CN112333236A - 一种三维动态集群网络中基于两层滤波的容错协同定位方法 - Google Patents

一种三维动态集群网络中基于两层滤波的容错协同定位方法 Download PDF

Info

Publication number
CN112333236A
CN112333236A CN202011028380.1A CN202011028380A CN112333236A CN 112333236 A CN112333236 A CN 112333236A CN 202011028380 A CN202011028380 A CN 202011028380A CN 112333236 A CN112333236 A CN 112333236A
Authority
CN
China
Prior art keywords
error
cluster network
positioning
fault
filtering
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
Application number
CN202011028380.1A
Other languages
English (en)
Other versions
CN112333236B (zh
Inventor
齐小刚
范英盛
李博
刘立芳
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202011028380.1A priority Critical patent/CN112333236B/zh
Publication of CN112333236A publication Critical patent/CN112333236A/zh
Application granted granted Critical
Publication of CN112333236B publication Critical patent/CN112333236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

本发明属于动态集群网络信息处理技术领域，公开了一种三维动态集群网络中基于两层滤波的容错协同定位方法，拓展无线环境中非视距误差，获取随机误差；构建适合于三维动态集群网络协同定位的定位框架，在正常观测条件下该定位框架的归一均方根误差相等于三维网络的克拉美罗下界；在存在随机误差的无线环境中，引入基于连续时间序列下运动状态以及基于几何构型的两层滤波，进行基于两层滤波的容错定位算法运算，识别无线测距中存在的异常误差。本发明实验表明，Filter‑MDS能够有效的识别无线测距中存在的异常误差，提高集群网络在随机误差环境中的协同定位精度。

Description

一种三维动态集群网络中基于两层滤波的容错协同定位方法
技术领域
本发明属于动态集群网络信息处理技术领域，尤其涉及一种三维动态集群网络中基于两层滤波的容错协同定位方法。
背景技术
目前，动态集群网络，包括移动机器人网络，车联网，无人机集群等。动态集群网络的核心问题可以归结为以下三个子问题：(1)我在哪？(2)我要去哪？(3)我怎么过去？而第一个子问题，集群网络节点的定位问题，又是后面两个子问题的基础。一种可能的方案是为集群网络中的每个节点安装GPS接收机，但一些集群网络例如移动机器人网络，通常部署在室内，太空，下水管道，水下等环境中，GPS信号容易受到多径干扰、遮挡等因素的影响，往往只有少部分节点能够得到精确的绝对位置信息。而且对于移动集群网络的某些应用，如编队、防碰撞等，只需要知道集群网络节点的相对位置信息即可。
利用集群网络节点之间通信交互的过程中获得的相对测量信息辅助网络节点定位是解决缺少蜂窝系统基站和在GPS缺失环境下高精度定位的一种新思路。相对测量信息包括相对距离测量，相对角度测量，相对速度测量等。本发明只考虑基于相对距离测量的定位。目前常用的测距技术主要有：射频信号强度指示模型RSSI，该技术费用低但测距精度不稳定；到达时间测量模型TOA以及超宽带(Ultra Wideband，UWB)。
基于测距的定位算法主要可分为两大类，单点定位和协同定位。三边定位或者多边定位是单点定位算法的基础，是完全分布式，算法简单，只需要局部通信即可完成，但该算法存在启动困难，过早停机，迭代误差方面的问题。基于刚性图的定位算法放松了定位单个点的需求，从而部分解决了锚节点稀疏带来的算法无法启动的问题。刚性图理论主要针对二维网络，对于三维网络的适用性较差。单点定位忽略了集群网络节点间潜在的合作定位的可能性，事实上，实际应用中许多不能通过单点定位的网络是可以通过节点间信息协同完成定位的。协同定位相较于单点定位的优势在于，可以利用集群网络节点间相对测量信息，给出集群网络节点相对位置的整体解。协同定位可以建模为求解章节2的非凸优化问题。求解该非凸优化问题的方法主要有基于半定规划(SDP，Semidefinite Programming)的算法和基于MDS(Multi-dimensional Scaling)的算法。基于SDP的求解方法，其基本思想是将原来的非凸优化问题放松为凸优化问题，进而通过内点法、模拟退火等算法求解，SDP算法最大的问题是计算复杂度过高，在理想的情况下计算复杂度依然达到O(n3)-O(n4)。多维标度分析(multidimensional scaling,MDS)是一种数据分析技术，Yi Shang在文献中将MDS应用于无线传感器网络节点的定位中，提出了MDS-MAP算法，这是MDS技术第一次应用于定位领域。根据求解MDS的压力函数的方法不同，可以把基于MDS的定位算法分为两类，一类是经典MDS，另一类是迭代MDS。
文献提出的MDS-MAP是经典MDS算法，该算法用最短路径距离代替实际距离构建距离矩阵，在规则型网络中有效，但在不规则型网络存在较大定位误差。为了解决上述问题，Yi Shang在文献中，提出了分布式的MDS-MAP(P)算法，以及引入迭代求精的MDS-MAP(P,R)算法。
文献提出的dwMDS是一种迭代MDS算法，该算法利用SMACOF算法迭代求解压力函数。dwMDS仅要求节点与单跳邻居通信以及测距，相较于MDS-MAP算法降低了网络的通信量，提高了定位精度。
文献提出的vMDS算法，该算法将节点的相对速度加入到压力函数之中，构造了一个利用相对速度来辅助定位的MDS算法框架(vMDS)，求解压力函数也是利用的SMACOF算法。这里需要指出的是，SMACOF算法对初始输入非常敏感，一个合适的初始输入(不需要非常精确)会让算法迅速收敛，而一个随机的初始输入需要大量的迭代甚至无法收敛。
文献在利用SMACOF算法求解压力函数时，都没有给出一个确定初始输入的方法。经典MDS算法简单，对于一个连通网络可以很容易求解节点的相对坐标，但由于使用了最短路径距离代替节点间的实际距离，其精度不高；而SMACOF是一种迭代算法，能够得到很高的精度，但该算法对初始输入敏感。可以将经典MDS与SMACOF算法的优点相结合，利用经典MDS求解节点的相对坐标作为SMACOF算法的初始输入，进行迭代求精。针对MDS-MAP(P，R)中局部子图过多的问题，可以先将网络分簇，将大网划分为若干局部子网，由簇头节点负责收集簇内成员节点的距离信息，并解算该局部子网的相对坐标。马震在文献[27]中提出了MDS-MAP(D)算法采取了随机生成计时器的快速分簇方法。Minhan Shon在文献中针对非规则型集群网络的定位问题提出了基于分簇的CMDS算法，与MDS-MAP(D)不同的是其生成的计时器是受节点的度约束的。Nasir Saeed在文献中针对非规则认知无线电网络的定位问题提出了CB-MDS算法。
CB-MDS算法首先利用FCM(fuzzy c-means)算法将认真无线电网络分簇，Fuzzy C-Means是一种聚类算法，该分簇方式可以获得较均匀的分簇结果，但却需要掌握全局信息。
上述三种基于分簇的算法，相对定位都只采用了经典MDS，而没有进行求精。这里需要指出的是，分簇的策略能够有效降低经典MDS因用最短路径距离代替实际距离产生的误差，然而这种误差仍然是不可忽视的，继续使用一些迭代求精的策略可以进一步减少误差。
现有的基于测距的协同定位算法主要针对无线环境较好的高精度定位，即一般假设节点间的观测距离与真实距离之间存在误差，而这种误差是零均值的高斯白噪声。但在实际环境中，并不是所有情况都能满足这一条件。容错定位算法是目前待解决的问题，这里所谓的错误条件主要指两个。第一是异常观测误差，节点间的观测距离比真实距离偏差较大。这种误差一方面可能是节点间距离的观测是在非视距(not line of sight，NLOS)环境下进行的，当参考节点与目标节点之间的LOS被阻挡时，电波发生超量延时，距离测量产生正均值的随机误差。另一方面可能是数据传输过程中产生的随机误差，目前集群网络(例如无人机集群)朝着低成本、小型化的方向发展，数据链路不稳定，距离数据在发送过程中可能产生传输误差。该误差与非视距观测的误差不同，即可能是比真实距离小，也可能比真实距离大，且与真实距离偏差较大。第二是链路中断，即视距内的节点也不能完成测距。具体的误差模型将在第二部分给出。由于协同定位算法能够充分利用集群网络节点间相对测量信息，给出集群网络节点相对位置的整体解，对于潜在的链路中断具有良好的鲁棒性。优势也会是劣势，若相对测量信息存在较大误差，则求解的整个网络节点的坐标信息都可能存在巨大偏差，甚至完全不可用，现有的容错定位算法研究，主要针对非视距环境(Nlos)，这些算法大致可以分为两类，一类是在硬件层面识别非视距测量，另一类是算法层面减弱非视距测量的影响，提高定位精度。
上述研究是在假设距离测量产生正均值的随机误差基础上进行的(观测距离比真实距离大)，而没有考虑数据传输过程中产生随机误差的情况，该种情况下，观测距离可能比真实距离小。
单点定位可以通过不同的锚节点组合得到待测节点的位置估计，进而通过一些聚类算法对随机误差进行排除，这是定位后校验。基于MDS的协同定位技术利用集群网络的协同信息给出整体的相对位置估计，这就使得很难根据后验信息对距离信息进行一致性校验。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术关于动态集群网络的协同定位问题，主要是针对二维无线环境，对于三维无线环境存在因技术计算复杂度高而不适用于计算能力弱的集群网络的问题；
(2)现有技术关于动态集群网络的协同定位问题，主要是针对存在非视距误差的无线环境，而没有针对数据在传输过程中可能产生的随机误差的无线环境；
(3)现有技术关于动态集群网络的协同定位问题，缺乏对随机误差环境中异常测距误差的识别，导致了协同定位结果精度低。
解决以上问题及缺陷的难度为：有效识别随机误差环境中的异常测距误差，提高三维动态集群网络的定位精度。
解决以上问题及缺陷的意义为：集群网络(例如无人机集群)朝着低成本、小型化的方向发展，数据链路不稳定，部署环境复杂，本发明主要分析容错条件下动态集群网络的协同定位。首先对NLOS误差进行了扩展，引入了随机误差。其次依据距离信息矩阵和集群网络的动态性构建了两层滤波机制，来过滤随机误差。本发明的主要贡献如下：
(1)构建了一种适合动态集群网络协同定位的框架。集群相对定位采用经典MDS与SMACOF算法相结合的方式求解节点相对坐标。该框架对于二维和三维空间同样适用。
(2)扩展了NLOS误差，引入了随机误差模型。随机误差主要包括异常观测误差与链路中断误差两类。
(3)为剔除动态集群网络中可能出现的异常观测误差设置了两层滤波机制。一是基于连续时间序列下运动状态的滤波，二是基于几何构型的滤波。
发明内容
