CN104994579A - 一种适用于事件触发的分布式移动目标跟踪方法 - Google Patents
一种适用于事件触发的分布式移动目标跟踪方法 Download PDFInfo
- Publication number
- CN104994579A CN104994579A CN201510385899.8A CN201510385899A CN104994579A CN 104994579 A CN104994579 A CN 104994579A CN 201510385899 A CN201510385899 A CN 201510385899A CN 104994579 A CN104994579 A CN 104994579A
- Authority
- CN
- China
- Prior art keywords
- moving target
- node
- information
- location
- measurement information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种适用于事件触发的分布式移动目标跟踪方法,该方法采用事件触发的跟踪方式和分层融合的估计方法,首先,利用扩展信息滤波的方法融合各传感器节点的量测信息;其次,通过CI融合方法,融合各个不同模型的传感器节点状态估计结果,得到一致且精度更高的估计结果。本发明提供一种适用于事件触发的分布式移动目标跟踪方法,避免了量测信息的扩维以及矩阵求逆,降低了对模型的依赖性。
Description
技术领域
本发明涉及移动目标跟踪领域,尤其是一种基于无线传感器网络的移动目标跟踪方法。
背景技术
无线传感器网络由于成本低、功耗低、可大范围覆盖等特点,使得其在家庭服务、环境监测、车辆跟踪、城市交通等领域具有重要的应用价值。计算机、信息处理、嵌入式计算、通信和传感技术的不断发展,使得无线传感器网络越来越普及,应用范围越来越广,可提供服务种类越来越多。目标定位、跟踪服务是无线传感器网络的重要应用领域之一,提供家庭、城市交通服务的无线传感传感器网络同时也可以提供目标定位或跟踪服务。然而,无线传感器网络节点能量有限,降低能耗延长节点生命周期是长期需要克服和解决的难题之一。采用事件触发方式,可有效提高节点的工作效率,避免不必要的能量消耗,但在不同时刻进行融合估计的传感器往往各不相同。另一方面,分布式估计方法逐渐代替集中式和分散式估计方法以提高目标跟踪系统的可靠性。主要原因是,在分布式估计方法中,不存在绝对的融合中心。此外,目标跟踪的精度受系统模型的影响很大,但是对于随机目标往往难以准确地建模,系统噪声统计特性难以获得。目前在无线传感器网络中还没有技术能够简单有效地解决模型不确定性以及事件触发引起的多传感器融合问题。
发明内容
为了克服已有移动目标跟踪方法的能耗大、灵活性差、计算量大、鲁棒性差的不足,避免量测信息扩维、矩阵求逆,本发明提供一种适用于事件触发的分布式移动目标跟踪方法,有效降低传感器网络的能耗、提升灵活性、减少计算量、增强系统鲁棒性。
本发明解决其技术问题所采用的技术方案是:
一种适用于事件触发的分布式移动目标跟踪方法,所述方法包括以下步骤:
步骤1)移动目标向周围传感器节点以单跳传输方式发送“定位”数据包;
步骤2)传感器节点收到“定位”数据包后,解析数据包并提取移动目标信息以及量测信息。
步骤3)传感器节点对该量测信息进行一次预滤波,得到其估计值。若该估计值满足工作条件,则记为工作节点,并把量测信息发送给邻居节点;否则,保持非工作状态;
步骤4)传感器节点向其邻居工作节点发送并接收邻居工作节点量测信息,采用扩展信息滤波方法融合自身以及邻居的量测信息,得到移动目标位置的初步估计值并发送给邻居节点;
步骤5)工作节点与其邻居工作节点交换初步估计值,然后采用CI融合方法,得到移动目标位置的估计值。
进一步,所述步骤1)中,所述单跳传输,即不经过路由,移动目标和周围节点直接通信。移动目标通过广播的方式同时给所有周围节点发送“定位”数据包。
所述步骤1)中,无线传感器网络采用网状拓扑形式,所有节点都具有路由功能,用于定位节点为固定节点且节点位置已知,移动目标为其中一个可移动的节点。
更进一步,所述步骤2)中,所述的量测信息为定位数据包中的RSSI信号。移动目标信息,即移动目标的识别号。
所述步骤3)中,所述的预滤波为:k=1,2,3…,其中,yk,为k时刻传感器节点接收到“定位”数据包的量测值及其估计值。为滤波器初值,α为滤波器系数,0≤α≤1。
所述步骤3)中,所述的工作条件为:其中,ε1,ε2为预先设定的阈值参数,ε1用于判断目标位置是否变化,ε2用于判断噪声大小。
在步骤4)中,所述的扩展信息滤波方法,各工作节点采用不同的模型和过程噪声协方差。
在步骤5)中,所述的CI融合方法的融合参数通过各工作节点初步估计信息矩阵的迹在线确定,即其中, 为k时刻工作节点i、l的初步估计信息矩阵的迹,为工作节点i、l的初步估计的信息矩阵,mk为k时刻工作节点的个数。
本发明的有益效果主要表现在:由于采用事件触发,传感器节点收集到的量测信息的来源具有不可预见性。对移动目标进行状态融合估计时,对量测信息处理非常复杂。对移动目标的建模困难,过程噪声的统计特性难以获得。相比现有的目标跟踪方法,该方法便于融合多个传感器信息,减少模型不确定性的影响,降低了能耗,提高了系统的鲁棒性。
