CN110913344A - 协同目标跟踪系统和方法 - Google Patents

Abstract

本申请提供一种协同目标跟踪系统，包括：多个目标，每个目标携带标签并在目标区域内，所述标签构造为广播信标以及从其他标签接收信标，所述信标包括自身的唯一标识符、剩余寿命和RSS测量值；传感器，构造为在所述标签的覆盖范围内接收所述标签广播的信标，并将接收的信标和所述传感器的位置发送至服务器；所述服务器，构造为基于表示所述目标区域的空间信号传播的RSS矩阵以及从所述传感器接收的信标和所述传感器的位置来计算每个目标的位置。所述标签还构造为在跳数限制内转播从其他标签接收的信标，所述跳数限制指示所述信标的寿命。

Description

协同目标跟踪系统和方法

技术领域

本公开涉及目标跟踪，具体地，涉及基于移动传感器的协同目标跟踪。

背景技术

目标跟踪是指了解移动物体随时间的位置。该技术已经得到广泛应用，例如，跟踪医院的病人、了解商场的人流、寻找游乐场中的人、定位仓库中的资产等。

为了跟踪场地的多个目标，一种方法需要每个目标携带装置，该装置连续地计算目标的位置，并将位置报告给服务器。由于每个装置配备有感测模块、定位模块和通信模块，因此，对于大量的目标而言，成本会很高。或者，可以在场地中安装多个固定传感器，各个目标携带轻重量的标签。然而，为了获得令人满意的精度，将导致对传感器基础设施的大量投资，尤其是对于大型场地。

传统的基于RF的定位问题可以被视为使用静态传感器定位静止目标。它们通常利用预先部署的网络基础设施(例如接入点(AP)和iBeacon)来确定目标位置。例如三边测量法的研究采用基于范围的方案，其使用信号测量(例如RSS和到达时间(ToA，Time ofArrival))来估计节点之间的距离。但是，非视距(NLOS，non-line-of-sight)测量通常会影响性能。其他研究专注于无范围解决方案。其中一个代表性工作是指纹识别方法。预定位置处的信号模式被记录为唯一指纹。然后，位置估计问题变为搜索匹配的指纹。这些工作通常将目标定位作为每时隙(per-time-slot)估计问题，因此没有考虑目标的移动性。

有许多研究考虑到用固定传感器随着时间定位移动目标。该问题通常称为跟踪问题。贝叶斯滤波广泛应用于这些研究工作中，其基本思想是将信号测量与目标的运动相结合。

发明内容

根据本公开的实施例，提供了一种使用移动传感器跟踪多个目标的协同目标跟踪系统，其具有高协作性、性价比高、精度高的优点。

标签的信号具有一定的覆盖范围，该范围也称为感测范围。当传感器相对于信标覆盖范围非常稀疏时，一些目标可能无法被感测到，更不用说对这些目标进行跟踪。鉴于该问题，本公开中标签在一定的跳数限制(hop limit)内协作地转播接收的其他标签的信标。换句话说，跳数限制也称为信标的寿命。这极大地扩展了传感器的感测范围，并在连续性和准确性方面实现了更好的可跟踪性。

为了对信号传播进行建模，传统方法通常使用一些简单的衰减(fading)公式来假设视距(LOS，line-of-sight)场景。虽然这在开放或室外空间中可能是合理的，但由于衰减、多路径和屏蔽，它不适用于复杂的室内环境。因此，根据本公开的实施例，采用了RSS矩阵的更一般的概念来捕获任何两个位置之间的信号传播，其中(i，j)处的矩阵元是针对点i处的发射器在点j处接收的RSS。这样，RSS矩阵不需要任何传播模型，并在给定接收的RSS的情况下，提供发送器和接收器之间的空间信息。根据本公开的实施例的RSS矩阵可以适用于任何环境。对于可以通过衰减模型近似信号传播的简单环境，可以使用该衰减模型直接生成RSS矩阵。

本公开的协同目标跟踪系统解决了以下协作目标跟踪问题：给定RSS矩阵、针对标签和传感器的RSS测量值和传感器位置，如何有效地随时间定位目标？根据本公开的实施例，提出了一种新型的且有效的算法来解决该问题。本公开采用修改的粒子滤波(particlefilter)，其通过时间和空间信息来限定标签的位置。与一次跟踪单个目标不同的是，协同目标跟踪系统利用从RSS矩阵得到的各个目标之间的空间关系，并联合考虑目标随时间的位移。

