CN110267198B - 一种基于双层因子图置信度传递的分布式协作定位方法 - Google Patents
一种基于双层因子图置信度传递的分布式协作定位方法 Download PDFInfo
- Publication number
- CN110267198B CN110267198B CN201910561560.7A CN201910561560A CN110267198B CN 110267198 B CN110267198 B CN 110267198B CN 201910561560 A CN201910561560 A CN 201910561560A CN 110267198 B CN110267198 B CN 110267198B
- Authority
- CN
- China
- Prior art keywords
- node
- confidence
- message
- proxy
- weight
- 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.)
- Active
Links
Images
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
-
- 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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于双层因子图置信度传递的分布式协作定位方法,其中,该方法包括:采用双曲线渐进线模型估计待定位代理节点位置分布;构建了用于解决协作定位的双层因子图置信度传递模型,第一层因子图传递置信位置完成待定位代理节点位置分布估计;并传递上述估计结果作为第二层因子图对应节点的先验消息;第二层因子图采用参数化置信度传递计算策略完成所有节点定位;本发明应用于无线传感器网络协作定位中,具有较低的通信开销和计算复杂度,提升了协作定位技术在实际应用中的可行性。
Description
技术领域
本发明涉及无线传感器网络协作定位技术领域,尤其涉及一种基 于双层因子图置信度传递的分布式协作定位方法。
背景技术
目前,在无人驾驶导航技术和移动机器人技术快速发展背景下, 对位置信息的需求逐渐增加,一个可靠的定位系统不仅在当前以及在 未来都显得尤为重要,利用无线传感器网络定位技术实现节点定位受 到了众多学者的广泛关注与研究。
经典的传统方法大多采用非参数置信度传递策略实现代理节点协 作定位,为了保证较好的定位精度需要应用大量随机采样粒子,导致 较高的计算复杂度,同样也会占用大量的传感器资源。由于移动节点 之间消息传递需要发送表示位置消息的所有粒子,较高的通信开销导 致较高的能量消耗,缩短传感器和电池的使用寿命。因此,需要研究 出改善网络定位性能的新方法,并开发出适用于非线性非高斯场景下 的新型分布式协作定位技术。
发明内容
本发明的目的是提供一种基于双层因子图置信度传递的分布式 协作定位方法,能够解决非线性非高斯系统中传统协作方法采用非参 数置信度传递策略导致的较高通信开销和计算复杂度问题;本发明提 升了无线传感器网络的定位精度,并且较低的通信开销降低网络能量 消耗,提升了协作定位技术在实际应用中的可行性。
本发明采用的技术方案为:
一种基于双层因子图置信度传递的分布式协作定位方法,所述方法包 括以下步骤:
(1)初始化无线传感器网络参数,初始化无线传感器网络节点间的 量测与通信距离,网络中包含参考节点和待定位代理节点,待定位代 理节点位置满足随机分布;
(2)构建节点之间的通信与量测拓扑网络,参考节点采用双曲线渐 进线模型估计待定位代理节点位置分布,并传递位置分布估计结果到 待定位代理节点;
(3)根据步骤(2)中获得的位置分布估计结果,每个待定位代理节 点都生成置信位置消息,第一层因子图采用相邻节点置信位置传递计 算策略,每个待定位代理节点计算关于相邻节点的量测消息;
(4)待定位代理节点执行消息乘法计算量测消息权值,并归一化权 值;根据归一化权值获得待定位代理节点置信位置消息,执行完预定 迭代次数,完成所有待定位代理节点位置分布估计;
(5)根据步骤(4)获得的待定位代理节点置信位置分布估计结果, 并将该结果传递到第二层因子图中,作为对应待定位代理节点的先验 消息,利用该先验消息获得待定位代理节点位置建议性采样粒子;
(6)第二层因子图中采用参数化置信度传递计算策略,每个待定位 代理节点首先计算自身预测消息权值,然后计算相邻节点之间的量测 消息权值;
(7)待定位代理节点执行消息乘法计算重要性分布权值,依据归一 化权值执行重要性重采样,获得等权值粒子表示节点置信度,执行完 预定迭代次数,完成所有待定位代理节点定位。
所述步骤(2)中的待定位代理节点位置分布估计方法具体采用双曲 线渐进线模型计算夹角βk,t近似为待定位代理节点相对于中心参考节 点的方位角,其表达式如下:其中,a∈A 是待定位代理节点,A是网络中所有节点集合,首先,规定网络中所 有参考节点都会具有两个辅助量测节点m1,m2,则辅助量测节点m1,m2获得待定位代理节点量测距离和根据双曲线性质 已知辅助节点间距m1m2=2c;进而,可以通过双曲线 模型获得待定位代理节点位置分布为双峰分布模型,其中一个单峰表 示待定位代理节点位置分布,而另一个单峰分布是双曲线模型自主生 成的虚拟位置分布。
所述步骤(3)中生成待定位代理节点置信位置消息表达式如下:
其中,是待定位代理节点置信位置,a′∈A是参考节点,xa′,t表示参 考节点位置消息,ya′,k;t是参考节点量测距离,{±βa,t}是双曲线渐进线 模型获得的方位角集合;相邻节点通过无线通信方式传递置信位置集 合为{xk,t},k∈Ma,t是相邻节点,计算相邻节点量测消息表达式如下: 其中,表示相邻节 点量测消息,n1是第一层因子图置信度迭代计算次数,∝表示常数正 比于,是量测方差,ya,k;t是量测距离,xa,t是待定位代理节点置信位 置,xk,t是相邻节点置信位置。
所述步骤(4)中通过消息乘法计算量测消息权值表达式如下:其中,是相邻节点量测消息,是量 测消息权值;计算所有待定位代理节点量测消息的归一化权值表达式 如下: 是归一化权值,进而获得所有待定 位代理节点置信位置和方位{(xa,t,βa,t)},传递该估计结果作为第二层 因子图对应节点先验消息。
所述步骤(5)中根据先验消息采用随机化方法生成待定位代理节点 建议性采样粒子表达式如下: a∈A,j∈{1,...,J},其中,是建议性采样粒子,xa′,t是参考节点位 置消息,ya′,k;t是参考节点获得的量测距离,{βa,t}是待定位代理节点置 信方位集合,J是采样粒子数目,第二层因子图执行每次置信度迭代 计算任务中都需要重新生成建议性采样粒子。
所述步骤(6)中相邻节点通过无线通信方式传递参数化置信度 {(μk,t,Ck,t)},参数化置信度计算表达式如下:
其中,μk,t表示计算得到所有相邻待定位代理节点位置分布的均值向 量,Ck,t表示计算所有相邻待定位代理节点位置分布协方差矩阵;相 邻节点量测消息计算表达式如下:
其中,是相邻节点量测消息,n2是第二层因子图置信度迭 代计算次数,是更新量测方差,其计算表达式如下: 其中,da,k;t(xk,t)相邻节点间距离估计, 表示是距离估计da,k;t(xk,t)关于μk,t的导数,是对距 离估计的线性化处理,进而得到量测方差更新;每个待定位代理节点 计算自身预测消息和权值表达式如下:
所述步骤(7)中计算相邻节点量测消息乘法表达式如下: 其中,是量测消息权值;通过消息乘法计算 重要性权值表达为:计算归一化权值表达式如下: 执行重要性重采样获得等权值粒 子表示节点置信度,完成所有待定位代理节点定位。
本发明利用参考节点量测能力,通过双曲线渐进线模型估计待定 位代理节点位置分布,具有完全分布式和计算复杂度低的优点。进而, 构建了双层因子图置信度传递计算模型,通过第一层因子图传递置信 位置完成节点位置分布估计,并传递该结果作为第二层因子图对应节 点的先验消息;其次,在第二层因子图中采用参数化置信度传递计算 策略完成所有代理节点协作定位。新方法中相邻节点只需传递参数化 置信度,有效降低了通信开销和计算复杂度,提升协作定位技术在实 际应用中的可行性。
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一些实施例,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,还可以根据这些 附图获得其他的附图。
图1为本发明的流程图。
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 通技术人员在没有付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。
如图1所示,本发明所述的基于双层因子图置信度传递的分布式协作 定位方法具体实施方式包括以下步骤:
(1)初始化无线传感器网络相关参数,初始化无线传感器网络 节点间的量测与通信距离,网络中包含参考节点和待定位代理节点, 参考节点位置已知,待定位代理节点位置满足随机分布;
(2)构建节点之间的通信与量测拓扑网络,参考节点采用双曲 线渐进线模型估计待定位代理节点位置分布,并传递位置分布估计结 果到待定位代理节点;通过双曲线渐进线模型计算夹角βk,t近似为待 定位代理节点相对于中心参考节点的方位角,其表达式如下:
其中,a∈A是待定位代理节点,A是网络中所有节点集合,首先,规 定网络中所有参考节点都会具有两个辅助量测节点m1,m2,与参考节 点a′连接,并处于同一坐标轴上,则辅助量测节点m1,m2获得待定位 代理节点量测距离和根据双曲线性质已知辅助节点间距m1m2=2c;进而,可以通过双曲线模型获得待定位 代理节点位置分布为双峰分布模型,其中一个单峰表示待定位代理节 点位置分布,而另一个单峰分布是双曲线模型自主生成的虚拟位置分 布。
(3)根据上述获得的位置分布估计结果,待定位代理节点生成 置信位置消息,第一层因子图采用相邻节点置信位置传递计算策略, 每个带定位代理节点计算相邻节点量测消息;首先,根据双曲线渐进 线模型获得的位置分布估计结果生成待定位代理节点置信位置消息 表达式如下:
其中,是待定位代理节点置信位置,a′∈A是参考节点,xa′,t表示参 考节点位置消息,ya′,k;t是参考节点量测距离,{±βa,t}是双曲线渐进线 模型获得的方位角集合。进而,相邻节点通过无线通信方式传递置信 位置集合为{xk,t},k∈Ma,t是相邻节点,计算相邻节点量测消息表达式 如下:
(4)待定位代理节点执行消息乘法计算量测消息权值,并归一 化权值;根据归一化权值获得待定位代理节点置信位置消息,执行完 预定迭代次数,完成所有待定位代理节点位置分布估计;通过消息乘 法计算量测消息权值表达式如下:其中是相邻节点量测消息,是量测消息权值。计算所有待定位代理节 点量测消息的归一化权值表达式如下: 是 归一化权值,进而获得所有待定位代理节点置信位置和方位 {(xa,t,βa,t)},传递该估计结果作为第二层因子图对应节点先验消息。
(5)根据获得的待定位代理节点置信位置分布估计结果,并将 结果传递到第二层因子图对应的变量节点,作为待定位代理节点的先 验消息,利用先验消息获得待定位代理节点位置建议性采样粒子;根 据先验消息使用随机化方法生成待定位代理节点建议性采样粒子表 达式如下:a∈A,j∈{1,...,J},其中,是建议性采样粒子,xa′,t是参考节点位置消息,ya′,k;t是参考节点获得 的量测距离,{βa,t}是待定位代理节点置信方位集合,J是采样粒子数 目。第二层因子图执行置信度迭代计算任务过程中都需要重新生成建 议性采样粒子。
(6)第二层因子图中采用参数化置信度传递计算策略,计算每 个相邻节点量测消息权值和待定位代理节点自身预测消息权值;相邻 节点通过无线通信方式传递参数化置信度{(μk,t,Ck,t)},参数化置信度 计算表达式如下:其中,μk,t表 示计算得到所有相邻待定位代理节点位置分布的均值向量,Ck,t表示 计算所有相邻待定位代理节点位置分布协方差矩阵。相邻节点量测消 息计算表达式如下:
其中,是相邻节点量测消息,n1是第一层因子图置信度迭 代计算次数,是更新量测方差,其计算表达式如下: 其中,da,k;t(xk,t)相邻节点间距离估计, 表示距离估计da,k;t(xk,t)关于μk,t的导数,是对距离估计 的线性化处理,进而得到量测方差更新。每个待定位代理节点计算自 身预测消息和权值表达式如下:
(7)待定位代理节点执行消息乘法计算重要性分布权值,依据 归一化权值执行重要性重采样获得等权值粒子表示节点置信度,执行 完预定迭代次数,完成所有待定位代理节点定位。计算相邻节点量测 消息乘法表达式如下:其中,是相邻代 理节点量测消息,是量测消息权值。通过消息乘法计算重要性权值表达为:计算归一化权值表达式如下:执行重要性重采样获得等权值粒 子表示节点置信度,完成所有待定位代理节点定位,重要性重采样方 法为现有技术,不在赘述。
本发明利用参考节点量测能力,通过双曲线渐进线模型估计待定 位代理节点位置分布,具有完全分布式和计算复杂度低的优点。进而, 构建了双层因子图置信度传递计算模型,通过第一层因子图传递置信 位置完成节点位置分布估计,并传递该结果作为第二层因子图对应节 点的先验消息;其次,在第二层因子图中采用参数化置信度传递计算 策略完成所有代理节点协作定位。新方法中相邻节点只需传递参数化 置信度,有效降低了通信开销和计算复杂度,提升协作定位技术在实 际应用中的可行性。本发明能够提升无线传感器网络协作定位精度, 同时具有较低的通信开销和计算复杂度,提升了协作定位技术在实际 应用的可行性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明, 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等, 均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于双层因子图置信度传递的分布式协作定位方法,其特征在于:包括以下步骤:
(1)初始化无线传感器网络参数,初始化无线传感器网络节点间的量测与通信距离,网络中包含参考节点和待定位代理节点,待定位代理节点位置满足随机分布;
(2)构建节点之间的通信与量测拓扑网络,参考节点采用双曲线渐进线模型估计待定位代理节点位置分布,并传递位置分布估计结果到待定位代理节点;
(3)根据步骤(2)中获得的位置分布估计结果,每个待定位代理节点都生成置信位置消息,第一层因子图采用相邻节点置信位置传递计算策略,每个待定位代理节点计算关于相邻节点的量测消息;
(4)待定位代理节点执行消息乘法计算量测消息权值,并归一化权值;根据归一化权值获得待定位代理节点置信位置消息,执行完预定迭代次数,完成所有待定位代理节点位置分布估计;
(5)根据步骤(4)获得的待定位代理节点置信位置分布估计结果,并将该结果传递到第二层因子图中,作为对应待定位代理节点的先验消息,利用该先验消息获得待定位代理节点位置建议性采样粒子;
(6)第二层因子图中采用参数化置信度传递计算策略,每个待定位代理节点首先计算自身预测消息权值,然后计算相邻节点之间的量测消息权值;
(7)待定位代理节点执行消息乘法计算重要性分布权值,依据归一化权值执行重要性重采样,获得等权值粒子表示节点置信度,执行完预定迭代次数,完成所有待定位代理节点定位。
2.如权利要求1所述的基于双层因子图置信度传递的分布式协作定位方法,其特征在于:所述步骤(2)中的待定位代理节点位置分布估计方法具体采用双曲线渐进线模型计算夹角βk,t近似为待定位代理节点相对于中心参考节点的方位角,其表达式如下:其中,a∈A是待定位代理节点,A是网络中所有节点集合,首先,规定网络中所有参考节点都会具有两个辅助量测节点m1,m2,则辅助量测节点m1,m2获得待定位代理节点量测距离和根据双曲线性质已知辅助节点间距m1m2=2c;进而,可以通过双曲线模型获得待定位代理节点位置分布为双峰分布模型,其中一个单峰表示待定位代理节点位置分布,而另一个单峰分布是双曲线模型自主生成的虚拟位置分布。
3.如权利要求1所述的基于双层因子图置信度传递的分布式协作定位方法,其特征在于:所述步骤(3)中生成待定位代理节点置信位置消息表达式如下:
6.如权利要求1所述的基于双层因子图置信度传递的分布式协作定位方法,其特征在于:所述步骤(6)中相邻节点通过无线通信方式传递参数化置信度{(μk,t,Ck,t)},参数化置信度计算表达式如下:
其中,μk,t表示计算得到所有相邻待定位代理节点位置分布的均值向量,Ck,t表示计算所有相邻待定位代理节点位置分布协方差矩阵;相邻节点量测消息计算表达式如下:
其中,是相邻节点量测消息,n2是第二层因子图置信度迭代计算次数,是更新量测方差,其计算表达式如下:其中,da,k;t(xk,t)相邻节点间距离估计,ha,k;t表示是距离估计,表示初始量测误差方差,da,k;t(xk,t)关于μk,t的导数,是对距离估计的线性化处理,进而得到量测方差更新;每个待定位代理节点计算自身预测消息和权值表达式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561560.7A CN110267198B (zh) | 2019-06-26 | 2019-06-26 | 一种基于双层因子图置信度传递的分布式协作定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561560.7A CN110267198B (zh) | 2019-06-26 | 2019-06-26 | 一种基于双层因子图置信度传递的分布式协作定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110267198A CN110267198A (zh) | 2019-09-20 |
CN110267198B true CN110267198B (zh) | 2021-03-30 |
Family
ID=67921879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910561560.7A Active CN110267198B (zh) | 2019-06-26 | 2019-06-26 | 一种基于双层因子图置信度传递的分布式协作定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110267198B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110225454B (zh) * | 2019-06-26 | 2020-12-18 | 河南大学 | 一种置信度传递的分布式容积卡尔曼滤波协作定位方法 |
CN114286440B (zh) * | 2021-12-24 | 2022-09-27 | 北京邮电大学 | 一种低复杂度分布式无线协作定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331078A (zh) * | 2014-10-31 | 2015-02-04 | 东北大学 | 一种基于位置映射算法的多机器人协作定位方法 |
CN104394573A (zh) * | 2014-11-26 | 2015-03-04 | 北京邮电大学 | 一种无线传感器网络协作定位方法 |
CN106162869A (zh) * | 2016-07-07 | 2016-11-23 | 上海交通大学 | 移动自组织网络中高效协作定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010507985A (ja) * | 2006-10-25 | 2010-03-11 | マサチューセッツ インスティテュート オブ テクノロジー | 無線ネットワークにおける協調位置特定 |
-
2019
- 2019-06-26 CN CN201910561560.7A patent/CN110267198B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331078A (zh) * | 2014-10-31 | 2015-02-04 | 东北大学 | 一种基于位置映射算法的多机器人协作定位方法 |
