CN108235251A - 基于无人机协助下的无线传感器网络节点定位方法和装置 - Google Patents

基于无人机协助下的无线传感器网络节点定位方法和装置 Download PDF

Info

Publication number
CN108235251A
CN108235251A CN201711279152.XA CN201711279152A CN108235251A CN 108235251 A CN108235251 A CN 108235251A CN 201711279152 A CN201711279152 A CN 201711279152A CN 108235251 A CN108235251 A CN 108235251A
Authority
CN
China
Prior art keywords
unmanned plane
node
unknown
accurately positioned
sensor node
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
CN201711279152.XA
Other languages
English (en)
Inventor
王冠凌
徐魏超
顾劭傑
顾梅
王正刚
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.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic University
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 Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN201711279152.XA priority Critical patent/CN108235251A/zh
Publication of CN108235251A publication Critical patent/CN108235251A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • G01S5/0257—Hybrid positioning
    • 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

Abstract

本发明提供一种基于无人机协助下的无线传感器网络节点定位方法和装置，方法包括：每隔预设周期无人机机载GPS模块和未知传感器节点进行相互通信，并通过RSSI测距方式对未知传感器节点进行测距；并生成包含有无人机在当前时刻位置信息的虚拟信标节点；采用极大似然估计法基于无人机和虚拟信标节点之间的相对距离所述未知传感器节点进行初步的定位；通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位；采用阀值选择的预设更新策略，剔除不符合条件的精确定位结果。实现了无线传感器网络节点的精确定位。