附图说明
图1是无线传感器网络的目标跟踪系统示意图。
图2是移动目标跟踪系统状态估计流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种适用于事件触发的分布式移动目标跟踪方法,所述方法包括以下步骤:
步骤1)移动目标向周围传感器节点以单跳传输方式发送“定位”数据包;
步骤2)传感器节点收到“定位”数据包后,解析数据包并提取移动目标信息以及量测信息;
步骤3)传感器节点对该量测信息进行一次预滤波,得到其估计值。若该估计值满足工作条件,则记为工作节点并把量测信息发送给邻居节点;否则,保持非工作状态;
步骤4)传感器节点向其邻居工作节点发送量测信息并接收邻居工作节点量测信息,采用扩展信息滤波方法融合自身以及邻居的量测信息,得到移动目标位置的初步估计值并发送给邻居节点;
步骤5)工作节点与其邻居工作节点交换初步估计值,然后采用CI融合的方法,得到移动目标位置的估计值。
迭代执行步骤1)-5),实现对移动目标的实时、精确地跟踪。
如图1所示,无线传感器网络预先布置环境中,采用分布式估计方法实现对移动机器人的跟踪。所有的节点都具有路由功能,用于定位的节点为固定节点且位置已知,移动机器人为其中可移动的节点。在无线传感器网络中,固定节点分为工作节点和非工作节点。移动机器人通过单跳传输的方式发送“定位”数据包给周围节点,传感器节点接收到“定位”数据包后,记为工作节点。各传感器节点采用不同的移动机器人模型,采用分层融合的方法使得各传感器节点得到一致的估计结果。图1描述了无线传感器网络环境下移动机器人的实时跟踪。移动目标跟踪系统状态估计流程图如图2所示。移动机器人的模型可由如式(1)所示的状态空间模型描述:
其中,k为离散时间序列,i为传感器节点序号,ms为传感器节点个数。为k时刻移动机器人的状态。为传感器节点i的状态转移矩阵,nx为系统状态的维数。为零均值、协方差矩阵为Q(i)的白噪声。传感器节点i观测模型可由式(2)描述:
为传感器节点i的k时刻下的状态观测值(距离值),为传感器i的观测矩阵。为零均值、方差为R(i)且与不相关的高斯白噪声。移动机器人的初始状态和初始协方差矩阵分别为x0|0和P0|0,且x0|0与统计独立。
传感器节点采用分层融合估计的方法。首先,各工作节点采用扩展信息滤波方法融合所有工作节点的观测值,得到一个初步的移动机器人状态估计值;然后,各工作节点采用CI融合的方法融合所有工作节点的初步状态估计值,得到一致的状态估计值。以传感器节点i为例,扩展信息滤波方法描述如下:
其中,mj∈{1,2,…,ms},mk为k时刻工作节点个数, I为相应维数的单位阵。分别为传感器节点i的初步状态估计值及其协方差矩阵,其信息矩阵为和信息状态向量传感器节点i的初步预测信息矩阵为和预测信息状态向量 分别为传感器节点i的预测状态估计值及其预测协方差矩阵。
传感器节点i在完成扩展信息滤波后,向邻居工作节点发送初步估计结果,并接收邻居工作节点的初步估计结果。然后,采用CI融合估计得到一致的状态估计结果。CI融合估计方法描述如下:
其中,mj∈{1,2,…,ms},mk+1为k+1时刻工作节点的个数,为CI融合方法的参数。分别为经过CI融合估计后,得到的一致的移动机器人的位置估计结果。
Claims (7)
1.一种适用于事件触发的分布式移动目标跟踪方法,其特征在于:所述方法包括以下步骤:
步骤1)移动目标向周围传感器节点以单跳传输方式发送“定位”数据包;
步骤2)传感器节点收到“定位”数据包后,解析数据包并提取移动目标信息以及量测信息;
步骤3)传感器节点对该量测信息进行一次预滤波,得到其估计值,若该估计值满足工作条件,则记为工作节点并把量测信息发送给邻居节点;否则,保持非工作状态;
步骤4)传感器节点向其邻居节点发送并接收邻居工作节点量测信息,采用扩展信息滤波方法融合自身以及邻居的量测信息,得到移动目标位置的初步估计值并发送给邻居节点;
步骤5)工作节点与其邻居工作节点交换初步估计值,然后采用CI融合的方法,得到移动目标位置的估计值。
2.如权利要求1所述的适用于事件触发的分布式移动目标跟踪方法,其特征在于:所述步骤1)中,所述单跳传输,即不经过路由,移动目标和周围节点直接通信;移动目标通过广播的方式同时给所有周围节点发送“定位”数据包;无线传感器网络采用网状拓扑形式,所有节点都具有路由功能,用于定位节点为固定节点且节点位置已知,移动目标为其中一个可移动的节点。
3.如权利要求1或2所述的适用于事件触发的分布式移动目标跟踪方法,其特征在于:所述步骤2)中,所述的量测信息为定位数据包中的RSSI信号,所述移动目标信息为移动目标的识别号。
4.如权利要求1或2所述的适用于事件触发的分布式移动目标跟踪方法,其特征在于:所述步骤3)中,所述的预滤波为: 分别为k时刻传感器节点接收到“定位”数据包的量测值及其估计值,为滤波器初值,α为滤波器系数,0≤α≤1。
5.如权利要求4所述的适用于事件触发的分布式移动目标跟踪方法,其特征在于:所述步骤3)中,所述的工作条件为:其中,ε1,ε2为预先设定的阈值参数,ε1用于判断目标位置是否变化,ε2用于判断噪声大小。
6.如权利要求1或2所述的适用于事件触发的分布式移动目标跟踪方法,其特征在于:所述步骤4)中,所述的扩展信息滤波方法,各工作节点采用不同的模型和过程噪声协方差。