CN104394573A (zh) * | 2014-11-26 | 2015-03-04 | 北京邮电大学 | 一种无线传感器网络协作定位方法 |
CN106162869A (zh) * | 2016-07-07 | 2016-11-23 | 上海交通大学 | 移动自组织网络中高效协作定位方法 |
Non-Patent Citations (1)
Title |
---|
《贝叶斯协作定位方法评述》;代宝;《科技创新导报》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110267198A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10440553B2 (en) | Distributed network center and area estimation | |
KR101626514B1 (ko) | 도달 시간 기반 포지셔닝 시스템 | |
CN106990399B (zh) | 用于目标跟踪的组网雷达系统功率和带宽联合分配方法 | |
CN110267198B (zh) | 一种基于双层因子图置信度传递的分布式协作定位方法 | |
US7196662B2 (en) | Probabilistic model for a positioning technique | |
US8457655B2 (en) | Hybrid time of arrival based positioning system | |
CN110225454B (zh) | 一种置信度传递的分布式容积卡尔曼滤波协作定位方法 | |
US8489114B2 (en) | Time difference of arrival based positioning system | |
CN106162869B (zh) | 移动自组织网络中高效协作定位方法 | |
US20130072220A1 (en) | Hybrid tdoa and toa based positioning system | |
US20130148514A1 (en) | Positioning technique for wireless communication system | |
CN101483818A (zh) | 一种水下无线传感器网络节点的三维定位方法 | |
CN109195110B (zh) | 基于层次聚类技术和在线极限学习机的室内定位方法 | |
CN114387319B (zh) | 点云配准方法、装置、设备以及存储介质 | |
CN113727308A (zh) | 一种基于车辆位置预测的边缘计算卸载优化方法 | |
CN112153564B (zh) | 基于集中式与分布式计算相结合的高效多跳定位方法 | |
CN110213713A (zh) | 一种基于时空域联合处理的集中式协作定位系统和方法 | |
CN110536410B (zh) | 非视距环境下基于rss和tdoa测量的定位方法 | |
Rekha et al. | An advanced DV-Hop localization algorithm for random mobile nodes in wireless sensor networks | |
KR100946988B1 (ko) | 가중치를 포함하는 최대우도추정을 이용한 협업 위치 인식장치 및 방법 | |
Cao | A localization algorithm based on particle swarm optimization and quasi-newton algorithm for wireless sensor networks | |
CN114915931A (zh) | 一种基于rssi技术的室内定位方法 | |
Bengherbia et al. | Implementation of a 3D Indoor Positioning System Using MLP-based Distance Estimation for IoT Applications | |
Cao et al. | DV-Hop based localization algorithm using node negotiation and multiple communication radii for wireless sensor network | |
Hu et al. | A TDOA/AOA hybrid positioning based on improved sparrow search algorithm for mobile position estimation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |