CN107703484A - 无线传感器网络的精确定位算法 - Google Patents

无线传感器网络的精确定位算法 Download PDF

Info

Publication number
CN107703484A
CN107703484A CN201710939220.4A CN201710939220A CN107703484A CN 107703484 A CN107703484 A CN 107703484A CN 201710939220 A CN201710939220 A CN 201710939220A CN 107703484 A CN107703484 A CN 107703484A
Authority
CN
China
Prior art keywords
nlos
node
errors
distance
algorithm
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.)
Pending
Application number
CN201710939220.4A
Other languages
English (en)
Inventor
韩鹏飞
邹宇
孙鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
INNER MONGOLIA INSTITUTE OF AEROSPACE POWER MACHINERY TEST
Original Assignee
INNER MONGOLIA INSTITUTE OF AEROSPACE POWER MACHINERY TEST
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by INNER MONGOLIA INSTITUTE OF AEROSPACE POWER MACHINERY TEST filed Critical INNER MONGOLIA INSTITUTE OF AEROSPACE POWER MACHINERY TEST
Priority to CN201710939220.4A priority Critical patent/CN107703484A/zh
Publication of CN107703484A publication Critical patent/CN107703484A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/14—Determining absolute distances from a plurality of spaced points of known location
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
    • 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
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及一种无线传感器网络的精确定位算法，采用基于异步应答时间测量的测距、抑制非视距干扰和质心定位三项基本算法相结合的方式，利用三个已知位置信息的参考信标建立参考坐标系，通过未知节点与三个参考信标的通信时间，测算未知节点的位置信息，确定未知节点的精确位置。本发明通过采用异步应答时间测量的测距技术，大大提升了未知节点的测距精度；通过采用抑制非视距干扰技术，抑制了复杂环境下的各类干扰，优化了测距精度；通过采用质心定位算法，降低了硬件电路的复杂程度，扩展了定位范围。

Description

无线传感器网络的精确定位算法
技术领域
本发明涉及一种精确定位算法，尤其涉及一种无线传感器网络的精确定位算法。
背景技术
现阶段，无线传感器越来越多的用于工业领域和测控领域，大量无线传感器的应用，构建起了复杂的无线传感器网络，而如何对无线传感器网络中的各个节点进行准确定位，一直是阻碍无线传感器网络快速发展的一大难题。
专利公开号为CN104035067A的专利提到，在给定空间中均匀安装无线传感器节点，从而将空间分割为多个等大小的矩形栅格，各个节点知道其标定位置；移动机器人在行进过程中，其所在矩形栅格的邻近4个传感器节点通过无线通信将其位置及速度信息告知机器人，移动机器人对周围4节点给予的位置及速度信息先通过局部卡尔曼滤波器分别进行局部最优估计；再利用全局滤波器，通过一定的权值分配策略，将各局部滤波器结果进行融合，得到全局最优融合，再把全局滤波器的过程信息按照一定的分配准则与局部滤波器进行信息分配，同时利用信息分配因子分别对各局部滤波器进行加权，将结果信息显示出来并存。
专利公开号为CN101285878的专利提到，一种无线传感器网络的垂直相交定位算法用于功率受限的、随机分布的无线传感器网络。它是以一个知道自身位置的移动信标为前提的，移动信标在其移动轨线上不断广播信号和自己当前位置，节点通过比较信号强度，记下信号强度最高的点，并根据每相邻两条边上得到的两个信号强度最高的点，利用几何学方法来计算节点的位置。它要求移动信标的轨线为一个等边三角形的两条边，其边长等于移动信标传播半径R。
专利公开号为CN102123495A的专利提到，一种基于功率衰减（RSSI）校正的无线传感器网络质心定位算法，其特征在于，包括以下步骤：(1)锚节点周期性向周围广播信息，信息中包括自身节点ID及坐标，普通节点收到该信息后对同一锚节点的RSSI取均值；(2)当普通节点收集到n个锚节点信息时不再接收新信息，其中3＜n≤100，普通节点根据RSSI从强到弱对锚节点排序，并建立RSSI值与节点到锚节点距离的映射；(3)选取RSSI值在 93dbm≤RSSI≤ 113dbm的锚节点进行自身定位计算；(4)对求出的未知节点坐标集合取平均，得到未知节点坐标。
现有技术存在的缺点主要体现在以下三个方面：
（1）参考节点数量大。如专利公开号为CN104035067A的专利提到，在给定空间中均匀安装无线传感器节点，从而将空间分割为多个等大小的矩形栅格，各个节点知道其标定位置。这就大大增加了系统的复杂程度和准备过程。
（2）定位算法复杂。专利公开号为CN101285878的专利提到，利用移动信标在其移动轨线上不断广播信号和自己当前位置。现有使用的无线传感器网络中，绝大多数信标都是固定的，移动信标虽定位准确，但算法的复杂程度成指数倍增加。
（3）利用RSSI值计算距离误差较大。专利公开号为CN102123495A的专利提到，一种基于功率衰减（RSSI）校正的无线传感器网络质心定位算法。功率衰减测算距离的方式硬件实现简单，但基本只适用于空旷环境下，在室内等复杂环境，误差较大。
发明内容
本发明要解决的技术问题是一种无线传感器网络的精确定位算法，以解决快速、准确、直观的实现无线传感器定位的问题。.
为解决存在的技术问题，本发明采用的技术方案为：一种无线传感器网络的精确定位算法，采用基于异步应答时间测量的测距、抑制非视距干扰和质心定位三项基本算法相结合的方式，具体步骤为：
首先，利用基于异步应答时间测量的测距算法实现未知节点测距，即利用信号在2个异步收发信机之间的传输时间来测量节点之间的距离，节点A发出测距要求，节点B收到后将自身发送延迟时间附在测距应答帧ACK里，一并发送给A，节点A的收发时间差为,节点A到节点B的距离可以表示为，
其中，D为点A到节点B的距离，C为电磁波传播速度；
然后，利用抑制非视距干扰算法NLOS对非视距干扰进行处理，即建立复杂环境测距模型，若r(t)表示从移动节点到协调器的距离测量值，则r(t)等于真实距离d(t)与测量误差n(t)和NLOS误差NLOS(t)之和，
其中，n(t)为零均值高斯变量，NLOS(t)为正随机变量；
将NLOS误差加入卡夫曼滤波的状态向量中，采用两步卡夫曼滤波对测距值进行滤波，以抑制NLOS误差，
则，建立NLOS误差的系统模型为
其中，b(k)为待估计的NLOS误差，b(k+1)为下一周期的NLOS误差，是NLOS环境变化的常量，(k)为NLOS误差估计值的过程噪声向量，因此加入NLOS误差估计值的卡尔曼滤波算法中各矩阵、向量的设置如下，
其中，s(k)为系统的状态向量，r(k)为到达时间估计值，r＇(k)为r(k)的一阶导数，T为一个周期，A为系统状态转移矩阵，W(k)为系统的过程噪声。