7.如权利要求1或2所述的适用于事件触发的分布式移动目标跟踪方法,其特征在于:所述步骤5)中,所述的CI融合方法的融合参数通过各工作节点初步估计信息矩阵的迹在线确定,即其中,为k时刻工作节点i、l的初步估计信息矩阵的迹,为工作节点i、l的初步估计的信息矩阵,mk为k时刻工作节点的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510385899.8A CN104994579B (zh) | 2015-06-30 | 2015-06-30 | 一种适用于事件触发的分布式移动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510385899.8A CN104994579B (zh) | 2015-06-30 | 2015-06-30 | 一种适用于事件触发的分布式移动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104994579A true CN104994579A (zh) | 2015-10-21 |
CN104994579B CN104994579B (zh) | 2018-08-17 |
Family
ID=54306305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510385899.8A Active CN104994579B (zh) | 2015-06-30 | 2015-06-30 | 一种适用于事件触发的分布式移动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104994579B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110769376A (zh) * | 2019-10-22 | 2020-02-07 | 北京航空航天大学 | 一种基于事件触发机制的协同目标跟踪方法 |
CN110958639A (zh) * | 2019-01-31 | 2020-04-03 | 北京航空航天大学 | 一种目标状态估计方法及系统 |
CN111083661A (zh) * | 2019-12-09 | 2020-04-28 | 南京工程学院 | 一种应用于光电传感网络中的事件触发异步状态估计算法 |
CN112068074A (zh) * | 2020-09-15 | 2020-12-11 | 浙江工业大学之江学院 | 基于事件触发型无线传感器网络的融合定位方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101505532A (zh) * | 2009-03-12 | 2009-08-12 | 华南理工大学 | 一种基于分布式处理的无线传感器网络目标跟踪方法 |
CN103237345A (zh) * | 2013-04-09 | 2013-08-07 | 长安大学 | 一种基于二元量化数据的声源目标迭代定位方法 |
CN103369623A (zh) * | 2012-03-27 | 2013-10-23 | 中国科学院计算技术研究所 | 传感器网络中动态切换目标跟踪方法的系统及方法 |
CN104090262A (zh) * | 2014-05-23 | 2014-10-08 | 浙江工业大学 | 一种基于多采样率多模型融合估计的移动目标跟踪方法 |
-
2015
- 2015-06-30 CN CN201510385899.8A patent/CN104994579B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101505532A (zh) * | 2009-03-12 | 2009-08-12 | 华南理工大学 | 一种基于分布式处理的无线传感器网络目标跟踪方法 |
CN103369623A (zh) * | 2012-03-27 | 2013-10-23 | 中国科学院计算技术研究所 | 传感器网络中动态切换目标跟踪方法的系统及方法 |
CN103237345A (zh) * | 2013-04-09 | 2013-08-07 | 长安大学 | 一种基于二元量化数据的声源目标迭代定位方法 |
CN104090262A (zh) * | 2014-05-23 | 2014-10-08 | 浙江工业大学 | 一种基于多采样率多模型融合估计的移动目标跟踪方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110958639A (zh) * | 2019-01-31 | 2020-04-03 | 北京航空航天大学 | 一种目标状态估计方法及系统 |
CN110769376A (zh) * | 2019-10-22 | 2020-02-07 | 北京航空航天大学 | 一种基于事件触发机制的协同目标跟踪方法 |
CN111083661A (zh) * | 2019-12-09 | 2020-04-28 | 南京工程学院 | 一种应用于光电传感网络中的事件触发异步状态估计算法 |
CN111083661B (zh) * | 2019-12-09 | 2022-06-17 | 南京工程学院 | 一种应用于光电传感网络中的事件触发异步状态估计方法 |
CN112068074A (zh) * | 2020-09-15 | 2020-12-11 | 浙江工业大学之江学院 | 基于事件触发型无线传感器网络的融合定位方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104994579B (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Target tracking in wireless sensor networks based on the combination of KF and MLE using distance measurements | |
CN106205114B (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
US8531288B1 (en) | System and method for collaborative resource tracking | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
Dao et al. | Markov-based lane positioning using intervehicle communication | |
CN102395192B (zh) | 一种无线传感终端的定位方法和装置 | |
CN101393260B (zh) | 一种无线传感器网络目标定位与跟踪方法 | |
CN104994579A (zh) | 一种适用于事件触发的分布式移动目标跟踪方法 | |
CN103152826A (zh) | 一种基于nlos状态检测补偿的移动目标追踪方法 | |
Yang et al. | High-precision UWB-based localisation for UAV in extremely confined environments | |
Xue et al. | DeepTAL: Deep learning for TDOA-based asynchronous localization security with measurement error and missing data | |
Sulaiman et al. | Radio map generation approaches for an RSSI-based indoor positioning system | |
CN105068043A (zh) | 一种无线传感器网络节点和移动机器人同时定位方法 | |
CN102958153A (zh) | 一种基于无线传感器网络的定位方法 | |
CN104101861B (zh) | 测距定位方法及系统 | |
CN103313384A (zh) | 一种基于信息一致性的无线传感网络目标跟踪方法 | |
Singh et al. | Optimized localization by mobile anchors in wireless sensor network by particle swarm optimization | |
Yadav et al. | Q-Learning based optimized localization in WSN | |
Jose et al. | Taylor series method in TDOA approach for indoor positioning system. | |
CN103020348B (zh) | 利用多个传感器对动态系统进行跟踪的方法及装置 | |
Banach et al. | Real-time locating systems for smart city and intelligent transportation applications | |
Deng et al. | Localization and dynamic tracking using wireless-networked sensors and multi-agent technology: first steps | |
Kumar et al. | Improved RSSI Based 3D Localization for Indoor Wireless Sensor Network | |
Frisch et al. | Optimal sensor placement for multilateration using alternating greedy removal and placement | |
Sivakumar et al. | Cuckoo search with mobile anchor positioning (CS-MAP) algorithm for error minimization in wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |