CN112333634A - 一种基于uav的混合节点定位方法 - Google Patents

一种基于uav的混合节点定位方法 Download PDF

Info

Publication number
CN112333634A
CN112333634A CN202011297703.7A CN202011297703A CN112333634A CN 112333634 A CN112333634 A CN 112333634A CN 202011297703 A CN202011297703 A CN 202011297703A CN 112333634 A CN112333634 A CN 112333634A
Authority
CN
China
Prior art keywords
positioning
node
unknown
neighbor
nodes
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
CN202011297703.7A
Other languages
English (en)
Inventor
高美凤
尹持俊
于力革
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202011297703.7A priority Critical patent/CN112333634A/zh
Publication of CN112333634A publication Critical patent/CN112333634A/zh
Pending legal-status Critical Current

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
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于UAV的混合节点定位方法，属于无线传感器网络定位技术领域。所述方法通过利用泰勒级数对极大似然估计定位技术的方程进行线性化处理，解决了极大似然估计定位技术失去坐标信息，造成计算误差的问题。然后将处理的极大似然估计定位技术和加权质心定位技术结合，解决邻居虚拟锚节点的位置不同导致定位精度不同的问题。相比于极大似然估计定位技术、泰勒级数改进的极大似然定位技术和极大似然与加权质心混合定位技术能够获得更好的定位效果。

Description

一种基于UAV的混合节点定位方法
技术领域
本发明涉及一种基于UAV的混合节点定位方法，属于无线传感器网络定位技术领域。
背景技术
作为一种全新的信息获取和处理技术，无线传感器网络在环境监测、目标跟踪等定位相关领域有着广泛的应用前景。确定事件发生的位置或确定获取信息的传感器节点的位置是无线传感器网络最基本的功能之一，没有位置信息的监测数据往往没有意义。
无线传感器网络定位技术较多，根据是否需要测量距离可划分为：基于距离的定位算法(Range-Based)和距离无关的定位算法(Range-Free)。基于距离的定位算法包括基于信号传输时间(Time of Arrival，TOA)、基于信号传输时间差(Time Different ofArrival，TDOA)、基于信号到达角度(Angle of Arrival，AOA)和基于接收信号强度指示(Received Signal Strength Indicator，RSSI)等测量方法。距离无关的定位算法包括质心算法、DV-Hop算法、Amorphous算法、APIT(Approximate PIT Test)算法等。
无线传感器网络中，根据节点是否已知自身的位置，把传感器节点分为锚节点(也称信标节点)和未知节点。在对传感器节点进行定位的技术中，根据Voronoi图为基础进行航迹规划获取的航迹能够以最高的效率对无线传感器网络进行遍历。无线传感器网络节点定位与其他无线通信中的定位一样，受环境、测量设备精度、定位算法误差、几何精度因子(Geometric Dilution Precision，GDOP)差异等影响。其中GDOP所反映的是定位过程中定位系统对测量误差的放大程度。因此在同一定位系统中，其他影响因素相同的情况下，未知节点与锚节点的位置关系所决定的GDOP值越小，则该未知节点的定位精度就越高。正因为GDOP值可以反映出定位效果的优劣，所以GDOP值可以作为基于无人机的节点定位过程中无人机航迹规划的参考值之一。合理选择无人机的航点，尽量在兼顾飞行效率的情况下，减小移动锚节点确定的GDOP值，便可达到提高定位精度的目的。
GDOP反映的是测量误差对定位误差的放大程度，GDOP越小，测量误差对定位精度的影响越小，定位精度越高。系统最小GDOP值的取值会随着邻居虚拟锚节点数目的增加而减小，当系统中有四个邻居虚拟锚节点时，处在邻居虚拟锚节点几何中心处的未知节点的最小GDOP值为1，随着邻居虚拟锚节点数目増加为六个和八个，系统最小GDOP值分别可以达到0.8165和0.7071。即定位精度随着邻居虚拟锚节点数目增加而得到一定程度的提高。
基于距离的定位算法中的基于RSSI的定位方法成本低，定位精度较高，但是在实际环境中容易受到反射、多径传播、天线增益、障碍物阻隔等因素的影响；而距离无关的定位算法中的质心算法方法简单，无需考虑环境因素的影响，容易实现，但是定位精度较基于RSSI的方法偏低。
韩江洪等(韩江洪,祝满拳,马学森,et al.基于RSSI的极大似然与加权质心混合定位算法[J].电子测量与仪器学报,2013(10):937-943.)提出了基于RSSI的极大似然与加权质心混合定位算法：首先通过极大似然估计方法对待定位节点进行粗略估计，然后再利用加权质心算法对待定位节点作进一步的求精，其中质心算法中的坐标值用求得的待定位节点的粗略估计值取代，这样在2次的求解后可以得到一个更加精确的待定位节点的位置信息。在极大似然与加权质心混合定位算法求解方程组的过程中，对方程进行线性化处理时，利用每个方程减去最后一个方程的方法消去了二次项，但是该方法中单纯的相减会失去坐标的一些信息，从而造成计算误差。
詹华伟等(詹华伟,詹海潮,赵勇.基于RSSI极大似然估计定位算法的改进与实现[J].河南师范大学学报(自然版),2018,046(005):37-41.)提出了改进的基于RSSI极大似然估计定位算法：首先将采集到的RSSI进行卡尔曼滤波去噪优化处理，然后在极大似然估计算法求解未知节点位置的过程中，使用基于泰勒级数展开的最小二乘法求解方程组，得出最优解，实现定位。但是该方法中存在着锚节点的位置设置不同会导致定位精度不同的问题。
发明内容
针对现有的无线传感器网络节点定位技术定位效果不佳的问题，本发明提供了一种基于UAV的改进极大似然与加权质心混合节点定位方法(T-WCL-MLE)，所述方法应用于无线传感器网络中，其中，已知自身的位置的传感器称为锚节点，未知自身的位置的传感器称为未知节点，所述方法包括：
步骤一：利用GDOP理论部署未知节点周围的n个邻居虚拟锚节点；