通过设置NLOS误差为第三个状态量，经过卡尔曼滤波的迭代过程，估计出测量过程的NLOS误差分量，根据b(k)的值判断NLOS误差并修正测量估计值r(k)，由于NLOS误差的非负性，决定了对于计算中的b(k)有如下取值，
得到NLOS状态误差的估计值后，将到达时间TOA测量值的状态估计值减去估计的NLOS误差值，即可得到第一步卡尔曼滤波结果；第二步卡尔曼滤波器用已经初步消除NLOS误差的TOA测量值作为输入，进一步获得更精确的TOA估计，这一步中各矩阵、向量的设置同传统的卡尔曼滤波方法相同；
最后，采用质心定位算法得到未知节点的位置，即已知节点和未知节点与信标节点的实际距离分别为d1、d2、d3，根据A、B位置信息可以得到两个点0AB1，0AB2，分别计算0AB1，0AB2与C的距离d3-1和d3-2，选择|d3-1- d3|和|d3-2- d3|中值小的作为0点的近似位置0AB,同样，可以得到点0AC、0BC，用质心法，令
，，
就可以得到点的位置坐标。
本发明利用三个已知位置信息的参考信标建立参考坐标系，通过未知节点与三个参考信标的通信时间，测算未知节点的位置信息，确定未知节点的精确位置。
有益效果
本发明通过采用异步应答时间测量的测距技术，大大提升了未知节点的测距精度；通过采用抑制非视距干扰技术，抑制了复杂环境下的各类干扰，优化了测距精度；通过采用质心定位算法，降低了硬件电路的复杂程度，扩展了定位范围。
附图说明：
图1为本发明的无线传感器网络的精确定位算法示意图。
具体实施方式：
下面结合具体实施例对本发明进一步详细阐述。
实施例：
如图1所示，本发明的无线传感器网络的精确定位算法采用基于异步应答时间测量的测距技术、抑制非视距干扰技术、质心定位算法三项基本算法相结合的方式。
首先，利用基于异步应答时间测量的测距技术实现未知节点测距。基于异步应答时间测量的测距技术：利用信号在2个异步收发信机之间的传输时间来测量节点之间的距离。节点A发出测距要求，节点B收到后将自身发送延迟时间附在测距应答帧ACK里，一并发送给A，节点A的收发时间差为, 节点A到节点B的距离可以表示为：
其中，D为点A到节点B的距离，C为电磁波传播速度；
采用异步应答时间测量的测距方式具有测距精度高、受环境影响小和不依赖于基准时钟等优点。
然后，利用抑制非视距干扰技术（NLOS）对非视距干扰进行处理。采用直接分析测距值的方法抑制NLOS误差。对卡尔曼滤波器进行改进。建立复杂环境测距模型，若r(t)表示从移动节点到协调器的距离测量值，则r(t)等于真实距离d(t)与测量误差n(t)和NLOS误差NLOS(t)之和。
其中，n(t)为零均值高斯变量，NLOS(t)为正随机变量。
将NLOS误差加入卡夫曼滤波的状态向量中，采用两步卡夫曼滤波对测距值进行滤波，以抑制NLOS误差。
首先，建立NLOS误差的系统模型为
其中，b(k)为待估计的NLOS误差，b(k+1)为下一周期的NLOS误差，是NLOS环境变化的常量，(k)为NLOS误差估计值的过程噪声向量，因此加入NLOS误差估计值的卡尔曼滤波算法中各矩阵、向量的设置如下：
其中，s(k)为系统的状态向量，r(k)为到达时间估计值，r＇(k)为r(k)的一阶导数，T为一个周期，A为系统状态转移矩阵，W(k)为系统的过程噪声。
通过设置NLOS误差为第三个状态量，经过卡尔曼滤波的迭代过程，可以估计出测量过程的NLOS误差分量，根据b(k)的值判断NLOS误差并修正测量估计值r(k)。由于NLOS误差的非负性，决定了对于计算中的b(k)有如下取值：
得到NLOS状态误差的估计值后，将TOA测量值的状态估计值减去估计的NLOS误差值，即可得到第一步滤波结果，经过了第一步的滤波，测量值中的NLOS误差得到了抑制，也就实现了测量值的视距重构LOS。
经过第一步卡尔曼滤波处理后的到达时间（TOA）测量值初步抑制了NLOS误差，但由于系统中测量噪声、时钟误差等标准测量误差的存在，还需进行下一步处理，即第二步的卡尔曼滤波。第二步卡尔曼滤波器用已经初步消除NLOS误差的TOA测量值作为输入，进一步获得更精确的TOA估计，这一步中各矩阵、向量的设置同传统的卡尔曼滤波方法相同。
最后，采用质心定位算法得到未知节点的位置。已知未知节点与信标节点的实际距离分别为、、。
根据A、B位置信息可以得到两个点,，分别计算,与C的距离和，选择和中值小的作为点的近似位置。同样，可以得到点、。用质心法，令，，就可以得到点的位置坐标。质心定位算法的优点在于，可以确定信标节点三角形以外的无线传感器节点的位置，不需要未知节点一定分布在信标节点的内部，定位范围广，对节点分布的要求低。
通过建立仿真平台，对该定位算法进行模拟分析发现，100米内定位误差为10%左右，满足预期要求。

