置信息

记为目标的状态向量，其中和分别表示目标的位置和速度向量，利用如下的非线性滤波器估计k时刻目标的位置。

步骤4.1状态预测

x_k|k-1＝Ax_k-1|k-1

其中A为匀速运动模型的状态转移矩阵。

P_k|k-1＝AB_k-1|k-1A^T+Q_k-1

其中Q_k-1为过程噪声的协方差矩阵。

步骤4.2状态更新

${\mathrm{\φ}}_i=\left\{\begin{array}{cc}2e_i,& i=1,2,3,4\\ -2e_i,& i=5,6,7,8\end{array}\right.$

${\mathrm{\γ}}_{k,i}=x_{k|k-1}+\sqrt{P_{k|k-1}}{\mathrm{\φ}}_i$

${\hat{O}}_k=\frac{1}{8}\underset{i=1}{\overset{8}{\Σ}}h\left({\mathrm{\γ}}_{k,i}\right)$

$x_{k|k}=x_{k|k-1}+P_1{P_2}^{-1}({\stackrel{\‾}{O}}_k-{\hat{O}}_k)$

$P_1=\frac{1}{8}\underset{i=1}{\overset{8}{\Σ}}\[{\mathrm{\γ}}_{k,i}-x_{k|k-1}\]{\[h\left({\mathrm{\γ}}_{k,i}\right)-{\hat{O}}_k\]}^T$

$P_2=\frac{1}{8}\underset{i=1}{\overset{8}{\Σ}}\[h\left({\mathrm{\γ}}_{k,i}\right)-{\hat{O}}_k\]{\[h\left({\mathrm{\γ}}_{k,i}\right)-{\hat{O}}_k\]}^T+R_k$

$P_{k|k}=P_{k|k-1}-P_1{P_2}^{-1}{\left(P_1\right)}^T$

本发明的效果可以通过以下仿真进一步说明。仿真内容：采用本发明所提出的方法与传统的未修正TOA与RSS信息的方法进行比较，利用四个传感器跟踪一个在x-y平面中运动的目标。设目标初始位置为(30,20)m，初始速度为(0.5,0.7)m/s，目标在1-80s匀速运动。Monte Carlo仿真次数为1000次。

图2给出了本发明提出的方法对目标位置跟踪的效果图，从图中可以看出，本发明提出的方法的跟踪轨迹非常接近目标运动的真实轨迹。

图3给出了本发明提出的方法与传统的未进行TOA与RSS信息预处理的方法对目标跟踪的位置误差图，从图中可以看出，本发明提出的方法对位置的跟踪误差明显小于传统方法对位置的跟踪误差。

Claims (5)

1.一种基于TOA与RSS融合的无线传感器网络协作跟踪方法，其特征在于包括以下步骤：

步骤1.设计传感器与目标的相对距离模型；

步骤2.利用传感器测量的TOA与RSS信息估计传感器与目标之间的相对距离；

步骤3.基于估计的相对距离修正TOA与RSS信息；

步骤4.利用修正的TOA与RSS信息估计目标的位置。

2.根据权利要求1所述的方法，其特征在于，以传感器与目标之间的相对距离为变量，设计相对距离满足的匀速运动模型。

3.根据权利要求1所述的方法，其特征在于，基于传感器测量的TOA与RSS信息，利用非线性滤波器估计传感器与目标之间的相对距离。

4.根据权利要求1所述的方法，其特征在于，将估计的相对距离代入TOA与RSS测量方程，计算修正的TOA与RSS信息。

5.根据权利要求1所述的方法，其特征在于，基于修正的TOA与RSS信息，利用非线性滤波器估计目标的位置信息。