针对现有技术存在的问题，本发明提供了一种三维动态集群网络中基于两层滤波的容错协同定位方法。
本发明是这样实现的，一种三维动态集群网络中基于两层滤波的容错协同定位方法，包括：首先拓展了无线环境中非视距误差，提出了随机误差的概念。其次构建了一种适合于三维动态集群网络协同定位的定位框架，在正常观测条件下该定位框架的归一均方根误差(NRMSE)接近于三维网络的克拉美罗下界(CRLB)。在存在随机误差的无线环境中，引入了基于连续时间序列下运动状态以及基于几何构型的两层滤波，提出了Filter-MDS。仿真实验表明，Filter-MDS能够有效的识别无线测距中存在的异常误差，提高集群网络在随机误差环境中的协同定位精度。
进一步，随机误差模型包括异常观测误差与链路中断误差；
所述异常观测误差包括：节点i与j之间的观测距离用
Figure BDA0002702858040000061
表示，发生误差的概率用plarge表示；
Figure BDA0002702858040000062
服从正均值的高斯分布
Figure BDA0002702858040000063
概率密度函数表示为：
Figure BDA0002702858040000064
所述异常观测误差包括：发生观测误差时，节点i与j之间的观测距离用
Figure BDA0002702858040000065
表示，发生误差的概率用psmall表示；
Figure BDA0002702858040000066
服从正均值的高斯分布
Figure BDA0002702858040000067
概率密度函数表示为：
Figure BDA0002702858040000068
链路中断误差，视距内的节点不能完成测距，发生误差的概率用pblock表示。
进一步，构建适合于三维动态集群网络协同定位的定位框架的方法包括：
利用经典MDS求解节点的相对坐标作为SMACOF迭代算法的初始输入，迭代求精，稳定定位阶段利用t-1时刻的位置信息作为t时刻SMACOF迭代算法初始输入。
对于大规模的移动集群网路，采用分簇策略半分布式的框架，将大网划分为局部子网，降低计算与通信复杂度。
进一步，基于两层滤波的容错定位算法包括：
输入：1)t-1时刻的坐标估计
Figure BDA0002702858040000069
2)t时刻的观测距离
Figure BDA00027028580400000610
距离权重
Figure BDA00027028580400000611
3)SMACOF算法的迭代终止条件ε，Kmax。
输出：t时刻的坐标估计
Figure BDA00027028580400000612
步骤1.根据
Figure BDA0002702858040000071
和
Figure BDA0002702858040000072
构建t时刻距离矩阵D(t)；
步骤2.D(t)执行基于运动状态的滤波；
步骤3.D(t)执行基于几何构型的滤波；
步骤4.初始化迭代器k＝0，
Figure BDA0002702858040000073
根据公式(6)计算
Figure BDA0002702858040000074
步骤5.Fork＝1,2…Kmax
步骤5.1根据SMACOF算法更新
Figure BDA0002702858040000075
步骤5.2如果
Figure BDA0002702858040000076
则跳转到步骤6；
步骤6.令
Figure BDA0002702858040000077
动态集群网络中有N个节点，m个锚节点，SMACOF算法的平均迭代次数是Kave；首次定位时(t＝1)，经典MDS求解初始输入，Floyd算法构建最短距离矩阵的复杂度是O(N3)，经典MDS的核心是奇异值分解，计算复杂度是O(N3)；稳定定位阶段SMACOF迭代求精的计算复杂度是O(Kave·N3)，Kmax＜＜N；相对坐标转绝对坐标的复杂度是O(m2+N)；基于连续时间序列运动状态的滤波算法复杂度是O(N3)，基于几何构型的滤波算法复杂度是O(N2)；Filter-MDS的计算复杂度是O(N3)；
集群网络中的节点要将与邻居的测距信息发送给计算节点；网络中每个节点的平均邻居数量是Knei，通信复杂度为O(Knei·N)。
进一步，所述三维网络的克拉美罗下界的误差分析方法包括：
节点间的测距误差
Figure BDA0002702858040000078
对于三维空间，p＝3，t时刻的Fisher信息矩阵
Figure BDA0002702858040000079
分块
Figure BDA00027028580400000710
其中
Figure BDA00027028580400000711
再根据NRMSE的定义，得：
Figure BDA0002702858040000081
NRMSE的CRLB表示为：
Figure BDA0002702858040000082
本发明的另一目的在于提供一种实施所述三维动态集群网络中基于两层滤波的容错协同定位方法的三维动态集群网络中基于两层滤波的容错协同定位系统，所述基于两层滤波的容错协同定位系统包括：
随机误差获取模块，用于拓展无线环境中非视距误差，获取随机误差；
定位框架获取模块，用于构建适合于三维动态集群网络协同定位的定位框架，在正常观测条件下该定位框架的归一均方根误差相等于三维网络的克拉美罗下界；
无线测距中异常误差识别模块，在存在随机误差的无线环境中，引入基于连续时间序列下运动状态以及基于几何构型的两层滤波，进行基于两层滤波的容错定位算法运算，识别无线测距中存在的异常误差。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
拓展无线环境中非视距误差，获取随机误差；
构建适合于三维动态集群网络协同定位的定位框架，在正常观测条件下该定位框架的归一均方根误差相等于三维网络的克拉美罗下界；
在存在随机误差的无线环境中，引入基于连续时间序列下运动状态以及基于几何构型的两层滤波，进行基于两层滤波的容错定位算法运算，识别无线测距中存在的异常误差。
本发明的另一目的在于提供一种实施所述三维动态集群网络中基于两层滤波的容错协同定位方法的无人机。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：现有技术关于动态集群网络的协同定位问题的分析，主要是针对无线环境较好的二维网络。本发明针对三维动态集群网络的协同定位问题，提出了一种基于两层滤波的容错协同定位算法Filter-MDS。首先拓展了无线环境中非视距误差，提出了随机误差的概念。其次构建了一种适合于三维动态集群网络协同定位的定位框架，在正常观测条件下该定位框架的归一均方根误差(NRMSE)接近于三维网络的克拉美罗下界(CRLB)。在存在随机误差的无线环境中，引入了基于连续时间序列下运动状态以及基于几何构型的两层滤波，提出了Filter-MDS。仿真实验表明，Filter-MDS能够有效的识别无线测距中存在的异常误差，提高集群网络在随机误差环境中的协同定位精度。
相比于现有技术，本发明的优点进一步包括：本发明实验统计了Filter-MDS对异常误差的检测率。主要参数设置如下：通信半径R＝400，Pblock＝15％，Kback＝4。Filter-MDS对异常观测误差的检测率如下表4所示：
表4.Filter-MDS对异常误差的检测率
Figure BDA0002702858040000091
随着异常观测误差比例的增加，错误检测率有下降趋势，但检测率均超过99％，说明本发明设计的两层滤波机制能够有效过滤异常观测误差，增加协同定位的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的链路中断对定位精度的影响图。
图2是本发明实施例提供的异常观测误差对定位精度的影响图。
图3是本发明实施例提供的自由反方向移动图。
图4是本发明实施例提供的自由相向移动图。
图5是本发明实施例提供的编队反方向加速移动图。
图6是本发明实施例提供的编队相向加速移动图。
图7是本发明实施例提供的无法构成三角形的两种情形图。
图7(a)
Figure BDA0002702858040000101
的观测值偏大；图7(b)
Figure BDA0002702858040000102
的观测值偏小。
图8是本发明实施例提供的与CRLB的比较图。
图9是本发明实施例提供的不同最大迭代次数对NRMSE的影响图。
图10是本发明实施例提供的异常观测误差下Filter-MDS的NRMSE图。
图11是本发明实施例提供的异常观测误差下Filter-MDS的MAE图。
图12是本发明实施例提供的随机误差下Filter-MDS的NRMSE图。
图13是本发明实施例提供的随机误差下Filter-MDS的MAE图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种三维动态集群网络中基于两层滤波的容错协同定位方法，下面结合附图对本发明作详细的描述。
下面结合具体实施例对本发明作进一步描述。
实施例
1.系统模型
1.1动态集群网络定位问题描述
考虑具有N个节点的动态集群网络，该网络分布在p(p＝2或p＝3)维空间之中，p＜＜N。假设集群网络中有m个锚节点利用GPS系统或者相似的定位系统已经有了绝对位置信息，m＜＜N。剩余的n＝N-m个节点没有位置信息，称为未知节点。假设未知节点编号为1…n，则锚节点编号可表示为n+1,…,n+m。如果在一些应用中，只需要知道集群节点的相对位置信息，则不需要锚节点。在时刻t，节点i在p维空间的位置信息用列向量
Figure BDA0002702858040000111
表示，以三维空间为例，
Figure BDA0002702858040000112
节点i与j之间的欧氏距离测量值用
Figure BDA0002702858040000113
表示，
Figure BDA0002702858040000114
可以通过TOA，RSSI或者UWB等测距技术获得。这里需要指出的是，无论哪种测距技术，即使在视距测量的条件下也会存在一定的测距误差，所以本发明将
Figure BDA0002702858040000115
定义为：
Figure BDA0002702858040000116
其中
Figure BDA0002702858040000117
Figure BDA0002702858040000118
是指测距误差，一般服从零均值高斯分布。X是集群网络的坐标矩阵。动态集群网络的协同定位问题实质是根据t时刻节点间欧氏距离的测量值
Figure BDA0002702858040000119
来估算未知节点的位置信息
Figure BDA00027028580400001110
1.2随机误差模型
本发明将NLOS误差模型拓展为随机误差模型，随机误差模型主要包括异常观测误差与链路中断误差。
第一类异常观测误差是节点间的观测距离比真实距离大很多(例如两节点的实际距离是30，而观测距离是90)，与传统的NLOS误差模型类似。发生该类型的观测误差时，节点i与j之间的观测距离用
Figure BDA00027028580400001111
表示，发生该类型误差的概率用plarge表示。假设
Figure BDA00027028580400001112
服从正均值的高斯分布
Figure BDA00027028580400001113
其概率密度函数可表示为：
Figure BDA00027028580400001114
第二类异常观测误差是节点间的观测距离比真实距离小很多(例如两节点的实际距离是30，而观测距离是10)，发生该类型的观测误差时，节点i与j之间的观测距离用
Figure BDA0002702858040000121
表示，发生该类型误差的概率用psmall表示。假设
Figure BDA0002702858040000122
服从正均值的高斯分布
Figure BDA0002702858040000123
其概率密度函数可表示为：
Figure BDA0002702858040000124
链路中断误差，即视距内的节点也不能完成测距，发生该类型误差的概率用pblock表示。
1.3定位框架
实际上，知道了节点间的距离之后，估计节点相对坐标的问题可转化为如式(4)所示的优化问题：
Figure BDA0002702858040000125
Figure BDA0002702858040000126
是对上述压力函数的最优估计。为了应对测量距离δij缺失或不精确的情况，在压力函数中加入权重集合{ωij}，节点i与节点j的测量距离δij越精确，则(δij-dij(X))2权重越高。本发明权重取值方法如式(5)所示，当测距不精确或者无法测距的时候，权重取0，其他情况取1。
Figure BDA0002702858040000127
优化问题(4)是一个非凸的问题，目前还没有一种低复杂度的算法能够求解出(4)的全局最优解。经典MDS是求解(4)的一种算法，该算法简单，适用于全连通网络，对于非全连通网络因用最短路径距离代替实际距离，误差较大。许多通过迭代求解优化问题(4)的算法被提出，基于优化函数(Majorizing Function)的非线性最小二乘法(SMACOF)是目前效率较高的算法，因为基于该算法的迭代过程可以保证压力函数(4)产生一个单调不增的序列。
(4)式可以改写为：
Figure BDA0002702858040000131
压力函数可以分解为三个部分。如式(6)所示，第一部分C，
Figure BDA0002702858040000132
是t时刻固定的权重，
Figure BDA0002702858040000133
是t时刻节点i与节点j的测量距离，所以第一部分是与X(t)无关的常数项。第二部分η(X(t))是关于X(t)的凸函数。而第三部分-2ρ(X(t))，dij(X(t))是指根据坐标估计X(t)计算的节点i与节点j之间的距离，需要开平方，所以第三部分是关于X(t)的非凸函数。
这里需要指出的是，SMACOF算法对初始输入非常敏感，在本发明的仿真中，一个合适的初始输入(不需要非常精确)会让算法迅速收敛，而一个随机的初始输入需要大量的迭代甚至无法收敛。将经典MDS与SMACOF迭代算法的优点相结合。首次定位时，利用经典MDS求解节点的相对坐标作为SMACOF迭代算法的初始输入，迭代求精，稳定定位阶段利用t-1时刻的位置信息作为t时刻SMACOF迭代算法初始输入。本发明的定位框架(LocationFramework)如下表1所示。表1中ε和Kmax为迭代终止条件。
表1定位框架
Figure BDA0002702858040000134
Figure BDA0002702858040000141
对于大规模的移动集群网路，可以采用基于分簇的策略，这是一种半分布式的框架，将大网划分为局部子网，可显著降低计算与通信复杂度，同时适用于一些不规则型网络。
2.基于两层滤波的容错定位算法Filter-MDS
基于经典MDS+SMACOF的定位框架可以利用集群网络的协同信息给出整体的相对位置估计，这就很难根据后验信息对距离信息进行一致性校验。但在相对定位阶段，计算节点会收集成员节点间的距离信息构建距离信息矩阵D(t)，计算节点可以根据距离信息矩阵在定位前对距离信息进行一致性校验，从而对节点间测距可能存在的异常误差告警，这也是本发明设计两层滤波算法过滤异常观测误差的基本出发点。
2.1链路中断误差
协同定位相较于单点定位的优势在于可以综合集群尽可能多的信息，给出整体解。这种特性也使得协同定位对于网络中存在的链路中断具有更好的鲁棒性。在本发明的方案中，集群相对定位技术采用了经典MDS+SMACOF算法，这也是一种协同定位技术。下面通过仿真实验，来检测本发明的定位框架于链路中断的鲁棒性。
实验设置如下：节点数量50，随机部署在400*400*400的区域，计算结点数量1，锚节点数量6，节点间的通信与测距距离均为400m，测距误差服从
Figure BDA0002702858040000142
集群网络的运动模型与第4节仿真实验中的一致。链路中断比例设置为10％，20％，30％，40％，50％。链路中断是指节点i与j在t时刻的真实距离
Figure BDA0002702858040000143
但链路中断无法测距，此时记
Figure BDA0002702858040000144
集群网络相对坐标通过基于最小二乘的方法转换为绝对坐标，具体转换方法可参考文献。用平均绝对误差MAE(Meanabsoluteerror)评价位置估计的准确度，MAE的定义如下：
Figure BDA0002702858040000151
结果如下图1链路中断对定位精度的影响所示。随链路中断比例的增大，定位绝对误差的均值和标准差都有增大的趋势，但链路中断比例在50％以下时，增长幅度较小，由此可见，经典MDS+SMACOF的定位框架对于链路中断具有良好的鲁棒性。但需要指出的是，根据本发明的仿真实验，当链路中断比例达到60％以后，定位的绝对误差开始变得不稳定，特别是首次定位会存在巨大偏差。
这给本发明设计过滤异常误差的方案带来启示，若判断出两节点间的距离存在异常误差，可令
Figure BDA0002702858040000152
即将两节点在t时刻视为链路中断。
2.2异常观测误差
2.1.1异常观测误差对定位算法解的影响
协同定位的基本思路是综合节点间的观测信息，给出节点位置信息的统一解。其方法是首先构建节点间距离观测矩阵，然后求解该距离矩阵。若该距离矩阵某部分元素较真实值有巨大偏差，给出的统一解也会有巨大偏差。
为说明异常观测误差对协同定位算法解的影响，本发明对本发明的定位框架做如下仿真实验。实验设置如下：基本设置如链路中断误差实验，中断比例取15％，加入异常观测误差，异常观测误差参数设置如下表2所示。
表2.异常观测误差参数设置
Figure BDA0002702858040000153
图2异常观测误差对定位精度的影响的横坐标是指加入的异常观测误差比例，其中1％，1％是指Plarge＝1％，Psmall＝1％，以此类推。在观测距离中加入异常观测误差后，整个集群网络的定位平均绝对误差可达61米，且定位精度不稳定，标准差较大。因此，研究如何将异常误差在距离矩阵中剔除，对协同定位算法的定位精度至关重要。
2.1.2对异常观测误差的两层滤波
异常观测误差较真实值偏差大，容易检测并剔除，本发明为剔除动态集群网络中可能出现的异常观测误差设置了两层滤波机制。
a)基于连续时间序列下运动状态的滤波机制
集群网络的运动状态可分为自由移动与编队移动。假设节点i与节点j在t-1时刻的距离是
Figure BDA0002702858040000161
在t时刻的距离是
Figure BDA0002702858040000162
(a)自由移动状态
节点i在t-1时刻的位置是
Figure BDA0002702858040000163
t时刻运动到
Figure BDA0002702858040000164
节点j在t-1时刻的位置是
Figure BDA0002702858040000165
t时刻运动到
Figure BDA0002702858040000166
假设相邻两时刻的间隔是Δt(也即定位周期为Δt)。
Figure BDA0002702858040000167
能够取最大值的运动状态如图3自由反方向移动所示，自由反方向移动，此时
Figure BDA0002702858040000168
Figure BDA0002702858040000169
能够取最小值的运动状态如图4自由相向移动所示，自由相向移动，此时
Figure BDA00027028580400001610
综上，集群自由移动状态下，节点i与j之间的距离在相邻两个时刻的变化量是
Figure BDA00027028580400001611
根据(8)与(9)式，
Figure BDA00027028580400001612
假设无人机最高飞行速度是Vmax，定位周期Δt，集群自由移动状态下，
Figure BDA00027028580400001613
(b)编队移动状态
节点i在t-1时刻的位置是
Figure BDA0002702858040000171
节点j在t-1时刻的位置是
Figure BDA0002702858040000172
节点i与节点j若处于编队移动状态下，则t-1时刻，本发明认为i与j有相同的运动方向。
Figure BDA0002702858040000173
能够取最大值的运动状态如图5编队反方向加速移动所示，i与j反方向加速移动，此时
Figure BDA0002702858040000174
Figure BDA0002702858040000175
能够取最小值的运动状态如图6编队相向加速移动所示，i与j相向加速移动，此时
Figure BDA0002702858040000176
综上，集群编队移动状态下，节点i与j之间的距离在相邻两个时刻的变化量是Δdij，根据(10)与(11)式，
Figure BDA0002702858040000177
假设无人机最高加速度是amax，定位周期Δt，集群编队移动状态下，
Figure BDA0002702858040000178
在集中式定位模式下，基于连续时间序列下运动状态的滤波由计算节点执行。计算节点存储t-1时刻构建的成员节点距离矩阵D(t-1)，在t时刻构建距离矩阵D(t)，两矩阵对应元素进行比较，若
Figure BDA0002702858040000179
则
Figure BDA00027028580400001710
(inf即无穷)。基于运动状态的滤波算法如下所示。
基于运动状态的滤波算法
Figure BDA00027028580400001711
Figure BDA0002702858040000181
b)基于几何构型的滤波
基于连续时间序列下运动状态的滤波机制并不能将所有的异常误差全部过滤，考虑如下情况：
在t-1时刻，节点i与j之间的观测距离
Figure BDA0002702858040000182
在t时刻，
Figure BDA0002702858040000183
传输过程中发生异常误差，簇头接收到的数据是
Figure BDA0002702858040000184
此时，有可能出现
Figure BDA0002702858040000185
的情况，该异常误差无法通过基于运动状态的滤波机制排除。
本发明希望根据节点间的几何构型进一步检测异常观测误差。由于分布于三维空间中的集群网络，很难用二维空间中刚体理论来校验距离矩阵D(t)。本发明选择用构成三角形的基本条件，两边之和大于第三边来校验。
假设集群中有N个节点，对于
Figure BDA0002702858040000186
它们之间的距离分别用
Figure BDA0002702858040000187
Figure BDA0002702858040000188
来表示。由于三角形的两边之和一定大于第三边，则
Figure BDA0002702858040000189
一定满足方程组(12)：
Figure BDA00027028580400001810
若出现
Figure BDA00027028580400001811
的情况，不能判断是
Figure BDA00027028580400001812
偏大造成的，因为异常观测误差存在比真实值偏大或比真实值偏小两种情况。考虑如下图7无法构成三角形的两种情形，
Figure BDA00027028580400001813
的观测值偏大(如图7(a)所示)或者
Figure BDA00027028580400001814
的观测值偏小(如图7(b)所示)，都可能造成
Figure BDA00027028580400001815
的情况出现。
针对上述无法构成三角形的两种情形，本发明设置了投票机制来判断哪个观测距离可能出现异常误差。对于
Figure BDA00027028580400001816
只要对应的三边无法构成三角形，则
Figure BDA0002702858040000191
各计一票。基于几何构型的滤波算法如下所示，其中Votes(t)初始化为N×N全零矩阵，用于记录各边票数。遍历Votes(t)，假如
Figure BDA0002702858040000192
则
Figure BDA0002702858040000193
阈值如果取得比较小，则较容易将一条边置为inf，会造成D(t)中大量元素为inf，不利于问题的解算。阈值如果取得比较大，则不容易排除存在异常观测误差的边。这里阈值取6是通过仿真实验得到的一个较优的解。
基于几何构型的滤波算法
Figure BDA0002702858040000194
2.3链路中断误差与异常观测误差同时发生(随机误差环境)
在随机误差环境下的动态相对定位过程中，仅比较前后两个时刻节点间的距离状态，部分异常观测误差无法剔除。考虑如下情况：节点i与j在t-1时刻由于视距内链路中断，
Figure BDA0002702858040000195
t时刻链路恢复，但
Figure BDA0002702858040000196
存在异常误差，基于连续时间序列下运动状态的滤波无法过滤
Figure BDA0002702858040000197
在随机误差环境下的动态相对定位中，计算节点不仅要与上一时刻的相对距离矩阵D(t-1)比较，还要存储前面k个时刻的距离矩阵D(t-2)，D(t-3)，…D(t-k)供比较，一般k的大小与链路中断比例呈正相关关系。为此本发明将基于运动状态的滤波算法做如下改进，本发明用Backtrackingtimes(Kback)来表示向前回溯的时刻数(这里Kback＝3)：
基于多时刻运动状态的滤波算法
Figure BDA0002702858040000201
2.4Filter-MDS
综上，本发明只要在定位框架中加入两层滤波即构建了Filter-MDS。Filter-MDS的算法步骤如下所示。
Filter-MDS算法
输入：1)t-1时刻的坐标估计
Figure BDA0002702858040000202
2)t时刻的观测距离
Figure BDA0002702858040000203
距离权重
Figure BDA0002702858040000204
3)SMACOF算法的迭代终止条件ε，Kmax。
输出：t时刻的坐标估计
Figure BDA0002702858040000205
步骤1.根据
Figure BDA0002702858040000206
和
Figure BDA0002702858040000207
构建t时刻距离矩阵D(t)；
步骤2.D(t)执行基于运动状态的滤波；
步骤3.D(t)执行基于几何构型的滤波；
步骤4.初始化迭代器k＝0，
Figure BDA0002702858040000211
根据公式(6)计算
Figure BDA0002702858040000212
步骤5.Fork＝1,2…Kmax
步骤5.1根据SMACOF算法更新
Figure BDA0002702858040000213
步骤5.2如果
Figure BDA0002702858040000214
则跳转到步骤6；
步骤6.令
Figure BDA0002702858040000215
2.5Filter-MDS复杂度分析
2.5.1计算复杂度分析
动态集群网络中有N个节点，m个锚节点，SMACOF算法的平均迭代次数是Kave。首次定位时(t＝1)，经典MDS求解初始输入，Floyd算法构建最短距离矩阵的复杂度是O(N3)，经典MDS的核心是奇异值分解，其计算复杂度是O(N3)。稳定定位阶段SMACOF迭代求精的计算复杂度是O(Kave·N3)，本发明有对最大迭代次数Kmax的仿真，Kmax＜＜N。相对坐标转绝对坐标的复杂度是O(m2+N)。基于连续时间序列运动状态的滤波算法复杂度是O(N3)，基于几何构型的滤波算法复杂度是O(N2)。
综上，Filter-MDS的计算复杂度是O(N3)。
2.5.2通信复杂度分析
集群网络中的节点要将与邻居的测距信息发送给计算节点。假设网络中每个节点的平均邻居数量是Knei，则通信复杂度是O(Knei·N)。
下面结合仿真实验对本发明作进一步描述。
(1)本发明在3-D空间中对Filter-MDS算法的性能进行仿真实验。推导了3-D空间中集中式的克拉美罗下界，作为评价定位框架性能的标准。
实验环境
实验软件是Windows10系统下Matlab2017a，具体实验环境参数如下表所示：
表3.实验环境参数
Figure BDA0002702858040000216
Figure BDA0002702858040000221
(2)实验设置
为检验Filter-MDS对异常误差的鲁棒性，做如下仿真实验。实验设置如下：节点数量50，初始随机部署在400*400*400的区域，计算节点数量1，锚节点数量6(3D网络坐标转换至少需要4个锚节点，设置6个主要是为了避免由于共面问题造成坐标转换过程中的巨大误差)。节点间通信与测距半径是R＝400，
Figure BDA0002702858040000222
服从高斯分布，均值取0，标准差取集群网络中所有节点平均距离的1％，通过仿真实验可估算得
Figure BDA0002702858040000223
异常观测误差设置如表1所示。集群网络的运动模型设置如下：集群飞行高度是(0,400)区间，集群在xOy面上的移动轨迹是了线速度v＝20，角速度ω＝0.1的阿基米德螺旋线，也即，第i个节点在t时刻的坐标表示为：
Figure BDA0002702858040000224
其中σv是一个小的随机误差，σv～U(-5,5)。
除另有说明，所有仿真数据均是取自200次蒙特卡洛仿真实验的均值。用归一化均方根误差(Normalized root mean square error，NRMSE)评价位置估计的准确度，NRMSE的定义如下：
Figure BDA0002702858040000225
根据本发明设定的集群网络的运动状态，随着时间的推移，节点的横纵坐标在不断改变，所以令
Figure BDA0002702858040000231
保持不变。SMACOF迭代求精时，ε＝0.01,Kmax＝10。本发明在图14中对不同的Kmax取值进行了仿真实验。
(3)本发明的定位框架在三维动态集群网络定位中的有效性
本发明的仿真实验主要是验证定位框架在三维动态集群网络定位的有效性，故在本发明的实验中观测距离不存在随机误差。
本发明的定位框架和MDS-MAP在不同通信半径R下的NRMSE如图8与CRLB的比较所示。图8黑色虚线是全连通网络的克拉美罗下界(Cramer-Rao lower bound，CRLB)，其值为0.0035。关于CRLB的推导，随着通信半径R的增加，本发明的定位框架和MDS-MAP的NRMSE都在下降，当R＝400时，本发明的定位框架的NRMSE是0.0047接近于CRLB，而MDS-MAP的NRMSE是0.0103。这说明了本发明的定位框架在三维动态集群网络定位中的有效性。当通信半径R超过600时，该集群网络逐渐变为全连通网络。
图9不同最大迭代次数对NRMSE的影响图展示了不同最大迭代次数Kmax对本发明定位框架的NRMSE的影响。Kmax分别取10,5,2，t∈[1,100]。当Kmax＝10时，算法可以快速收敛，且随时间t的推移，算法的NRMSE比较稳定。当Kmax＝5和Kmax＝2时，算法也可以在较短的时
间内收敛，但随时间的推移，算法的NRMSE波动性较大。总得来说，这是运算复杂度和位置估计的精确性与稳定性的折中。
(4)异常观测误差下Filter-MDS的NRMSE和MAE
本发明实验中本发明在节点观测距离中添加异常误差(保持链路中断比例Pblock＝0)，以验证Filter-MDS(Kback＝1)在异常观测误差环境下的鲁棒性。通信半径R＝400。图10异常观测误差下Filter-MDS的NRMSE展示的是异常观测误差下Filter-MDS(Kback＝1)和Location Framework的NRMSE，其中X轴表示添加异常误差的比例，其中1％,1％表示Plarge＝1％，Psmall＝1％，以此类推。由图10可以看出，Filter-MDS(Kback＝1)的NRMSE的均值和标准差都显著小于Location Framework。当Plarge＝3％，Psmall＝3％时，Filter-MDS(Kback＝1)的NRMSE是0.0089，而Location Framework的NRMSE是0.14。
图11异常观测误差下Filter-MDS的MAE图展示的是异常观测误差下Filter-MDS(Kback＝1)的MAE,其中X轴与Y轴分别表示计算节点在运动过程中的横坐标与纵坐标，运动时间t∈[1,100]，Z轴表示每个时刻集群网络定位结果的绝对误差均值(MAE)。首次定位时，由于没有先验信息，MAE是2.88m，稳定定位阶段MAE基本稳定在3m以下。
(5)随机误差下Filter-MDS的NRMSE和MAE
本发明实验中本发明在节点观测距离中添加随机误差，以验证Filter-MDS在随机误差环境下的鲁棒性。通信半径R＝400，Plarge＝2％，Psmall＝2％，Pblock＝15％。图12随机误差下Filter-MDS的NRMSE图。展示的是随机误差下，不同回溯次数Filter-MDS的NRMSE。由图12可知，随着Backtracking times(Kback)的增加，Filter-MDS的NRMSE逐渐减小。回溯次数越多，意味着计算复杂对越高。当Kback＝4时，NRMSE是0.0076，而Kback＝5时，NRMSE是0.0074，增加回溯次数的收益已不再明显。
图13随机误差下Filter-MDS的MAE图展示的是随机误差下Filter-MDS(Kback＝4)的MAE,其中X轴与Y轴分别表示计算节点在运动过程中的横坐标与纵坐标，运动时间t∈[1,100]，Z轴表示每个时刻集群网络定位结果的绝对误差均值(MAE)。前2次定位时，由于没有足够的先验信息，MAE均超过6m，稳定定位阶段MAE稳定在3m以下。
(6)异常观测误差检测率
本发明实验统计了Filter-MDS对异常误差的检测率。主要参数设置如下：通信半径R＝400，Pblock＝15％，Kback＝4。Filter-MDS对异常观测误差的检测率如下表4所示：
表4.Filter-MDS对异常误差的检测率
Figure BDA0002702858040000251
随着异常观测误差比例的增加，错误检测率有下降趋势，但检测率均超过99％，说明本发明设计的两层滤波机制能够有效过滤异常观测误差，增加协同定位的精度。
下面结合效果对本发明作进一步描述。
目前集群网络(例如无人机集群)朝着低成本、小型化的方向发展，数据链路不稳定，部署环境复杂，三维动态集群网络的容错协同定位是亟待解决的问题。本发明构建了适合三维动态集群网络协同定位的框架，拓展了非视距误差，引入了随机误差的概念，在随机误差环境中提出了基于连续时间序列下运动状态以及基于几何构型的两层滤波算法Filter-MDS，仿真实验表明该算法可以有效的过滤观测距离中存在的异常误差，有效保证三维动态集群网络在随机误差环境中的协同定位精度。
Filter-MDS的计算复杂度是O(N3)，对于规模较大的集群网络，可以继续设计半分布式的算法以降低计算复杂度。
在本发明中，提供的NRMSE的克拉美罗下界(三维空间)包括：
采用的是集中式克拉美罗下界，即集群网络是全连通的。CRLB的计算与文献相似，现有技术中，推导了二维空间的克拉美罗下界，本发明将其推广到了三维空间。节点间的测距误差
Figure BDA0002702858040000252
对于三维空间(p＝3)，t时刻的Fisher信息矩阵
Figure BDA0002702858040000253
可以分块
Figure BDA0002702858040000254
其中
Figure BDA0002702858040000255
参考文献可知:
Figure BDA0002702858040000261
Figure BDA0002702858040000262
Figure BDA0002702858040000263
Figure BDA0002702858040000264
Figure BDA0002702858040000265
Figure BDA0002702858040000266
由于求解的是集中式CRLB，集群网络全连通，所以
Figure BDA0002702858040000267
再根据NRMSE的定义，可得：
Figure BDA0002702858040000268
综上所述，NRMSE的CRLB可表示为：
Figure BDA0002702858040000271
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种三维动态集群网络中基于两层滤波的容错协同定位方法，其特征在于，所述三维动态集群网络中基于两层滤波的容错协同定位方法包括：
拓展无线环境中非视距误差，获取随机误差；
构建适合于三维动态集群网络协同定位的定位框架，在正常观测条件下该定位框架的归一均方根误差相等于三维网络的克拉美罗下界；
在存在随机误差的无线环境中，引入基于连续时间序列下运动状态以及基于几何构型的两层滤波，进行基于两层滤波的容错定位算法运算，识别无线测距中存在的异常误差。
2.如权利要求1所述的三维动态集群网络中基于两层滤波的容错协同定位方法，其特征在于，随机误差模型包括异常观测误差与链路中断误差；
所述异常观测误差包括：节点i与j之间的观测距离用
Figure FDA0002702858030000011
表示，发生误差的概率用plarge表示；
Figure FDA0002702858030000012
服从正均值的高斯分布
Figure FDA0002702858030000013
概率密度函数表示为：
Figure FDA0002702858030000014
所述异常观测误差包括：发生观测误差时，节点i与j之间的观测距离用
Figure FDA0002702858030000015
表示，发生误差的概率用psmall表示；
Figure FDA0002702858030000016
服从正均值的高斯分布
Figure FDA0002702858030000017
概率密度函数表示为：
Figure FDA0002702858030000018
链路中断误差，视距内的节点不能完成测距，发生误差的概率用pblock表示。
3.如权利要求1所述的三维动态集群网络中基于两层滤波的容错协同定位方法，其特征在于，构建适合于三维动态集群网络协同定位的定位框架的方法包括：
利用经典MDS求解节点的相对坐标作为SMACOF迭代算法的初始输入，迭代求精，稳定定位阶段利用t-1时刻的位置信息作为t时刻SMACOF迭代算法初始输入。
4.如权利要求3所述的三维动态集群网络中基于两层滤波的容错协同定位方法，其特征在于，对于大规模的移动集群网路，采用分簇策略半分布式的框架，将大网划分为局部子网，降低计算与通信复杂度。
5.如权利要求1所述的三维动态集群网络中基于两层滤波的容错协同定位方法，其特征在于，基于两层滤波的容错定位算法包括：
输入：1)t-1时刻的坐标估计
Figure FDA0002702858030000021
2)t时刻的观测距离
Figure FDA0002702858030000022
距离权重
Figure FDA0002702858030000023
3)SMACOF算法的迭代终止条件ε，Kmax；
输出：t时刻的坐标估计
Figure FDA0002702858030000024
步骤1.根据
Figure FDA0002702858030000025
和
Figure FDA0002702858030000026
构建t时刻距离矩阵D(t)；
步骤2.D(t)执行基于运动状态的滤波；
步骤3.D(t)执行基于几何构型的滤波；
步骤4.初始化迭代器k＝0，
Figure FDA0002702858030000027
根据公式(6)计算
Figure FDA0002702858030000028
步骤5.For k＝1,2…Kmax
步骤5.1根据SMACOF算法更新
Figure FDA0002702858030000029
步骤5.2如果
Figure FDA00027028580300000210
则跳转到步骤6；
步骤6.令
Figure FDA00027028580300000211
6.如权利要求5所述的三维动态集群网络中基于两层滤波的容错协同定位方法，其特征在于，动态集群网络中有N个节点，m个锚节点，SMACOF算法的平均迭代次数是Kave；首次定位时(t＝1)，经典MDS求解初始输入，Floyd算法构建最短距离矩阵的复杂度是O(N3)，经典MDS的核心是奇异值分解，计算复杂度是O(N3)；稳定定位阶段SMACOF迭代求精的计算复杂度是O(Kave·N3)，Kmax＜＜N；相对坐标转绝对坐标的复杂度是O(m2+N)；基于连续时间序列运动状态的滤波算法复杂度是O(N3)，基于几何构型的滤波算法复杂度是O(N2)；Filter-MDS的计算复杂度是O(N3)；
集群网络中的节点要将与邻居的测距信息发送给计算节点；网络中每个节点的平均邻居数量是Knei，通信复杂度为O(Knei·N)。
7.如权利要求1所述的三维动态集群网络中基于两层滤波的容错协同定位方法，其特征在于，所述三维网络的克拉美罗下界的误差分析方法包括：
节点间的测距误差
Figure FDA0002702858030000031
对于三维空间，p＝3，t时刻的Fisher信息矩阵
Figure FDA0002702858030000032
分块
Figure FDA0002702858030000033
其中
Figure FDA0002702858030000034
再根据NRMSE的定义，得：
Figure FDA0002702858030000035
NRMSE的CRLB表示为：
Figure FDA0002702858030000036
8.一种实施权利要求1～7任意一项所述三维动态集群网络中基于两层滤波的容错协同定位方法的三维动态集群网络中基于两层滤波的容错协同定位系统，其特征在于，所述基于两层滤波的容错协同定位系统包括：
随机误差获取模块，用于拓展无线环境中非视距误差，获取随机误差；
定位框架获取模块，用于构建适合于三维动态集群网络协同定位的定位框架，在正常观测条件下该定位框架的归一均方根误差相等于三维网络的克拉美罗下界；
无线测距中异常误差识别模块，在存在随机误差的无线环境中，引入基于连续时间序列下运动状态以及基于几何构型的两层滤波，进行基于两层滤波的容错定位算法运算，识别无线测距中存在的异常误差。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
拓展无线环境中非视距误差，获取随机误差；
构建适合于三维动态集群网络协同定位的定位框架，在正常观测条件下该定位框架的归一均方根误差相等于三维网络的克拉美罗下界；
在存在随机误差的无线环境中，引入基于连续时间序列下运动状态以及基于几何构型的两层滤波，进行基于两层滤波的容错定位算法运算，识别无线测距中存在的异常误差。
10.一种实施权利要求1～7任意一项所述三维动态集群网络中基于两层滤波的容错协同定位方法的无人机。
CN202011028380.1A 2020-09-26 2020-09-26 一种三维动态集群网络中基于两层滤波的容错协同定位方法 Active CN112333236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011028380.1A CN112333236B (zh) 2020-09-26 2020-09-26 一种三维动态集群网络中基于两层滤波的容错协同定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011028380.1A CN112333236B (zh) 2020-09-26 2020-09-26 一种三维动态集群网络中基于两层滤波的容错协同定位方法

Publications (2)

Publication Number Publication Date
CN112333236A true CN112333236A (zh) 2021-02-05
CN112333236B CN112333236B (zh) 2022-02-25

Family

ID=74304282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011028380.1A Active CN112333236B (zh) 2020-09-26 2020-09-26 一种三维动态集群网络中基于两层滤波的容错协同定位方法

Country Status (1)

Country Link
CN (1) CN112333236B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115267869A (zh) * 2022-07-13 2022-11-01 北京航空航天大学 Gps拒止条件下的无人机群psd测距相对定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107426817A (zh) * 2017-08-28 2017-12-01 西安电子科技大学 距离修正混沌粒子群多维标度无线传感器网络定位方法
US20200228926A1 (en) * 2018-09-01 2020-07-16 Clarkson University Determining Localization from Ordinal Comparison Data
CN111551896A (zh) * 2020-04-25 2020-08-18 中国人民解放军战略支援部队信息工程大学 抑制传感器位置速度先验误差的加权多维标度toa和foa多源协同定位方法
CN111551895A (zh) * 2020-04-25 2020-08-18 中国人民解放军战略支援部队信息工程大学 基于加权多维标度和拉格朗日乘子技术的运动辐射源tdoa和fdoa定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107426817A (zh) * 2017-08-28 2017-12-01 西安电子科技大学 距离修正混沌粒子群多维标度无线传感器网络定位方法
US20200228926A1 (en) * 2018-09-01 2020-07-16 Clarkson University Determining Localization from Ordinal Comparison Data
CN111551896A (zh) * 2020-04-25 2020-08-18 中国人民解放军战略支援部队信息工程大学 抑制传感器位置速度先验误差的加权多维标度toa和foa多源协同定位方法
CN111551895A (zh) * 2020-04-25 2020-08-18 中国人民解放军战略支援部队信息工程大学 基于加权多维标度和拉格朗日乘子技术的运动辐射源tdoa和fdoa定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115267869A (zh) * 2022-07-13 2022-11-01 北京航空航天大学 Gps拒止条件下的无人机群psd测距相对定位方法
CN115267869B (zh) * 2022-07-13 2024-04-12 北京航空航天大学 Gps拒止条件下的无人机群psd测距相对定位方法

Also Published As

Publication number Publication date
CN112333236B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN108896047B (zh) 分布式传感器网络协同融合与传感器位置修正方法
Zhang et al. Landscape-3D; a robust localization scheme for sensor networks over complex 3D terrains
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
Cui et al. Dynamic multidimensional scaling algorithm for 3-D mobile localization
Kim et al. Cooperative search of multiple unknown transient radio sources using multiple paired mobile robots
Zickler et al. RSS-based relative localization and tethering for moving robots in unknown environments
CN107592671B (zh) 一种网络化多智能体主动变拓扑的自主协同定位方法
US20050288888A1 (en) Semi-definite programming method for ad hoc network node localization
CN108650706B (zh) 基于二阶泰勒近似的传感器节点定位方法
Ullah et al. Evaluation of localization by extended Kalman filter, unscented Kalman filter, and particle filter-based techniques
CN108966120B (zh) 一种用于动态集群网络改进的组合三边定位方法及系统
Le Ny et al. Localizability-constrained deployment of mobile robotic networks with noisy range measurements
CN112333236B (zh) 一种三维动态集群网络中基于两层滤波的容错协同定位方法
Ping et al. Flipping free conditions and their application in sparse network localization
Fan et al. Fault-tolerant cooperative localization of 3D mobile networks via two-layer filter multidimensional scaling
Scavino et al. An Improved Hybrid Indoor Positioning Algorithm via QPSO and MLP Signal Weighting.
Yu et al. Distributed single target tracking in underwater wireless sensor networks
Xu et al. A hybrid approach using multistage collaborative calibration for wireless sensor network localization in 3D environments
Srirangarajan et al. Distributed sensor network localization with inaccurate anchor positions and noisy distance information
CN109799477B (zh) 一种面向毫米波车联网的序贯车辆指纹定位方法及装置
CN112437397B (zh) 基于交替修正牛顿法的分布式传感器节点定位方法
CN108810840B (zh) 协作定位中基于efim和距离协作的节点选择方法
Liu et al. UKF-based vehicle pose estimation under randomly occurring deception attacks
Tarkanyi et al. Roadside sensor optimization in infrastructure-based teleoperation of vehicles
CN107063240B (zh) 一种基于入侵杂草算法的水下航行器定位方法

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
GR01 Patent grant
GR01 Patent grant