无线测距

无线测距（精选四篇）

无线测距篇1

随着无线传感器网络的飞速发展,无线定位技术也引起了越来越多的关注和应用。在传感器网络中,位置信息对传感器网络的监测活动至关重要。事件发生的位置或获取信息的节点位置是传感器节点监测消息中所包含的重要信息,没有位置的监测消息往往毫无意义[1],因而节点定位在整个无线传感器网络体系中占有重要的地位。

根据是否需要通过物理测量获得节点之间的距离,定位算法可以分为基于距离的定位算法和距离无关的定位算法[2]。当前使用较多的便是基于距离的定位算法,而如何进行距离测量则是无线定位关键的技术。

1 短距离无线通信技术

当前在短距离无线通信领域常见的技术有无线局域网(Wi-Fi)、蓝牙(Bluetooth)、超宽频(UWB)、以ZigBee为代表的无线网络技术等[3]。

无线局域网(Wi-Fi) Wi-Fi是IEEE定义的一个无线网络通信的工业标准[4](IEEE 802.11)。其主要特点是传输速率高,可靠性高,建网快速、便捷,可移动性好,网络结构弹性化,组网灵活,组网价格较低等。但是相对于其他通信方式,Wi-Fi收发器都只能覆盖半径在90 m以内的区域,且其所在的2.4 GHz的ISM频段的带宽比较窄(仅有85 MHz),同时还要受微波、蓝牙等多种干扰源的干扰。

蓝牙(Bluetooth) 蓝牙(Bluetooth)是1994年由爱立信公司首先提出的一种短距离无线通信技术规范[5]。它作为一种小范围无线连接技术,能够在设备间实现方便快捷、灵活安全、低成本、低功耗的数据和语音通信,但蓝牙器件和设备的价格比较昂贵,而且对于复杂的空间环境,蓝牙系统的稳定性稍差,受噪声信号干扰也较大。

超宽频(UWB) 超宽频(Ultra Wideband,UWB)是一种无载波通信技术,利用纳秒至微秒级的非正弦波窄脉冲传输数据[6]。UWB具有抗干扰性能强、传输速率高、带宽极宽、功耗电能小、发射功率小等诸多优势。由于传输距离较短(仅10 m左右),所以当前还不能普遍应用。

ZigBee ZigBee是一种新兴的短距离、低速率无线网络技术,它介于射频识别和蓝牙之间,也可以用于室内定位[7]。在其众多的硬件实现上,最受认可的便是德州仪器(TI)公司推出的带硬件定位引擎的片上系统(SOC)解决方案CC2431。CC2431定位引擎基于RSSI技术,根据接收信号强度与已知参考节点位置计算出有关节点位置[8]。基于RSSI测距方法受环境因素影响较大且RSSI值不稳定,定位精度在理想状态下仍在3 m以上。

与上述技术相比,Nanotron推出的无线模块测量精度高,基于双向到达时间测量的定位系统,因此具有更好的抗干扰性。主要特点有以下几点[9]:

测量距离远 0 dBm时可以达到100 m,支持长距离测量,最远可达800 m。

传输速率高最高可达2 Mb/s,并且支持125 Kb/s～2 Mb/s可选。射频前端设计容易,能够快速地增加功率模块,进一步增大测量范围。

对天线等外围设备要求低能够避免由于天线以及部署位置的不同而导致原先的校准失效。

抗干扰性好在雨天、雾天、丛林中使用该系统时,不会过多影响测量精度。

抗多路径效应好利用脉冲压缩技术,该技术使得接收脉冲能量非常集中,极其容易检测出来,提高抗多路径效应能力。

安全性好采用宽带系统,有着较低的频率密度,信号具有较好的低截获特性,支持128位加密,整个系统具有较好的安全性。同时还具有单点可达20 MHz以上的测量速度、动态性好、实时性强、覆盖范围大、性价比高的优点。

2 系统硬件设计

系统采用了Nanotron公司的NanoLOC AVR模块,该模块物理尺寸只有35 mm×14 mm,厚度不足3 mm,但它基于Nanotron技术的创新产品NanoLOC TRX接收器,集成了其他所有必需的组件,构成一个完整的射频模块。该模块的核心部件包括NA5TR1(NanoLOC)芯片、Atmel 8位单片机ATmega644V、带通滤波器、阻抗匹配单元,以及一个2.4 GHz的陶瓷天线。该模块已经通过欧洲(R&TTE)、日本(ARIB-T66)和美国(FCC)的认证。

射频收发器NanoLOC TRX是具有远距离定位能力的低功耗、高精度无线射频器件。其核心芯片NanoLOC采用了Nanotron的宽带线性调频扩频(CSS)全球专利技术,类似于国内先进的军用线性调频雷达,可灵活地提供125 Kb/s～2 Mb/s的数据传输率。

NanoLOC提供3个可自由调整中心频率的非重叠2.4 GHz ISM频道,支持多个独立物理层网络,并能够提高与现有2.4 GHz无线技术共存时的网络性能。由于芯片采用独特的啁啾(Chirp)脉冲,天线的调试要求并不十分严格,这大大简化了系统安装和维护的复杂度,并能够做到随拿随放。它包含一个性能卓越的MAC控制器,提供对载波侦听多路访问/冲突避免(CSMA/CA)和时分多址接入(TDMA)协议的支持,并实现前向纠错(FEC)和128位硬件加密。为了降低对微控制器和软件的要求,NanoLOC芯片同时提供不规则的自动地址匹配及数据包重发功能。其片上点对点测距精度理论上最高可达0.6 m,同时提供具有极佳传输范围的可靠数据通信。通过采用一个技术成熟的MAC控制器,可大大地降低对微处理器和软件的要求,轻松地完成高级别系统的设计。

其他特性包括RTOF定位,多种唤醒功能和比特率范围调节等。NanoLOC具有独特的TOA测量技术,能够精确测量两个节点间距离,进而扩展成2D/3D定位系统,并支持具有位置感知功能的无线传感器网络。

AVR单片机[10]ATmega664V是基于AVR增强型RISC结构的低功耗8位CMOS微控制器,集成64 Kb FLASH、4 Kb RAM以及2 Kb E2PROM。该控制器通过SPI接口控制NanoLOC芯片,工作电压为1.8～5.5 V。

在NanoLOC芯片的RF接口存在150 Ω的差分阻抗,通过150/50的阻抗变换器,在天线端口处匹配50 Ω不平衡阻抗。RF接口处的其他元件具有功率、噪音匹配的功能,从而能够不用外部射频开关即可实现天线的共享。

此外模块还集成了三种不同频率的石英晶振,32.768 kHz晶振用于产生实时时钟信号,16 MHz晶振保证ATmega微控制器的正常运行,而32 MHz晶振用于NanoLOC片内集成振荡电路的工作。

NanoLOC模块框图如图1所示。

3 系统软件设计

NanoLOC AVR模块集成了Atmel 8位单片机ATmega644V作为微控制器,因而对其开发采用了WinAVR编程平台。

在实际无线测距中,数据的精确性和及时性是两个至关重要的系统性能评价标准。要保证数据的及时性,数据传输模式的设置是重要途径之一。

程序调试过程中分别将发送端和接收端通信的基带传输模式设置为Auto-Simplex模式[9]。

NTRXSetRegister(NA_TxRxBbBufferMode1,1<<NA_TxRxBbBufferMode1_B);

此时寄存器的RamIndex中,page0,page1存储MAC header,address,RTC等;page2,page3为Transmite/Receive buffer,要发送和接收的数据存储到这里。

如果发送数据的长度len不超过128 B,数据被写入RamIndex块的page2里;如果所发数据长度len满足:128 B<len<256 B,则将前128 B写入RamIndex块的page2里,后面的128 B写入RamIndex块的page3里。程序代码如下:

void NTRXTxData (MyPtrT payload, MyWord16T len)

{

NTRXSetIndexReg (2);

NTRXWriteSPI (NA_RamTxRxBuffer_O & 0xff, (MyByte8T *)Payload, len<=128 len:128);

Payload+=128;

if(len>128)

{

NTRXSetIndexReg (3);

NTRXWriteSPI (NA_RamTxRxBuffer_O & 0xff, payload, len-128);

}

同时设置数据发送状态,开始发送数据并监听。代码如下:

ntrxState=TxSEND;

NTRXTxStart ();

if (ntrxState != TxIDLE)

{

while (ntrxState != TxWAIT)

nanoInterrupt ();

NTRXTxEnd ();

}

对数据从接收端寄存器读取完毕后的中断处理:

Value = (MyByte8T)

(ntrxShadowReg[NA_RxCmdStart_O]

| (1<<NA_RxBufferCmd_LSB)

| (1<<NA_RxCmdStart_B)

| (1<<NA_RxBufferCmd_MSB));

NTRXWriteSingleSPI (NA_RxCmdStart_O, value); //清除中断

rxIrq = 0;

4 系统测试

天气良好的情况下,在无障碍物的操场,对系统进行了测试。将测距节点放置在已知其间距的不同位置上,分别测量20次,取平均值得到表1中的平均测量距离值。

将平均测量数据值和实际距离的比对可以发现这样的结论:

(1) 测量的数值比实际的数值要偏大;

(2) 在测距范围250 m内,需要测量的实际距离越大,由系统所测距离值就越接近实际距离值,测量值的误差就越小。

5 结语

利用Nanotron技术构建的无线测距平台可以在250 m的传输距离上将误差缩小在4 m以内。测距误差缩小就能保证无线定位中获得更高的精度。系统测试表明,在无线测距领域,Nanotron技术有着绝对的优势,能够实现较高精度的测距。NanoLOC RTX已经进入了多个行业领域的研究视线,尤其是物流管控(RTLS实时物流供应/有源RFID)、工业监测和控制,医疗和安全网络。相信该技术的发展会给无线测距定位领域带来新的变革,同时也希望本文能够对从事无线测距定位的工作者有所帮助。

参考文献

[1]孙利民,李建中,陈渝.无线传感器网络[M].北京:清华大学出版社,2005.

[2]王福豹,史龙,任丰原.无线传感器网络中的自身定位系统和算法[J].软件学报,2005,16(5):857-868.

[3]孙戈.短距离无线通信及组网技术[M].西安:西安电子科技大学出版社,2008.

[4]唐雄燕.宽带无线接入技术及应用:Wi MAX与WiFi[M].北京:人民邮电出版社,2005.

[5]王殊,阎毓杰,胡富平,等.无线传感器网络的理论及应用[M].北京:北京航空航天大学出版社,2007.

[6]王金龙.无线超宽带(UWB)通信原理与应用[M].北京:人民邮电出版社,2005.

[7]李文仲,段朝玉,崔亚远,等.ZigBee无线网络与定位实战[M].北京:北京航空航天大学出版社,2008.

[8]瞿雷,刘盛德.ZigBee技术及应用[M].北京:北京航空航天大学出版社,2007.

[9]Nanotron.Nanotron′s transceiver enables ISO compliant realti me locating systems[M].Berlin:Nanotron Press,2010.

无线测距篇2

近年来,以智能机器人为代表的自动化技术在各行各业逐渐普及[1]。我国是一个农业大国,随着城乡一体化建设和农村人口向城市大量转移,农业自动化成为农业发展的必然趋势和迫切要求[2]。农业生产过程中大部分都是劳动力密集型和时令性非常强的工作,采用机器人技术可以有效地提高劳动生产率,降低劳动成本,促进农业发展和提高农业竞争力。可以预见,21世纪将是农业机械向自动化和智能化发展的重要时期。

国内外已经研究出来的农业机器人主要有耕耘机器人、移栽机器人、施肥机器人、除草机器人、喷药机器人、蔬菜嫁接机器人、蔬菜水果采摘机器人和林木修剪机器人等[3,4]。这些农业机器人涉及的技术有自主导航与路径规划技术[5]、目标探测与定位技术、信息融合技术[6]和农业专家系统[3]。其中,自主导航是实现机器人功能的前提。所谓自主导航,可以理解为3点:一是我在哪里;二是我要到哪里去;三是怎么去那里[7]。第1和第2问题就是机器人自主定位问题。导航定位技术是农业机器人的关键技术[8]。

在多年的研究发展中出现了多种的导航定位方法[8,9,10,11,12],常用的有无线导航、惯性导航、GPS导航和计算机视觉导航等。在恶劣和未知的农业作业环境中,无线导航是一种最为稳定可靠、操作简便和成本最低的导航方法。本文提出一种基于超宽带[13](UWB)测距的农业机器人导航定位方法。首先,对机器人进行了建模。然后,阐述了UWB测距原理和无线定位的数学模型;最后,对多传感器数据融合问题进行了分析研究。

1 机器人系统模型

1.1 机械模型

农业机器人有很多种移动模式,把轮式和履带模式统一考虑,有独轮、双轮和多轮等[14],驱动轮配置方式也多种多样。由于本文研究的是机器人的导航定位问题,为了研究方便,将农业机器人机械结构均假设为四轮模式,如图1所示。

两个后轮为两个独立的驱动轮,通过对这两个驱动轮的差速控制实现机器人转向;两个前轮为万向轮,起支撑作用。与运动控制相关的机器人几何尺寸有:驱动轮与质心的间距L;驱动轮半径R。

1.2 位姿描述

机器人作业时,精确的位置和姿态认知是一个基本问题。在研究过程中,将环境简化成二维,如图2所示。机器人的位姿信息包括:

1)机器人的位置信息,用质点表示O(x,y);

2)机器人姿态信息,用方位角θ表示。

因此,可用3×1的矢量来描述机器人的位姿,即

$^{Ι} X = [\begin{matrix} x \\ y \\ θ \end{matrix}] (1)$

式中 IX—机器人位置在坐标系 ${Ι}$ 中的描述;

x—机器人位置在x轴方向上的分量;

y—机器人位置在y轴方向上的分量;

θ—机器人的姿态角。

1.3 运动模型

根据1.1节中的机器人机械模型,机器人的运动模型为[15]

$\begin{array}{l} X_{k + 1} = f (X_{k}, u_{k}) \\ = [\begin{matrix} x \\ y \\ θ \end{matrix}] + [\begin{matrix} \frac{Δ s_{r} + Δ s_{l}}{2} \cos (θ + \frac{Δ s_{r} - Δ s_{l}}{2 L}) \\ \frac{Δ s_{r} + Δ s_{l}}{2} \sin (θ + \frac{Δ s_{r} - Δ s_{l}}{2 L}) \\ \frac{Δ s_{r} - Δ s_{l}}{L} \end{matrix}] (2) \end{array}$

式中 Δsr,Δsl—机器人在单位时间内左右轮的运动距离。

在运动分析时,在路径的节点上建立相应的坐标系。在大多数情况下,机器人的运动看作是坐标系 ${J}$ 相对于坐标系 ${Ι}$ 的运动,如图2所示。对机器人位姿改变的描述,可用3×3的矩阵来实现,即

$^{Ι} X = [\begin{matrix} _{J}^{Ι} R & ^{Ι} X_{J Ο R G} \\ 00 & 1 \end{matrix}]^{J} X (3)$

式中 JX—机器人位置在坐标系 ${J}$ 中的描述;

IXJORG— ${J}$ 原点相对于 ${Ι}$ 原点的位置;

$_{J}^{Ι}$ R—旋转矩阵,描述位姿 ${J}$ 相对于位姿 ${Ι}$ 的旋转变化。

2 基于无线测距的定位模型

2.1 UWB测距原理

UWB是一种新型的具有高速数据传输、低功耗特点的短距离无线通信技术[13]。在无线定位方面,UWB有很高的精度。本文采用了基于往返时间(RTT)的TOA算法的UWB测距技术,即机器人发送一个UWB脉冲到信标Bi,信标Bi接收到后,在预定的时间延迟,发送一个UWB脉冲返回到机器人,这样机器人就可以通过时间差来计算距离。基于RTT的TOA算法原理如图3所示。

2.2 基于测距的机器人定位模型

在每一个采样周期里,机器人通过UWB测距技术,测得与信标Bi的距离di、与信标Bi+1的距离di+1以及与信标Bi+2的距离di+2,如图4所示。

利用与Bi,Bi+1,Bi+2之间的相对距离信息,可以计算出机器人在系统坐标系中的位置,定位模型为

${\begin{cases} (x - x_{i})^{2} + (y - y_{i})^{2} = d_{i}^{2} \\ (x - x_{i + 1})^{2} + (y - y_{i + 1})^{2} = d_{i + 1}^{2} \\ (x - x_{i + 2})^{2} + (y - y_{i + 2})^{2} = d_{i + 2}^{2} \end{cases} (4)$

3 多传感器信息融合算法

3.1 多信标传感器定位方法

在实现机器人定位时,理论上只需要3个信标传感器。但是在实际的农业应用中,作业环境是有限制的,并且是不规则的。采用3个以上的信标传感器,可以快速地标志作业环境的限制。因此就产生了信标传感器的信息冗余。合理地利用这些冗余信息,可以有效地提高机器人的定位精度和系统鲁棒性。在定位过程中,3个信标传感器即可组成一组,得到一个定位信息,因此可以得到多组定位信息。这些定位信息由于传感器自身的精度、传感器所处的外界环境以及与机器人距离等因素,其精度和可信度是不同的。因此,需要采用卡尔曼滤波器[16]对这些冗余信息进行融合。

卡尔曼滤波器由一组递归数学公式描述。它们提供了一种高效可计算的方法来估计过程的状态,并使估计均方误差最小。卡尔曼通过时间更新和测量更新不断地进行循环,如图5所示。

由于不同组信标的测量是在同一时刻完成的,因此系统状态方程和量测方程为

Xk+1=Φk+1Xk+Wk (5)

Zk+1=HXk+1+Vk+1 (6)

式中,Φk+1=I;H=I;Wk和Vk+1分别表示过程激励噪声和观测噪声,并且它们是相互独立,正态分布的白色噪声,即有

$p (W) ~ Ν (0, Q) (7)$

$p (V) ~ Ν (0, R) (8)$

3.2 卡尔曼滤波器时间更新

机器人在信标组合k的位置估计是Xk,位置估计的协方差矩阵为Pk,卡尔曼滤波器的时间更新由下式组成,即

$\overset{\land}{X}_{k + 1 | k} = Φ_{k + 1 | k} \overset{\land}{X}_{k} + W_{k} (9)$

Pk+1|k=Φk+1|kPkΦ $_{k + 1 | k}^{Τ}$ +Q (10)

式中,Pk+1|k为时间更新的协方差阵;Q根据式(7)得到。

3.3 卡尔曼滤波器状态更新

将信标组合k+1的测量值作为卡尔曼滤波器量测值,量测更新由下式组成,即

$Κ_{k + 1} = Ρ_{k + 1 | k} Η^{Τ} (Η Ρ_{k + 1 | k} Η^{Τ} + R)^{- 1} (11)$

$\overset{\land}{X}_{k + 1} = \overset{\land}{X}_{k + 1 | k} + Κ_{k + 1} (Ζ_{k + 1} - Η \overset{\land}{X}_{k + 1 | k}) (12)$

$Ρ_{k + 1} = (Ι - Κ_{k + 1} Η) Ρ_{k + 1 | k} (13)$

式中:Kk+1是卡尔曼增益;R根据式(8)得到。

通过对式(9)、式(10)、式(11)、式(12)和式(13)的不断循环,可以有较地融合多个信标传感器的信息。

4 结语

在农业自动化和智能化成为必然趋势的情况下,农业机器人的推广与应用是指日可待的。目前,农业机器人自主导航是一个技术上的难题。本文设计的基于无线测距的导航定位方法,可以有效地解决这一问题。本文采用的无线测距方法稳定性好,抗干扰能力强,UWB技术精度高,信标布置简单,因此可以有效地应用于农业机器人的导航定位中。

无线测距篇3

无线传感器网络是由大量的具有感知, 计算和无线通信能力的传感器节点通过自组织的方式形成的网络。由于具有自组织、易于部署等优点, 无线传感器网络已经被广泛的应用于很多行业, 如环境数据收集和智能交通等。对于大多数的无线传感器网络应用, 不知道传感器节点位置而感知的数据是没有什么意义的。而出于传感器节点自身能量限制和制造成本方面的考虑, 简单的在每个传感器节点上都安装一个GPS接收器的方法在大规模部署的无线传感器网络中并不适用。因此如何精确的计算网络中每个节点的位置的很有必要, 并且有很重要的现实意义。从而, 定位技术就成为近年来无线传感器网络领域的一个研究热点。

目前, 无线传感器网络定位研究已取得了较为丰富的研究成果。本文主要研究国内外基于弱测距的无线传感器网络的定位算法, 网络和节点可定位性研究, 分析和对比现有研究成果, 给出其进一步的研究方向。

1 弱测距无线传感器网络中的定位算法

近年来, 国内外研究人员已经注意到了在各向异性无线传感器网络中传统定位算法性能大幅度下降的情况并提出了一些改进。根据所采用的基本定位技术的不同, 已有改进工作。

在弱测距无线传感器网络中, 传统的多边定位方法所面临的一个重要问题是测距的较大误差会引入到定位结果中, 导致最终的定位结果误差较大。比如, 肖斌等提出了利用两个节点间最短路径的长度来近似作为节点间距离估计的方法。然而, 当网络部署区域不规则时, 这种方法会造成较大的节点间测距误差, 从而导致节点定位误差较大。针对这个问题, 李默和刘云浩提出了REP (Rendered Path) 算法, 利用网络的拓扑信息来对节点间的距离估计进行校正以减小误差。相比于DV-Hop算法和肖斌等提出的算法, 在部署区域不规则的网络中REP算法能够有效的提高定位精度。然而, REP算法假设网络的拓扑结构和边界信息已知, 而网络的边界检测自身也是一个并没有完全解决的问题。李凯和汪芸提出了利用锚节点之间的距离作为虚拟标尺 (virtual ruler) 来对节点间的距离估计进行校正的方法。他们提出了一种称作支配度 (dominating degree) 的度量标准来判断一条最短路径上的转折点, 并据此对节点之间的距离估计进行校正。相比于REP算法, 该算法不需要知道网络的拓扑信息。肖卿俊等提出了一种模式驱动 (pattern-driven) 的定位算法, 对不同模式的子网络采用不同的节点间距离估计算法。该方法通过对节点间最短路径的最后一跳距离进行平滑处理, 进一步提高节点间距离估计的精度。Tan和Jiang等提出了CATL (Connectivity-based and Anchor-free Three dimensional Localization) 算法来提高在各向异性无线传感器网络中的定位精度。该算法通过确定最短路径中是否存在转折点 (notch nodes) 来判断对应的最短路径是否绕路, 并且仅用那些没有受到绕路影响的距离估计来进行多边定位。所有这些算法受到的一个共同限制是它们都假设节点在部署区域中是均匀分布的。

弱测距情况下另外一种提高定位精度的思路是在容许大误差测距存在的情况下通过设计更好的目标优化函数或者是限制可行解的空间来降低大误差测距对定位结果的影响。Wang和Xiao提出通过限制可行解空间 (节点位置的可能存在区域) 的方法来降低大误差测距对节点定位结果的不利影响。但是该算法仍然采用传统的利用节点间最短路径长度作为节点间距离估计的方法, 并且假设节点均匀分布。Kung和Lin等提出了SISR (Snap-Inducing Shaped Residuals) 算法, 对不同测距对应的“余量”赋以不同的权值。在大多数估计距离较为准确的情况下, 该方法可以有效的消除绝对值较大的距离估计对定位结果的不利影响从而提高定位精度。然而, 当有较多数目的估计距离不准确时, 该方法的效果不佳。并且该方法针对强测距无线传感器网络设计, 在弱测距情况下的性能尚不明朗。Li和Trappe等提出利用最小化测距余量中值的方法来进行多边定位。然而, 在大多数距离估计误差较小的情况下, 相比于传统的多边定位方法, 该方法会显著的降低定位精度。

针对网络中节点分布不均匀的情况也进行了相关研究。Wong和Lim等根据一跳邻居的数目将网络中的节点分为三种类型:低密度, 中密度和高密度。对不同类型的节点, 赋以不同的每跳距离。虽然该方法能够达到比原始的DV-Hop等算法更高的定位精度, 但是它不能解决由于部署区域不规则造成的最短路径绕路问题。肖卿俊等首先从理论上分析不同跳数的最短路径对应的最小可能每跳距离并利用离线收集的实验数据来构建一个对应不同跳数的经验最小每跳距离表。当节点执行定位程序时, 利用该表来过滤掉那些明显绕路的最短路径从而提高定位精度。但是该算法也假设节点在部署区域中均匀分布。Lim和Hou提出了PDM (Proximity-Distance Map) 方法来提高节点间距离估计的精度。该方法首先利用所有锚节点之间的最短路径跳数值和准确距离值来构建一个邻近度-距离转换矩阵, 然后将这个矩阵广播到网络中的所有待定位节点。待定位节点利用该转换矩阵和到各个锚节点的最短路径跳数来估计到各个锚节点的距离。当锚节点的分布能够较好的刻画网络所部署区域的拓扑特征时, PDM方法能够较精确的估计待定位节点和锚节点之间的距离, 有效的提高定位精度。然而, 该算法需要将转换矩阵广播至所有节点, 通信开销很大。

2 网络和节点可定位性

2004年, Eren和Goldenberg等提出了网络可定位性的概念, 引起了研究人员的密切关注。目前网络和节点可定位性理论已经发展成为无线传感器网络定位理论研究中的一个重要研究方向。

已有的网络可定位性研究中使用的主要工具是刚性理论 (rigidity theory) 。Aspnes和Eren等给出了判断2维空间中一个无线传感器网络是可唯一定位的充要条件, 并给出了在3维以上空间中一个无线传感器网络可唯一定位的必要条件。Anderson和Belhumeur等证明了如下结果:如果一个无向图G是连通的, 那么图G3是全局刚性的 (globally rigid) ;如果一个图G是2-连通的, 那么图G2是全局刚性的。由于网络可唯一定位等价于其对应的图是全局刚性的 (在锚节点数目足够的情况下) , 这就给出了一个构建可唯一定位无线传感器网络的可能方法:如果已经知道一个网络是连通的, 那么通过调整节点的发射功率使得节点的最大通信半径增加为原来的三倍, 就可以保证这个网络是可以唯一定位的 (这里假设可以相互通信的两个节点能够精确的测定它们之间的距离) ;或者是如果已知一个网络是2-连通的, 通过调整节点发射功率使得最大通信半径增加为原来的两倍, 就可以保证网络是可唯一定位的。这引发了另一个问题, 即在UDG (Unit Disk Graph) 模型中节点的通信半径设为多大可以保证对应的图是全局刚性的?该问题的解决对于如何在实际部署过程中构建可唯一定位的无线传感器网络具有重要的指导意义, 但是目前还没有得到很好的解决。

可定位性理论研究对于评价定位算法的性能和指导定位算法 (特别是基于多边定位的算法) 的设计具有重要的意义。一方面, 可定位性理论指出了一个网络中可唯一确定自身位置的待定位节点的个数上界, 特别是在杨铮和刘云浩等提出了节点可定位性的概念之后。通过比较不同算法在同一网络中定位出的节点占节点总数的比例, 可以对不同算法的性能进行比较。另一方面, 可定位性理论可以帮助找出导致节点定位误差的因素。例如, 基于对网络可定位性的研究, Spnes和Eren等中指出可以通过避免定位过程中产生的flex ambiguity和flip ambiguity来减小节点的定位误差。

然而, 刚性理论要求节点间的测距是精确无误差的, 而弱测距无线传感器网络并不满足这个假设。考虑到测距存在误差的情况, Moore和Leonard等提出了Robust quadrilaterals的概念。在他们所提的定位算法中, 一个节点只有在其至少与三个已定位节点之间的测距限制构成一个四面体 (quadrilateral) 的时候才进行定位。当节点间测距误差服从均匀分布时, 利用该算法可以有效的避免flip ambiguity从而减小定位误差。然而该条件比可定位性网络所必须满足的条件强得多, 采用该算法有可能导致在可唯一定位网络中存在很大一部分节点不满足该要求从而不能计算出它们的位置。

总体来说, 目前网络和节点可定位性理论的研究仍然处于初级阶段。已有的工作大部分是基于节点间测距无误差的假设。在节点间测距存在误差的情况下对已有的可定位性概念进行必要的扩展, 以在弱测距条件下对定位算法性能进行分析和对节点定位误差的来源进行分析和评估, 仍然是十分必要的。

3 进一步的研究工作

(1) 最近几年无线传感器网络定位领域的研究主要集中在各向异性网络中的定位算法设计和网络/节点可定位性分析两方面, 这从近两年发表在Mobicom, ICNP, Infocom等国际顶级会议和Transactions系列国际权威期刊上的文章中可以清楚的看出。在各向异性网络中, 目前的主要研究热点是在部署区域不规则的情况下如何有效的校正节点之间的距离估计以及在测距误差较大的情况下如何有效地抑制大测距误差对最终定位结果的不利影响。然而, 大部分已有工作均对网络的边界信息或者节点的分布特性做了相关的假设。如下方向可能是弱测距无线传感器网络中定位算法的研究方向:如何在节点不满足均匀分布的情况下针对各向异性无线传感器网络设计有效的定位算法;

(2) 在网络/节点可定位性方面, 目前主要的研究热点是试图给出一个节点可唯一定位的充要条件来准确的判定网络中的某个节点是否是可唯一定位的或者是如何在节点间测距存在误差的情况下来给出节点可唯一定位的充分或者必要条件。网络中节点的定位结果不可能是绝对准确的, 总会存在着误差。因此, 在允许定位结果存在误差的情况下对可定位性概念进行推广是必要的。提出Δ-可定位性的概念, 即在满足给定的 (有误差的) 测距的条件下, 是否节点的所有可行位置指派, 都能满足节点的定位误差不超过一个给定的值Δ, 其中Δ的值可以根据具体的应用要求而变化。这将是很有意义的一个研究方向。

摘要：定位技术是无线传感器网络 (WSN) 中非常重要的研究方向。当前的大部分定位理论和技术方面的工作都是有假设条件的, 实际无线传感器网络应用中往往其假设条件不再成立, 造成已有定位算法性能的大幅下降或者是某些已有理论结果不再适用。针对这一现状, 对无线传感器网络进行分类, 对国内外基于弱测距的无线传感器网络定位技术进行研究。最后探讨基于弱测距无线传感器网络领域面临问题。并针对目前发展现状提出今后的研究方向。

关键词：无线传感器网络,定位技术,弱测距

参考文献

[1]张士庚, 曾英佩, 陈力军等.移动传感器网络中定位算法的性能评测[J].软件学报, 2011, 22 (7) :1597—1611.

[2]X.Liu, S.G.Zhang, J.X.Wang, J.N Cao, B.Xiao.Anchor Supervised Distance Estimation in Anisotropic Wireless Sensor Networks.WCNC’11.2011:938-943

无线测距篇4

近十年来, 无线传感器网络得到了前所未有的发展, 在众多领域中得到了广泛的实际应用, 被认为是影响人类发展的十大技术之一。尽管节点定位在定位精度、定位时间、能量开销等方面有了很大改进, 但仍然是制约和影响无线传感器网络应用的关键技术之一。

1 常见定位方法分类

无线传感器网络中节点定位方法根据不同手段和角度有不同的分类方法, 典型的分类有以下几种。

1.1 绝对定位和相对定位

绝对定位为网络命名空间提供一个唯一的地址, 定位结果为坐标位置, 如经纬度等。此类定位方法对网络变动时适应性较好;相对定位则以网络中某些节点作为参考节点, 为其他节点建立坐标, 相对定位不提供唯一的地址, 无需信标节点, 网络变动时适应性差。

1.2 粗粒度与细粒度

根据信号强度、角度或时间等信息计算未知节点的位置称为细粒度定位, 如Radio Camera定位系统中的信号模式匹配技术 ( signal pattern matching) [1];根据逐渐接近信标节点的信息来度量未知节点的方法称为粗粒度定位, 如质心、衰减模型、凸规划、Active Badge和Parc TAB均属于粗粒度定位。

1.3 集中式定位和分布式定位

集中式定位先将所需的信息传递到中心节点然后进行计算, 该方法侧重于对定位信息的集中处理, 可以获得相对精确的定位, 缺点[1]是中心节点能耗大, 容易造成个别节点过快耗尽能量, 从而影响其他节点定位。

分布式定位则依赖于节点间的信息交换和协调, 获得足够信息后节点自行定位计算。分布式定位通过节点间合作减少了整体定位时间, 且能耗比较均衡, 但会放大和累积定位过程的误差, 从而影响定位精度。

1.4 基于测距定位和无需测距定位

基于测距定位方法测量节点间的距离、角度、信号强度和传输时间等信息, 然后借助三边测量、三角测量、最小二乘法或最大似然估计法计算未知节点的位置;无需测距定位方法则通过网络连通度、节点间相对距离计算未知节点位置。

基于测距定位方法能实现较精确的定位, 但对节点硬件要求高、功耗大和易受环境因素的影响, 常用于精度要求较高的专业领域, 如国防军事、国家安全等。无需测距的定位方法具有硬件要求低、成本低、能耗小等优点, 但存在误差较大、定位精度较低等问题, 常用在精度要求相对较低的领域, 如环境监测等。

2 节点位置计算方法及其分析

2.1 三边测量法

三边测量法利用三个已知信标节点的坐标和未知节点的距离推导出未知节点的坐标。假设已知A、B、C三个节点, 坐标分别为 ( xa, ya) , ( xb, yb) , ( xc, yc) , A、B、C到未知节点D的距离为别为d1、d2、d3, 未知节点可用几何图形表示为以已知节点为圆心, 节点距离为半径三个圆的交点, 如下图1 所示。

假设D点坐标为 (x, y) , 则可得以下表达式:

通过解方程可得到D点坐标为:

三边测量法的缺点是节点距离误差较大时, 可能出现三个圆无法交于一点, 方程无解即定位失败。

2.2 三角测量法

三角测量法根据三个信标节点与未知节点的角度和三个节点的坐标信息计算节点间的距离, 然后计算出未知节点坐标。该方法也是一种基于几何运算的定位方法。

三边测量法和三角测量法属于形式化数学方法, 并不能很好地直接应用在无线传感器网络中。因此, 国内外研究人员对这两种方法进行了优化和适应性修改, 以适用无线传感器网络。

2.3 最大似然估计法

最大似然估计 ( maximum likelihood estimation, MLE) 是通用的数学估计方法, 当测试数据量大时具有逼近特性, 是三边测量法的扩展方法。

已知N个已知节点P1 ( x1, y1) , P2 ( x2, y2) , ……Pn ( xn, yn) 和未知节点P的距离分别为d1, d2, ……dn, 如下图3 所示

则可得到以下方程组:

然后将每个方程分别减去最后一个方程, 消去二次项得到线性方程形如[2]:

AX=B

其中:

通过最小均方差估计方法得到节点坐标为:

最大似然估计的缺点是需要进行大量的矩阵运算, 计算开销大。

2.4 最小二乘法

最大似然估计求解时利用方程相减的方法消去二次项, 这会损失已知坐标信息。如上述实数方程组 ( 1) 不存在任何一组值 ( x, y) 使其满足方程组, 那么可以通过找到一组值 ( x', y') 使得方程组两边的值最接近, 即求近似解。另外考虑到误差, 误差的平方称为二乘方, 误差最小就是最小二乘法。实际使用中常将最小二乘法常和最大似然法结合起来求解。

上述方法是节点计算的基本方法, 随着研究不断深入和应用领域的不断扩展, 涌现了很多改进方法, 同时三维节点位和智能定位等新的定位技术的出现, 使得节点计算方法得到了很大的优化。

3 基于测距的节点定位算法分析及比较

3.1 RSSI定位算法

RSSI定位算法基本思想通过接收到的射频信号 ( Radio Frequency, RF) 强弱, 根据传播衰减模型计算已知节点到未知节点的距离。 RSSI算法优点是实现简单、硬件要求低和能耗低;缺点是易受实际环境的影响, 导致平均定位误差较大。目前很多研究人员对该算法进行了改进并获得了较好的仿真和实际使用效果。

丁恩杰等[3]提出的基于RSSI和加权质心结合定位算法, 该算法先通过RSSI测距得到4 个信标节点到未知节点的距离, 再任选其中3个距离为半径, 以信标节点为圆心画圆得到3 个圆的交叠区域, 构成一个三角形, 求出这个三角形的质心。按照该方法求出4 个质心坐标, 利用加权质心定位算法求出未知节点的坐标。仿真结果表明定位精度有很大的提高。

秦念庆[4]针对传统的基于RSSI定位算法存在不适定问题, 提出基于Tikhonov正则化方法的多边定位算法, 通过分析和大量实验最终确定最优信道衰减指数n为4, 最优参考点数为5, 通过实验发现基于Tikhonov正则化方法比最大似然估计法减少了定位误差, 部分实验结果如表1 所示。

该算法未增加硬件开销, 但降低了距离误差和定位误差, 算法性能优于传统的基于RSSI的最大似然估计法节点定位。

3.2 Hop-terrain迭代算法

Hop-terrain迭代算法是基于测距和无需测距相结合的定位方法。该算法分两步进行, 第一步先用距离无关定位方法估算各节点的初始位置, 然后用基于测距的定位方法对节点位置迭代计算以减小定位误差。实验表明, Hop-terrain算法能较好地改善稀疏信标节点问题和测量误差对节点定位的影响[5], 当网络连通度较低时, 收敛性变差。

张松涛[5]提出的一个改进的基于距离约束迭代定位算法DCR ( Distance Control Refinement) , 主要针对Hop-terrain算法在网络连通度比较低时, 迭代过程收敛性下降, 成功定位节点比例很低等问题。DCR算法定位过程中刷选上次迭代结果作为最新迭代结果。该算法也分为两步, 第一步是节点坐标估算;第二步刷选节点位置进行迭代更新。仿真结果表明在连通度低的网络中, DCR算法节点定位成功率比Hop-terrain算法提高了20-30%, 精度较高节点比例比Hop-terrain算法平均提高了6.5%[5]。

3.3 基于信号传输距离 ( TOA) 定位算法

TOA ( Time of Arrival) 定位算法根据信号传播时间和速率计算信标节点到未知节点的距离。该算法分为三步。第一步测距。测量未知节点到信标节点的距离或方位, 至少包含三个以上信标节点的距离信息;第二步定位。通过极大似然估计等方法计算;第三步修正。进一步矫正节点坐标, 以保证精度。 TOA算法测量精度较高, 但要求节点之间严格的时间同步, 因此对硬件需求高, 成本和能耗高, 应用在对精度要求高的专业领域。

刘鹏[6]提出的改进的TOA定位算法, 信标节点同时发送两种不同速率的无线信号, 未知节点根据接收的信号时间差计算出节点间的距离。该方法解决了时间严格同步和硬件延迟问题, 仿真实验表明改进的TOA算法能获得更好的定位精度。

综合上述几类算法, 从算法实现的难易程度、硬件需求、能耗、误差和需已知节点比例等方面进行比较, 结果如表2 所示。

除了上述基于距离的节点定位算法外, 还有基于信号传输时间差 ( TDOA) 的基本定位方法及其改进算法、基于信号到达角度 ( AOA) 的基本定位方法及其改进算法等。总的来说, 基于RSSI的定位算法具有实现简单、低成本等特点, 众多研究人员对算法进行改进使其误差不断降低而更受欢迎。

4 总结

基于测距的定位方法是目前无线传感器网络使用最广泛的定位技术, 它能获得较高定位精度而备受关注。本文首先对定位方法分类进行了综述, 然后分析了经典的节点位置计算方法的特点, 最后对无线传感器网络中几种具有代表性的基于测距的节点定位算法进行了详细分析和比较。

参考文献

[1]汪炀.无线传感器网络定位技术研究[D].中国科学技术大学, 2007.4:19-21.

[2]于宁.无线传感器网络定位优化方法[D].北京邮电大学, 2008.4:15.

[3]丁恩杰, 乔欣, 常飞, 乔莉.基于RSSI的WSNs加权质心定位算法的改进[J].传感器与微系统, 2013.7:53-56.

[4]秦念庆.基于RSSI的无线传感器网络多边定位算法研究[D].山东大学论文, 2009.4:35-36.

[5]张松涛.无线传感器网络定位问题研究[D].华中科技大学, 2010.5.

本文来自古文书网(www.gwbook.cn)，转载请保留网址和出处