節點自定位與目標跟蹤同時進行的分布式算法
【專利摘要】本發明提供節點自定位與目標跟蹤同時進行的分布式算法，設置若干簇頭節點位置已知，若干普通節點未知，并設置存在移動目標，所述移動目標在整個區域內隨機運動，同時設置將整個區域被隨機劃分為M個子區域，具體包括以下步驟：步驟100：進行非完全觀測下路徑損耗模型參數估計；步驟101：在簇頭節點上進行分布式目標粗定位；步驟102：在普通節點上進行目標精確定位；步驟103：在普通節點上設置與目標跟蹤同時進行自定位。采用上述方案，可有效消除非完全觀測數據中的截斷誤差等噪聲信號的影響，保證各節點觀測模型與外部環境實時匹配，保證節點定位與目標跟蹤同時進行的模型匹配度。
【專利說明】節點自定位與目標跟蹤同時進行的分布式算法
【技術領域】
[0001]本發明屬于節點自定位與目標跟蹤【技術領域】，尤其涉及的是一種非完全觀測下節點自定位與目標跟蹤同時進行的分布式算法。
【背景技術】
[0002]與機器人自主導航中的“同時定位與地圖構建”(SLAM)問題類似，節點定位與目標跟蹤同時進行的算法研究也面臨一個兩難問題:為了跟蹤目標，節點需要知道自身位置信息；為了節點自定位，多個節點需要明確目標的位置信息。這就好比是一個“egg-chicken”問題。節點需要同時維護兩個模型，同時進行節點定位與目標跟蹤。
[0003]近年來，節點定位與目標跟蹤同時進行的算法研究成為無線定位跟蹤技術的一個研究熱點。該問題的初始條件下，所有的節點都不知道自身以及相鄰節點的相對位置信息，因此初始條件下各節點只能進行相對獨立的目標跟蹤。但如果被跟蹤目標遍歷覆蓋區域內展開的節點，且允許這些節點之間共享跟蹤信息，則最終這些節點可以完成自定位。即使這些節點無法估計或共享運動目標的真實軌跡，節點的自定位仍可實現，這是因為該運動目標正在同時被多個節點觀測。基于這一原則，現有技術曾提出了不同的解決方案，例如均將定位問題歸結為一個貝葉斯判決問題且將觀測的后驗分布近似為高斯分布。不同之處在于，有的使用迭代的分布式線性化方法同時進行節點定位和目標跟蹤，其通信策略的設計過于依賴樹結技巧且需要事先設定某一節點的位置；有的則使用矩匹配方法且并非是分布式算法。現有技術中還有將各個節點視為多個隱空間過程，通過建立各節點觀測之間的相關函數來實現節點的自定位。該算法實現較為簡單，但需要匯聚節點，并非真正意義上的分布式算法且節點自定位時只能對數據進行離線處理。現有技術中還有將節點定位與目標跟蹤同時進行的定位算法研究歸結為一個隱馬爾可夫模型的參數估計問題，將極大似然估計方法應用到節點自定位中，并實現了真正意義上的分布式運算。其與上述方案相比，在應用研究和算法推倒方面都有明顯的優勢。
[0004]因為網絡鏈路質量指示，功率控制等的需要，通常情況下傳感器節點帶有接收信號強度(RSS)指示器，故基于RSS觀測的節點定位與目標跟蹤需要很少或根本不需要添加硬件設備，無需額外的信號傳輸，成本和計算復雜度低。但與此同時因RSS檢測方法簡易，指示器自身精度有限等原因，RSS觀測多為非完全觀測數據，即不可避免的存在舍入誤差、截斷誤差及非視距誤差等，從而使觀測到的RSS值難以準確反映實際的RSS。針對這一問題，現有解決方案在進行節點定位前首先借助期望最大化算法估計路徑損耗模型的參數以提高定位的精度，其參數估計的過程需要離線數據處理，實時性較差。目標跟蹤是一個在線的數據處理過程，因此如何在目標跟蹤的同時實現路徑損耗模型參數估計和節點自定位的在線運算，也是節點定位與目標跟蹤同時進行的算法研究亟待解決的一個關鍵問題。現有解決方案提出了一種在線的區域定位序列算法，使用檢測方法實現了目標的在線定位。有的解決方案則系統分析了廣義狀態空間模型的參數在線估計問題，以粒子濾波的觀測數據概率密度函數的預測和濾波為基礎，從極大似然估計和貝葉斯估計兩個方面入手給出了多種在線期望最大化算法和在線梯度速降算法，對解決上述問題有一定的借鑒意義。
[0005]因此，現有技術存在缺陷，需要改進。

【發明內容】

[0006]本發明所要解決的技術問題是針對現有技術的不足，提供一種非完全觀測下節點自定位與目標跟蹤同時進行的分布式算法。
[0007]本發明的技術方案如下:
[0008]節點自定位與目標跟蹤同時進行的分布式算法，其中，設置若干簇頭節點位置已知，若干普通節點未知，并設置存在移動目標，所述移動目標在整個區域內隨機運動，同時設置將整個區域被隨機劃分為M個子區域，具體包括以下步驟:
[0009]步驟100:針對各簇頭節點和普通節點的特定信號傳輸環境分別進行非完全觀測下路徑損耗模型參數估計；
[0010]步驟101:在簇頭節點上基于多元假設檢驗進行分布式目標粗定位；
[0011]步驟102:在普通節點上基于分布式濾波進行目標精確定位；
[0012]步驟103:在普通節點上設置與目標跟蹤同時進行自定位。
[0013]所述的節點自定位與目標跟蹤同時進行的分布式算法，其中，所述步驟100中，所述非完全觀測下路徑損耗模型參數估計是通過預定信息準則篩選最優路徑損耗模型，并應用預定算法估計模型參數以消除非完全觀測數據中的截斷誤差、舍入誤差以及非視距誤差的影響。
[0014]所述的節點自定位與目標跟蹤同時進行的分布式算法，其中，所述步驟101中采用分布式的序列定位算法，具體步驟為:
[0015]步驟1010:對多個簇頭節點進行感知；
[0016]步驟1011:對多個對簇頭節點設置相互通信；
[0017]步驟1012:對多個對簇頭節點設置假設檢驗。
[0018]所述的節點自定位與目標跟蹤同時進行的分布式算法，其中，所述步驟101之后還執行步驟IOlA:分析分布式序列定位算法的收斂性和精度，并針對定位精度、非完全觀測引入誤差及定位系統規模的因素，消除對所述分布式序列定位算法復雜度的影響。
[0019]所述的節點自定位與目標跟蹤同時進行的分布式算法，其中，所述步驟102的具體步驟為:在所述粗定位選定任一子區域，使用擴展卡爾曼濾波或粒子濾波進行目標精確定位。
[0020]所述的節點自定位與目標跟蹤同時進行的分布式算法，其中，所述步驟103的具體步驟為:使用在線的分布式預定算法或迭代極大似然算法估計普通節點的自身位置，并分析算法的收斂性。
[0021]所述的節點自定位與目標跟蹤同時進行的分布式算法，其中，設置所述簇頭節點與所述普通節點分別通過不同能級與移動目標進行通信，且兩類節點的采樣序列不同。
[0022]采用上述方案:(I)提出基于非完全觀測數據的路徑損耗模型參數在線估計算法，可有效消除非完全觀測數據中的截斷誤差、舍入誤差以及非視距誤差等噪聲信號的影響，保證各節點觀測模型與外部環境實時匹配，同時在線的模型參數估計利于觀測數據的實時處理，保證節點定位與目標跟蹤同時進行的模型匹配度。[0023](2)提出基于能量分級的分布式目標跟蹤算法，高能級情況下將大尺度的目標跟蹤問題歸結為區域定位問題，并使用多元假設檢驗方法解決該問題；低能級情況下將小尺度的目標跟蹤問題歸結為隱馬爾科夫模型的分布式濾波問題，并設計有效的信息傳輸策略優化濾波結果。
[0024](3)實現與目標跟蹤同時進行的分布式節點自定位，設計在線的分布式期望最大化方法估計節點自身位置。
【專利附圖】

【附圖說明】
[0025]圖1為本發明的節點定位與目標跟蹤示意圖。
[0026]圖2為本發明簇頭節點和普通節點運算框圖。
[0027]圖3為本發明簇頭節點和普通節點運算具體流程圖。
【具體實施方式】
[0028]以下結合附圖和具體實施例，對本發明進行詳細說明。
[0029]實施例1
[0030]如圖1所示,大空心圓表示簇頭節點，小空心圓表示普通節點，實心圓表示移動目標，其中簇頭節點位置已知，整個區域被隨機劃分為M個子區域Wa，a e [1，...Μ]，移動目標在整個區域內隨機運動。首先，當目標進入某一子區域時，附近簇頭節點i被激活，與臨近的多個簇頭節點協同工作確定目標所在子區域I。然后，子區域Wi及相鄰區域內普通節點被激活，協同完成運動目標精確定位及普通節點的自定位。
[0031]本算法是在簇頭節點和普通節點的運算中心上分別實現。首先，各簇頭節點基于期望最大化(EM)算法在線進行觀測模型參數估計，并協同完成基于分布式序列檢驗的目標粗定位；然后，普通節點在各簇頭節點估計結果的基礎上在線進行觀測模型參數估計，并通過分布式濾波和似然估計協同完成目標的精確定位和節點自定位，具體如圖2所示。
[0032]如圖2所示:(I)非完全觀測下路徑損耗模型參數估計:針對各簇頭節點和普通節點的特定信號傳輸環境分別展開。通過Akaike信息準則篩選最優路徑損耗模型；應用EM算法估計模型參數以消除非完全觀測數據中的截斷誤差、舍入誤差以及非視距誤差等噪聲信號的影響；設計滑動窗口，使用有限的非完全觀測數據在線實時估計模型參數。
[0033](2)基于能量分級的分布式目標跟蹤:運動目標發射信號強度可分為不同等級，擬通過兩級發射信號能量在不同尺度下使用分布式算法跟蹤運動目標，提高目標跟蹤的靈活性和精確度。
[0034](a)基于多元假設檢驗的分布式目標粗定位:在簇頭節點上實現。在此，將大尺度的目標跟蹤問題歸結為一個區域定位問題，并使用基于極大后驗估計的多元假設檢驗方法解決該問題。在極大后驗估計收斂性分析的基礎上，設計分布式的序列定位算法，通過節點感知，多節點相互通信和假設檢驗三步來實現區域定位，并分析分布式序列定位算法的收斂性和精度，研究定位精度、非完全觀測引入誤差及定位系統規模等因素對定位算法復雜度的影響。
[0035](b)基于分布式濾波的目標精確定位:在普通節點上實現。在上述目標粗定位選定的子區域內，使用擴展卡爾曼濾波(EKF)或粒子濾波(PF)進行目標精確定位。將子區域內小尺度的目標跟蹤問題歸結為一個隱馬爾科夫模型(HMM)的濾波問題，設計有效的信息傳輸策略，降低普通節點與相鄰節點間的通信量，實現分布式濾波的優化。
[0036](3)與目標跟蹤同時進行的分布式節點自定位:將與目標跟蹤同時進行的分布式普通節點自定位問題歸結為一個HMM的靜態參數估計問題。使用在線的分布式EM算法或迭代極大似然(RML)算法估計普通節點的自身位置，并分析算法的收斂性。
[0037]本發明是在實施擬探索定位系統中非完全觀測下的路徑損耗模型參數估計、能級可變的分布式假設檢驗和分布式濾波在目標跟蹤中的應用以及在線的靜態隱馬爾科夫模型參數估計等問題，有效開展節點定位與目標跟蹤同時進行的分布式算法研究。
[0038]如圖3所示，(I)非完全觀測下節點觀測模型的參數估計:簇頭節點和普通節點分別通過不同能級與移動目標進行通信，且兩類節點的采樣序列不同。圖3中PiGO表示高能級情況下k時刻移動目標的發射信號強度，與之對應的簇頭節點i的接受信號強度則為ri(k)，低能級情況下簇頭節點與移動目標無法通信；p^n)表示高能級情況下η時刻移動目
標的發射信號強度，與之對應的普通節點j的接受信號強度則為h (η)，表示低能級情況下η時刻移動目標的發射信號強度，與之對應的普通節點j的接受信號強度則為
。簇頭節點和普通節點估計各自觀測模型參數的方法是相同的:首先，通過Akaike信息準則篩選最優路徑損耗模型；然后設計滑動窗口，使用EM算法借助有限的非完全觀測在線估計模型參數；最后得到一組路徑損耗模型參數的估計值β。不同點在于，簇頭節點i僅使用高能級觀測數據{Pi (k)，r, (k)}，而普通節點j則同時使用高能級觀測數據{Pj (η)，rj (η)}
和低能級觀測數據的咖;(》)}


O
[0039](2)基于能量分級的分布式目標跟蹤:實現了上述模型參數估計，簇頭節點i在高能級觀測下與相鄰子區域內的其他簇頭節點協同完成分布式目標粗定位；以粗定位結果為基礎，普通節點j則在兩種能級觀測下與其他鄰居節點協作進行目標的分布式精確跟蹤。
[0040](a)基于多元假設檢驗的分布式目標粗定位:圖3中{…!^ —，！^ +廣..}表示與簇頭節點i相鄰的其他簇頭節點進行目標區域定位的判決結果，以此為基礎，簇頭節點i通過節點感知、多節點交互和多元假設檢驗三個步驟來完成區域定位Hi=Ili {WJ，該結果表示簇頭節點i判定運動目標在子區域Wi內。
[0041](b)基于分布式濾波的目標精確定位:圖3中#M(?)、C^(Ii)不口 IV?分別表
示與普通節點j相鄰的某一鄰居節點j-ι的自身位置的估計、觀測方程的觀測轉移矩陣和觀測噪聲的協方差陣。這些信息存儲在鄰居節點j-Ι上，可通過無線傳輸到節點j。普通節點j收到的矩陣
【權利要求】
1.節點自定位與目標跟蹤同時進行的分布式算法，其特征在于，設置若干簇頭節點位置已知，若干普通節點未知，并設置存在移動目標，所述移動目標在整個區域內隨機運動，同時設置將整個區域被隨機劃分為M個子區域，具體包括以下步驟: 步驟100:針對各簇頭節點和普通節點的特定信號傳輸環境分別進行非完全觀測下路徑損耗模型參數估計； 步驟101:在簇頭節點上基于多元假設檢驗進行分布式目標粗定位； 步驟102:在普通節點上基于分布式濾波進行目標精確定位； 步驟103:在普通節點上設置與目標跟蹤同時進行自定位。
2.如權利要求1所述的節點自定位與目標跟蹤同時進行的分布式算法，其特征在于，所述步驟100中，所述非完全觀測下路徑損耗模型參數估計是通過預定信息準則篩選最優路徑損耗模型，并應用預定算法估計模型參數以消除非完全觀測數據中的截斷誤差、舍入誤差以及非視距誤差的影響。
3.如權利要求1所述的節點自定位與目標跟蹤同時進行的分布式算法，其特征在于，所述步驟101中采用分布式的序列定位算法，具體步驟為: 步驟1010:對多個簇頭節點進行感知； 步驟1011:對多個對簇頭節點設置相互通信； 步驟1012:對多個對簇頭節點設置假設檢驗。
4.如權利要求3所述的節點自定位與目標跟蹤同時進行的分布式算法，其特征在于，所述步驟101之后還執行步驟IOlA:分析分布式序列定位算法的收斂性和精度，并針對定位精度、非完全觀測引入誤差及定位系統規模的因素，消除對所述分布式序列定位算法復雜度的影響。
5.如權利要求1所述的節點自定位與目標跟蹤同時進行的分布式算法，其特征在于，所述步驟102的具體步驟為:在所述粗定位選定任一子區域，使用擴展卡爾曼濾波或粒子濾波進行目標精確定位。
6.如權利要求1所述的節點自定位與目標跟蹤同時進行的分布式算法，其特征在于，所述步驟103的具體步驟為:使用在線的分布式預定算法或迭代極大似然算法估計普通節點的自身位置，并分析算法的收斂性。
7.如權利要求1所述的節點自定位與目標跟蹤同時進行的分布式算法，其特征在于，設置所述簇頭節點與所述普通節點分別通過不同能級與移動目標進行通信，且兩類節點的采樣序列不同。
【文檔編號】H04W64/00GK103476110SQ201310368043
【公開日】2013年12月25日 申請日期:2013年8月21日 優先權日:2013年8月21日
【發明者】姜向遠, 張煥水 申請人:中國石油大學(華東)