步骤二：利用GDOP理论部署未知节点周围的邻居虚拟锚节点根据几何精度因子GDOP计算出未知节点周围的n个邻居锚节点，将未知节点接收到来自n个邻居锚节点的RSSI值，转换成对应的n个距离值(d1,d2,…,dn)；
步骤三：根据n个距离值(d1,d2,…,dn)分别计算未知节点受到任意n-1个邻居锚节点影响的位置
Figure BDA0002785883450000021
步骤四：利用加权质心定位算法，根据步骤三得到的未知节点受到任意n-1个邻居锚节点影响的位置
Figure BDA0002785883450000022
求解未知节点的坐标。
可选的，所述步骤二包括：
根据下述式(1)计算各个邻居锚节点到未知节点的距离值：
Figure BDA0002785883450000031
其中未知节点的实际位置(x，y，z)，各个邻居锚节点的实际位置(xi，yi，zi)。
可选的，所述步骤三包括：
用(Δx，Δy，Δz)表示未知节点的实际位置(x，y，z)和估计位置
Figure BDA00027858834500000315
的偏差量，即
Figure BDA0002785883450000032
则各个邻居锚节点到未知节点估计位置的距离值为：
Figure BDA0002785883450000033
将f(x，y，z)在估计位置
Figure BDA00027858834500000316
处，用泰勒级数展开，并将一阶偏导之后的展开项省略，即：
Figure BDA0002785883450000034
令
Figure BDA0002785883450000035
Figure BDA0002785883450000036
则
Figure BDA0002785883450000037
其中，
Figure BDA0002785883450000038
对(d1，d2，...，dn)任意取n-1个值进行排列组合，可以得到：{(d2，d3，...，dn)，(d1，d3，...，dn)，...，(d1，d2，...，dn-1)}，对(d2，d3，...，dn)利用式(4)，可列方程组
Figure BDA0002785883450000039
令
Figure BDA00027858834500000310
利用最小二乘法求解
Figure BDA00027858834500000311
然后由
Figure BDA00027858834500000312
可得未知节点受到除i＝1以外的n-1个邻居锚节点影响的位置，
Figure BDA00027858834500000313
表示未知节点的实际位置(x，y，z)和
Figure BDA00027858834500000314
的偏差量；
同理求出{(d1，d3，...，dn)，...，(d1，d2，...，dn-1)}对应的未知节点位置
Figure BDA0002785883450000041
由此分别计算得到了未知节点受到任意n-1个邻居锚节点影响的位置
Figure BDA0002785883450000042
可选的，所述步骤四包括：
令
Figure BDA0002785883450000043
则未知节点的坐标为：
Figure BDA0002785883450000044
可选的，所述方法采用无人机作为移动锚节点以最优航迹飞行，并广播定位信息包。
可选的，所述最优航迹利用遗传算法计算航迹点间的最小距离，即得最优航迹。
本申请还提供一种采用无线传感器网络进行环境监测的方法，所述方法采用上述基于UAV的改进极大似然与加权质心混合节点定位方法实现对无线传感器网络中未知节点的定位。
可选的，所述方法还包括，利用传感器采集环境信息。
可选的，所述环境信息包括传感器所处环境的相对湿度、温度、光照和以及传感器的电压值。
本申请还提供一种采用无线传感器网络进行目标监测的定位方法，所述方法采用上述基于UAV的改进极大似然与加权质心混合节点定位方法实现对无线传感器网络中未知节点的定位。
本发明有益效果是：
通过利用泰勒级数对极大似然估计定位技术的方程进行线性化处理，解决了极大似然估计定位技术失去坐标信息，造成计算误差的问题。然后将处理的极大似然估计定位技术和加权质心定位技术结合，解决邻居虚拟锚节点的位置不同导致定位精度不同的问题。相比于极大似然估计定位技术、泰勒级数改进的极大似然定位技术和极大似然与加权质心混合定位技术能够获得更好的定位效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为实施例2的GDOP理论最小值图。
