本發(fā)明涉及無線傳感器網(wǎng)絡節(jié)點定位領域，尤其涉及一種基于移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位方法。

背景技術：

無線傳感器網(wǎng)絡(Wireless Sensor Networks，WSNs)作為一項無線通信和傳感檢測技術相互交融的新興技術，已經(jīng)成為國防軍事，生物醫(yī)療，生產(chǎn)生活，交通管理等領域不可或缺的力量。然而在許多運用中，只有節(jié)點位置狀態(tài)已知，才能更有效的發(fā)揮各個節(jié)點的監(jiān)測功能。在環(huán)境不確定和未知情況下，如何更穩(wěn)定、精確的實現(xiàn)節(jié)點定位已經(jīng)成為WSNs的基礎和關鍵技術問題之一。

WSNs中通常含有大量隨機散布的傳感器節(jié)點，可以采用人為標定的定位方式或利用傳感器自身攜帶的全球定位系統(tǒng)(Global Positioning System，GPS)來實現(xiàn)。隨著WSNs布網(wǎng)的日益規(guī)模化，人工標定的難度和成本也在不斷提高，致使每個傳感器節(jié)點裝載GPS變得不再切合實際。目前節(jié)點定位方法主要采用的有基于多個錨節(jié)點的三邊定位法、DV-HOP法、蒙特卡洛法等，但這些定位方法的實現(xiàn)大多是基于多個固定錨節(jié)點實現(xiàn)的，要想實現(xiàn)高精度的動態(tài)定位，對錨節(jié)點的部署及數(shù)量具有較高的要求，數(shù)量的增加還會致使計算負荷增加，影響定位的可靠性。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位方法，以解決現(xiàn)有技術中導致的上述多項缺陷。

本發(fā)明實施例采用如下技術方案：

一種基于移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位方法，其特征在于，所述方法包括以下步驟：

步驟1)節(jié)點與部分已知錨節(jié)點相互通信定位，獲得相對參考定位信息；

步驟2)移動機器人在移動過程中周期性發(fā)送位置信息并建立與節(jié)點間的有效觀測，建立觀測距離集合及位置坐標集合；

步驟3)機器人與節(jié)點協(xié)作輔助定位，建立多約束不等式組，求取估計位置；

步驟4)利用高斯混合容積卡爾曼濾波算法對定位進一步求精。

可選的，所述步驟1)中，部分節(jié)點之間進行相互通信，獲得相對距離信息。節(jié)點Mⁱ和M^j獲得的相對節(jié)點距離信息為d^i,j，節(jié)點與節(jié)點的測量模型可表示為：

其中z^i,j表示節(jié)點間的位置信息，為節(jié)點之間的測距產(chǎn)生的高斯噪聲，(xⁱ,yⁱ)，(x^j,y^j)為節(jié)點i和j的位置坐標。

可選的，所述步驟2)中，所述的機器人在到達每個狀態(tài)X_k處可以與每個節(jié)點建立相對有效的測量，測量后可獲得與節(jié)點的相對距離和相對角度機器人對節(jié)點的測量模型為：

其中q^r(X_k,M^j)為機器人對節(jié)點的測量方程，(x_k,y_k)為k時刻機器人的坐標，(x^j,y^j)為節(jié)點j的位置坐標，表示無線通信帶來的誤差，為機器人與節(jié)點間的觀測高斯噪聲。

可選的，所述步驟3)中，協(xié)作輔助定位中機器人端向監(jiān)測計算機發(fā)送的數(shù)據(jù)包括時間k，機器人當前位置X_k，與鄰節(jié)點建立的定位信息對鄰節(jié)點的測量通過移動機器人在不同位置的觀測，每個節(jié)點可以得到一系列關于自身位置的不等式約束：由此可以產(chǎn)生多約束的不等式組，通過最小化得到最佳位置逼近。

可選的，所述步驟3)中，協(xié)作輔助定位對應的狀態(tài)空間方程為：

其中X_k表示k時刻系統(tǒng)的狀態(tài)，Z_k表示k時刻對節(jié)點j的觀測值，ε_k為傳感區(qū)域內(nèi)因環(huán)境導致的位置觀測噪聲，表示無線射頻觀測產(chǎn)生的高斯噪聲。

可選的，所述步驟4)中，獲得預估位置信息后，利用高斯混合容積卡爾曼濾波算法對定位信息進行狀態(tài)融合估計。

可選的，所述步驟4)中，高斯混合容積卡爾曼濾波算法分為三部分，高斯分割、門限判別、預測更新。

基于上述技術方案的移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位方法，采用機器人-節(jié)點、節(jié)點-節(jié)點協(xié)作配合的定位方式，充分利用機器人的機動性及無線傳感器節(jié)點的可計算性，融入高斯混合容積卡爾曼濾波，實現(xiàn)了對節(jié)點的動態(tài)定位，所提出的協(xié)作定位方法可以實現(xiàn)對節(jié)點的位置估計，采用的高斯混合容積卡爾曼濾波算法能夠有效克服高非線性和異常誤差導致的不利影響，減小由于系統(tǒng)濾波發(fā)散導致的誤差，提高節(jié)點定位精度。

應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。

附圖說明

此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本發(fā)明的實施例，并與說明書一起用于解釋本發(fā)明的原理。

圖1為本發(fā)明一種基于移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位方法系統(tǒng)模型示意圖；

圖2為本發(fā)明一種基于移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位方法流程圖；

圖3為本發(fā)明一種基于移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位方法算法流程圖。

圖4為本發(fā)明一種基于移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位高斯混合容積卡爾曼濾波算法流程圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

根據(jù)本發(fā)明一個實施例，如圖1所示，一種基于移動機器人輔助的無線傳感器網(wǎng)絡節(jié)點定位方法，所述方法包括以下步驟：

步驟1)節(jié)點與部分已知錨節(jié)點相互通信定位，獲得相對參考定位信息；

步驟2)移動機器人在移動過程中周期性發(fā)送位置信息并建立與節(jié)點間的有效觀測，建立觀測距離集合及位置坐標集合；

步驟3)機器人與節(jié)點協(xié)作輔助定位，建立多約束不等式組，求取估計位置；

步驟4)利用高斯混合容積卡爾曼濾波算法對定位進一步求精。

整個協(xié)作定位系統(tǒng)由移動機器人和大規(guī)模隨機散布的n個WSNs節(jié)點{M1，M2，……Mn}組成。部分節(jié)點位置狀態(tài)已知，各個節(jié)點之間可以和相鄰節(jié)點進行相互測量、通訊。移動機器人(Move Robot，MR)是整個協(xié)作定位系統(tǒng)中唯一可移動模塊，在移動中不僅能通過自身裝載的傳感器得到自身運動信息，還可以觀測其經(jīng)過的鄰節(jié)點位置狀態(tài)。

步驟1)中，部分節(jié)點與已知錨節(jié)點之間進行相互通信，節(jié)點相互計算處理獲得相對距離信息并傳送至監(jiān)測計算機。節(jié)點Mⁱ和M^j獲得的相對節(jié)點距離信息為d^i,j，節(jié)點與節(jié)點的測量模型可表示為：

其中z^i,j表示節(jié)點間的位置信息，為節(jié)點之間的測距產(chǎn)生的高斯噪聲，(xⁱ,yⁱ)，(x^j,y^j)為節(jié)點i和j的位置坐標。

步驟2)中，所述的機器人在到達每個狀態(tài)X_k處可以與每個節(jié)點建立相對有效的測量，測量后由機器人計算處理可獲得與節(jié)點的相對距離和相對角度 機器人對節(jié)點的測量模型為：

其中q^r(X_k,M^j)為機器人對節(jié)點的測量方程，(x_k,y_k)為k時刻機器人的坐標，(x^j,y^j)為節(jié)點j的位置坐標，表示無線通信帶來的誤差，為機器人與節(jié)點間的 觀測高斯噪聲。

步驟3)中，機器人與節(jié)點協(xié)作輔助定位中機器人端向監(jiān)測計算機發(fā)送的數(shù)據(jù)包括時間k，機器人當前位置X_k，與鄰節(jié)點建立的定位信息對鄰節(jié)點的測量 通過移動機器人在不同位置的觀測，每個節(jié)點可以得到一系列關于自身位置的不等式約束：由此可以產(chǎn)生多約束的不等式組，通過最小化得到最佳位置逼近,此時對應的狀態(tài)空間方程為：

其中X_k表示k時刻系統(tǒng)的狀態(tài)，Z_k表示k時刻對節(jié)點j的觀測值，ε_k為傳感區(qū)域內(nèi)因環(huán)境導致的位置觀測噪聲，表示無線射頻觀測產(chǎn)生的高斯噪聲。

步驟4)中，獲得預估位置信息后，利用高斯混合容積卡爾曼濾波算法對定位信息進行狀態(tài)融合估計。

另外，如圖2所示，在WSNs中移動機器人按照一定的移動路徑移動，由于移動機器人周期性的發(fā)布自身位置信息，因此可以不斷的在線更新位置信息，由于觀測只能提供一維的信息，所以無法從某一次的測量中獲得足夠多的約束，未知節(jié)點收到機器人周期性的位置信息、節(jié)點觀測信息等多個信息后，建立觀測距離集合及位置坐標集合，并利用多約束不等式組求取估計位置。接收到機器人觀測后，利用高斯混合容積卡爾曼濾波算法(GM-CKF)濾波算法對定位進一步求精，從而提高節(jié)點定位精度。

如圖3所示，容積卡爾曼濾波算法的狀態(tài)更新步驟和測量步驟如下：

第一步：對k-1時刻估計方差進行分解

第二步：Cubature點計算

第三步：Cubature點傳播

第四步：求得預測狀態(tài)和預測協(xié)方差

第五步：對預測協(xié)方差矩陣進行分解得到計算Cubature點

第六步：量測估計值計算

第七步：計算更新后的量測誤差方差

第八步：計算協(xié)方差

第九步：計算卡爾曼濾波增益

因此，狀態(tài)向量和相應的估計協(xié)方差為：

如圖4所示，所述高斯混合容積卡爾曼濾波算法分為三部分，高斯分割、門限判別、預測更新。機器人狀態(tài)估計的計算量會隨時間呈級數(shù)增長，因此在節(jié)點和機器人觀測都符合近似高斯分布時，將濾波初始時刻的觀測估計區(qū)間[a，b]等比例劃分為公比為的n個高斯分量，每個分量可以作為一個子濾波器，對應的先驗均值和標準差可表示為：

每個高斯分量的初始權值與子區(qū)間大小成正比，即通過Bayes理論，得到k時刻第n個分量權重為：

其中：p(z_k|x_k,i)為第n個分量對應的似然函數(shù)，可表示為：

其中σ_i和為第i個高斯分量的協(xié)方差和預測量。計算估計輸出可表示為高斯分量的參數(shù)加權和，即：

再利含高斯分量的似然函數(shù)，對子濾波器的權重進行求精。通過設置權限γ_w可以將權限為0或接近0的子濾波器進行移除。又由于機器人動態(tài)性較強，在每一時刻線性度有所不同，于是引入了全局非線性程度判別量：

其中為和的互協(xié)方差，為的方差。再設置非線性程度較高的權值門限γ_n，如果超過γ_n，就認為該時刻此子濾波器的非線性程度較高，將此預測分為n個高斯密度和：

式中，為進行高斯選擇分割后第n個分量的預測均值，表示其對應的協(xié)方差。反之，如果非線性程度未超過γ_n，則不分割。這樣的權限設置使得該算法的運算量更少，有效性和可靠性也得到提高。每個濾波器的狀態(tài)和協(xié)方差估計可以通過容積卡爾曼濾波算法的狀態(tài)更新步驟和測量步驟進行更新。

以上已經(jīng)描述了本發(fā)明的各實施例，上述說明是示例性的，并非窮盡性的， 并且也不限于所披露的各實施例。在不偏離所說明的各實施例的范圍和精神的情況下，對于本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。本文中所用術語的選擇，旨在最好地解釋各實施例的原理、實際應用或?qū)κ袌鲋械募夹g的改進，或者使本技術領域的其它普通技術人員能理解本文披露的各實施例。

本領域技術人員在考慮說明書及實踐這里公開的公開后，將容易想到本公開的其它實施方案。本申請旨在涵蓋本公開的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本公開的一般性原理并包括本公開未公開的本技術領域中的公知常識或慣用技術手段。