Description

基于无人机协助下的无线传感器网络节点定位方法和装置
技术领域
本发明涉及无线传感器网络节点定位领域，尤其涉及一种基于无人机协助下的无线传感器网络节点定位方法和装置。
背景技术
无线传感器网络(Wireless Sensor Networks,WSN)是一种能够在未知环境中对特定的未知区域检测、采集和传输信息的一种新兴的技术。目前在国防、医疗卫生以及日常生活等领域扮演着越来越重要的角色。在很多应用领域获取WSN节点位置信息是至关重要的，没有位置信息的WSN所采集的数据也是没有意义的。因此在不同的环境中如何稳定、有效、精确的获取WSN节点定位信息，成为了现在关键的技术之一。
由于考虑到成本、体积等问题。在很多现实环境的应用中，为了节省成本只有少量的传感器节点装有全球定位系统(Global Positioning System，GPS)而让每一个WSN节点携带GPS显然是不切实际的。在目前的WSN节点定位的方法中主要所采用的有基于多个信标节点的三边定位法、DV-HOP法、蒙特卡洛法等，但是这些定位方法的实现大多是基于多个固定信标节点实现的，要想实现高精度的动态定位，对信标节点的部署及数量具有较高的要求，数量的增加还会致使计算负荷的增加，影响定位的可靠性。
发明内容
有鉴于此，本发明实施例提供一种基于无人机协助下的无线传感器网络节点定位方法，以实现提供了一种能够实现无线传感器网络节点精确定位的定位方法和装置。
为实现上述目的，本发明实施例提供如下技术方案：
一种基于无人机协助下的无线传感器网络节点定位方法，包括：
每隔预设周期无人机机载GPS模块和未知传感器节点进行相互通信，并通过RSSI测距方式对未知传感器节点进行测距；并生成包含有无人机在当前时刻位置信息的虚拟信标节点；
采用极大似然估计法基于无人机和虚拟信标节点之间的相对距离所述未知传感器节点进行初步的定位；
通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位；
采用阀值选择的预设更新策略，剔除不符合条件的精确定位结果。
优选的，上述方法中，所述对未知传感器节点进行周期性的测距，包括：
依据公式周期性的计算得到无人机与未知节点之间的相对距离；
其中，所述d表示无人机和未知传感器节点之间的相对测量距离，Pr(d)为接收器接收到的实际信号强度，di为近地的参考距离。Pi(di)为在di处接收到的信号强度，γ为信号在路径中的衰减因子，它的大小取决于信号传播的具体环境，Wδ为正态分布的高斯随机变量。通过此模型来计算出无人机与未知节点之间的相对距离。
优选的，上述方法中，通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位，包括：
通过离线或在线方式通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位。
优选的，上述方法中，生成包含有无人机在当前时刻位置信息的虚拟信标节点包括：
控制无人机以固定的高度z和速度V在未知传感器节点上方移动，无人机通过GPS模块周期性的广播自身的位置信息，无人机每经过一个周期T生成一个虚拟信标节点，虚拟信标节点的位置为无人机在此时刻所在的位置信息。
优选的，上述基于无人机协助下的无线传感器网络节点定位方法中，所述通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位，具体为：
采用离线或在线方式通过平方根容积卡尔曼滤波算法对初步的定位后的未知传感器节点进行精确定位。
一种基于无人机协助下的无线传感器网络节点定位装置，包括：
测距单元，用于每隔预设周期无人机机载GPS模块和未知传感器节点进行相互通信，并通过RSSI测距方式对未知传感器节点进行测距；
信标生成单元，用于测距单元工作时生成包含有无人机在当前时刻位置信息的虚拟信标节点；
初步定位单元，用于采用极大似然估计法基于无人机和虚拟信标节点之间的相对距离所述未知传感器节点进行初步的定位；
精确定位单元，用于通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位；
删选单元，用于采用阀值选择的预设更新策略，剔除不符合条件的精确定位结果。
优选的，上述基于无人机协助下的无线传感器网络节点定位装置中，所述测距单元具体用于：
依据公式周期性的计算得到无人机与未知节点之间的相对距离；
其中，所述d表示无人机和未知传感器节点之间的相对测量距离，Pr(d)为接收器接收到的实际信号强度，di为近地的参考距离。Pi(di)为在di处接收到的信号强度，γ为信号在路径中的衰减因子，它的大小取决于信号传播的具体环境，Wδ为正态分布的高斯随机变量。通过此模型来计算出无人机与未知节点之间的相对距离。
优选的，上述基于无人机协助下的无线传感器网络节点定位装置中，所述精确定位单元具体用于：
通过离线或在线方式通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位。
优选的，上述基于无人机协助下的无线传感器网络节点定位装置中，所述信标生成单元具体用于：
无人机以固定的高度z和速度V在未知传感器节点上方移动时，当检测到无人机通过GPS模块周期性的广播自身的位置信息时，生成一个虚拟信标节点，虚拟信标节点的位置为无人机在此时刻所在的位置信息。
优选的，上述基于无人机协助下的无线传感器网络节点定位装置中，所述精确定位单元具体用于，采用离线或在线方式通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位。
基于上述技术方案，本发明实施例提供的上述方案，通过每隔预设周期无人机机载GPS模块和未知传感器节点进行相互通信，并通过RSSI测距方式对未知传感器节点进行测距；并生成包含有无人机在当前时刻位置信息的虚拟信标节点；采用极大似然估计法基于无人机和虚拟信标节点之间的相对距离所述未知传感器节点进行初步的定位；通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位；采用阀值选择的预设更新策略，剔除不符合条件的精确定位结果。实现了无线传感器网络节点的精确定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种基于无人机协助下的无线传感器网络节点定位方法的流程示意图；
图2和图3为本申请实施例公开的基于无人机协助下的无线传感器网络节点定位的场景示意图；
图3为本申请实施例公开的一种基于无人机协助下的无线传感器网络节点定位的场景示意图；
图4为本申请实施例公开的一种基于无人机协助下的无线传感器网络节点定位装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本申请公开了一种基于无人机协助下的无线传感器网络节点定位方法，其流程具体可以包括：
步骤S101：对未知传感器节点进行周期性的测距；
本步骤中，当预设周期T到来时，无人机机载GPS模块和未知传感器节点进行相互通信，并通过RSSI测距方式，对未知传感器节点进行周期性的测距；
本申请实施例公开的技术方案中，可设未知传感器的最大通信范围为R，无人机以每隔周期T来散播自身的位置信息。在飞行时，无人机与未知传感器测距的相对距离为di，且则满足条件：di≤R。
步骤S102：生成包含有无人机在当前时刻位置信息的虚拟信标节点。
参见图2和图3，图2和图3为本申请实施例公开的基于无人机协助下的无线传感器网络节点定位的场景示意图，本申请实施例公开的技术方案中，当无人机进入到未知传感器节点观测区域时，无人机以固定的高度z和速度V在未知传感器上方移动，其中，所述高度z和速度V的值可以依据自身需求自行设定，无人机周期性的广播自身的位置信息，无人机每经过一个周期T就会留下一个虚拟信标节点，此时，所述虚拟信标节点的位置信息即为无人机在此时刻所在的位置信息(x,y,z)；
在本申请实施例公开的技术方案中，每个虚拟信标节点可以和未知传感器节点进行测距，设它们的相对距离设为d，由于无人机的高度z是恒定的，当无人机飞行到未知传感器的垂直上空时，无人机可以通过RSSI测距可以测得无人机和未知传感器之间的距离，而此时的距离就是无人机与未知传感器节点之间的垂直高度，所以无人机相对于未知传感器节点飞行的垂直高度z是已知的，由于未知传感器节点都部署在水平区域，所以所有未知传感器节点的海拔高度是相同的，并且无人机到未知传感器节点的垂直高度是已知的，那么只要知道无人机的海拔高度就可以知道未知传感器节点的海拔高度，由于无人机机身可以携带高度计，所以未知传感器节点的高度，可以通过无人机的海拔高度减去无人机到未知传感器节点的垂直距离就可确定未知传感器的海拔高度z0，所以再利用极大似然估计法可以计算未知传感器节点的位置(x0,y0)。这时就可以初步确定未知传感器节点在三维水平区域的位置(x0,y0,z0)。
步骤S103：采用极大似然估计法基于无人机和虚拟信标节点之间的相对距离所述未知传感器节点进行初步的定位；
令无人机每隔固定的时间周期T在对未知传感器节点进行周期性的测距时，广播一次自身的位置信息，并称为在此刻的虚拟信标节点，假设无人机经过n个虚拟信标节点，即设为{M1,M2,......Mn}，则无人机每个虚拟信标节点对应的坐标为(x1,y1,z),(x2,y2,z),(x3,y3,z),…,(xn,yn,z)；其中z是已知的，假设未知传感器节点的坐标为(x0,y0,z0)，其中z0是已知的，则经过RSSI测距后，无人机和未知传感器节点D的距离分别是，d1,d2,d3,....dn根据公式有如下关系式：
上式可将其表示为线性方程；AX＝b，其中
对以上的公式用最小均方差估计法，未知传感器节点D的位置坐标可表示为：
将作为未知传感器节点进行初步定位的定位结果。
步骤S104：通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位；
步骤S105：采用阀值选择的预设更新策略，剔除不符合条件的精确定位结果；
本步骤，通过在对未知传感器节点进行精确定位的基础上，采用阀值选择的更新策略，即对平方根容积卡尔曼滤波算法中的相关误差协方差的平方根因子进行更新时加上一个判别条件，即令阈值为α，其阀值的选择应根据实际调试所得到的经验值。当相关误差协方差的平方根因子sk|k大于等于阈值时，即sk|k＞α，则该数值保留，继续更新。当相关误差协方差的平方根因子小于阈值，即sk|k＜α，则令sk|k＝0，即对算法中的相关误差协方差平方根因子的值不予更新，采用这种策略可以减少该算法的运算量，使得迭代过程快速收敛，同时也提高了有效性和可靠性。
在本申请实施例公开的技术方案中，整个初步定位模型由一个无人机和m个未知位置的未知传感器节点组成。由无人机机载GPS模块，使得它成为整个系统中唯一一个可以在三维空间移动的信标节点。当无人机以事先设定好的轨迹、速度和高度飞行时，无人机通过周期性的散播自身的位置信息，和未知节点之间相互通信，计算无人机与未知传感器节点之间的位置，并把经过周期T时刻(散播自身未知信息的时刻)所在的位置称为虚拟信标，本文首先通过建立无人机和未知传感器节点之间的RSSI测距模型来获取无人机和未知节点的相对距离信息，然后利用极大似然估计法对未知传感器节点进行初始的定位。
当无人机和未知传感器节点通过极大似然估计对未知传感器节点进行初步定位后，可利用平方根容积卡尔曼滤波器对未知传感器节点进行进一步的求精，从而提高定位的精度。为了进一步的提高定位精度，本申请具体可以通过下述步骤对平方根容积卡尔曼滤波器中各个时刻的相关误差协方差的平方根因子进行更新，来达到对未知传感器节点进行精确定位的目的，具体步骤如下：
步骤1：时间更新阶段，对k-1时刻估计方差进行分解；
具体的，对公式进行分解。其中sk-1|k-1为k-1时刻的误差协方差的平方根因子。
步骤2：计算预测误差协方差的平方根因子：
具体的，依据公式计算预测误差协方差的平方根因子，其中sQ-1,k-1为Qk-1的平方根：其中Qk-1为k-1时刻系统过程的协方差，T()函数表示求取矩阵的平方根因子，其中容积点为在k时刻的n维列向量的伴随阵。
步骤S3：量测更新阶段；
在本阶段首先分解k时刻的状态误差协方差预测值，计算并传播容积点，估计k时刻的观测预测值，计算误差协方差的平方根因子：szz,k|k-1＝T([ξk|k-1 sR,k])其中，sR,k为Rk的平方根：
步骤4：估计互相协方差的平方根因子；
具体的，依据公式估计互相协方差的平方根因子，其中nk|k-1为在k-1时刻基础上所得到的k时刻状态变量的维数。其中为k时刻的n维列向量的转置矩阵。
步骤5：对公式求解，其中Xi,k|k-1(i＝1,2,3…m)为在k时刻的第i个容积点。为k时刻的状态预测值。
步骤6：计算卡尔曼增益：更新k时刻的状态，并估计相关误差协方差的平方根因子：
步骤7：通过在对未知传感器节点进行精确定位的基础上，采用阀值选择的更新策略，即对平方根容积卡尔曼滤波算法中的相关误差协方差的平方根因子进行更新时加上一个判别条件，即令阈值为α，其阀值的选择应根据实际调试所得到的经验值。当相关误差协方差的平方根因子sk|k大于等于阈值时，即sk|k＞α，则该数值保留，继续更新。当相关误差协方差的平方根因子小于阈值，即sk|k＜α，则令sk|k＝0，即对算法中的相关误差协方差平方根因子的值不予更新，采用这种策略可以减少该算法的运算量，使得迭代过程快速收敛，同时也提高了有效性和可靠性。
平方根容积卡尔曼算法是基于卡尔曼滤波思想，在相径容积规则下，产生容积点信息。在更新过程中，容积点信息以协方差矩阵的平方根因子形式进行递推更新，简化了运算过程，避免了截断误差，提高了滤波的收敛速度。其算法包括预测和更新两个阶段。与容积卡尔曼相比，平方根容积卡尔曼具有以下优点，(1)在滤波过程中直接以协方差的平方根形式进行递推更新，降低了计算复杂度，获得了更高的效率，使得定位的过程进一步精确化。(2)能保证协方差的半正定性，有效的避免了滤波器的发散，提高的滤波的收敛速度和数值稳定性。根据步骤6通过对k时刻的相关误差协方差的平方根因子进行不断的更新，来达到对未知传感器节点进行精确定位的目的。
与上述方法相对应，本申请还公开了一种基于无人机协助下的无线传感器网络节点定位装置，参见图2，该装置可以包括：
测距单元100，用于每隔预设周期无人机机载GPS模块和未知传感器节点进行相互通信，并通过RSSI测距方式对未知传感器节点进行测距；
信标生成单元200，用于测距单元工作时生成包含有无人机在当前时刻位置信息的虚拟信标节点；
初步定位单元300，用于采用极大似然估计法基于无人机和虚拟信标节点之间的相对距离对所述未知传感器节点进行初步的定位；
精确定位单元400，用于通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位；
删选单元500，用于采用阀值选择的预设更新策略，剔除不符合条件的精确定位结果。
优选的，所述测距单元100具体用于：
依据公式周期性的计算得到无人机与未知节点之间的相对距离；
其中，所述d表示无人机和未知传感器节点之间的相对测量距离，Pr(d)为接收器接收到的实际信号强度，di为近地的参考距离。Pi(di)为在di处接收到的信号强度，γ为信号在路径中的衰减因子，它的大小取决于信号传播的具体环境，Wδ为正态分布的高斯随机变量。通过此模型来计算出无人机与未知节点之间的相对距离。
优选的，所述精确定位单元具体用于：
通过离线或在线方式通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位。
与上述方法相对应，所述精确定位单元具体用于通过下述步骤对平方根容积卡尔曼滤波器中各个时刻的相关误差协方差的平方根因子进行更新，来达到对未知传感器节点进行精确定位的目的，具体步骤如下：
步骤1：时间更新阶段，对k-1时刻估计方差进行分解；
具体的，对公式进行分解。其中sk-1|k-1为k-1时刻的误差协方差的平方根因子。
步骤2：计算预测误差协方差的平方根因子：
具体的，依据公式计算预测误差协方差的平方根因子，其中sQ-1,k-1为Qk-1的平方根：其中Qk-1为k-1时刻系统过程的协方差，T()函数表示求取矩阵的平方根因子，其中容积点为在k时刻的n维列向量的伴随阵。
步骤S3：量测更新阶段；
在本阶段首先分解k时刻的状态误差协方差预测值，计算并传播容积点，估计k时刻的观测预测值，计算误差协方差的平方根因子：szz,k|k-1＝T([ξk|k-1 sR,k])其中，sR,k为Rk的平方根：
步骤4：估计互相协方差的平方根因子；
具体的，依据公式估计互相协方差的平方根因子，其中nk|k-1为在k-1时刻基础上所得到的k时刻状态变量的维数，其中为k时刻的n维列向量的转置矩阵。
步骤5：对公式求解，其中Xi,k|k-1(i＝1,2,3…m)为在k时刻的第i个容积点。为k时刻的状态预测值。
步骤6：计算卡尔曼增益：更新k时刻的状态，并估计相关误差协方差的平方根因子：
步骤7：通过在对未知传感器节点进行精确定位的基础上，采用阀值选择的更新策略，即对平方根容积卡尔曼滤波算法中的相关误差协方差的平方根因子进行更新时加上一个判别条件，即令阈值为α，其阀值的选择应根据实际调试所得到的经验值。当相关误差协方差的平方根因子sk|k大于等于阈值时，即sk|k＞α，则该数值保留，继续更新。当相关误差协方差的平方根因子小于阈值，即sk|k＜α，则令sk|k＝0，即对算法中的相关误差协方差平方根因子的值不予更新，采用这种策略可以减少该算法的运算量，使得迭代过程快速收敛，同时也提高了有效性和可靠性。
优选的，所述信标生成单元具体用于：
无人机以固定的高度z和速度V在未知传感器节点上方移动时，当检测到无人机通过GPS模块周期性的广播自身的位置信息时，生成一个虚拟信标节点，虚拟信标节点的位置为无人机在此时刻所在的位置信息。
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于无人机协助下的无线传感器网络节点定位方法，其特征在于，包括：
每隔预设周期无人机机载GPS模块和未知传感器节点进行相互通信，并通过RSSI测距方式对未知传感器节点进行测距；并生成包含有无人机在当前时刻位置信息的虚拟信标节点；
采用极大似然估计法基于无人机和虚拟信标节点之间的相对距离所述未知传感器节点进行初步的定位；
通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位；
采用阀值选择的预设更新策略，剔除不符合条件的精确定位结果。
2.根据权利要求1所述的基于无人机协助下的无线传感器网络节点定位方法，其特征在于，所述对未知传感器节点进行周期性的测距，包括：
依据公式周期性的计算得到无人机与未知节点之间的相对距离；
其中，所述d表示无人机和未知传感器节点之间的相对测量距离，Pr(d)为接收器接收到的实际信号强度，di为近地的参考距离。Pi(di)为在di处接收到的信号强度，γ为信号在路径中的衰减因子，它的大小取决于信号传播的具体环境，Wδ为正态分布的高斯随机变量。通过此模型来计算出无人机与未知节点之间的相对距离。
3.根据权利要求1所述的基于无人机协助下的无线传感器网络节点定位方法，其特征在于，通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位，包括：
通过离线或在线方式通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位。
4.根据权利要求1所述的基于无人机协助下的无线传感器网络节点定位方法，其特征在于，生成包含有无人机在当前时刻位置信息的虚拟信标节点包括：
控制无人机以固定的高度z和速度V在未知传感器节点上方移动，无人机通过GPS模块周期性的广播自身的位置信息，无人机每经过一个周期T生成一个虚拟信标节点，虚拟信标节点的位置为无人机在此时刻所在的位置信息。
5.根据权利要求1所述的基于无人机协助下的无线传感器网络节点定位方法，其特征在于，所述通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位，具体为：
采用离线或在线方式通过平方根容积卡尔曼滤波算法对初步的定位后的未知传感器节点进行精确定位。
6.一种基于无人机协助下的无线传感器网络节点定位装置，其特征在于，包括：
测距单元，用于每隔预设周期无人机机载GPS模块和未知传感器节点进行相互通信，并通过RSSI测距方式对未知传感器节点进行测距；
信标生成单元，用于测距单元工作时生成包含有无人机在当前时刻位置信息的虚拟信标节点；
初步定位单元，用于采用极大似然估计法基于无人机和虚拟信标节点之间的相对距离所述未知传感器节点进行初步的定位；
精确定位单元，用于通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位；
删选单元，用于采用阀值选择的预设更新策略，剔除不符合条件的精确定位结果。
7.根据权利要求6所述的基于无人机协助下的无线传感器网络节点定位装置，其特征在于，所述测距单元具体用于：
依据公式周期性的计算得到无人机与未知节点之间的相对距离；
其中，所述d表示无人机和未知传感器节点之间的相对测量距离，Pr(d)为接收器接收到的实际信号强度，di为近地的参考距离。Pi(di)为在di处接收到的信号强度，γ为信号在路径中的衰减因子，它的大小取决于信号传播的具体环境，Wδ为正态分布的高斯随机变量。通过此模型来计算出无人机与未知节点之间的相对距离。
8.根据权利要求6所述的基于无人机协助下的无线传感器网络节点定位装置，其特征在于，所述精确定位单元具体用于：
通过离线或在线方式通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位。
9.根据权利要求6所述的基于无人机协助下的无线传感器网络节点定位装置，其特征在于，所述信标生成单元具体用于：
无人机以固定的高度z和速度V在未知传感器节点上方移动时，当检测到无人机通过GPS模块周期性的广播自身的位置信息时，生成一个虚拟信标节点，虚拟信标节点的位置为无人机在此时刻所在的位置信息。
10.根据权利要求书6所述的基于无人机协助下的无线传感器网络节点定位装置，其特征在于，所述精确定位单元具体用于，采用离线或在线方式通过平方根容积卡尔曼滤波算法再对初步的定位后的未知传感器节点进行精确定位。
CN201711279152.XA 2017-12-06 2017-12-06 基于无人机协助下的无线传感器网络节点定位方法和装置 Pending CN108235251A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711279152.XA CN108235251A (zh) 2017-12-06 2017-12-06 基于无人机协助下的无线传感器网络节点定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711279152.XA CN108235251A (zh) 2017-12-06 2017-12-06 基于无人机协助下的无线传感器网络节点定位方法和装置

Publications (1)

Publication Number Publication Date
CN108235251A true CN108235251A (zh) 2018-06-29

Family

ID=62653291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711279152.XA Pending CN108235251A (zh) 2017-12-06 2017-12-06 基于无人机协助下的无线传感器网络节点定位方法和装置

Country Status (1)

Country Link
CN (1) CN108235251A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827295A (zh) * 2018-07-19 2018-11-16 华北电力大学 基于无线传感器网络和惯性导航的微型无人机自定位方法
CN108966286A (zh) * 2018-07-11 2018-12-07 郑州航空工业管理学院 无人机辅助移动边缘计算系统及其信息比特分配方法
CN109901100A (zh) * 2019-03-15 2019-06-18 南京烽火星空通信发展有限公司 一种信标节点定位方法及物联应用
CN110764126A (zh) * 2019-11-11 2020-02-07 北京航空航天大学 一种gps信息缺失情况下的无人车导航方法及系统
CN114697165A (zh) * 2022-03-09 2022-07-01 杭州市保密技术测评中心(杭州市专用通信与保密技术服务中心) 基于无人机视觉和无线信号融合的信号源检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608567A (zh) * 2012-01-19 2012-07-25 中国人民解放军第三军医大学野战外科研究所 基于无人机移动信标的战场士兵定位方法
CN104833981A (zh) * 2015-05-11 2015-08-12 西北工业大学 基于距离参数化混合坐标系下srckf的纯方位目标跟踪方法
CN106323291A (zh) * 2016-09-29 2017-01-11 安徽工程大学 一种基于平方根容积卡尔曼滤波的多机器人协同定位算法
CN106482736A (zh) * 2016-07-11 2017-03-08 安徽工程大学 一种基于平方根容积卡尔曼滤波的多机器人协同定位算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608567A (zh) * 2012-01-19 2012-07-25 中国人民解放军第三军医大学野战外科研究所 基于无人机移动信标的战场士兵定位方法
CN104833981A (zh) * 2015-05-11 2015-08-12 西北工业大学 基于距离参数化混合坐标系下srckf的纯方位目标跟踪方法
CN106482736A (zh) * 2016-07-11 2017-03-08 安徽工程大学 一种基于平方根容积卡尔曼滤波的多机器人协同定位算法
CN106323291A (zh) * 2016-09-29 2017-01-11 安徽工程大学 一种基于平方根容积卡尔曼滤波的多机器人协同定位算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘颖 等: "基于平方根容积卡尔曼滤波的RSSI定位参数估计算法", 《系统仿真学报》 *
孙尧: "基于无人机的无线传感器网络节点定位研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108966286A (zh) * 2018-07-11 2018-12-07 郑州航空工业管理学院 无人机辅助移动边缘计算系统及其信息比特分配方法
CN108966286B (zh) * 2018-07-11 2021-09-21 郑州航空工业管理学院 无人机辅助移动边缘计算系统及其信息比特分配方法
CN108827295A (zh) * 2018-07-19 2018-11-16 华北电力大学 基于无线传感器网络和惯性导航的微型无人机自定位方法
CN109901100A (zh) * 2019-03-15 2019-06-18 南京烽火星空通信发展有限公司 一种信标节点定位方法及物联应用
CN110764126A (zh) * 2019-11-11 2020-02-07 北京航空航天大学 一种gps信息缺失情况下的无人车导航方法及系统
CN114697165A (zh) * 2022-03-09 2022-07-01 杭州市保密技术测评中心(杭州市专用通信与保密技术服务中心) 基于无人机视觉和无线信号融合的信号源检测方法
CN114697165B (zh) * 2022-03-09 2023-12-22 杭州市保密技术测评中心(杭州市专用通信与保密技术服务中心) 基于无人机视觉和无线信号融合的信号源检测方法

Similar Documents

Publication Publication Date Title
CN108235251A (zh) 基于无人机协助下的无线传感器网络节点定位方法和装置
Xia et al. Indoor localization on smartphones using built-in sensors and map constraints
CN106370189B (zh) 一种基于多传感器融合的室内导航装置及方法
CN105550203B (zh) 一种基于移动终端定位搜寻的物品租借系统及方法
JP5675885B2 (ja) 測位方法、装置、及びシステム
US9244152B1 (en) Determining device locations using movement, signal strength
CN105704652B (zh) 一种wlan/蓝牙定位中的指纹库采集和优化方法
KR101424747B1 (ko) Ｗｉ-Ｆｉ 시스템에서 접속 지점 위치 추정 방법 및 장치
KR20190053470A (ko) 딥러닝 기반 측위 시스템 및 이의 구축 방법
CN103402258A (zh) 一种基于Wi-Fi的室内定位系统和方法
CN108267762A (zh) 实时动态定位系统虚拟参考站切换方法和设备
CN106840163A (zh) 一种室内定位方法及系统
CN105424050B (zh) 一种确定车辆行驶路径的方法和设备
CN107968987B (zh) 基于定积分结合环境参数的rssi加权质心定位方法
EP3165877A1 (en) Systems and methods for fusing inertial and bluetooth low energy sensor data for localization
WO2015082606A1 (en) System and method for indoor localization using mobile inertial sensors and virtual floor maps
CN108020813A (zh) 定位方法、定位装置和电子设备
CN108061910A (zh) 基于相位差分的组网方法、装置及差分定位系统
CN104507097A (zh) 一种基于WiFi位置指纹的半监督训练方法
CN103415072A (zh) 一种无线传感网络中基于估距的定位方法
CN103249144A (zh) 一种基于c型的无线传感器网络节点定位方法
Huang et al. Wearable indoor localisation approach in Internet of Things
Wen et al. An indoor localization and tracking system using successive weighted RSS projection
CN103596265B (zh) 一种基于声音测距和移动向量的多用户室内定位方法
CN105898711A (zh) 一种基于地磁基准线的定位方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180629