Claims (3)

1.一种无线传感器网络的精确定位算法，采用基于异步应答时间测量的测距、抑制非视距干扰和质心定位三项基本算法相结合的方式，具体步骤为：
首先，利用基于异步应答时间测量的测距算法实现未知节点测距，即利用信号在2个异步收发信机之间的传输时间来测量节点之间的距离，节点A发出测距要求，节点B收到后将自身发送延迟时间附在测距应答帧ACK里，一并发送给A，节点A的收发时间差为,节点A到节点B的距离可以表示为，
其中，D为点A到节点B的距离，C为电磁波传播速度。
2.然后，利用抑制非视距干扰算法NLOS对非视距干扰进行处理，即建立复杂环境测距模型，若r(t)表示从移动节点到协调器的距离测量值，则r(t)等于真实距离d(t)与测量误差n(t)和NLOS误差NLOS(t)之和，
其中，n(t)为零均值高斯变量，NLOS(t)为正随机变量；
将NLOS误差加入卡夫曼滤波的状态向量中，采用两步卡夫曼滤波对测距值进行滤波，以抑制NLOS误差，
则，建立NLOS误差的系统模型为
其中，b(k)为待估计的NLOS误差，b(k+1)为下一周期的NLOS误差，是NLOS环境变化的常量，(k)为NLOS误差估计值的过程噪声向量，因此加入NLOS误差估计值的卡尔曼滤波算法中各矩阵、向量的设置如下，
其中，s(k)为系统的状态向量，r(k)为到达时间估计值，r＇(k)为r(k)的一阶导数，T为一个周期，A为系统状态转移矩阵，W(k)为系统的过程噪声。
3.通过设置NLOS误差为第三个状态量，经过卡尔曼滤波的迭代过程，估计出测量过程的NLOS误差分量，根据b(k)的值判断NLOS误差并修正测量估计值r(k)，由于NLOS误差的非负性，决定了对于计算中的b(k)有如下取值，
得到NLOS状态误差的估计值后，将到达时间TOA测量值的状态估计值减去估计的NLOS误差值，即可得到第一步卡尔曼滤波结果；第二步卡尔曼滤波器用已经初步消除NLOS误差的TOA测量值作为输入，进一步获得更精确的TOA估计，这一步中各矩阵、向量的设置同传统的卡尔曼滤波方法相同；
最后，采用质心定位算法得到未知节点的位置，即已知节点和未知节点与信标节点的实际距离分别为d1、d2、d3，根据A、B位置信息可以得到两个点0AB1，0AB2，分别计算0AB1，0AB2与C的距离d3-1 和d3-2，选择|d3-1- d3|和|d3-2- d3|中值小的作为0点的近似位置0AB,同样，可以得到点0AC、0BC，用质心法，令
，，
就可以得到点的位置坐标。
CN201710939220.4A 2017-10-11 2017-10-11 无线传感器网络的精确定位算法 Pending CN107703484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710939220.4A CN107703484A (zh) 2017-10-11 2017-10-11 无线传感器网络的精确定位算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710939220.4A CN107703484A (zh) 2017-10-11 2017-10-11 无线传感器网络的精确定位算法

Publications (1)

Publication Number Publication Date
CN107703484A true CN107703484A (zh) 2018-02-16

Family

ID=61184977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710939220.4A Pending CN107703484A (zh) 2017-10-11 2017-10-11 无线传感器网络的精确定位算法

Country Status (1)

Country Link
CN (1) CN107703484A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110133597A (zh) * 2019-06-04 2019-08-16 南开大学 一种基于超声波信标系统的融合定位方法及系统
CN112991582A (zh) * 2019-12-17 2021-06-18 罗伯特·博世有限公司 用于自学习车辆结构内的无线电节点方位的方法和系统
CN113194533A (zh) * 2021-04-13 2021-07-30 南京信息工程大学 无线定位方法
CN113311386A (zh) * 2021-05-25 2021-08-27 北京航空航天大学 基于改进卡尔曼滤波器的tdoa无线定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103428275A (zh) * 2013-07-30 2013-12-04 苏州两江科技有限公司 基于wsn的室内移动目标行动路线追踪方法
CN103889057A (zh) * 2014-04-18 2014-06-25 上海海事大学 海上环境自适应rssi测距的无线传感网搜救目标定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103428275A (zh) * 2013-07-30 2013-12-04 苏州两江科技有限公司 基于wsn的室内移动目标行动路线追踪方法
CN103889057A (zh) * 2014-04-18 2014-06-25 上海海事大学 海上环境自适应rssi测距的无线传感网搜救目标定位方法

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
代凌云: "一种用卡尔曼滤波器消除TOA中NLOS误差的方法" *
刘恋: "基于TDOA的无线传感器网络节点定位关键算法研究" *
刘鹏达: "非视距环境下WSN移动节点定位算法研究" *
崔法毅等: "基于RSSI多定位误差的加权质心定位算法" *
张佳: "无线传感器网络定位技术研究" *
王佳伟等: "基于CSS的室内测距优化技术" *
王森: "基于无线传感器网络的定位算法研究" *
蔡永棋: "NLOS环境下的TDOA定位算法研究" *
邱凤云: "Kalman滤波理论及其在通信与信号处理中的应用" *
邹健: "无线传感器网络中卡尔曼滤波定位算法应用研究" *
高兆银等: "基于异步应答时间测量的无线测距通信模块" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110133597A (zh) * 2019-06-04 2019-08-16 南开大学 一种基于超声波信标系统的融合定位方法及系统
CN112991582A (zh) * 2019-12-17 2021-06-18 罗伯特·博世有限公司 用于自学习车辆结构内的无线电节点方位的方法和系统
CN112991582B (zh) * 2019-12-17 2024-08-23 罗伯特·博世有限公司 用于自学习车辆结构内的无线电节点方位的方法和系统
CN113194533A (zh) * 2021-04-13 2021-07-30 南京信息工程大学 无线定位方法
CN113194533B (zh) * 2021-04-13 2023-08-22 南京信息工程大学 无线定位方法
CN113311386A (zh) * 2021-05-25 2021-08-27 北京航空航天大学 基于改进卡尔曼滤波器的tdoa无线定位方法

Similar Documents

Publication Publication Date Title
CN105093177B (zh) 一种基于跳频技术的rssi定位方法
CN109195099B (zh) 一种基于iBeacon和PDR融合的室内定位方法
CN107703484A (zh) 无线传感器网络的精确定位算法
CN105828435A (zh) 基于接收信号强度优化的距离修正加权质心定位方法
CN105301560B (zh) 一种基于2点rssi的动态加权进化定位系统及方法
Sivakumar et al. Meta-heuristic approaches for minimizing error in localization of wireless sensor networks
CN105430745A (zh) 一种基于rssi无线网络定位方法
CN109375168B (zh) 一种基于rssi的低速移动车辆定位方法
KR101163335B1 (ko) 수신신호강도의 거리 추정 방식에 의거한 실내 무선 측위 방법 및 이 방법을 실시하기 위한 프로그램이 기록된 기록매체
CN107396280A (zh) 一种基于rssi的室内定位系统和方法
CN103491506A (zh) 基于wlan和wsn的异构网络协同定位方法及系统
CN102573055B (zh) 一种无线传感网络中的节点定位方法及系统
Tuncer et al. Indoor localization with bluetooth technology using artificial neural networks
Javaid et al. RSSI based node localization using trilateration in wireless sensor network
CN108737952A (zh) 基于rssi测距改进的多边形加权质心定位方法
CN103630876A (zh) 基于RSSI的ZigBee节点定位方法
CN116782379A (zh) 一种基于低功耗蓝牙和超宽带技术的联合室内定位方法
CN104735777A (zh) 一种未知节点利用多跳锚点邻居对其自身进行定位的方法
CN104735779A (zh) 一种基于troa的nlos传输环境无线定位方法
CN206876184U (zh) 一种基于rssi和惯性导航的室内定位装置
CN107144277B (zh) 一种室内定位方法
CN110662167A (zh) 一种室内异构网络间协同定位方法、系统及可读存储介质
CN112954591B (zh) 一种协同分布式定位方法及系统
CN108632748A (zh) 一种大型木结构的装配定位系统及方法
CN110944293B (zh) 基于路径衰减和卡尔曼滤波融合的无线电搜索定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180216