图2为实施例2的基于GDOP的四个虚拟锚节点图；
图3为实施例2的基于GDOP的六个虚拟锚节点图；
图4为实施例2的基于GDOP的八个虚拟锚节点图；
图5为实施例2的基于遗传算法四个虚拟锚节点航迹图；
图6为实施例2的基于遗传算法六个虚拟锚节点航迹图；
图7为实施例2的基于遗传算法八个虚拟锚节点航迹图；
图2-图7中，o表示未知节点，*表示航迹点。
图8为实施例2的不同飞行轨迹飞行时间对比图。
图9为实施例2的GDOP4下不同定位算法定位均方误差对比图。
图10为实施例2的GDOP6下不同定位算法定位均方误差对比图。
图11为实施例2的GDOP8下不同定位算法定位均方误差对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一：
本实施例提供一种基于UAV(Unmanned Aerial Vehicle，无人驾驶飞机)的改进极大似然与加权质心混合节点定位方法，应用于无线传感器网络中，其中，已知自身的位置的传感器称为锚节点，未知自身的位置的传感器称为未知节点，所述方法包括：
步骤一：利用GDOP理论部署未知节点周围的n个邻居虚拟锚节点；
步骤二：利用GDOP理论部署未知节点周围的邻居虚拟锚节点根据几何精度因子GDOP计算出未知节点周围的n个邻居锚节点，将未知节点接收到来自n个邻居锚节点的RSSI值，转换成对应的n个距离值(d1,d2,…,dn)；
步骤三：根据n个距离值(d1,d2,…,dn)分别计算未知节点受到任意n-1个邻居锚节点影响的位置
Figure BDA0002785883450000051
步骤四：利用加权质心定位算法，根据步骤三得到的未知节点受到任意n-1个邻居锚节点影响的位置
Figure BDA0002785883450000052
求解未知节点的坐标。
实施例二：
本实施例提供一种基于UAV的改进极大似然与加权质心混合节点定位方法(T-WCL-MLE)，所述方法包括：
步骤1：根据GDOP计算出未知节点周围的n个邻居锚节点，将未知节点接收到来自邻居锚节点的RSSI值，转换成对应的n个距离值(d1，d2，...，dn)。
根据下述式(1)计算各个邻居锚节点到未知节点的距离值，其中未知节点的实际位置(x，y，z)，各个邻居锚节点的实际位置(xi，yi，zi)：
Figure BDA0002785883450000061
用(Δx，Δy，Δz)表示未知节点的实际位置(x，y，z)和估计位置
Figure BDA0002785883450000062
的偏差量，即
Figure BDA0002785883450000063
则各个邻居锚节点到未知节点估计位置的距离值为：
Figure BDA0002785883450000064
f(x，y，z)在估计位置
Figure BDA0002785883450000065
处，用泰勒级数展开，并将一阶偏导之后的展开项省略，这样可以避免式中非线性项的干扰：
Figure BDA0002785883450000066
令
Figure BDA0002785883450000067
Figure BDA0002785883450000068
则
Figure BDA0002785883450000069
其中，
Figure BDA00027858834500000610
对(d1，d2，...，dn)任意取n-1个值进行排列组合，可以得到：{(d2，d3，...，dn)，(d1，d3，...，dn)，...，(d1，d2，...，dn-1)}，对(d2，d3，...，dn)利用式(4)，可列方程组
Figure BDA00027858834500000611
令
Figure BDA00027858834500000612
利用最小二乘法求解
Figure BDA00027858834500000613
然后由
Figure BDA00027858834500000614
可得未知节点受到除i＝1以外的n-1个邻居锚节点影响的位置。类似的可以求出{(d1，d3，...，dn)，...，(d1，d2，...，dn-1)}对应的未知节点位置
Figure BDA0002785883450000071
即未知节点受到其他任意n-1个邻居锚节点影响的位置，其他任意n-1个邻居锚节点为分别排除i＝2以外、排除i＝3以外…以及排除i＝n以外的n-1个邻居锚节点。
步骤2：求精阶段，利用加权质心定位算法，求解未知节点的坐标，令
Figure BDA0002785883450000072
则未知节点的坐标为：
Figure BDA0002785883450000073
为验证本申请技术方案能够更精确的对未知节点进行定位，特进行仿真实验如下：
本申请在Window10操作系统下利用MATLAB R2019a进行实施例仿真分析。包含以下详细步骤，其中步骤1为利用GDOP理论部署未知节点周围的邻居虚拟锚节点，步骤2为结合Voronoi和邻居虚拟锚节点，利用遗传算法规划UAV航迹，步骤3为计算定位误差，步骤4为画定位误差图。
步骤1：利用GDOP理论部署未知节点周围的邻居虚拟锚节点。
GDOP理论最小取值随锚节点数目增加而逐渐减小；但同时随着锚节点数目的增加，GDOP理论最小值的减小趋势趋缓，在锚节点数目增加至10个以上时，GDOP理论最小值减小的趋势变得十分不明显。根据加权质心定位算法结合正三角形航迹，初步计算出未知节点的估计位置，再结合GDOP理论，选取邻居虚拟锚节点数目分别为4个、6个和8个。进行定位对比实验，验证4个、6个和8个邻居虚拟锚节点的定位误差的差异性。
步骤2：结合Voronoi和邻居虚拟锚节点，利用遗传算法规划UAV航迹。依据Voronoi图进行航迹规划以获取航迹，以最高的效率对无线传感器网络进行遍历。同时将第一步选取的邻居虚拟锚节点和Voronoi图进行结合规划出航迹点，利用遗传算法计算航迹点间的最小距离，即得最优航迹。
步骤3：计算定位误差，画定位误差图。无人机作为移动锚节点以第二步的最优航迹飞行，并广播定位信息包。根据未知节点接收到的邻居虚拟锚节点的RSSI，得到未知节点的邻居虚拟锚节点距离集合Distance＝{d1，d2，…，dn}。对Distance中的数据抽取n-1个组成集合DA＝{(d2，d3，…，dn)，…，(d1，d2，…，dn-1)}。利用公式(1)到公式(5)求出用泰勒公式改进的极大似然解，最后用公式(6)和公式(7)加权质心算法，对未知节点进行进一步精确定位。
步骤4：将MLE、T-MLE、WCL-MLE和本申请提供的T-WCL-MLE四种方法的定位均方误差整理成图即可得到分别在GDOP4、GDOP6和GDOP8下不同定位算法定位均方误差对比图9、10和11。
其中MLE和WCL-MLE可参考“韩江洪,祝满拳,马学森,et al.基于RSSI的极大似然与加权质心混合定位算法[J].电子测量与仪器学报,2013(10):937-943.”；
T-MLE可参考“詹华伟,詹海潮,赵勇.基于RSSI极大似然估计定位算法的改进与实现[J].河南师范大学学报(自然版),2018,046(005):37-41.”；由图9可以看出，基于GDOP4的不同定位算法中，MLE的定位均方误差在2.70m-4.05m波动；T-MLE的定位均方误差在2.69m-3.92m波动；WCL-MLE的定位均方误差在2.67m-3.84m波动；而本申请所提出的T-WCL-MLE的定位均方误差在2.60m-3.57m波动。T-WCL-MLE的定位精度较MLE算法提高了0.10m-0.52m，较T-MLE算法提高了0.09m-0.35m，较WCL-MLE算法提高了0.07m-0.27m。
由图10可以看出，基于GDOP6的不同定位算法中，MLE的定位均方误差在2.65m-3.90m波动；T-MLE的定位均方误差在2.63m-3.84m波动；WCL-MLE的定位均方误差在2.60m-3.75m波动；T-WCL-MLE的定位均方误差在2.55m-3.52m波动。T-WCL-MLE的定位精度较MLE算法提高了0.10m-0.38m，较T-MLE算法提高了0.08m-0.32m，较WCL-MLE算法提高了0.05m-0.17m。
由图11可以看出，基于GDOP8的不同定位算法中，MLE的定位均方误差在2.63m-3.88m波动；T-MLE的定位均方误差在2.60m-3.80m波动；WCL-MLE的定位均方误差在2.56m-3.70m波动；T-WCL-MLE的定位均方误差在2.53m-3.50m波动。T-WCL-MLE的定位精度较MLE算法提高了0.1m-0.38m，较T-MLE算法提高了0.07m-0.30m，较WCL-MLE算法提高了0.03m-0.20m。
综上，本申请提出的T-WCL-MLE方法和所提到的其他几种方法相比，都可以得到较小的定位误差，定位效果较好。
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，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 (10)

1.一种基于UAV的改进极大似然与加权质心混合节点定位方法，其特征在于，所述方法应用于无线传感器网络中，其中，已知自身的位置的传感器称为锚节点，未知自身的位置的传感器称为未知节点，所述方法包括：
步骤一：利用GDOP理论部署未知节点周围的n个邻居虚拟锚节点；
步骤二：利用GDOP理论部署未知节点周围的邻居虚拟锚节点根据几何精度因子GDOP计算出未知节点周围的n个邻居锚节点，将未知节点接收到来自n个邻居锚节点的RSSI值，转换成对应的n个距离值(d1，d2，...，dn)；
步骤三：根据n个距离值(d1，d2，...，dn)分别计算未知节点受到任意n-1个邻居锚节点影响的位置
Figure FDA0002785883440000011
步骤四：利用加权质心定位算法，根据步骤三得到的未知节点受到任意n-1个邻居锚节点影响的位置
Figure FDA0002785883440000012
求解未知节点的坐标。
2.根据权利要求1所述的方法，其特征在于，所述步骤二包括：
根据下述式(1)计算各个邻居锚节点到未知节点的距离值：
Figure FDA0002785883440000013
其中未知节点的实际位置(x，y，z)，各个邻居锚节点的实际位置(xi，yi，zi)。
3.根据权利要求2所述的方法，其特征在于，所述步骤三包括：
用(Δx，Δy，Δz)表示未知节点的实际位置(x，y，z)和估计位置
Figure FDA0002785883440000014
的偏差量，即
Figure FDA0002785883440000015
则各个邻居锚节点到未知节点估计位置的距离值为：
Figure FDA0002785883440000016
将f(x，y，z)在估计位置
Figure FDA0002785883440000017
处，用泰勒级数展开，并将一阶偏导之后的展开项省略，即：
Figure FDA0002785883440000018
令
Figure FDA0002785883440000019
Figure FDA00027858834400000110
则
Figure FDA0002785883440000021
其中，
Figure FDA0002785883440000022
对(d1，d2，...，dn)任意取n-1个值进行排列组合，可以得到：{(d2，d3，...，dn)，(d1，d3，...，dn)，...，(d1，d2，...，dn-1)}，对(d2，d3，...，dn)利用式(4)，可列方程组
Figure FDA0002785883440000023
令
Figure FDA0002785883440000024
利用最小二乘法求解
Figure FDA0002785883440000025
然后由
Figure FDA0002785883440000026
可得未知节点受到除i＝1以外的n-1个邻居锚节点影响的位置，
Figure FDA0002785883440000027
表示未知节点的实际位置(x，y，z)和
Figure FDA0002785883440000028
的偏差量；
同理求出{(d1，d3，...，dn)，...，(d1，d2，...，dn-1)}对应的未知节点位置
Figure FDA0002785883440000029
由此分别计算得到了未知节点受到任意n-1个邻居锚节点影响的位置
Figure FDA00027858834400000210
4.根据权利要求3所述的方法，其特征在于，所述步骤四包括：
令
Figure FDA00027858834400000211
则未知节点的坐标为：
Figure FDA00027858834400000212
5.根据权利要求4所述的方法，其特征在于，所述方法采用无人机作为移动锚节点以最优航迹飞行，并广播定位信息包。
6.根据权利要求5所述的方法，其特征在于，所述最优航迹利用遗传算法计算航迹点间的最小距离，即得最优航迹。
7.一种采用无线传感器网络进行环境监测的方法，其特征在于，所述方法采用权利要求1-6任一所述的基于UAV的改进极大似然与加权质心混合节点定位方法实现对无线传感器网络中未知节点的定位。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括，利用传感器采集环境信息。
9.根据权利要求8所述的方法，其特征在于，所述环境信息包括传感器所处环境的相对湿度、温度、光照和以及传感器的电压值。
10.一种采用无线传感器网络进行目标监测的定位方法，其特征在于，所述方法采用权利要求1-6任一所述的基于UAV的改进极大似然与加权质心混合节点定位方法实现对无线传感器网络中未知节点的定位。
CN202011297703.7A 2020-11-19 2020-11-19 一种基于uav的混合节点定位方法 Pending CN112333634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011297703.7A CN112333634A (zh) 2020-11-19 2020-11-19 一种基于uav的混合节点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011297703.7A CN112333634A (zh) 2020-11-19 2020-11-19 一种基于uav的混合节点定位方法