RSS矩阵是协同目标跟踪系统的重要输入，因此进一步研究了如何在没有任何模型假设和明确的现场调查的情况下，在一般环境下有效得到RSS矩阵。显然，现场调查成本太高(耗时且耗力)。为此，协同目标跟踪系统可选地且独立地包括离线模块，其通过仅使用移动传感器生成RSS矩阵来有效地学习信号传播。传感器具有发射信标并从相邻传感器接收信标的收发器，并将其位置和接收的信标信号转发到服务器。由于服务器位置不确定，则需要考虑如下离线RSS矩阵生成问题：给定传感器的含噪声的估计位置和随时间接收的RSS，如何有效地构建完整的RSS矩阵？本公开利用Rao-blackwellized粒子滤波(广泛用于SLAM(Simultaneous Localization and Mapping)的框架)来利用传感器的运动和协作。在每个时间段，首先根据信号测量(传感器的RSS测量值)和当前RSS矩阵改进传感器位置。基于改进的传感器位置，然后更新RSS矩阵。

因此，本公开首次将细粒度无模型方法应用于协同目标跟踪问题。实验结果表明，协同目标跟踪系统分别在校园和购物中心实现了4.37m和9.46m的跟踪误差，其以明显更低(通常超过30％)的跟踪误差优于其他最先进的方法。

附图说明

图1示出了移动传感器跟踪系统的示例。

图2a示出了移动传感器跟踪系统的协作目标跟踪的工作流程。

图2b示出了RSS矩阵生成模块的工作流程。

图3示出了显示跟踪算法如何工作的示例。

图4示出了RBPF中应用的粒子结构。灰色栏表示粒子。

图5示出了实验中的传感器和标签的原型，其中，左侧是在TP-Link MR3020上运行的传感器，右侧是在Espressif ESP32的平台上实施的标签。

图6a和图6b分别是两个实验场地的楼层平面图和单元划分，其中，区域A表示可访问区域，线段B将区域A划分为多个单元，点C是种子点。

图7a和图7b示出了行走轨迹和标记的位置的示例，其中，十字标记是在实验期间的标记位置，虚线表示参与者的轨迹，相应的箭头表示行走方向。

图8a和图8b是在某时间的传感器/目标位置的示例，其中，三角形和圆点分别表示传感器和目标的位置。

图9a至图9d是示出两个场地内目标的覆盖范围内的传感器/目标数量的柱状图。

图10a和图10b分别示出了3号标签从时间80s到200s的跟踪误差和覆盖的传感器/目标数量。

图11和图12示出了粒子数量对跟踪精度的影响。

图13和图14分别示出了在校园和购物中心中的跟踪误差与跳数限制。

图15示出了在校园中不同算法的跟踪误差的CDF。

图16示出了在购物中心中不同算法的跟踪误差的CDF。

图17示出了在校园中的跟踪误差与RSS矩阵完成情况。

图18示出了在校园中不同RSS矩阵的跟踪误差的CDF。

图19示出了随时间变化的能耗。

具体实施方式

经济有效的目标跟踪方案是让人员(如医院工作人员、保安人员、商场巡逻人员等)携带的移动传感器。这些传感器根据一些定位技术(例如，GPS、Wi-Fi指纹和MIMO TOF)来测得自身的位置。目标携带低成本且轻重量的有源标签。该标签具有能够广播并从其他标签接收信标的收发器。广播的信标被其覆盖范围内的移动传感器机会性地捕获。然后，这些传感器将捕获的信标发送到服务器。随后基于信标信息和传感器位置来计算目标位置。由于传感器的感测、定位和通信功能，所以传感器是计算和联网装置，因而比标签更昂贵。然而，由于传感器是移动的并且可以动态地部署到不同的区域，因此与固定基础设施相比，该方法使用了更少的传感器。在本公开中，考虑的是传感器和目标都是移动的情况，然而，本公开不限于此。

由于成本效益和可部署性，本公开采用诸如Wi-Fi和iBeacon的射频(RF)作为标签信号。这些信号的收发模块在市场上很容易获得，并广泛嵌入到不同的移动装置中。也可以容易地检测这些RF的接收信号强度(RSS)。

在根据本公开的移动传感器跟踪系统(Mosent,也称为“协同目标跟踪系统”)中，考虑目标之间的时间和协作信息，以扩展跟踪覆盖范围并提高准确性。

图1示出了移动传感器跟踪系统的示例。粗实线表示分区，带箭头的直线表示信标信号传输。

传感器保持监听来自邻近标签(传感器感测范围内的节点)的信标。一旦接收到信标，传感器将信标连同其位置转发到服务器。标签周期性地广播信标，该信标包括自身的唯一标识符、剩余寿命(初始化为跳数限制)和邻近标签的RSS测量值。同时，标签还在一定跳数限制内转播来自其他标签的信标。显然，跳数限制(最大信标寿命)平衡了标签的感测范围和转播负担。

图2a示出了移动传感器跟踪系统的协作目标跟踪的工作流程。每个传感器报告接收的信标及其自身位置。此外，还输入了表示场地的空间信号传播的RSS矩阵。给定所需数据，跟踪模块采用修改的粒子滤波来估计目标位置。对于每次迭代，依次定位目标。具体地，为了定位待估计的下一目标，移动传感器跟踪系统基于邻近传感器的数量来执行目标选择。每次定位具有最高置信度的目标。稍后，为了跟踪目标，基于运动模型和与其邻居的空间关系更新粒子。每次迭代结束时，移动传感器跟踪系统针对所有目标生成估计的位置。

在Rao-Blackwellized粒子滤波(RBPF)框架下设计RSS矩阵生成模块。图2b示出了RSS矩阵生成模块的工作流程。生成算法以迭代方式工作。每次迭代时，基于传感器移动性及其估计位置来预测和更新粒子。使用相互RSS测量值，可以进一限定每个传感器的可能位置。根据改善的传感器位置，随时间更新RSS矩阵。

图3示出了显示跟踪算法如何工作的示例。典型的传感器网络由4个传感器和4个目标构成。在从t-1到t的时间内，目标异步地广播信标。箭头表示在节点处接收信标。为了在时间t共同估计目标位置，首先根据覆盖的传感器的数量对目标进行排序。显然，排序后的目标排序是{1,3,2,4}。然后，根据排序定位目标。首先估计后验概率分布

并估计目标1的位置。通常，由于有3个传感器感测目标1的信标，可以定位目标1的位置而无需其他目标的信息。随后，分别估计目标3、2和4的位置。当估计目标2的位置时，已经估计了目标1和3的位置。因此，可以使用目标1和3来估计目标2的位置。但是，如果先估计目标2的位置，则只可以使用传感器B处的数据来进行估计。因此，依靠先前估计的位置，移动传感器跟踪系统能够改善估计精度。

图4示出了RBPF中应用的粒子结构。灰色栏表示粒子。每个粒子包含传感器位置的集合、RSS矩阵的估计和相关权重。

RSS矩阵

RSS矩阵捕获场地的信号传播信息。为了形成RSS矩阵，首先需要将整个场地离散化。具体地，在可访问区域中散布种子点的集合，然后相应地生成Voronoi图。每个多边形划分称为单元(cell)。由于单元内的任何点比其他点更靠近对应的种子点，因此可以通过在平面图中搜索最接近的种子点来找到点所在的单元。

给定被划分为c个单元的场地，可以生成c×c的RSS矩阵M。对每个单元编号。通常假设RSS测量值具有高斯噪声。因此，存储

来表示RSS分布,其中

和

分别是从第i个单元发射并在第j个单元处接收的信号强度的平均值和标准偏差。

在生成RSS矩阵时存在所谓的装置异构性问题。因为不同的传感器和目标可具有不同的传输功率和天线增益，所以它们之间的偏离可严重破坏跟踪精度。为了解决该问题，可以选择一个特定的装置作为参考装置，并将其他装置的测量调整为参考水平。更具体地，对于每个装置，在同一距离(例如，1m)处测量RSS并计算与参考装置的测量的偏离。给定偏离列表和来自已知装置的RSS，可以进行线性变换来将RSS值调整至参考装置测量的RSS值。

协作目标跟踪

协作多目标跟踪问题被建模为根据含噪声的观测来估计动态系统的真实状态。在离散时间t，目标的位置由系统状态

表示，其中

是目标i的2D坐标。类似地，传感器的位置由

表示。在t-1到t的时间内，假设目标根据给定运动模型

移动,

是在给定先前位置

的条件下目标i的当前位置的概率密度函数。

为了利用时间信息，使用从时间1到时间t的感测数据(表示为{o_1：t，z_1：t})和运动模型来估计时间t处的目标位置。因此，采用序贯重要性重采样(SIR)粒子滤波来并入时间感测数据来进行定位估计。在时间t-1的目标位置的后验概率分布由p(x_t-1|o_1：t-1，z_1：t-1)表示。观测模型p(o_t，z_t|x_t)描述了给定目标位置x_t的情况下观测到感测结果{o_t，z_t}的似然度。估计目标位置的联合后验概率分布，即，p(x_t|o_1：t，z_1：t)。粒子滤波根据以下公式(1)递归地计算后验概率分布：

然而，由于目标能够彼此感测，利用相互的感测数据来估计联合后验概率分布p(x_t|o_1∶t，z_1∶t)会导致无法承受的时间复杂性。为了解决该问题，移动传感器跟踪系统设计修改的粒子滤波器来依次近似目标位置的各自的条件后验概率分布，而不是同时一起考虑。

若传感器从目标接收信标，则传感器被该目标覆盖。移动传感器跟踪系统首先根据目标的定位置信度(即，目标覆盖的传感器的数量)来对目标进行排序。然后，针对每个目标，估计条件后验概率分布，由此估计每个目标的位置。这样，先对具有高置信度的目标进行定位，得到的结果可用于定位其他目标。

在移动传感器跟踪系统中，在时间t的目标位置联合后验概率分布

由粒子的集合

表示，其中

是表示目标i的位置的粒子的集合，

是目标i的第k个粒子。每个目标的位置分布由K个粒子表示。K是平衡计算复杂度和跟踪精度的系统参数。每个粒子由元组

形成,其中

是目标i可能的位置，权重

表示真实的目标位置是

的似然度。在每次迭代时，可以将跟踪分为两个连续的步骤：目标选择和目标跟踪，后面将详细描述。

通常，目标的覆盖范围内的传感器数量不同。目标覆盖范围内的传感器的数量越多，目标的估计位置越准确。因此，根据目标的覆盖范围内的传感器数量对目标进行排序。对于排序后的目标，将联合后验概率近似为：

其中

是目标i的近似条件后验概率分布。最初，目标1的位置的后验概率分布由

近似，它不依赖于其其它目标在当前时间的任何感测数据。目标2的后验概率分布由

近似，它依赖于目标1的感测数据和目标1的位置。由于不知道目标1的准确位置，所以使用估计的位置。按照目标的排序一个接一个估计目标位置，后一目标的估计能够使用在前估计的目标的估计位置和感测数据。

先描述粒子滤波中的预测步骤。第i个目标在时间t-1的位置分布由粒子

表示。在时间0，由于没有目标位置的任何先验知识并且目标可以在任何位置，因此假设粒子均匀分布在整个可访问区域内。不知道目标的移动速度和方向。但是，目标在时间间隔内的移动速度一定小于某值d_max。若目标i在上一时间在位置x_t-1，在时间t，目标i可以在以x_t-1为中心、半径为d_max的圆形区域内的任何位置。更具体地，运动模型由以下概率密度函数表示：

为了预测目标i的下一位置，将目标i的每一个粒子移动至以粒子为中心、半径为d_max的圆形区域内的随机位置。也就是说，对于每个粒子

其中，

是新的粒子位置。

根据观测来更新每个粒子的权重。注意，在估计目标i的先验概率分布前，已经估计了目标{0，1，...，i-1}的位置。给定传感器的感测数据o_1：t、目标{0，1，...，i-1}的感测数据和目标{0，1，...，i-1}的估计位置，可以测量每个粒子

在真实位置的似然度。地图中任两点之间的信号传播损失由RSS矩阵M表示。x和y分别表示目标和传感器的位置，o表示传感器处检测的RSS。RSS测量值的似然度p(o|x，y)为

其中ζ和η分别是x和y的单元编号。考虑到在每个传感器/目标处观测到的RSS是独立的，观测到感测结果

的似然度以及计算为

其中

是在传感器j处接收的目标i的信标的RSS为

的似然度，类似地，

是在另一目标j处接收的目标i的信标的RSS为

的似然度。注意，目标i在位置

的似然度仅取决于在所有传感器处的感测数据以及已经估计了位置的目标处的数据。

根据

来更新目标i的每个粒子的权重。也就是说，对于每个

其中

然后，粒子的权重被归一化为满足：

利用以下公式来估计目标i在时间t的位置：

这用于解决SIR粒子滤波的退化(degeneracy)问题。重采样的基本思想是消除归一化重要性权重小的轨迹并且集中于权重大的轨迹。通过如下操作来重采样：1)从所有粒子中抽取K个粒子样本，每个粒子都以概率作为其权重来进行抽取，用抽取的粒子来替代

2)将每个粒子的权重设置为1/K。

有效RSS矩阵生成

接下来描述如何有效地根据含噪声的传感器位置生成RSS矩阵。该模块作为移动传感器跟踪系统的插件。生成的RSS矩阵可以用作精确协作跟踪的输入。

为了生成RSS矩阵，需要准确的传感器位置。然而，实际上，传感器位置通常包含噪声，RSS矩阵在一定程度上可以帮助减小这种误差。为了解决该问题，可以估计联合后验概率分布

p(y_0：t，M|s_1：t，ψ_1：t), (8)

其中y_0：t是从时间0到时间t的传感器位置的序列，M是RSS矩阵，s_1：t是传感器之间的相互测量(传感器接收到来自其他传感器的信号强度)的序列，ψ_1：t是外部源提供的传感器的含噪声的位置估计的序列(例如，其他算法估计的可能带有噪声的位置序列)。

为了利用时间和空间信息，针对该问题可以再次采用蒙特卡罗滤波方法，但是它们无法有效估计公式(8)，因为在后验概率分布中存在RSS矩阵增加了估计空间的维度。公式(8)可以被分解为：

因式分解将联合后验估计分解为两个单独的问题，即，传感器轨迹估计和基于传感器位置的RSS矩阵估计。因此，通过采用已成功应用于SLAM问题的修改的RBPF来实现。

首先估计公式(9)中的传感器轨迹后验p(y_0：t|s_1：t，ψ_1：t)。进一步地，可以将该后验分解为p(y_0：t|s_1：t，ψ_1：t)∝p(s_t，ψ_t|y_t)p(y_0：t|s_1：t-1，ψ_1：t-1)

＝p(y_0：t|s_1：t-1，ψ_1：t-1)p(ψ_t|y_t)p(s_t|y_t) (10)

其中p(y_0：t|s_1：t-1，ψ_1：t-1)是基于历史信息的当前传感器轨迹预测，p(ψ_t|y_t)是估计的传感器位置的似然度，p(s_t|y_t)是互相感测的似然度。因此，可以首先从运动模型抽取样本，然后根据以上两种似然度来更新权重。

由于基于外部方法的传感器估计彼此独立，可以得到

通过中心极限定理，假设估计的传感器位置遵循零均值多元高斯分布，即，

其中j是传感器编号，传感器位置的协方差矩阵

是主对角线上的元素等于

的对角矩阵。σ_S的值涉及外部传感器定位技术及其精度的选择。

每个粒子表示所有传感器的潜在位置的组合。因此，每个粒子包含m个传感器的m个位置。由于RSS矩阵未知，每个粒子还包括遵循RBPF的本地RSS。稍后将描述RSS矩阵的估计。用

表示时间t处的第k粒子，于是可以得到

其中

是粒子中的传感器位置的“猜测”，

是在粒子中估计的本地RSS矩阵，

是粒子的权重。

在预测阶段，基于先前的估计来预测粒子状态。考虑到每个传感器的运动是独立的，可以通过单个地预测每个传感器位置来预测粒子状态。这里将使用公式(3)中提到的同一运动模型。

在更新阶段，更新每个粒子的权重。权重表示每个粒子的可信度。权重越大，表示粒子被选择的可能性越大。可以按照以下来计算

注意，公式中的第一项遵循传感器位置观测模型。为了进一步计算第二项

可以得到：

公式(12)可以近似为高斯密度：

其中

是在第j个单元内接收的第i个单元内的装置的RSS测量值，

是期望的RSS测量值，即，

公式(13)中的方差

表示估计的不确定性，可以计算为

的方差与

的方差之和。可以看出，

实际上指示粒子与当前RSS矩阵估计匹配的可能性。注意，粒子的权重可以归一化为满足

基于每个粒子更新后的权重，可以通过计算传感器位置的期望来估计第i个传感器位置：

在RBPF的框架下，在改善传感器位置的同时估计RSS矩阵。通过递归地更新RSS矩阵的后验概率p(M|y_0：t，s_1：t)来进行估计。

对于RSS矩阵M中的任一元素M_i，j，如果在发送传感器位于l_i并且接收传感器位于l_j的情况下在时间t存在测量，则需要更新元素M_i，j。这里，用

表示时间t的RSS矩阵M中的坐标为(i，j)的元素。为了简化符号，令

s_t是在时间t针对M_i，j的RSS测量值。由于p(μ_t|s_1：t)∝p(s_t|μ_t)p(μ_t|s_1：t-1)，其中先验概率分布p(μ_t|s_1：t-1)和似然函数p(s_t|μ_t)是高斯变量，则后验概率分布p(μ_t|s_1：t)可以根据以下公式更新为高斯：

并且

其中

σ²是测量方差。另一方面，如果矩阵元素不需要更新，则简单地保持该元素不变：

p(μ_t|s_1：t)＝p(μ_t-1|s_1：t-1) (16)

为了生成RSS矩阵，可以将加权平均作为近似值(为简便起见，省略了下标t):

实验评估

下面将展示移动传感器跟踪系统的实验评估。

实验设置和方法论

在TP-Link MR3020便携式路由器上实施传感器，TP-Link MR3020便携式路由器运行开源嵌入式操作系统OpenWrt 15.05。由于Espressif ESP32能够提供便于操作IEEE802.11信标帧的API，因此采用Espressif ESP32作为有源标签的平台。图5示出了移动传感器跟踪系统的原型。移动传感器跟踪系统中使用的协作基于信标帧广播，使得不需要网络连接。信标帧在元素信息(Element Information)字段携带定制数据，例如，跳数限制、当前跳数、RSS测量值等。发信标的频率在1s左右。传感器和目标均在2.4GHz无线网络下操作。通道1用于实验。传感器的传输功率设置为10dBm，标签设置为Level0(由于没有提供精确的功率设置)。传感器通过无线局域网(WLAN)连接至服务器。具有在Ubuntu 16.04上运行的3.6GHz处理器和16GBRAM的PC上实施服务器。

