CN112747742B - 一种基于卡尔曼滤波的终端位置自适应更新方法 - Google Patents
一种基于卡尔曼滤波的终端位置自适应更新方法 Download PDFInfo
- Publication number
- CN112747742B CN112747742B CN202011526724.1A CN202011526724A CN112747742B CN 112747742 B CN112747742 B CN 112747742B CN 202011526724 A CN202011526724 A CN 202011526724A CN 112747742 B CN112747742 B CN 112747742B
- Authority
- CN
- China
- Prior art keywords
- state vector
- terminal node
- error
- terminal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波的终端位置自适应更新方法包括:获取终端节点的初始位置信息;根据初始位置信息构建初始状态向量,建立卡尔曼滤波模型,并将终端节点的卡尔曼滤波模型的状态向量传递给发送节点;发送节点根据状态向量预测所述终端节点的位置并发送数据;终端节点使用状态向量计算终端节点的预测位置,并与实际位置比较,当预测位置与实际位置的误差大于模糊控制器得出的误差阈值,则更新所述状态向量,并重复上述第二步骤和第三步骤。本发明针对终端位置无法实时更新的现实情况,利用卡尔曼滤波模型对终端位置进行预测,将误差控制在一定范围内,提高了信息传输的鲁棒性,提升整体的网络性能。
Description
技术领域
本发明涉及通信控制领域,具体涉及一种基于卡尔曼滤波和误差模糊控制的终端位置更新机制。
背景技术
随着无线通信的不断发展,通信设备的多样性导致了网络规模逐渐扩大,为了解决因为节点移动时的拓扑频繁变化,需要不断对路由算法改进以提高网络性能。
近些年来,针对邻居节点的选择和处理已经有相当多的研究成果,通过优化选择算法,预测邻居运动轨迹,可以在下一跳的选择上更加准确,能够相当程度的提高网络性能。但是对于终端节点的位置信息,一般情况下都是默认实时更新,而现实场景中往往难以实现,此时如果对终端位置信息不进行任何处理则会导致网络性能的较大下降。综上,考虑终端位置信息的预测对于保证信息传递的有效性具有不可或缺的作用。因此,针对现实场景中的约束,如何能够保证发送节点使用的终端位置能够满足一定要求是目前有待解决的问题。
发明内容
本发明要解决的技术问题是针对实际场景中终端位置信息无法实时更新的问题,提供一种基于卡尔曼滤波的终端位置自适应更新方法。
本发明是通过下述技术方案来解决上述技术问题:
一种基于卡尔曼滤波的终端位置自适应更新方法,所述自适应更新方法包括:
获取终端节点的初始位置信息;
根据所述初始位置信息构建初始状态向量,建立卡尔曼滤波模型,并将所述终端节点的所述卡尔曼滤波模型的状态向量传递给发送节点;
所述发送节点根据所述状态向量预测所述终端节点的位置并发送数据;
所述终端节点使用所述状态向量计算所述终端节点的预测位置,并与实际位置比较,当所述预测位置与所述实际位置的误差大于模糊控制器得出的误差阈值,则更新所述状态向量,并重复上述第二步骤和第三步骤。
进一步地,所述位置信息为三维位置信息,各所述终端节点都具有定位功能可实时获得各自的所述三维位置信息。
进一步地,所述卡尔曼滤波模型的状态方程为:
Xt+1=AtXt+BtUt+ωt
其中Xt表示t时刻的系统状态,At和Bt为系统模型参数,Ut表示外部输入,如果没有外界输入,则置为0,假设过程噪声ωt为均值为0的高斯白噪声,设ωt的协方差矩阵E{w(k)w(k)′}等于Q。
更进一步地,所述卡尔曼滤波模型的观测方程为:
Zt=HtXt+v(t)
其中Zt为t时刻的观测向量,Ht为观测矩阵,表示状态向量和观测向量之间的映射关系,v(t)表示观测噪声,同样假设该噪声是均值为0的高斯白噪声,其协方差矩阵记为R。
更进一步地,所述卡尔曼滤波器工作时包括预测过程和更新过程,所述预测过程包括:
所述更新过程包括:
Pt=(I-KtHt)Pt'
进一步地,当所述终端节点将所述状态向量传递给所述发送节点后,不再更新所述状态向量,每次预测后,所述终端节点计算所述预测位置与所述实际位置之间的误差值:
进一步地,所述模糊控制器是多输入单输出模型,其中输入为所述终端节点的邻居数N、速度与通信范围之比S,所述终端节点和所述发送节点的相对距离与通信范围之比D,输出为误差大小。
较佳地,所述邻居数N被划分为两个模糊集:正小、正大,取值范围为[1,+∞);所述速度与通信范围之比S被划分为两个模糊集:正小、正大,取值范围为(0,1);所述相对距离与通信范围之比D被划分为两个模糊集:正小、正大,取值范围为[0,10],所述模糊控制器的算法输入量误差大小e以通信范围比例表示,划分为八个模糊集:正很小、正小、正中小、正较小、正较大、正中大、正大、正很大,取值范围为[0,0.15]。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
1.状态向量可以充分表达终端节点的运动特性,能够对卡尔曼滤波的状态向量进行更加准确训练;
2.发送节点和终端节点同时保存两个相同的卡尔曼滤波状态向量,可以保证终端节点预测位置与发送节点相同,只有在终端节点检测到误差超过阈值才会更新,使得位置信息尽量准确;
3.在确定卡尔曼滤波状态向量更新时,采用模糊控制方法,选择终端节点的邻居数、速度与通信范围之比,终端节点和发送节点相对距离与通信范围之比作为控制输入,误差大小为输出,可以根据实际情况自适应调节误差值,能够在保证一定网络性能的情况下降低开销;
4.针对终端位置无法实时更新的现实情况,利用卡尔曼滤波模型对终端位置进行预测,将误差控制在一定范围内,提高了信息传输的鲁棒性,提升整体的网络性能。
附图说明
图1为本发明一种基于卡尔曼滤波的终端位置自适应更新方法一实施例中的方法流程图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示为本发明一实施例中的方法流程图:
获取终端节点的初始位置信息;
在一个示例中,获取的位置信息为三维位置信息,每个传输节点都具有定位功能,可以实时获得自己的三维位置信息。
根据所述初始位置信息构建初始状态向量,建立卡尔曼滤波模型,并将所述终端节点的所述卡尔曼滤波模型的状态向量传递给发送节点;
在一个示例中,卡尔曼滤波模型的状态方程为:
Xt+1=AtXt+BtUt+ωt
其中Xt表示t时刻的系统状态,At和Bt为系统模型参数,Ut表示外部输入,如果没有外界输入,则置为0,假设过程噪声ωt为均值为0的高斯白噪声,设ωt的协方差矩阵E{w(k)w(k)′}等于Q。
对于本方法,选择终端节点的三维位置、速度和加速度信息作为卡尔曼滤波的状态向量
Xt=(xt,yt,zt,vxt,vyt,vzt,axt,ayt,azt)T
根据状态向量可以得到状态转移矩阵At
其中τ为采样时间,可以根据具体场景设定,在这里我们设定τ为1。因为没有输入信息,所以本方法中的输入向量Ut为0。
卡尔曼滤波模型的第二个方程为观测方程:
Zt=HtXt+v(t)
其中Zt为t时刻的观测向量,Ht为观测矩阵,表示状态向量和观测向量之间的映射关系,v(t)表示观测噪声,同样假设该噪声是均值为0的高斯白噪声,其协方差矩阵记为R。
因为观测向量为节点的三维位置信息,根据上述方程可以得到观测向量Zt和观测矩阵Ht
Zt=[xt,yt,zt]T
卡尔曼滤波工作时主要有两个过程,首先是预测过程:
Pt=(I-KtHt)Pt'
所述发送节点根据所述状态向量预测所述终端节点的位置并发送数据;
在一个示例中,与传统卡尔曼滤波的连续更新不同,当终端节点将最新的状态向量信息传递给发送节点后,此时就不再更新卡尔曼滤波状态向量,这样做的目的是为了保证终端节点和发送节点使用同样的状态向量进行位置信息的预测。每次预测后,终端节点计算预测位置与实际位置之间的误差值
所述终端节点使用所述状态向量计算所述终端节点的预测位置,并与实际位置比较,当所述预测位置与所述实际位置的误差大于模糊控制器得出的误差阈值,则更新所述状态向量,并重复上述第二步骤和第三步骤。
在一个示例中,模糊控制自适应调节误差阈值方法采用多输入单输出模型,其中输入为终端节点的邻居数、速度与通信范围之比和终端节点和发送节点相对距离与通信范围之比,输出为误差大小。
其中邻居数N被划分为两个模糊集:PS(Positive Small,正小)、PB(PositiveBig,正大),取值范围为[1,+∞);速度与通信范围之比S被划分为两个模糊集:PS(PositiveSmall,正小)、PB(Positive Big,正大),取值范围为(0,1);相对距离与通信范围之比D被划分为两个模糊集:PS(Positive Small,正小)、PB(Positive Big,正大),取值范围为[0,10]。模糊控制器的算法输入量误差大小e以通信范围比例表示,被划分为八个模糊集:PVS(Positive Very Small,正很小)、PS(Positive Small,正小)、PMS(Positive MediumSmall,正中小)、PSS(Positive Slightly Small,正较小)、PSB(Positive Slightly Big,正较大)、PMB(Positive Medium Big,正中大)、PB(Positive Big,正大)、PVB(PositiveVery Big,正很大),取值范围为[0,0.1]。
模糊控制算法的模糊规则如表1所述:
表1
通过模糊规则求取模糊关系矩阵,最后通过重心法去模糊化就可以得到具体的误差值。这样对于不同时间的终端节点,可以先收集以上信息并进行模糊化,利用模糊矩阵和重心法去模糊后可以自适应调节误差值,保证网络性能和总体开销处于一种均衡状态。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (5)
1.一种基于卡尔曼滤波的终端位置自适应更新方法,其特征在于,所述自适应更新方法包括:
获取终端节点的初始位置信息;
根据所述初始位置信息构建初始状态向量,建立卡尔曼滤波模型,并将所述终端节点的所述卡尔曼滤波模型的状态向量传递给发送节点;
所述发送节点根据所述状态向量预测所述终端节点的位置并发送数据;
所述终端节点使用所述状态向量计算所述终端节点的预测位置,并与实际位置比较,当所述预测位置与所述实际位置的误差大于模糊控制器得出的误差阈值,则更新所述状态向量;
其中,当所述终端节点将所述状态向量传递给所述发送节点后,不再更新所述状态向量,每次预测后,所述终端节点计算所述预测位置与所述实际位置之间的误差值:
其中,(x,y,z)表示实际位置,(x′,y′,z′)表示预测位置,当误差大于一定阈值时,更新所述状态向量并将新的值传递给所述发送节点;
所述模糊控制器是多输入单输出模型,其中输入为所述终端节点的邻居数N、速度与通信范围之比S,所述终端节点和所述发送节点的相对距离与通信范围之比D,输出为误差大小;
所述邻居数N被划分为两个模糊集:正小、正大,取值范围为[1,+∞);所述速度与通信范围之比S被划分为两个模糊集:正小、正大,取值范围为(0,1);所述相对距离与通信范围之比D被划分为两个模糊集:正小、正大,取值范围为[0,10],所述模糊控制器的算法输入量误差大小e以通信范围比例表示,划分为八个模糊集:正很小、正小、正中小、正较小、正较大、正中大、正大、正很大,取值范围为[0,0.1];
通过模糊规则求取模糊关系矩阵,再通过重心法去模糊化得到具体的误差值。
2.如权利要求1所述的一种基于卡尔曼滤波的终端位置自适应更新方法,其特征在于,所述位置信息为三维位置信息,各所述终端节点都具有定位功能可实时获得各自的所述三维位置信息。
3.如权利要求1所述的一种基于卡尔曼滤波的终端位置自适应更新方法,其特征在于,所述卡尔曼滤波模型的状态方程为:
Xt+1=AtXt+BtUt+ωt
其中Xt表示t时刻的系统状态,At和Bt为系统模型参数,Ut表示外部输入,如果没有外界输入,则置为0,假设过程噪声ωt为均值为0的高斯白噪声,设ωt的协方差矩阵E{w(k)w(k)′}等于Q。
4.如权利要求3所述的一种基于卡尔曼滤波的终端位置自适应更新方法,其特征在于,所述卡尔曼滤波模型的观测方程为:
Zt=HtXt+v(t)
其中Zt为t时刻的观测向量,Ht为观测矩阵,表示状态向量和观测向量之间的映射关系,v(t)表示观测噪声,同样假设该噪声是均值为0的高斯白噪声,其协方差矩阵记为R。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526724.1A CN112747742B (zh) | 2020-12-22 | 2020-12-22 | 一种基于卡尔曼滤波的终端位置自适应更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526724.1A CN112747742B (zh) | 2020-12-22 | 2020-12-22 | 一种基于卡尔曼滤波的终端位置自适应更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112747742A CN112747742A (zh) | 2021-05-04 |
CN112747742B true CN112747742B (zh) | 2022-10-14 |
Family
ID=75649353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011526724.1A Active CN112747742B (zh) | 2020-12-22 | 2020-12-22 | 一种基于卡尔曼滤波的终端位置自适应更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112747742B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114025342B (zh) * | 2021-10-18 | 2023-03-24 | 北京邮电大学 | 无线网络邻居发现方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667073A (zh) * | 2020-03-30 | 2020-09-15 | 西北工业大学 | 一种证据理论改进的模糊卡尔曼滤波目标跟踪方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6697736B2 (en) * | 2002-02-06 | 2004-02-24 | American Gnc Corporation | Positioning and navigation method and system thereof |
US20100250132A1 (en) * | 2009-03-27 | 2010-09-30 | Gm Global Technology Operations, Inc. | Optimal coding of gps measurements for precise relative positioning |
CN105549049B (zh) * | 2015-12-04 | 2018-10-02 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
EP3339908B1 (en) * | 2016-12-23 | 2019-10-02 | u-blox AG | Distributed kalman filter architecture for carrier range ambiguity estimation |
CN109163720A (zh) * | 2018-08-27 | 2019-01-08 | 广西科技大学 | 基于渐消记忆指数加权的卡尔曼滤波跟踪方法 |
CN109520503A (zh) * | 2018-11-27 | 2019-03-26 | 南京工业大学 | 一种平方根容积模糊自适应卡尔曼滤波slam方法 |
CN111156987B (zh) * | 2019-12-18 | 2022-06-28 | 东南大学 | 基于残差补偿多速率ckf的惯性/天文组合导航方法 |
CN111614559B (zh) * | 2020-05-15 | 2022-07-01 | 上海交通大学 | 实现全局优化aodv路由的方法、系统及介质 |
-
2020
- 2020-12-22 CN CN202011526724.1A patent/CN112747742B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667073A (zh) * | 2020-03-30 | 2020-09-15 | 西北工业大学 | 一种证据理论改进的模糊卡尔曼滤波目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112747742A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112363535B (zh) | 一种领导-跟随型多飞行器的分布式协同控制方法 | |
CN113537514B (zh) | 一种高能效的基于数字孪生的联邦学习框架 | |
CN110422175B (zh) | 车辆状态估计方法以及装置、电子设备、存储介质、车辆 | |
CN112747742B (zh) | 一种基于卡尔曼滤波的终端位置自适应更新方法 | |
AU2020101959A4 (en) | Decentralized optimization algorithm for machine learning tasks in networks: Resource efficient | |
CN109514558B (zh) | 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法 | |
CN109687845B (zh) | 一种鲁棒的簇稀疏正则化多任务自适应滤波器网络 | |
CN114169234A (zh) | 一种无人机辅助移动边缘计算的调度优化方法及系统 | |
Abouheaf et al. | Approximate dynamic programming solutions of multi-agent graphical games using actor-critic network structures | |
CN110213025A (zh) | 基于深度强化学习的专用自组网抗干扰方法 | |
Vengerov et al. | A fuzzy reinforcement learning approach to power control in wireless transmitters | |
CN110687926B (zh) | 一种无人机群快速编队方法 | |
CN109617968B (zh) | 多智能体协作系统及其智能体、智能体间的通信方法 | |
CN108809881B (zh) | 一种基于改进的exp3算法水下自适应ofdm通信方法 | |
CN110300380B (zh) | 移动wsn中平衡系统能耗与追踪精度的目标跟踪方法 | |
CN117114113A (zh) | 一种基于排队论的协同推理加速方法 | |
JP2019208188A (ja) | 通信システム、トラヒック制御装置及びトラヒック制御方法 | |
CN113220369B (zh) | 一种基于分布式机器学习的智能计算卸载优化方法 | |
Ma et al. | Risk-averse sensor planning using distributed policy gradient | |
CN111830826B (zh) | 一种网络化双模自适应时域模型控制方法及系统 | |
CN114337881A (zh) | 基于多无人机分布式与lms的无线频谱智能感知方法 | |
Oh et al. | Approximate estimation of distributed networked control systems | |
CN112272385B (zh) | 一种用于非负参数向量估计的多任务自适应网络 | |
Chen et al. | Average consensus control of multi-agent system under binary-valued observations with external disturbance and measurement noise | |
CN110034746A (zh) | 一种基于最大协同熵卡尔曼滤波方法 |
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 |