Publications (1)

Publication Number Publication Date
CN112333634A true CN112333634A (zh) 2021-02-05

Family

ID=74320866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011297703.7A Pending CN112333634A (zh) 2020-11-19 2020-11-19 一种基于uav的混合节点定位方法

Country Status (1)

Country Link
CN (1) CN112333634A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113056001A (zh) * 2021-03-17 2021-06-29 长春工业大学 一种基于混合滤波的差分修正加权质心定位方法
CN113253763A (zh) * 2021-06-28 2021-08-13 长沙理工大学 一种无人机数据收集的轨迹确定方法、系统及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695190A (zh) * 2009-10-20 2010-04-14 北京航空航天大学 一种基于神经网络的三维无线传感器网络节点自定位方法
CN105530651A (zh) * 2015-11-27 2016-04-27 南京邮电大学 无线定位系统中最佳基站布设方法
CN111711923A (zh) * 2020-06-30 2020-09-25 江南大学 一种基于uav的无线传感器网络节点定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695190A (zh) * 2009-10-20 2010-04-14 北京航空航天大学 一种基于神经网络的三维无线传感器网络节点自定位方法
CN105530651A (zh) * 2015-11-27 2016-04-27 南京邮电大学 无线定位系统中最佳基站布设方法
CN111711923A (zh) * 2020-06-30 2020-09-25 江南大学 一种基于uav的无线传感器网络节点定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘洋，高美凤: "基于移动锚节点的加权质心定位算法研究", 《传感器与微系统》 *
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（电子期刊）信息科技辑》 *
詹华伟，詹海潮，赵勇: "基于RSSI极大似然估计定位算法的改进与实现", 《河南师范大学学报（自然科学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113056001A (zh) * 2021-03-17 2021-06-29 长春工业大学 一种基于混合滤波的差分修正加权质心定位方法
CN113056001B (zh) * 2021-03-17 2022-05-31 长春工业大学 一种基于混合滤波的差分修正加权质心定位方法
CN113253763A (zh) * 2021-06-28 2021-08-13 长沙理工大学 一种无人机数据收集的轨迹确定方法、系统及装置
CN113253763B (zh) * 2021-06-28 2021-09-24 长沙理工大学 一种无人机数据收集的轨迹确定方法、系统及装置

Similar Documents

Publication Publication Date Title
CN108536648B (zh) 基于多超声波传感器的局部放电非线性模型转换求解与优化方法
CN104316903B (zh) 一种三站时差定位性能试验评估方法
CN113342059B (zh) 基于位置和速度误差的多无人机跟踪移动辐射源方法
CN111212476A (zh) 基于调频连续波的多基站超宽带定位方法
CN104080165A (zh) 一种基于tdoa的室内无线传感器网络定位方法
CN112333634A (zh) 一种基于uav的混合节点定位方法
CN110058205B (zh) 一种基于迭代最近点算法的警戒雷达系统误差校正方法
CN110187336B (zh) 一种基于分布式phd的多站雷达站址定位和联合跟踪方法
CN109856616B (zh) 一种雷达定位相对系统误差修正方法
CN111044050B (zh) 一种基于粒子滤波和卡尔曼滤波的蓝牙定位方法
WO2016112758A1 (zh) 终端的定位方法及装置
CN109738864B (zh) 一种基于多无人机的定位方法及系统
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN115979245B (zh) 一种自校准估计的磁感应网络定位方法
CN114173281B (zh) 室内nlos环境下基于toa的定位系统信标节点的优化布局方法
CN114325577A (zh) 一种非视距定位误差修正方法与装置
CN112083388B (zh) 一种基于二次雷达应答信号的点迹质量评判方法
CN114548159A (zh) 信号干扰下的超宽带精确定位方法
CN113933798A (zh) 一种基于相似性原理的全局传感器系统误差分区配准算法
CN114624688B (zh) 一种基于多传感器联合的跟踪定位方法
KR102239506B1 (ko) 이동단말의 안정적인 고정밀 거리측정 방법 및 이를 수행하기 위한 프로그램을 기록한 기록매체
Jie et al. Continuous passive TDOA location method based on multi-flight-vehicle cooperation
CN116939815B (zh) 一种基于激光点云地图的uwb定位基站选择方法
KR20120030670A (ko) 방위각 추정 방법과 그를 위한 장치 및 컴퓨터로 읽을 수 있는 기록매체
CN115379560B (zh) 一种无线传感网络中仅有距离量测信息下的目标定位与跟踪方法

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

Application publication date: 20210205