WSN中异构数据协同的目标定位方法

邢天璋,王 举,陈晓江,房鼎益,杨 哲

(1.西北大学信息科学与技术学院,陕西西安 710127; 2.西北工业大学计算机学院,陕西西安 710069)

WSN中异构数据协同的目标定位方法

邢天璋1,王 举1,陈晓江1,房鼎益1,杨 哲2

(1.西北大学信息科学与技术学院,陕西西安 710127; 2.西北工业大学计算机学院,陕西西安 710069)

针对无线传感器网络中室外环境下的被动式目标定位问题,提出一种基于动态贝叶斯图的异构数据协同定位方法.该方法能够对异构无线网络数据相协调,完成目标被动式定位任务.首先深入分析了异构网络中可用于测距定位的三种基本被动式定位方法(基于信号强度模型,红外测距定位模型,粒子滤波定位),总结归纳了各方法的适用特点.其次,利用动态贝叶斯图,协调两种方法适用特点,推导出大规模室外被动式定位模型.仿真结果表明,笔者提出的异构数据协同定位方法能够完成被动式定位要求,与其他定位方法相比,定位精度较已有方法有所提升.

无线传感器网络;被动式定位;信号强度;红外测距;贝叶斯图

目标定位技术作为无线传感器网络众多关键技术之一,在军事战场监控、医疗智能保健、自然灾害抢险救助以及智能环境区域监控等场景下均有成熟应用案例[1].学者将目标定位技术分为主动式目标定位和被动式目标定位两类,其本质区别在于目标是否携带设备参与无线信号的接收或发送.主动式定位技术通常要求定位目标携带信号收发设备,通过信号的衰减或相位的变化完成定位[2];被动式定位则不要求目标携带任何数据收发设备,这给被动式定位可行性研究与定位精度提升带来极大困难[3-4].无线传感器网络感知数据类型丰富,属性多样、异构,而如何利用异构数据信息完成目标被动式定位,是笔者的主要研究工作.

利用无线信号强度的测距定位方法,大致分为“基于指纹匹配”与“基于传输模型”两类.其中,第一类方法分为两个阶段,即离线阶段与在线阶段[5].离线阶段主要建立标准指纹库,将监测区域内每一位置与目标出现在该位置时的接收信号强度指示(Receiver Signal Strength Indication,RSSI)相关联.在线阶段针对出现在监控区域内的目标进行定位,其过程主要是针对测量到的RSSI值与离线阶段建立的标准指纹库进行比对,从而给出目标出现的最大概率位置.第二类方法[6]避免了前期大量的学习阶段,主要针对无线信号传输进行建模,分析被检测目标对于通信链路的影响,测量无线信号衰减,通过估算被检测目标与收发节点的距离进行目标定位.这两类方法均利用无线信号强度进行测距后定位,其共性特点在于小范围定位精度较高,但RSSI较脆弱,易受环境因素影响,不宜用于室外大规模区域环境下的目标定位.

红外测距技术起源较早.其原理主要是通过单片机(或微处理器)统计反射回波时间差,计算传输距离.红外测距技术在汽车防撞、相机自动对焦、野外勘探、野外搜救、入侵检测领域也有成功应用案例[7].这些应用不仅计算了回波传输时间,同时借助红外热量辐射探测目标的大致方向.红外技术具有非接触、反应快、低成本和高灵敏等技术特点,被广泛应用于日常生活与民用行业.上述方法均属于非接触测距技术,适应于大范围环境下的目标定位,但由于电波传输速率较快,收发双方时间同步难以保证,其测距误差客观存在,定位误差较大,不宜适用于细粒度目标定位.

由于信号强度与红外数据均能捕获目标距离方位信息,笔者旨在利用这两类数据作为约束条件,同时考虑移动目标的距离约束,构建贝叶斯图完成异构网络环境下的被动式目标定位.

图1 无线信号绕射、散射示意图

1 测距模型

1.1 基于信号强度的定位模型

在估计信道损耗时,需要考虑传播路径上的地形地貌、建筑物、树木、电线杆等阻挡物.相同的收发设备在不同的室外传播环境下,链路RSSI也不同[8].RSSI不仅会受到链路所处环境的影响,收发设备的电压、天线方向等条件也会对其产生很大的影响.当目标出现在监控区域,接收节点对于接收到的信号强度有了变化,产生该变化的原因来自于信号绕射场强与散射场强,如图1所示.即

绕射模型为

散射模型为

其中,D与S分别为绕射增益和散射增益,单位为d B,Pt为发射功率;Gt为发射天线增益,Gr为接收天线增益;λ为无线信号波长,单位为m;l1与l2分别代表目标距收、发节点的距离,单位为m.