在两个不同的场地来评估系统性能。第一个是在大学校园的办公楼内(图6a)。该区域约70m*28m，有走廊、墙壁隔断和单元。这种环境类似于诸如医院、疗养院、公司办公室等的应用环境。另一个场地选为大型购物中心(图6b)，其由多个具有复杂连接的走廊和大型开放区域构成。总面积约为180m*130m。之所以选择这两个场地，是因为它们是适合于基于移动传感器的跟踪系统的代表性应用场景。在正常工作时间进行两项实验。区域中还存在其他基础设施，实验期间有过路人穿过场地，代表了现实世界的情况。

根据离散化处理，对两个场地的可访问区域进行划分。在图6a和图6b中示出了该划分。校园内每个单元的面积约为3m*3m，总共有51个单元。在购物中心，相邻种子点之间的距离为约5m，单元总数为214个。

有多个参与者进行实验。每个参与者携带装置(传感器或标签)走进场地的可访问区域A。没有为参与者预先规划路径。参与者可以按照自己的节奏行走，甚至可以在任何位置停下。图7a和图7b分别示出了一个参与者在两个场地的运动轨迹的示例。总共有10个人参与了校园的实验。4个参与者携带传感器，其余人携带标签。在购物中心的场景中，有17个参与者参与。其中8个参与者携带传感器，9个参与者携带标签。为了对装置的分布和密度有直观了解，图8a和图8b示出了某一时间传感器和目标的位置。

此外，还采集了真实的行走轨迹(ground-truth位置)，用于评估跟踪精度。参与者在遇到关键位置(例如，拐角和地标)时需要对其位置进行标记。例如，可以利用移动电话上的App进行标记。位置标记由元组>t，l表示，其中t是时间戳，l是当前位置的坐标。在图7a和图7b中，十字标记是在整个实验过程中由参与者标记的位置。此外，通过软件实现的计步器来记录参与者的步伐，用于指示步行状态(走/停)和速度。标记的位置和步数一起用于还原真实的行走轨迹。具体地，对于任意两个连续的位置标记<t₀，l₀>和<t₁，l₁>，参与者在时间t的位置l可以通过以下公式进行计算：

l＝l₀+(t-t₀-Δt_s)v (18)

其中v＝(l₁-l₀)/(t₁-t₀-t_s),t_s是t₀与t₁之间的非步行时间，Δt_s是从t₀到t的非步行时段。注意，采集的位置仅用于性能验证。

针对每个场地，分别进行RSS矩阵生成阶段和跟踪阶段。校园内的实验进行了20分钟。生成RSS矩阵花费10分钟，然后测试跟踪精度花费10分钟。考虑到购物中心规模较大，整个测试花费了更多的时间。具体地，25分钟用于生成RSS矩阵，20分钟用于跟踪评估。

例如，通过基于Wi-Fi的指纹室内定位系统来提供传感器的位置估计。在不同天收集指纹数据库以避免相关性。校园内的平均定位误差为3.74m，购物中心的平均定位误差为6.17m。此外，还收集了信号传播的真实情况，用以验证RSS矩阵学习的性能。两个研究员一组，携带传感器，站在两个不同的位置来记录每一侧的RSS。对于每个位置对，采集RSS持续15秒，以减轻信号波动的影响。校园里的总对数为1275。由于时间和资源限制，仅针对校园内的实验采集了ground truth RSS矩阵。

现在将移动传感器跟踪系统的性能与最新的目标跟踪方案进行比较：

·接近度报告了具有最大RSS的传感器的位置作为目标位置。该方式可以当做系统性能的基线。

·使用移动传感器的蒙特卡洛定位考虑了在没有距离估计的情况下基于移动传感器的跟踪。它仅使用二元指示器来标识目标是否在感测范围内。它还应用了粒子滤波来运用时间信息。

·基于MSD的协作定位利用节点之间的协作。首先基于距离矩阵的特征值分解将节点映射至相对位置。然后，基于已知的传感器位置执行诸如旋转和平移的线形操作。为了实施它，可以使用路径损耗模型来估计定向链接的传感器/目标之间的距离。

使用以下指标来评估移动传感器跟踪系统的性能：

·跟踪误差：用

表示目标在时间t的估计位置,l_t是相同时间的真实位置。注意，l_t根据参与者标记的ground-truth位置通过公式(18)来计算。跟踪误差定义为估计位置

与真实位置l_t之间的欧几里得距离，即

特别地，将轨迹的平均跟踪误差定义为

其中η是轨迹中位置估计的数量。根据跟踪误差来评估跟踪系统性能。

·RSS误差：用

表示估计的RSS矩阵，M是ground truth。对于元M_i，j，RSS误差定义为

其中

是随机变量M_i，j的期望值。对于没有任何更新的元，将其值看做-90dBm(最小可检测RSS)。RSS误差表示生成RSS矩阵的准确性。

在实验研究中，除非另外指明，使用以下默认参数作为基本设置：用于跟踪的粒子数量为125，跳数限制为2，用于生成RSS矩阵的粒子数为200。

说明性结果

图9a至图9d示出了两个场地内的传感器/目标的覆盖情况的柱状图。每个分布指示了传感器/目标能够感测目标的情况的数量。由于校园场地的面积有限，可以看到，在大多数情况下，1-3个传感器(图9a)和2-4个目标(图9b)可以捕获来自目标的信标。然而，购物中心内的场景更加具有挑战性。在所有情况当中的11.4％(图9c)和14.4％(图9d)的情况中，没有传感器或其他目标能够检测到目标。

为了示出跟踪误差与覆盖范围内装置数量的关系，下面以来自3号标签的一段时间的数据为例进行说明。图10a和图10b示出了特定标签的跟踪误差和覆盖范围内装置的数量。从图中可以看出，如果在覆盖范围内存在许多传感器和目标，跟踪误差往往较低。从图中还可以观察到两种有趣的情况。注意到，在从114s到120s的时间范围内覆盖范围内没有装置。结果，由于没有关于目标的信息，跟踪误差增大。在145s至160s的时间范围内，仅有限数量的传感器/标签感测到特定标签，这在传统方法中不足以确保良好的跟踪精度。但是，由于移动传感器跟踪系统考虑了移动性，因此仍可以实现满意的性能。

图11和图12示出了粒子数量对跟踪精度的影响。可以看出，大量的粒子(通常大于75)可以极大地改善跟踪精度(在校园和购物中心中分别改善10％和40％)。原因是，粒子越多，目标位置的后验概率分布的表示越准确。然而，当粒子数量进一步增加时，改善有限。这是因为移动传感器跟踪系统使用了信号传播的离散表示(即，RSS矩阵)，因此不同粒子可以位于具有相同信号传播信息的相同单元内。另一方面，大量的粒子需要更多计算成本。为了平衡鲁棒性和精度，建议在移动传感器跟踪系统中使用125个粒子。

为了研究跳数限制对跟踪精度的影响，将所有感测数据存储在最多5个跳数内，并在实验过程中标记每组感测数据的跳数。由此，可以在期望跳数限制内过滤数据以研究其影响。图13和图14分别示出了在校园和购物中心内的跟踪误差与跳数限制。注意到，在校园内，跳数限制的增加不会过多地提高系统性能，因此所覆盖的传感器数量已经足够，如图9a所示。在购物中心，随着跳数限制的增加，可以对目标的合作关系有了更全面的了解。因此，与没有目标协作的情况相比，在跳数限制大于2时，误差将减少12％以上。

图15示出了校园场景中不同算法的跟踪误差的CDF。在这种复杂的室内环境中，移动传感器跟踪系统的性能可以超过最先进的方案达40％。移动传感器跟踪系统的平均误差为4.37m。MCL和MDS-MAP都受到不可预测的信号传播特性的影响。因此，它们无法实现满意的效果。

图16示出了购物中心中的整体比较结果，在购物中心中，由于面积大并且传感器/目标分布密度低，因此跟踪相当具有挑战性。移动传感器跟踪系统的性能仍然优于其他系统。移动传感器跟踪系统的平均误差为9.46m，第50百分位数是3.27米。可以注意到，CDF中存在长误差尾。这种误差主要来源于没有装置可以感测到目标的情况(图9c和图9d)。另一方面，MDS利用最短路径距离来近似装置之间的实际距离。但是，由于传感器/目标分布密度极低，这种方案无法计算准确的距离矩阵。因此，产生了最高误差。与其他方案相比，移动传感器跟踪系统将误差减少30％。

此外，在RSS误差和RSS矩阵完成百分比方面来研究RSS矩阵生成性能。图17展示了校园内两个指标随时间的变化。从图中可以看出，RSS矩阵完成百分比持续增大，最终收敛至60％。由于没有可检测信号可以从一侧发送而在另一侧接收，因此无法学习其余元。同时，平均RSS误差也随着矩阵完成而减小。在学习10分钟后，平均RSS误差减小至1.93dB。这表明，矩阵可以逐渐反应实际的信号传播。

图18示出了不同RSS矩阵的跟踪误差的CDF。将生成的RSS矩阵的有效性与手动采集的进行比较，在图中，生成的CDF曲线非常接近手动采集的CDF曲线。生成的RSS矩阵的平均跟踪误差为4.37m，而手动采集的矩阵的误差为3.78m。

此外，该进行了另一实验来监控标签和传感器原型的功耗。两种装置均在5V DC下操作。没有配置节能模式。使用基于USB的功率计(UT-658B)来持续测量功率达6小时。图19示出了随时间变化的结果。在整个测试期间，功率使用非常线性。传感器的能耗是标签能耗的1.77倍。这主要是由传感器上的网络通信过载和自定位导致的。本公开提出的方案利用具有低能耗的标签，实现了比仅使用传感器的系统更高的精度。

在实验期间，在每次迭代中跟踪所有目标的运行时间小于1秒，这确保了实时部署期间流畅的用户体验，并且与其他系统相比具有竞争力。

Claims (14)

1.一种协同目标跟踪系统，包括：

多个目标，每个目标携带标签并在目标区域内，所述标签构造为广播信标以及从其他标签接收信标，所述信标包括自身的唯一标识符、剩余寿命和RSS测量值，

传感器，构造为在所述标签的覆盖范围内接收所述标签广播的信标，并将接收的信标和所述传感器的位置发送至服务器，

所述服务器，构造为基于表示所述目标区域的空间信号传播的RSS矩阵以及从所述传感器接收的信标和所述传感器的位置来计算每个目标的位置，

其中，所述标签还构造为在跳数限制内转播从其他标签接收的信标，所述跳数限制指示所述信标的寿命。

2.根据权利要求1所述的协同目标跟踪系统，其中，所述传感器是移动的传感器。

3.根据权利要求2所述的协同目标跟踪系统，其中，所述服务器构造为根据所述目标携带的标签的覆盖范围内的传感器数量对所述多个目标进行排序，按照所述多个目标的排序通过粒子滤波器依次对所述多个目标进行定位，并且

后一目标的定位基于前面已经定位的目标的估计位置和RSS测量值。

4.根据权利要求3所述的协同目标跟踪系统，其中，所述服务器构造为基于运动模型和从所述传感器接收的信标中的RSS测量值来更新粒子滤波器中的粒子，所述RSS测量值包括在传感器接收的目标的信标的RSS测量值和在一目标接收的另一目标的信标的RSS测量值。

5.根据权利要求2所述的协同目标跟踪系统，包括多个所述传感器，每个传感器还构造为发射信标并从相邻传感器接收信标，并将接收的信标发送至所述服务器。

6.根据权利要求5所述的协同目标跟踪系统，其中，还包括离线模块，所述离线模块构造为通过Rao-blackwellized粒子滤波根据所述传感器的含噪声的估计位置和传感器之间的RSS测量值来生成的所述RSS矩阵。

7.根据权利要求6所述的协同目标跟踪系统，其中，在每次迭代中，根据传感器之间的RSS测量值和当前RSS矩阵来改进传感器位置，然后基于改进后的传感器位置来更新RSS矩阵。

8.一种协同目标跟踪方法，包括：

多个目标在目标区域内通过各自携带的标签周期性地广播信标以及从其他标签接收信标，所述信标包括自身的唯一标识符、剩余寿命和RSS测量值，其中，所述标签还在跳数限制内转播从其他标签接收的信标，所述跳数限制指示所述信标的寿命；

传感器在所述标签的覆盖范围内接收所述标签广播的信标，并将接收的信标和所述传感器的位置发送至服务器；以及

所述服务器基于表示所述目标区域的空间信号传播的RSS矩阵以及从所述传感器接收的信标和所述传感器的位置来计算每个目标的位置。

9.根据权利要求8所述的协同目标跟踪方法，其中，所述传感器是移动的传感器。

10.根据权利要求9所述的协同目标跟踪方法，其中，根据所述目标携带的标签的覆盖范围内的传感器数量对所述多个目标进行排序，按照所述多个目标的排序通过粒子滤波器依次对所述多个目标进行定位，并且

后一目标的定位基于前面已经定位的目标的估计位置和RSS测量值。

11.根据权利要求10所述的协同目标跟踪方法，其中，在对每个目标进行定位时，基于运动模型和从所述传感器接收的信标中的RSS测量值来更新粒子，所述RSS测量值包括在传感器接收的目标的信标的RSS测量值和在一目标接收的另一目标的信标的RSS测量值。

12.根据权利要求9所述的协同目标跟踪方法，其中，存在多个所述传感器，每个传感器还构造为发射信标并从相邻传感器接收信标，并将接收的信标发送至所述服务器。

13.根据权利要求12所述的协同目标跟踪方法，还包括通过Rao-blackwellized粒子滤波根据所述传感器的含噪声的估计位置和传感器之间的RSS测量值来生成的所述RSS矩阵。

14.根据权利要求13所述的协同目标跟踪方法，其中，在每次迭代中，根据传感器之间的RSS测量值和当前RSS矩阵来改进传感器位置，然后基于改进后的传感器位置来更新RSS矩阵。

Images