CN103716867A - 基于事件驱动的无线传感器网络多目标实时跟踪*** - Google Patents

Abstract

本发明公开了一种基于事件驱动的无线传感器网络多目标实时跟踪***，该***采用层次逻辑结构设计，分别为感知层、网络通讯层、应用层，为了避免多目标跟踪过程中所带来的网络中的冲突，采用了一种基于任务的自适应分簇节点调度策略；提出了基于事件驱动的卡尔曼滤波定位跟踪算法，利用收敛速度更快的最小二乘法修正卡尔曼滤波当前状态值，实现对传感器网络内多个移动机器人的定位跟踪。***采用双令牌工作方式并结合基于任务的动态时隙分配方法实时高效地完成网络任务。***采用自适应分簇的节点调度方法，能自动将测量数据按照运动目标分簇，突破以往局限于单目标跟踪的工作模式，实现了多目标的实时跟踪功能和基于无线网络的远程反馈控制。

Description

基于事件驱动的无线传感器网络多目标实时跟踪***

技术领域

本发明涉及无线传感器网络（Wireless Sensor Network）、目标定位跟踪和网络化反馈控制技术，特别涉及一种基于事件驱动的无线传感器网络多目标实时跟踪***，该***适用于无线传感器网络和网络化机器人，网络化机器人置于无线传感器网络中，作为移动目标和控制对象。无线传感器网络采用基于事件驱动的扩展卡尔曼滤波定位算法和自适应分簇的调度策略，综合运用单向广播时钟同步、分时传输协议、测距与通信信道分开、网格切换边缘监测保护等多种机制，对网络中的移动机器人进行基于事件驱动的实时跟踪定位，形成一个反馈控制***。 

背景技术

无线传感器网络（wireless sensor network,WSN）是21世纪的研究热点。它是计算机、通信、控制和传感器等多学科技术交叉结合的产物，也是集信息获取、传输与处理三个过程于一体的复杂测控***。无线传感器网络由许多在空间中分布的自动装置组成的一种无线通讯网络，这些装置使用传感器协作地监控不同位置的物理或环境状况（比如温度、声音、振动、压力、运动或污染物）。这些装置称为节点(mote)，是整个网络中的重要组成部分，具备数据采集、数据处理和无线通信等功能，且具有体积小，功耗低等特点，容易快速得大面积部署到需要监控的区域中。传感器节点通过传感器把物理信息转化成数字信号，通过中间节点进行一系列的数据处理，并以单跳或多跳的方式传输给汇聚节点，汇聚节点通过网关与上位机相连来实现网络的自动监测，同时还能通过Internet把数据传输到远处的监控中心来实现远程监控。 

目标定位和跟踪是无线传感器网络的一项重要应用。在定位跟踪研究方面，通过无线传感器网络平台来进行目标跟踪定位的第一个实验平台是1992年AT&T实验室的Cambridge开发出室内定位***Active Badge***，目标自身需携带能够发射信号的设备，服务器接收到信号后进行分析得出目标位置。基于RSSI的定位***也得到了广泛的应用。但这一类定位***只能对已知目标进行 跟踪，而不能跟踪未知目标，比如安防的防入侵***，导弹的防御体系，对于需要跟踪的目标是不能进行通信，这时候需要定位***能够进行主动定位。 

根据跟踪目标的数目可以分为：单目标跟踪和多目标跟踪。单目标跟踪的研究在理论和工程上都已经取得了很多的研究成果。新加坡南洋理工大学开发了利用超声波传感器进行主动式测量的定位***，在室内环境下能够对单个移动目标进行跟踪，在低速运行下跟踪效果良好。多目标跟踪的研究很多只限于理论层面，建立了很多仿真平台，如杭州电子科大的多机动目标跟踪算法与仿真平台开发；东南大学的分布式多传感器多目标数据融合算法；国防科技大学的多雷达多目标跟踪仿真***；王换招等人提出了改进的模糊聚类平均算法，将每一批观测数据按照航迹估计位置的关联门限进行划分，然后分别对航迹和关联门限内的采集信息进行模糊关联,再把获得的最大关联度数据分配给各条航迹作为目标的实际位置。陶良鹏等人^[12]提出了根据监听到的节点信号之间的相关性来解决目标计数的问题，利用节点检测到的信号强度对节点进行粗略分簇，使每个簇对应一个或多个相距较近的目标，然后在簇内计算不同节点采集到的信号的相关度，将信号相关度较大的节点划分为一组并对应一个目标,以节点组的数目估计目标个数。无线传感器网络具有节点数量多、体积小、低功耗等优点，但同时伴随而来的是电池能量有限、计算资源和通信资源受限等缺点。所以在涉及到具有大量节点的无线传感器网络时，怎样进行合理有效的资源调度和分配，让节点在保证精度和实时性的同时，能够进行自组织的快速部署，以最大程度地达到节省能量的目的，延长整个网络的使用寿命，成为了无线传感器网络发展的热点问题。 

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于事件驱动的无线传感器网络多目标实时跟踪***，该***以最大程度地节省检测层节点的能量，节省网络层收发无线射频信号的能量和通信带宽。基于自适应簇的节点调度策略使得传感器网络中任何时刻工作的节点都是变化的，检测工作与通信工作同时进行，且相互独立，可以极大地提高整个网络的工作效率及其实时性。每个周期更新定位坐标时，采用基于单点观测值的改进型扩展卡尔曼滤波算法，只需用当前周期单个节点的单个测距值，即可实时更新移动目标的坐标，提高了***的实时性。本发明引用了自组织、自适应簇的概念，使用基于自适应簇 的网络调度策略，并加入了合理的预测机制，通过卡尔曼算法进行二次预测，防止了目标丢失等情况的发生，也降低了整个网络的总体功耗，节省节点有限的能量资源和通信资源。 

本发明的目的通过下述技术方案实现：一种基于事件驱动的无线传感器网络多目标实时跟踪***，包括如下部分：分布式测量节点、基站、无线通信转USB网关、数据服务中心、轮式移动机器人；所述分布式测量节点由12个兼具测量和无线通信功能的超声波传感器节点均匀分布而成，节点按3×4排列，其被分为6个网格，包含4个节点；所述基站是在无线网络覆盖区中，负责整个无线网络的资源分配和信息解析；所述无线通信功能转USB网关是负责基站和上位机之间的信息传递，实现上下行双向通信；所述的数据服务中心采集无线传感器网络的测量原始数据，通过数据融合定位算法得到目标的位置信息，绘制目标轨迹曲线并存储历史数据，产生新的工作令牌通过网关传递给基站。所述轮式移动机器人接受基站的数据信息和控制指令，可在网络范围内任意移动。 

所述的兼具测量和无线通信功能的超声波传感器节点包括1个超声波测距模块、1个传感器扩展接口模块、1个兼具无线通信功能的数据处理单元和1个电源模块。 

所述的兼具测量和无线通信功能的超声波传感器节点，超声波测距模块采用6个SRF08超声波传感器，每个SRF08超声波传感器均有60度的有效测量角度，超声波测距模块可实现平面范围360度的全方位测距。传感器扩展接口模块采用Crossbow公司的MDA100设备。兼具无线通信功能的数据处理单元采用Crossbow公司的MPR2400CA模块，也称其为节点无线收发子站。 

所述的基于事件驱动的无线传感器网络多目标实时跟踪***，无线传感器网络的基站包括2个兼具通信功能数据处理单元MRP2400CA，分别与两个网关模块相连，其中一个分管数据和信令的上行链路，用于接收来自所述分布式测量节点的无线信号；另一个分管数据的下行链路，用于发送无线信号至分布式测量节点和所述轮式移动机器人。 

所述无线传感器网络的网关，网关模块采用Crossbow公司的MIB520网关设备，其能实现ZigBee‐USB网关功能。 

所述的基于事件驱动的无线传感器网络多目标实时跟踪***，无线传感器网络的数据服务中心采用搭载Ubuntu10.10版本Linux实时操作***的高性能计算机（Personal Computer），基于Linux操作***编写的上位机实时监测与控制软 件运行于该计算机上。 

所述的无线传感器网络的分布式测量节点，超声波测距模块和传感器扩展接口模块通过基于I2C协议的双向串行接口连接。电源模块可分别提供6V和3.3V电源，其中6V电源与超声波测距模块连接，3.3V电源与传感器扩展接口模块连接。 

所述的无线传感器网络的基站，基站与分布式测量节点之间是通过基于ZigBee协议的空中接口连接，实现无线通信。 

所述的无线传感器网络的网关，所述网关模块和基站通过51Pin接口连接。网关模块与所述数据融合中心的计算机及所述移动机器人的主控制器通过USB通用接口连接，实现UART通信。 

所述的基于事件驱动的无线传感器网络多目标实时跟踪***，该***采用时间片轮转工作方式，其特征在于***运作过程中，所有的节点都必须在自己的时隙里完成自身的任务，在多目标跟踪过程中，基于任务的自适应分簇节点调度策略是允许多个节点同时打开超声波进行测距的。***正常工作包括如下步骤： 

(1)布置无线传感器网络，包括***所需的软硬件，将移动机器人放置于检测网络的有效范围内； 

(2)开启所有电源，整个无线传感器网络进行初始化，之后所有节点进入休眠待机状态； 

(3)开启数据服务中心的实时监测与控制软件，通过点击操作界面的开始按钮来启动整个***，数据服务中心下达时钟同步指令，通过基站发送端广播给节点收发子站和移动接收子站，采用单向广播同步的方式，使基站和所有传感器节点达到时钟同步，以避免时序混乱； 

(4)数据服务中心向基站发出搜索目标的初始化工作命令，基站收到命令后，根据基于任务的***资源时隙分配方法产生网络周期命令帧，其包含工作令牌和通信令牌及其相应的时隙分配系列，即根据预先设置的网格号和节点号，按照先网格后节点的顺序逐个、轮流触发检测网络的节点工作，并为其安排了具体的时隙； 

(5)节点收发子站接收到基站广播的搜索目标命令，根据工作令牌和通信令牌确定每个节点是否具有工作或通信的权限。若某节点具有工作权限，则通过I2C串行接口触发该节点的超声波传感器模块工作，待测距完成后储存相应数据， 等待自己通信时隙到来时发送；若某节点具有通信权限且在自己通信时隙内，则开启无线通信模块，将该节点在上一工作周期储存的测距值和其他相关参数经过编码后通过ZigBee协议空中接口发送至基站，基站解码后将有效测量数据和时标通过网关传递给数据融合中心。 

(6)数据服务中心的搜索目标命令将持续触发并收集12个节点的采样数据，若对整个网络经过3轮搜索工作后，每一轮上传有效测量数据的节点数都小于3时，则表示未在检测网络中发现目标，所有节点重新进入休眠状态，节省能耗；若在一轮搜索中上传有效数据的节点数不小于3，则表示成功发现目标，进入下一步； 

(7)数据服务中心对通过UART串口接收到的多个节点测量数据进行融合计算，计算出当前周期在网络中的目标个数及其各自坐标。具体步骤：1、当***开机阶段运行周期未达到设定值时，采用最小二乘法，利用目标所在网格内所有节点的测量数据进行定位，确定目标位置的初始值；2、当***运行周期达到设定值后，则采用基于事件驱动的卡尔曼滤波算法进行定位，若目标在网格边缘区域还需综合两点画圆求交点法和网格边缘监测保护策略进行网格切换；3、若由于突发事件导致目标的丢失，则利用最小二乘法配合相邻网格扫描法寻回目标； 

(8)数据服务中心将计算所得移动目标的坐标信息保存，并自动输出至TXT文本文档备份，且在上位机基于Linux操作***开发的监测与控制操作软件上以图形和文本方式实时显示移动目标当前周期的坐标信息和实时运动轨迹； 

(9)数据服务中心根据移动目标当前周期的位置等状态信息，采取基于自组织自适应簇的调度策略：基于目标当前周期的状态信息，综合运用扩展卡尔曼滤波算法对目标下一周期的状态进行预测，最终确定目标所在网格中最近邻的2～4个节点作为下一周期的任务节点簇。确定下一周期任务节点簇的原则如下：将运用扩展卡尔曼滤波算法对目标预测得到的下一周期的任务节点簇与当前周期实际工作的任务节点簇进行比较：1、若预测任务节点中与当前工作节点一致的节点个数大于或等于预测任务节点与当前工作节点不一致的个数，则下一周期使用预测任务节点，形成工作令牌和通信令牌；2、若小于，则下一周期继续使用当前工作节点，形成工作令牌和通信令牌。最终的工作令牌和通信令牌通过基站发送端广播给节点收发子站； 

（10）通过点击操作界面的启动机器人、同相位协同控制、反相位协同控制 或停止机器人等控制按钮，实现数据服务中心下达对机器人的控制指令，通过基站发送端广播给移动接收子站； 

（11）基站发送端将数据服务中心的最新生成的工作令牌、通信令牌等相关数据，以及来自对移动机器人的控制指令，广播至节点收发子站和移动接收子站，实现数据下行传输； 

（12）节点收发子站接收到基站广播的指令，根据工作令牌和通信令牌确定节点自身在当前工作周期内是否具有工作或通信的权限。若某节点具有工作权限，则等待自己的工作时隙到来时触发该节点的超声波传感器模块工作，待测距完成后储存相应数据；若某节点具有通信权限，则等待自己的通信时隙到来时开启无线通信模块，将该节点在上一周期储存的测距值和其他相关参数发送至基站，供数据服务中心融合数据给目标定位所用； 

（13）获得工作令牌或通信令牌权限的工作节点，在测距完成或通信完成后，则查询自身在本工作周期内是否还有待完成的任务，如果则继续等待相应时间片的到来；否则休眠等待下一个工作周期的到来； 

（14）基站接收端接收自节点收发子站的数据，实现数据上行传输。数据接收完毕后，通过UART串口上传至数据服务中心，进入下一轮的工作周期； 

（15）重复执行步骤（9）～（14），持续监测与控制网络和移动机器人，***形成一个实时跟踪反馈控制网络。 

所述步骤（4）中基于任务的分布式***资源时隙分配方法包括下列步骤： 

4.1、根据分布式测量***需要周期性进行时间同步的特点，将***时间轴分割成N*T_cycle(k),N为自然数，取决于***时间长短，记T_cycle(k)为***第k个时间同步周期，k＝1,2,...,N。 

4.2、在T_cycle(k)开始时，分配T_sync(k)＝5ms，作为时钟同步工作所需时间，同时分配TA（k）=10ms，作为超前检测工作时间提前量，剩下时间记为时间片轮转总量T_rotate(k),T_cycle(k)＝T_sync(k)+TA（k）+T_rotate(k)； 

4.3、根据***当前的任务负荷动态切割T_rotate(k)，任务负荷量是由自适应分簇节点调度策略决定的，记当前T_cycle(k)内分簇数量为N_cluster(k),每个分簇内的节点数为N_node(k),则T_rotate(k)＝N_node(k)*N_cluster(k)*(T_comm+T_idle)+Δ(0)，其中Δ(0)冗余时间量， T_comm为单个节点传输一帧数据所需的额定通信时间，T_idle信道隔离量，但是由于分簇调度是动态的，每一步执行的分簇结果有可能是不一样的，因此上式可写成 $T_{\mathrm{rotate}}\left(k\right)=\underset{s=1}{\overset{\mathrm{threshold}}{\mathrm{\Σ}}}[N_{\mathrm{node}}\left(s\right)*N_{\mathrm{cluster}}\left(s\right)*(T_{\mathrm{comm}}+T_{\mathrm{idle}})]+\mathrm{\Δ}\left(0\right),$ threshold为T_cycle(k)内进行分簇调度的总步数； 

4.4、为了提高***资源使用效率，不同分簇间且不在干扰域的节点可以同时工作，同时所有节点的检测任务和通信任务是独立的，基于这个特点***采用双通道并行工作方式，分别为检测通道和通信通道。***进行第s步分簇后，***需要完成N_node(s)*N_cluster(s)个节点的检测任务和通信任务，因为不同分簇间的节点可以同时工作，可将以上节点分为N_node(s)组，每一组包含N_cluster(s)个节点，***是按组完成检测工作的； 

4.5、在第s步分簇后至第s+1步分簇前的检测通道时间轴上，记为t(s,s+1)可切割成N_node(s)个时间片，每个时间片长度为T_sonarwork，T_sonarwork＝T_tof+T_write+T_idle，其中T_tof为超声回波所耗时间，T_write为节点存储测量数据时间； 

4.6、在第s步分簇后至第s+1步分簇前的通信通道时间轴上，记为t(s,s+1)可切割成N_node(s)*N_cluster(s)个时间片，每个时间片长度为T_comm+T_idle； 

4.7、至此时间分割已完成，切割完后的每一个时间片，其所承担的任务也就确定了。 

所述步骤（3）中时钟同步指令采用单向广播同步的方式，确保基站和所有节点之间达到时钟同步。基站在***开始运行时发送一个数据包，当所有节点接收到此数据包时，记录下各自的本地时间t₀，作为各自的参考时间。一旦所有节点都把当前本地时间作为参考时间，则整个网络的时钟同步就实现了。此后，各节点间的时钟都用相对时间Δt表示，Δt＝t_current-t₀。其中，t_current为各节点晶振分频之后的脉冲数累计时间。 

所述步骤（4）中工作令牌用于决定网络中传感器节点获得工作的权限；通信令牌用于决定网络中传感器节点获得通信的权限。同一个时隙中可以有多个传感器节点实施检测任务，但是在同一个时隙中只有一个节点拥有通信权。检测任务和通信任务是相互独立的，也就是工作令牌与通信令牌是相互独立的。所述步骤（14）中数据的上行传输和所述步骤（12）中数据的下行传输是相互独立的，上行和下行数据的信道分开，分别由基站接收端和基站发送端负责，避免了冲突。 

所述步骤（7）中基于事件驱动的卡尔曼滤波定位算法包括下列步骤： 

（7.1）根据目标所在区域的环境和运动特性综合考虑选择卡尔曼滤波的观测方程，根据不同的观测量和观测矩阵执行下列卡尔曼滤波迭代算法，详细参考图4； 

（7.2）预测现在***状态： 

X(k|k-1)＝AX(k-1|k-1)+Bu(k)， 

（7.3）预测现在***协方差： 

P(k|k-1)＝AP(k-1|k-1)A′+Q， 

（7.4）更新卡尔曼增益： 

$\mathrm{Kg}\left(k\right)=\frac{P\left(k\right|k-1)H^{\′}}{\mathrm{HP}\left(k\right|k-1)H^{\′}+R},$

（7.5）最优化当前***状态： 

X(k|k)＝X(k|k-1)+Kg(k)[Z(k)-HX(k|k-1)]， 

（7.6）最优化当前***协方差： 

P(k|k)＝[1-Kg(k)H]P(k|k-1)， 

（7.7）将以上步骤得到的目标位置状态与收敛速度更快的最小二乘法得到 的目标状态相比较e(k)＝X_kalman(k)-X_ols(k)，若均方差大于一个阈值T时，说明目标已严重偏移了原来的预测轨迹，则令X_kalman(k)＝(1-α)X_kalman(k-1)+αX_ols(k),0.5≤α≤1，以此来纠正卡尔曼滤波定位跟踪精度。 

所述步骤（7）中网格边缘监测保护策略运用于移动机器人在网络中穿越不同网格前后，在经过网格的边缘区域时，运用单个观测值的扩展卡尔曼滤波预测方法没有顺利完成网格切换的时候，判断移动机器人所在的网格，保障实时完成目标跟踪的网格切换。包括下列步骤： 

（7.8）移动机器人移动到网格G1与网格G2的边缘区域，***数据服务中心通过双数据处理通道分别基于单个观测值扩展卡尔曼滤波算法和两点定位算法来得到目标位置信息，若两者得到的位置信息相差达到设定的阈值时，则通过两点定位算法得到的最新位置信息纠正卡尔曼滤波中的当前状态值，从而加快卡尔曼预测的更新速度，保障跟踪目标的实时性。若通过以上方法得到的目标位置还在网格G1范围内，下一周期有可能跨入网格G2区域，则开启网格边缘监测保护策略； 

（7.9）开启网格G2中移动机器人对面的两个监测节点对应的超声波传感器，单个超声波传感器的有效测距角度为60°，两个监测节点可获得有效测量范围，并被纳入到当前的工作令牌中； 

（7.10）若在某两个连续的测量周期中发现移动机器人已进入两个监测节点的有效测量范围，即认定移动机器人已移动到网格G2。若目标物体未进入有效测量区域，则一直将两个监测节点纳入工作令牌当中，直至监测策略停止，即目标物体移出网格边缘区域为止。 

（7.11）若认定目标物体已移动到网格G2后，即关闭两个监测节点，结束监测策略；否则，重复执行步骤（1）～（4）。 

所述步骤（7）中目标寻回机制：相邻网格扫描法，包括下列步骤： 

（1）首先基站通过广播命令唤醒丢失目标所在网格内睡眠的节点,节点在唤醒之后搜索其监测范围内的目标信息,并收集各个节点检测信息通过网关上传至数据服务中心。 

（2）数据服务中心对数据进行融合处理,判断是否有目标重新出现的信息:若有,则休眠不相关节点并继续对目标进行追踪;若没有,则重新广播搜索命令消息至与之相邻的网格节点,并休眠本网格内节点。 

（3）相邻网格节点在接受到搜索命令之后,唤醒并进行搜索工作,并重复上面的操作。若还是没有重新发现目标,则结束搜索工作,休眠各个网格内节点,各网格继续轮询侦察，直至寻回目标。 

自适应簇调度策略是将整个网络中的测量节点按照自身摆放的位置与相邻的节点自组织的生成一个簇，同一个簇中的节点共同协作完成对移动机器人动态跟踪的任务。簇内节点的内容是会发生动态变化的，当移动机器人在网格中进行切换时或者在同一网格中发生区域类型变化时，相应的工作节点都会发生变化，不需要工作的节点退出簇，而簇内也会加入新的节点成员。区域类型划分如图3‐2所示。 

自适应簇调度策略中加入了保证新加入的工作节点能快速可靠测量的机制。在多移动机器人跟踪过程中，不同任务之间的簇内节点之间会产生干扰。当多个移动机器人非常靠近的时候，更有同一测量节点在不同簇内同时工作的情况。簇间协商的机制是整个网络中能同时进行多个移动机器人目标跟踪的保证。从不同簇中选取出一个工作节点，组合成一次测量的工作令牌，若两者同时测量会互相干扰，则把其中一个测量节点延时一个测量周期进行测量，以此避免测量过程中超声波之间的干扰。 

本发明相对于现有技术具有如下的优点及效果： 

1、基于无线传感器网络的分布式测量多目标实时跟踪***，采用基于任务的自适应分簇及簇内协商的节点调度策略。该节点调度策略具有以下好处： 

(1)按需要使用区域覆盖而不是调动监测范围内的所有节点，大大地缩短了节点的测量周期，为跟踪高速移动的目标物体提供可能。 

(2)在单目标跟踪时，任一时刻只有一个工作节点测距，节省了能量，减少能量消耗，延长无线传感器网络节点的工作寿命。 

(3)利用最近邻原则选择任务节点，减少测量结果的误差，提高***定位 精度。 

(4)能够自组织自适应地选择任务节点，不同分簇间不在干扰域的任务节点可以同时触发。 

(5)自适应分簇的节点调度方法，能自动对测量数据按照运动目标分簇，突破以往局限于单目标跟踪的工作模式，实现了多目标的实时跟踪功能和基于无线网络的远程反馈控制。 

2、基于无线传感器网络的分布式测量多目标实时跟踪***，采用基于事件驱动的扩展卡尔曼滤波算法，该算法具有以下好处： 

(1)根据目标所在网络区域环境及其运动特性，选择合适观测模型的卡尔曼滤波算法，能够准确地预测目标的下一时刻状态； 

(2)通过更新一个测量数据即可实现对目标位置的修正，加快了卡尔曼滤波的更新速度，提高跟踪实时性的同时，使得跟踪输出更为平滑。 

(3)当目标严重走偏了原来预测轨迹，利用收敛速度更快的最小二乘法对目标状态进行修正，加快卡尔曼滤波的定位速度，降低目标丢失概率。 

(4)减少了大量冗余节点信息的产生、传递和计算，算法每次迭代运算仅需要上次运算的结果 

(5)采用双通道运算方式，当进行网格切换的时候，利用最小二乘法对卡尔曼滤波算法进行纠正，使得目标跟踪更顺利地切换网格。 

3、基于事件驱动的无线传感器网络多目标实时跟踪***采用单向广播同步方式实现***的时钟同步，对于跟踪最大速度为1m/s的运动目标，毫秒级的时钟同步精度已经可以实现，不再需要增加网络的通信负荷来实现更高精度的同步效果。 

4、基于事件驱动的无线传感器网络多目标实时跟踪***采用工作令牌和通信令牌相结合的工作方式运行，即测距和通信双线程工作。传感器节点需要拥有工作令牌才能进行测距，同样，只有获得通信令牌的传感器节点才能进行节点与基站间的无线通信。同时，为了解决节点同时通信会产生相互干扰的问题，建立了基于通信令牌的特定通信机制。这种机制通过在节点间传递通信令牌的形式，同一时刻只有一个节点在通信，有效地避免了干扰问题。 

5、基于事件驱动的无线传感器网络多目标实时跟踪***采用网格边缘监测保护策略，该策略在基于事件驱动的扩展卡尔曼滤波预测方法无法实现目标跟踪的网格切换或者发生误切的时候，可以纠正目标跟踪的网格切换，极大降低 目标丢失的概率。 

6、基于事件驱动的无线传感器网络多目标实时跟踪***采用相邻网格扫描法的目标寻回策略，当***由于突发事件造成目标丢失时能够有效快速地寻回目标。 

7、基于无线传感器网络的分布式测量多目标实时跟踪***采用基于任务的动态时隙分配方法，将***资源合理分配，在避免了以往多任务工作方式冲突的同时，大大提高了***检测和信息交换的效率，提高了***的实时性。 

附图说明

图1为实施方式中基于事件驱动的无线传感器网络多目标实时跟踪***的整体结构框图。 

图2为无线传感器网络中传感器节点结构图，包括电源模块201，超声波测距模块202，传感器扩展接口模块203，无线通信模块204，传感器205，AC/DC转换206，处理器207，存储器208，网络209，MAC210，收发器211。 

图3为***正常工作时数据服务中心监测与控制软件的部分程序流程图。 

图4为***的定位算法根据移动目标所在网络不同区域和不同轨迹的变化图，其中N1至N12代表节点1至节点12，G1至G6代表网格1至网格6，E表示网格边缘区域。 

图5为基于任务的动态时隙分配方法特例图。 

图3-1为网格边缘监测保护策略，其中初始位置INS，最终位置FIS。 

图3-2为同一网格不同类型区域划分示意图，其中I类型区域为AR1，II类型区域为AR2，III类型区域为AR3。 

图4-1为最小二乘法计算示意图，其中目标坐标(x,y)，测量节点1、2、3、4坐标分别为(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，测量节点到目标的距离分别为d1，d2，d3，d4。 

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。 

实施例 

基于事件驱动的无线传感器网络多目标实时跟踪***，正常工作包括如下步骤： 

(1)布置无线传感器网络，包括***所需的软硬件，将移动机器人放置于检测网络的有效范围内； 

(2)开启所有电源，整个无线传感器网络进行初始化，之后所有节点进入休眠待机状态； 

(3)开启数据服务中心的实时监测与控制软件，通过点击操作界面的开始按钮来启动整个***，数据服务中心下达时钟同步指令，通过基站发送端广播给节点收发子站和移动接收子站，采用单向广播同步的方式，使基站和所有传感器节点达到时钟同步，以避免时序混乱； 

(4)数据服务中心向基站发出搜索目标的初始化工作命令，基站收到命令后，根据基于任务的***资源时隙分配方法产生网络周期命令帧，其包含工作令牌和通信令牌及其相应的时隙分配系列，即根据预先设置的网格号和节点号，按照先网格后节点的顺序逐个、轮流触发检测网络的节点工作，并为其安排了具体的时隙； 

(5)节点收发子站接收到基站广播的搜索目标命令，根据工作令牌和通信令牌确定每个节点是否具有工作或通信的权限。若某节点具有工作权限，则通过I2C串行接口触发该节点的超声波传感器模块工作，待测距完成后储存相应数据，等待自己通信时隙到来时发送；若某节点具有通信权限且在自己通信时隙内，则开启无线通信模块，将该节点在上一工作周期储存的测距值和其他相关参数经过编码后通过ZigBee协议空中接口发送至基站，基站解码后将有效测量数据和时标通过网关传递给数据融合中心。 

(6)数据服务中心的搜索目标命令将持续触发并收集12个节点的采样数据， 若对整个网络经过3轮搜索工作后，每一轮上传有效测量数据的节点数都小于3时，则表示未在检测网络中发现目标，所有节点重新进入休眠状态，节省能耗；若在一轮搜索中上传有效数据的节点数不小于3，则表示成功发现目标，进入下一步； 

(7)数据服务中心对通过UART串口接收到的多个节点测量数据进行融合计算，计算出当前周期在网络中的目标个数及其各自坐标。具体步骤：1、当***开机阶段运行周期未达到设定值时，采用最小二乘法，利用目标所在网格内所有节点的测量数据进行定位，确定目标位置的初始值；2、当***运行周期达到设定值后，则采用基于事件驱动的卡尔曼滤波算法进行定位，若目标在网格边缘区域还需综合两点画圆求交点法和网格边缘监测保护策略进行网格切换；3、若由于突发事件导致目标的丢失，则利用最小二乘法配合相邻网格扫描法寻回目标； 

(8)数据服务中心将计算所得移动目标的坐标信息保存，并自动输出至TXT文本文档备份，且在上位机基于Linux操作***开发的监测与控制操作软件上以图形和文本方式实时显示移动目标当前周期的坐标信息和实时运动轨迹； 

(9)数据服务中心根据移动目标当前周期的位置等状态信息，采取基于自组织自适应簇的调度策略：基于目标当前周期的状态信息，综合运用扩展卡尔曼滤波算法对目标下一周期的状态进行预测，最终确定目标所在网格中最近邻的2～4个节点作为下一周期的任务节点簇。确定下一周期任务节点簇的原则如下：将运用扩展卡尔曼滤波算法对目标预测得到的下一周期的任务节点簇与当前周期实际工作的任务节点簇进行比较：1、若预测任务节点中与当前工作节点一致的节点个数大于或等于预测任务节点与当前工作节点不一致的个数，则下一周期使用预测任务节点，形成工作令牌和通信令牌；2、若小于，则下一周期继续 使用当前工作节点，形成工作令牌和通信令牌。最终的工作令牌和通信令牌通过基站发送端广播给节点收发子站； 

(10)通过点击操作界面的启动机器人、同相位协同控制、反相位协同控制或停止机器人等控制按钮，实现数据服务中心下达对机器人的控制指令，通过基站发送端广播给移动接收子站； 

(11)基站发送端将数据服务中心的最新生成的工作令牌、通信令牌等相关数据，以及来自对移动机器人的控制指令，广播至节点收发子站和移动接收子站，实现数据下行传输； 

(12)节点收发子站接收到基站广播的指令，根据工作令牌和通信令牌确定节点自身在当前工作周期内是否具有工作或通信的权限。若某节点具有工作权限，则等待自己的工作时隙到来时触发该节点的超声波传感器模块工作，待测距完成后储存相应数据；若某节点具有通信权限，则等待自己的通信时隙到来时开启无线通信模块，将该节点在上一周期储存的测距值和其他相关参数发送至基站，供数据服务中心融合数据给目标定位所用； 

(13)获得工作令牌或通信令牌权限的工作节点，在测距完成或通信完成后，则查询自身在本工作周期内是否还有待完成的任务，如果是，则继续等待相应时间片的到来；否则休眠等待下一个工作周期的到来； 

(14)基站接收端接收自节点收发子站的数据，实现数据上行传输。数据接收完毕后，通过UART串口上传至数据服务中心，进入下一轮的工作周期； 

(15)重复执行步骤（9）～（14），持续监测与控制网络和移动机器人，***形成一个实时跟踪反馈控制网络。 

如图1，所述基于事件驱动的无线传感器网络多目标实时跟踪***包括数据服务中心107，网关106，基站105，分布式传感器节点102，轮式移动机器人 103。检测网络包括12个网络节点设备，各个节点的相对距离保持固定，12个节点在平面上均匀分布，整个网络分为6个网格区域，。其中101代表深色的节点，即当前周期实际工作的任务节点；102代表浅色的节点，即当前周期不工作的休眠节点。每一个工作周期，网络中所有节点并非全部工作，这是由于节点的能量资源和通信资源有限。为了在资源最优化和保证跟踪的实时性能之间取得平衡和折衷，采取基于事件驱动的跟踪方法，采用基于自组织、自适应簇的节点调度策略，根据移动机器人103当前的位置，通过扩展卡尔曼滤波算法进行合理预测，再进行综合考虑，智能判断、自主选择邻近的2～4个节点作为下一周期工作的节点，并生成工作令牌。同一网格内的任务节点自组织地生成一个活动的任务节点簇104。簇是不断变化的，簇中的任务节点随着目标的移动进行实时的自适应变换。 

如图2和图1所示，所述无线传感器网络的网络节点设备，包括电源模块201，超声波测距模块202，传感器扩展接口模块203，无线通信模块204，传感器205，AC/DC转换206，处理器207，存储器208，网络209，MAC210，收发器211。其中，超声波测距模块202和传感器扩展接口模块203通过基于I2C协议的双向串行接口连接。无线通信模块204和传感器扩展接口模块203通过51Pin接口连接。电源模块201可分别提供5V和3.3V电源，其中5V电源与超声波测距模块202连接，3.3V电源与传感器扩展接口模块203连接。无线通信模块204之间通过基于ZigBee协议的空中接口连接，实现无线通信。 

如图3所示，所述数据服务中心搭载Linux操作***，监测与控制软件采用C语言编写，定位部分程序包括如下流程： 

（1）数据服务中心通过基站接收任务节点上传的测距数据，并检验测距值是否合理。若不合理，则通过历史测量数据纠正测距值后进入下一步；若合理， 则直接进入下一步。 

（2）上述步骤表明已在网络中成功搜索目标，可根据已运行周期数选择相应的定位算法，对移动目标进行定位。若已运行周期数不大于3，则再次判断有效测距值的节点个数，当节点数等于2时，运用两点画圆求交点的方法计算坐标，当节点数等于3时，运用最小二乘法拟合坐标；若已运行周期数大于3，则运用基于事件驱动的扩展卡尔曼滤波算法计算坐标。 

（3）经计算得到的坐标值，使用低通滤波器综合目标的历史坐标值，经修正后得到当前周期的最终坐标（x,y）。 

（4）上位机监测与控制软件通过读取目标坐标，绘制目标移动轨迹，以图形和文本形式显示于软件界面。 

（5）根据当前周期坐标，运用扩展卡尔曼滤波算法进行目标状态预测，综合当前坐标与预测坐标，经判断选择邻近的2～4个节点作为下一周期的任务节点，并生成下一周期的令牌，通过基站广播至网络节点。 

（6）若有新加入簇的任务节点，则根据当前周期坐标，生成该新加入节点的假的测量数据，则可让该节点顺利加入到下一周期的簇当中，保证移动目标运动轨迹平滑过渡。 

如图4所示，以移动机器人为例详细说明本发明的目标定位算法： 

(1)跟踪模型的建立。在单目标跟踪问题中，所有的测量数据都来自于同一个目标，无需进行测量值与目标之间的匹配。而在多目标跟踪过程中，整个监控网络中存在着两个或两个以上的运动目标，这时候的***跟踪模型为 

$\left\{\begin{array}{c}{X}_i(k+1)=A_i(k,{\mathrm{\Δt}}_k)X_i\left(k\right)+v_i(k,{\mathrm{\Δt}}_k)\\ Y_i\left(k\right)=C_i\left(k\right)X_i\left(k\right)+w_i\left(k\right)\end{array}\right.,i=1,...N;k=\mathrm{1,2},...,---(4-1)$

其中，N为网络中目标个数，k为采样时刻。在本***中，我们跟踪的目标 是轮式移动机器人，所需知道的信息包括x轴坐标，y轴坐标。由于机器人的控制信号无法获取，在状态信息中加入沿x轴坐标的速度v_x，沿y轴坐标的速度v_y，这两个状态分量无法直接通过超声波测距传感器获取，但可以通过连续两次测量数据的差分来获取，然后再假定在短的周期内速度值不会突变，选取二维坐标和速度值4个状态分量建立***的状态方程。 

X_i(k)＝[x(k) v_x(k) y(k) v_y(k)]^T，   (4-2) 

其中，x(k)、y(k)为k采样时刻目标x轴、y轴坐标值，v_x(k)、v_y(k)为k采样时刻目标沿x轴、y轴方向速度值。 

假定连续两次测量之间的目标移动速度不发生突变，得出***的状态转移矩阵为A_i(k,Δt_k)。 

$A_i\left(k\right)=\left[\begin{array}{cccc}1& {\mathrm{\Δt}}_k& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& {\mathrm{\Δt}}_k\\ 0& 0& 0& 1\end{array}\right],---(4-3)$

其中，Δt_k＝t_k+1-t_k，若为周期采样，Δt_k为常数值，即为采样周期T，此时状态转移矩阵是常数矩阵。 

在观测方程中， 

$Y_i\left(k\right)=\left[\begin{array}{c}{d}_1\left(k\right)\\ d_2\left(k\right)\\ ...\\ d_{M_i}\left(k\right)\end{array}\right],---(4-4)$

其中，M_i为第i个目标对应的簇中所包含的节点个数，表示第i个目标对应的簇中M号节点在k采样时刻的测距值。 

v_i(k,Δt_k)和w_i(k)为均值为零，符合高斯正态分布的白噪声序列，且协方差矩阵分别为Q_i(k,Δt_k)和R_i(k)。 

在观测方程中，由于观测值与状态之间存在非线性关系，如下式 

$d_{M_i}\left(k\right)=\sqrt{{(x\left(k\right)-x_{M_i})}^2+{(y\left(k\right)-y_{M_i})}^2},---(4-5)$

其中，

为M_i号节点的坐标值。 

线性卡尔曼滤波器此时已经不能适用于这种观测方程存在非线性的***，我们采用扩展卡尔曼滤波的做法做一些变换。通过在当前估计值处对式(5-5)做近似线性化处理，求取雅可比矩阵: 

$C_i\left(k\right)=\left[\begin{array}{cccc}\frac{\∂d_1\left(k\right)}{\∂x\left(k\right)}& 0& \frac{\∂d_1\left(k\right)}{\∂y\left(k\right)}& 0\\ \frac{\∂d_2\left(k\right)}{\∂x\left(k\right)}& 0& \frac{\∂d_2\left(k\right)}{\∂y\left(k\right)}& 0\\ ...& ...& ...& ...\\ \frac{{\∂d}_{M_i}\left(k\right)}{\∂x\left(k\right)}& 0& \frac{{\∂d}_{M_i}\left(k\right)}{\∂y\left(k\right)}& 0\end{array}\right],---(4-6)$

通过(4-6)可看出，状态中速度分量不显式的由测量值表示出来。 

在分布式***中，由于传感器的分散且多，很难做到同一时刻进行测量，在本***中，采用的超声波测距传感器，同一簇中的节点位于同一网格，若同时测量，会互相干扰，导致测量精度降低。在自适应分簇及簇间协商的节点调度策略中，同一簇中节点按照一定的测量周期依次测量。这样，在每一次状态更新时刻，只有一个测量节点的测量值更新，观测方程简化成 

$C\left(k\right)=\left[\begin{array}{cccc}\frac{\∂d\left(k\right)}{\∂x\left(k\right)}& 0& \frac{\∂d\left(k\right)}{\∂y\left(k\right)}& 0\end{array}\right],---(4-7)$

(2)过程噪声协方差矩阵和测量噪声协方差矩阵的确定。在进行卡尔曼滤波时，在建立好了***模型之后，还需要确定模型的***噪声方差和观测噪声方差。在实际跟踪***中，选择过程噪声协方差矩阵： 

$Q_i(k,{\mathrm{\Δt}}_k)=q\left[\begin{array}{cccc}\frac{1}{3}{\mathrm{\Δt}}_k^3& \frac{1}{2}{\mathrm{\Δt}}_k^2& 0& 0\\ \frac{1}{2}{\mathrm{\Δt}}_k^2& {\mathrm{\Δt}}_k& 0& 0\\ 0& 0& \frac{1}{3}{\mathrm{\Δt}}_k^3& \frac{1}{2}{\mathrm{\Δt}}_k^2\\ 0& 0& \frac{1}{2}{\mathrm{\Δt}}_k^2& {\mathrm{\Δt}}_k\end{array}\right],---(4-8)$

其中，q为标量，称为过程噪声密度，过程噪声与测量噪声的协方差矩阵的数量级需匹配，才能得出一个好的跟踪效果。 

（3）初值的确定。在实际跟踪过程中，卡尔曼滤波的初值选取包括了状态初值X(0)和协方差矩阵初值P(0)。初值的选取会影响跟踪过程中收敛的速度和准确性，甚至在实际跟踪***中会导致***中跟踪目标的丢失。在本***中，采用了最小二乘算法定位获取的目标坐标作为卡尔曼滤波算法中状态的坐标初值。 

在***中，我们可以通过n个传感器(x₁,y₁)，(x₂,y₂)，(x₃,y₃)，……(x_n,y_n)，测量得到它们与目标的距离d₁，d₂，d₃，……d_n来估计出目标的坐标(x,y)。如图4-1所示： 

从图4-1，我们可以得到以下方程组： 

(x₁-x)²+(y₁-y)²＝d₁ ²

(x₂-x)²+(y₂-y)²＝d₂ ²

(x₃-x)²+(y₃-y)²＝d₃ ²，   (4-9) 

...... 

(x_n-x)²+(y_n-y)²＝d_n ²

把最后一个方程代入前面n-1个方程中，并整理，得： 

$\left[\begin{array}{cc}2(x_1-x_n)& 2(y_1-y_n)\\ 2(x_2-x_n)& 2(y_2-y_n)\\ 2(x_3-x_n)& 2(y_3-y_n)\\ ...& ...\\ 2(x_{n-1}-x_n)& 2(y_{n-1}-y_n)\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}{x_1}^2-{x_n}^2+{y_1}^2-{y_n}^2-{d_1}^2+{d_n}^2\\ {x_2}^2-{x_n}^2+{y_2}^2-{y_n}^2-{d_2}^2+{d_n}^2\\ {x_3}^2-{x_n}^2+{y_3}^2-{y_n}^2-{d_3}^2+{d_n}^2\\ ...\\ {x_{n-1}}^2-{x_n}^2+{y_{n-1}}^2-{y_n}^2-{d_{n-1}}^2+{d_n}^2\end{array}\right],---(4-10)$

得： 

$A=\left[\begin{array}{cc}2(x_1-x_n)& 2(y_1-y_n)\\ 2(x_2-x_n)& 2(y_2-y_n)\\ 2(x_3-x_n)& 2(y_3-y_n)\\ ...& ...\\ 2(x_{n-1}-x_n)& 2(y_{n-1}-y_n)\end{array}\right],---(4-11)$

$b=\left[\begin{array}{c}{x_1}^2-{x_n}^2+{y_1}^2-{y_n}^2-{d_1}^2+{d_n}^2\\ {x_2}^2-{x_n}^2+{y_2}^2-{y_n}^2-{d_2}^2+{d_n}^2\\ {x_3}^2-{x_n}^2+{y_3}^2-{y_n}^2-{d_3}^2+{d_n}^2\\ ...\\ {x_{n-1}}^2-{x_n}^2+{y_{n-1}}^2-{y_n}^2-{d_{n-1}}^2+{d_n}^2\end{array}\right],---(4-12)$

$X=\left[\begin{array}{c}x\\ y\end{array}\right],---(4-13)$

则原方程可以简化成： 

AX＝b，   (4-14) 

利用最小二乘法求解，X最小方差估计为： 

当通过最小二乘算法得到坐标以后，选取最近两次的坐标作差分运算可以得出速度值，而P(0)的选取范围比较大，在X(0)选取合适的情况下，可以实现卡尔曼滤波的快速收敛。 

（4）基于事件驱动的卡尔曼滤波定位算法采用式(4-1)作为卡尔曼滤波状态方程，当目标出现401此类的运动方式时，采用周期多测量值更新策略，观测方程选择式(4-6)；当目标出现402此类的运动方式时，采用周期单测量值更新策略，观测方程选择式(4-7)，滤波器的稳定性依靠节点调度来保证；； 

以下是标准的卡尔曼滤波流程： 

第一步：预测现在***状态： 

X(k|k-1)＝AX(k-1|k-1)+Bu(k)，   (4-16) 

第二步：预测现在***协方差： 

P(k|k-1)＝AP(k-1|k-1)A′+Q，   (4-17) 

第三步：更新卡尔曼增益： 

$\mathrm{Kg}\left(k\right)=\frac{P\left(k\right|k-1)H^{\′}}{\mathrm{HP}\left(k\right|k-1)H^{\′}+R},---(4-18)$

第四步：最优化当前***状态： 

X(k|k)＝X(k|k-1)+Kg(k)[Z(k)-HX(k|k-1)]，   (4-19) 

第五步：最优化当前***协方差： 

P(k|k)＝[1-Kg(k)H]P(k|k-1)，   (4-20) 

此定位算法与最小二乘定位相比，尤其是在网格切换的过程中，能够做到平滑切换，抗干扰能力强。而且卡尔曼滤波模型的状态中含有速度分量，这对于速度值不发生突变的运动过程401、402，卡尔曼滤波跟踪效果明显好于最小二乘定位。但对于目标速度会发生突变的运动403、404，卡尔曼滤波的定位会出现发散的情况，而随着卡尔曼滤波的位置不准确，使得节点调度策略去触发了不该触发的节点，最终导致目标的丢失。最小二乘算法的收敛速度非常快，不但适合403、404等情况的定位，同时也适合于开机时候做目标搜索和目标丢失以后的重新搜索定位，在确定目标所在网格和位置后，可采用最小二乘算法的定位结果作为卡尔曼滤波的初始值，以此驱动扩展卡尔曼滤波算法进行定位跟踪，这样的跟踪效果会比较平滑，能在区域切换过程中做到流畅的切换。 

如图5，基于无线传感器网络的分布式测量多目标实时跟踪***，基于任务的分布式***资源时隙分配方法，以三个目标为例，执行自适应分簇节点调度后得到3个分簇，每个分簇内有3个测量节点，依次从3个分簇中各取一个节点，则可分成3个工作组，每个节点传输一帧数据所需15ms时间，节点完成一次测量任务所需时间为30ms，任务信道隔离量为5ms； 

T：实现分簇所有节点任务总周期跨度为180ms； 

T1：第1个周期，跨度为60ms，负责完成第一组测量节点任务； 

T2：第2个周期，跨度为60ms，负责完成第二组测量节点任务； 

T3：第3个周期，跨度为60ms，负责完成第三组测量节点任务； 

S：时钟同步，时间跨度为5ms； 

P：时间提前量，提前10ms触发第1个工作令牌工作； 

W1：第1个工作令牌工作：触发每个工作簇的第1个节点的超声波模块启动测距，跨度为35ms； 

W2：第2个工作令牌工作：触发每个工作簇的第2个节点的超声波模块启动测距，跨度为45ms； 

W3：第3个工作令牌工作：触发每个工作簇的第3个节点的超声波模块启动测距，跨度为45ms； 

R1：第1个周期超声波模块测距完成后保存测距值，跨度为10ms； 

R2：第2个周期超声波模块测距完成后保存测距值，跨度为10ms； 

R3：第3个周期超声波模块测距完成后保存测距值，跨度为10ms； 

M1：第1个周期保存完测距值后等待下一个工作令牌工作，跨度为5ms； 

M2：第2个周期保存完测距值后等待下一个工作令牌工作，跨度为5ms； 

M3：第3个周期保存完测距值后等待下一个工作令牌工作，跨度为5ms； 

C1.1：第1个通信令牌工作：第1个周期中第1个工作簇保存的测距值上传至基站，跨度为20ms； 

C1.2：第1个通信令牌工作：第1个周期中第2个工作簇保存的测距值上传至基站，跨度为20ms； 

C1.3：第1个通信令牌工作：第1个周期中第3个工作簇保存的测距值上传至基 站，跨度为20ms； 

C2.1：第2个通信令牌工作：第2个周期中第1个工作簇保存的测距值上传至基站，跨度为20ms； 

C2.2：第2个通信令牌工作：第2个周期中第2个工作簇保存的测距值上传至基站，跨度为20ms； 

C2.3：第2个通信令牌工作：第2个周期中第3个工作簇保存的测距值上传至基站，跨度为20ms； 

t5：5ms时间间隔； 

t10：10ms时间间隔； 

t20：20ms时间间隔； 

t25：25ms时间间隔； 

WC：一个实现分簇所有节点任务的完整的总周期； 

WT：一组工作令牌工作的完整周期； 

CT：一组通信令牌工作的完整周期。 

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。 

Claims (10)

1.基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，包括：分布式测量节点、基站、无线通信转USB网关、数据服务中心和轮式移动机器人；所述分布式测量节点由12个兼具测量和无线通信功能的超声波传感器节点均匀分布而成，节点按3×4排列，其被分为6个网格，每个网格包含4个节点；所述基站是在无线网络覆盖区中，负责整个无线网络的资源分配和信息解析；所述无线通信功能转USB网关是负责基站和上位机之间的信息传递，实现上下行双向通信；所述的数据服务中心采集无线传感器网络的测量原始数据，通过数据融合定位算法得到目标的位置信息，绘制目标轨迹曲线并存储历史数据，产生新的工作令牌通过网关传递给基站；所述轮式移动机器人接受基站的数据信息和控制指令，可在网络范围内任意移动。

2.根据权利要求1所述的基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，所述兼具测量和无线通信功能的超声波传感器节点包括超声波测距模块、传感器扩展接口模块、数据处理单元和电源模块；

所述超声波测距模块采用6个SRF08超声波传感器，每个SRF08超声波传感器均有60度的有效测量角度，超声波测距模块可实现平面范围360度的全方位测距；传感器扩展接口模块采用Crossbow公司的MDA100设备，兼具无线通信功能的数据处理单元采用Crossbow公司的MPR2400CA模块，也称其为节点无线收发子站；

所述无线传感器网络的基站包括2个兼具通信功能数据处理单元MRP2400CA，分别与两个网关模块相连，其中一个分管数据和信令的上行链路，用于接收来自所述分布式测量节点的无线信号；另一个分管数据的下行链路，用于发送无线信号至分布式测量节点和所述轮式移动机器人；