基于信号传输模型的定位方法通过测量无线通信链路RSSI,求解目标与收发节点之间的距离,定位目标.该方法定位结果具有对称性,虚拟位置点成对出现,该问题可通过网络部署设计避免.在定位阶段,可用确定性定位方法修正目标存在的概率,寻求目标最近距离的信号强度分布,即

这里,m,n分别代表信号收发节点的个数,l是指定位结果,¯sij表示收发节点间信号强度的平均值表示通过信号传输模型计算获得的信号强度值不依赖于目标所处位置l的变化,同时假定目标外在形态不会发生变化,可表示为

通过信号传输模型的计算限制位置概率,而目标位置概率则可作为贝叶斯网络推演的第一约束条件.

1.2 基于红外热辐射的测距模型

红外检测适用于高于绝对零度温度的每个目标,而带宽的电磁辐射发射能量是检测目标距离的重要参量.这种辐射的整体流量和波长取决于其表面温度T和发射率ε.后来使用一个区间[0,1]来描述表面在相同温度下相对于理想发射体也就是黑体的辐射能力.发射率依赖波长,但在大多数实际情况下,相关波长的范围非常有限,可以认为是一常量.普朗克定律给出了波长λ、温度T、发射率ε以及辐出度Mλ之间的关系:

其中,L代表信号周期.目标与红外检测设备间的距离可作为贝叶斯网络推演的第二约束条件.

1.3 基于粒子滤波的目标间距离

粒子滤波用于被动式定位主要通过动态模型描述物理系统.Pk为目标在某时刻k的位置状态,记作Pk=[xk,yk,vxk,vyk]T,其中(xk,yk)表示目标的位置坐标,(vxk,vyk)表示其速度.Zk则是目标在k时刻的真实位置.所以,目标系统模型与观测模型表述为

其中,εk与ηk分别为过程噪声和测量噪声,且相互独立.而G为状态转移矩阵,H为理想观测矩阵.在k时刻,更新粒子权值,其归一化为其中,C1=3.74×10-12W/cm2,C2=1.44 cm·K,Ee为目标处于距离红外检测装置d处的辐照度.可见,目标与已知设备间的距离可通过检测红外辐射中的相关参量获取.同时红外测距原理和超声、雷达测距原理相似,由于光速传播极快,常规方法及设备无法精准测量,所以一般是将红外线发射功率调制上一个较低的频率,然后测量回波与发射波的相位差,根据相位差Δφ可计算出回波时间Δt,即

因此,k时刻目标位置参数P的最小均方估计为

利用系统模型预测目标出现的位置,并可将其作为第三约束条件.

2 基于动态贝叶斯网络的定位

异构数据协同定位模型(Heterogeneous Data Synergistic targeting methods,HDS)在定位前将定位区域的位置标记为[L1,…,Lk,…,LN].针对某一待估计位置,笔者所提方法不再是传统的基于简单贝叶斯推论,而是将多种推理及约束融合为一体形成贝叶斯网络,对待估计位置构建更多的约束,在数据获取上利用红外信号消除多径带来的误差,在位置推理上利用距离约束消除贝叶斯推论固有的误差,从而提高了定位精度.下面分别介绍每部分的原理和总体模型.

第1部分是基于无线信号(RSSI)的定位,如图2(a)所示,其中,Lk表示目标位于第k个位置,向量Rk= [rk,1,…,rk,Q]表示目标在位置Lk时收集到的Q个RSS值.定位前的离线阶段,在位置Lk采集一组先验知识向量Rk,得到先验概率P(Rk);在线定位阶段,根据收到的无线信号RSS值,利用贝叶斯理论[9]得到后验概率P(Lx=Lk|Rk)最大的位置Lk,然后将Lk作为目标位置的估计.

第2部分是基于红外信号的定位,如图2(b)所示,其中,向量Hk=[hk,1,…,hk,Q],表示目标在位置Lk时收集到的Q个红外信号值.与第1部分类似,在离线阶段采集先验知识并得到先验概率P(Hk),在定位阶段,根据收到的红外信号的值,将使得后验概率P(Lx=Lk|Hk)最大的位置Lk作为目标位置的估计.

第3部分是基于距离约束的定位误差修正,如图2(c)所示,其中,dl,k表示位置Ll和Lk间的距离.笔者利用距离dl,k来约束后验概率P(Ll|Rl,Hl)和P(Lk|Rk,Hk)的分布,剔除错误位置,提高定位精度.为方便说明,考虑一种简单的一维区域定位情况,当目标在位置Ll时,用无线信号Rl和红外信号Hl可以计算出目标的位置分布P(Ll|Rl,Hl),其分布在0～5 m之间.同样,可以计算出目标在位置Lk的分布P(Lk|Rk, Hk),其分布在9～14 m之间.同时,根据粒子滤波可以估计出目标的轨迹,可得到位置Ll和Lk之间的距离dl,k=5 m.距离约束dl,k将位置Ll和Lk限制为Ll≥4,Lk≤10,从而修正了分布P(Ll|Rl,Hl)在4～5 m之间,分布P(Lk|Rk,Hk)在9～10 m之间.容易看到,这种修正剔除了目标不可能存在的位置,从而提高了精度.采用粒子滤波估计的方法获取dl,k,在目标运动状态下,当其处于位置Ll时,通过粒子滤波可估计出目标的下一个位置Lk,从而得到距离dl,k.

图2 HDS系统框图

如前所述,在进行目标定位时,笔者将无线信号和红外信号两种异构数据利用贝叶斯网络进行协同定位,具体为将前面讲到的3部分联合构成如图2(d)所示的贝叶斯网络.基于贝叶斯网络理论和贝叶斯公式,以及图2所示的独立性关系,可得到目标在位置Lk的概率为

其中,α是与Lk无关的正数;P(rk,i|Lk)和P(hk,i|Lk)分别是无线信号数据下的条件概率和红外信号数据下的条件概率,其均通过定位前的先验知识获得;P(Lk|dk-1,k)是距离修正后的概率分布.P(Lk|Lk-1)是类(位置)转移概率,通常情况下定位区域内的位置都是均匀划分的,因此,针对已知的定位区域,该概率是一个定值1nk,nk为位置Lk周围的其他位置数目.目标的位置估计^Lk是使得下式概率最大的位置:

3 实验仿真

针对所提出的HDS方法,以Matlab 7.0为仿真平台,进行了大量的定位仿真实验.由于环境的不同,分别进行了开阔环境与多径环境下的定位测试.仿真实验场景是在25 m×35 m的矩形区域中部署35组红外和无线模块,每组模块中各含红外和无线模块一个,每组模块间隔为5 m.所有无线模块可互相通信,构成覆盖整个矩形区域的无线信号环境.所有红外模块均各自以120°的角度收集来自矩形区域的热辐射信号.在仿真实验过程中,所需要的定位数据均通过第1节中介绍的模型来计算得到,所需的参数取值如表1所示.在定位仿真中,让目标随机出现在该矩形区域内,采集所有模块的数据,通过不同的定位方法给出定位结果.通过与现有的两类经典算法的比较,体现HDS的优越性.

表1 无线模块和红外模块仿真参数

图3(a)和图3(b)分别展示了文中算法HDS在开阔环境(SNR为40dB)和多径环境(SNR为5dB)下的定位性能,在两种环境下分别进行了只有无线信号、只有红外信号及两种信号结合时的3种定位仿真实验.在每种环境下,将每个定位方法进行100次测试.定位结果的累积概率分布(CDF)曲线如图3(a)所示,由该图可知,基于红外的定位误差最大,80%的定位误差都在1.2 m以内.基于无线信号的定位精度较高,80%的定位误差都在0.5 m以内.两种信号结合下的定位精度最高,但较只有无线信号的定位精度提高不多,这是因为在开阔环境下无线信号干扰较少,因此基于无线信号的定位能达到很好的效果.图3(b)展示的定位精度变化趋势与图3(a)类似,不同之处在于此时两种信号结合的定位精度较其中任意一个定位方法的精度都有较大提高,如80%的定位误差由0.7 m(基于无线信号)和1.1 m(基于红外信号)降低到0.5 m(两种信号的结合).这是因为在多径环境下,无线信号易受干扰导致定位误差大,而红外信号不受多径影响,如定位误差在20%以下时,基于红外信号的定位误差小于基于无线信号的定位误差,红外信号的抗多径优点可以弥补无线信号定位的不足,与此同时,无线信号的定位粒度比红外信号细,因此,在多径环境下两种信号结合的定位结果具有互补的作用,故将两种信号结合可以提高定位精度.

图3 仿真结果

图3(c)展示了定位误差随人移动距离的变化趋势,在仿真试验中,让目标沿矩形区域内侧的一条长70 m的曲线运动,每隔2 m进行一次定位.针对距离dl,k的估计使用粒子滤波的方法,因此,目标行走距离越远,对于距离dl,k的估计将会越准,更精确的距离约束将会剔除更多的错误定位,使得定位精度更高.

图3(d)显示了文中定位方法HDS与现有两类经典算法的比较.这两类经典算法分别是基于学习的RASS算法[10]和基于计算的M-A算法[3],分别在开阔和多径两种环境下进行了仿真实验.在每种环境下,将每个定位方法进行100次测试,平均定位误差如图3(d)所示,无论在哪种环境下,文中HDS方法都优于其他两种定位方法.同时,3种定位方法的定位精度在多径环境下较开阔环境都有所下降,然而文中的HDS方法平均误差仅从0.3 m增加到0.45 m,这是由于文中方法融合了红外信号抗多径干扰的优点;RASS方法平均误差则从0.4 m增加到1.1 m,这是因为RASS方法是基于学习的方法,对环境依赖大,多径环境与开阔环境截然不同,故定位精度下降较多;M-A方法平均误差变化不大,仅从0.7 m增加到0.8 m,这是因为M-A方法是基于计算的定位方法,对环境依赖小,然而其定位精度较文中的HDS方法还有很大差距.

4 结束语

信号强度与红外技术作为被动式定位中的重要测距方法,由于各自工作原理特点约束,一直制约其在室外环境下较大范围中细粒度定位要求的实际应用.笔者提出了基于动态贝叶斯图的异构数据协同定位方法,实现了细粒度的目标定位,解决了传统方法在位置求解时的较大误差问题.其中详细讨论了贝叶斯图的延伸过程,并给出了具体的位置求解公式;通过实验仿真,深入分析了该方法的定位精度,验证了其正确性及有效性.

[1]Seifeldin M,Saeed A,Kosba A E,et al.Nuzzer:A Large-Scale Device-Free Passive Localization System for Wireless Environments[J].IEEE Transactions on Mobile Computing,2013,12(7):1321-1334.

[2]Wang J,Fang D Y,Chen X J.LCS:Compressive Sensing based Device-Free Localization for Multiple Targets in Sensor Networks[C]//Proceedings of IEEE International Conference on Computer Communications.Piscataway:IEEE,2013: 145-149.

[3]Zhang D,Ma J,Chen Q B,et al.An RF-based System for Tracking Transceiver-free Objects[C]//Proceedings of IEEE International Conference on Pervasive Computing and Communications.Los Alamitos:IEEE,2007:135-144.

[4]Zhang D,Ni L M.Dynamic Clustering for Tracking Multiple Transceiver-free Objects[C]//Proceedings of International Conference on Pervasive Computing and Communications.Piscataway:IEEE,2009:1-8.

[5]Chintalapudi K,Iyer A P,Padmanabhan V N.Indoor Localization Without the Pain[C]//Proceedings of the Annual International Conference on Mobile Computing and Networking.New York:ACM,2010:173-184.

[6]Salman N,Ghogho M,Kemp A H.On the Joint Estimation of the RSS-based Location and Path-loss Exponent[J]. IEEE Wireless Communications Letters,2012,1(1):34-37.

[7]辛云宏,杨万海.基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术[J].西安电子科技大学学报,2004,31(4): 505-508.

Xin Yunhong,Yang Wanhai.Pseudo-linear Kalman Filter Based Passive Location and Tracking Techniques by Two Infrared Stations[J].Journal of Xidian University,2004,31(4):505-508.

[8]Theodore S.Rappaport,Wireless Communications:Principles and Practice[M].London:Prentice-Hall,1996.

[9]Park J G,Curtis D,Teller S,et al.Implications of Device Diversity for Organic Localization[C]//Proceedings of IEEE International Conference on Computer Communications.Piscataway:IEEE,2011:3182-3190.

[10]Zhang D,Liu Y H,Guo X N,et al.RASS:A Real-time,Accurate and Scalable System for Tracking Transceiver-free Objects[J].IEEE Transactions on Parallel and Distributed systems,2013,24(5):996-1008.

(编辑:李恩科)

Heterogeneous data synergistic location method in the WSN

XING Tianzhang1,WANG Ju1,CHEN Xiaojiang1, FANG Dingyi1,YANG Zhe2
(1.School of Information and Technology,Northwest Univ.,Xi’an 710127,China; 2.School of Computer Science,Northwestern Polytechnical Univ.,Xi’an 710069,China)

For the passive localization problem,a novel method called the heterogeneous data synergistic (HDS)based on the dynamic Bayesian network is proposed,which can coordinate heterogeneous data,and localize the target in the wireless sensor network(WSN).By comprehensively analyzing the three localization models(the signal strength model,the infrared ranging model and the particle filter)in the WSN,their characteristics are summarized in brief.According to the Bayesian network and the different characteristics,the HDS is designed under the dynamic deduction.Simulation results prove that the proposed method is adequate to the passive localization,and that compared with other traditional methods, the localization accuracy is greatly improved.

wireless sensor network;passive localization;signal strength;infrared ranging;Bayesian network

TP915

A

1001-2400(2014)05-0197-06

2014-01-07

国家科技支撑计划资助项目(2013BAK01B02,2013BAK01B05);国家自然科学基金资助项目(61170218,61272461);陕西省教育厅自然专项资助项目(2013JK1126,2013JK1127);西北大学科学研究基金资助项目(12NW05);中央高校基本科研业务费专项资金资助项目(K5051203003)

邢天璋(1981-),男,讲师,E-mail:xtz@nwu.edu.cn.

10.3969/j.issn.1001-2400.2014.05.033