所述网关模块采用Crossbow公司的MIB520网关设备，用于实现ZigBee-USB网关；

所述无线传感器网络的数据服务中心采用搭载Ubuntu10.10版本Linux实时操作***的高性能计算机，基于Linux操作***编写的上位机实时监测与控制软件运行于该计算机上；

所述超声波测距模块和传感器扩展接口模块通过基于I2C协议的双向串行接口连接，电源模块可分别提供6V和3.3V电源，其中6V电源与超声波测距模块连接，3.3V电源与传感器扩展接口模块连接；

所述基站与分布式测量节点之间是通过基于ZigBee协议的空中接口连接，实现无线通信；

所述网关模块和基站通过51Pin接口连接，网关模块与所述数据融合中心的计算机及所述移动机器人的主控制器通过USB通用接口连接，实现UART通信。

3.根据权利要求2所述的基于事件驱动的无线传感器网络多目标实时跟踪***，该***采用时间片轮转工作方式，其特征在于，***运作过程中，任何一项工作都只能在自己的时隙里完成自身的任务，在多目标跟踪过程中，基于任务的自适应分簇节点调度策略允许多个节点同时打开超声波进行测距的；***正常工作包括如下步骤：

（1）布置无线传感器网络，包括***所需的软硬件，将移动机器人放置于检测网络的有效范围内；

（2）开启所有电源，整个无线传感器网络进行初始化，之后所有节点进入休眠待机状态；

（3）开启数据服务中心的实时监测与控制软件，通过点击操作界面的开始按钮来启动整个***，数据服务中心下达时钟同步指令，通过基站发送端广播给节点收发子站和移动接收子站，采用单向广播同步的方式，使基站和所有传感器节点达到时钟同步，以避免时序混乱；

（4）数据服务中心向基站发出搜索目标的初始化工作命令，基站收到命令后，根据基于任务的***资源时隙分配方法产生网络周期命令帧，其包含工作令牌和通信令牌及其相应的时隙分配系列，即根据预先设置的网格号和节点号，按照先网格后节点的顺序逐个、轮流触发检测网络的节点工作，并为其安排了具体的时隙；

（5）节点收发子站接收到基站广播的搜索目标命令，根据工作令牌和通信令牌确定每个节点是否具有工作或通信的权限；若某节点具有工作权限，则通过I2C串行接口触发该节点的超声波传感器模块工作，待测距完成后储存相应数据，等待自己通信时隙到来时发送；若某节点具有通信权限且在自己通信时隙内，则开启无线通信模块，将该节点在上一工作周期储存的测距值和其他相关参数经过编码后通过ZigBee协议空中接口发送至基站，基站解码后将有效测量数据和时标通过网关传递给数据融合中心；

（6）数据服务中心的搜索目标命令将持续触发并收集12个节点的采样数据，若对整个网络经过3轮搜索工作后，每一轮上传有效测量数据的节点数都小于3时，则表示未在检测网络中发现目标，所有节点重新进入休眠状态，节省能耗；若在一轮搜索中上传有效数据的节点数不小于3，则表示成功发现目标，进入下一步；

（7）数据服务中心对通过UART串口接收到的多个节点测量数据进行融合计算，计算出当前周期在网络中的目标个数及其各自坐标；具体步骤为：

Ⅰ、当***开机阶段运行周期未达到设定值时，采用最小二乘法，利用目标所在网格内所有节点的测量数据进行定位，确定目标位置的初始值；

Ⅱ、当***运行周期达到设定值后，则采用基于事件驱动的卡尔曼滤波算法进行定位，若目标在网格边缘区域还需综合两点画圆求交点法和网格边缘监测保护策略进行网格切换；

Ⅲ、若由于突发事件导致目标的丢失，则利用最小二乘法配合相邻网格扫描法寻回目标；

（8）数据服务中心将计算所得移动目标的坐标信息保存，并自动输出至TXT文本文档备份，且在上位机基于Linux操作***开发的监测与控制操作软件上以图形和文本方式实时显示移动目标当前周期的坐标信息和实时运动轨迹；

（9）数据服务中心根据移动目标当前周期的位置等状态信息，采取基于自适应分簇的调度策略：基于目标当前周期的状态信息，综合运用扩展卡尔曼滤波算法对目标下一周期的状态进行预测，最终确定目标所在网格中最近邻的2～4个节点作为下一周期的任务节点簇；确定下一周期任务节点簇的原则如下：将运用扩展卡尔曼滤波算法对目标预测得到的下一周期的任务节点簇与当前周期实际工作的任务节点簇进行比较：

A、若预测任务节点中与当前工作节点一致的节点个数大于或等于预测任务节点与当前工作节点不一致的个数，则下一周期使用预测任务节点，形成工作令牌和通信令牌；

B、若小于，则下一周期继续使用当前工作节点，形成工作令牌和通信令牌；最终的工作令牌和通信令牌通过基站发送端广播给节点收发子站；

（10）通过点击操作界面的启动机器人、同相位协同控制、反相位协同控制或停止机器人等控制按钮，实现数据服务中心下达对机器人的控制指令，通过基站发送端广播给移动接收子站；

（11）基站发送端将数据服务中心的最新生成的工作令牌、通信令牌等相关数据，以及来自对移动机器人的控制指令，广播至节点收发子站和移动接收子站，实现数据下行传输；

（12）节点收发子站接收到基站广播的指令，根据工作令牌和通信令牌确定节点自身在当前工作周期内是否具有工作或通信的权限；若某节点具有工作权限，则等待自己的工作时隙到来时触发该节点的超声波传感器模块工作，待测距完成后储存相应数据；若某节点具有通信权限，则等待自己的通信时隙到来时开启无线通信模块，将该节点在上一周期储存的测距值和其他相关参数发送至基站，供数据服务中心融合数据给目标定位所用；

（13）获得工作令牌或通信令牌权限的工作节点，在测距完成或通信完成后，则查询自身在本工作周期内是否还有待完成的任务，如果有，则继续等待相应时间片的到来；否则休眠等待下一个工作周期的到来；

（14）基站接收端接收自节点收发子站的数据，实现数据上行传输，数据接收完毕后，通过UART串口上传至数据服务中心，进入下一轮的工作周期；

（15）重复执行步骤（9）～（14），持续监测与控制网络和移动机器人，***形成一个实时跟踪反馈控制网络。

4.根据权利要求3所述的基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，所述步骤（4）中基于任务的动态时隙分配方法包括下列步骤：

（4.1）根据分布式测量***需要周期性进行时间同步的特点，将***时间轴分割成N*T_cycle(k),N为自然数，取决于***时间长短，记T_cycle(k)为***第k个时间同步周期，k＝1,2,...,N；

（4.2）在T_cycle(k)开始时，分配T_sync(k)＝5ms，作为时钟同步工作所需时间，同时分配TA（k）=10ms，作为超前检测工作时间提前量，剩下时间记为时间片轮转总量T_rotate(k),T_cycle(k)＝T_sync(k)+TA（k）+T_rotate(k)；

（4.3）根据***当前的任务负荷动态切割T_rotate(k)，任务负荷量是由自适应分簇节点调度策略决定的，记当前T_cycle(k)内分簇数量为N_cluster(k),每个分簇内的节点数为N_node(k),则T_rotate(k)＝N_node(k)*N_cluster(k)*(T_comm+T_idle)+Δ(0)，其中，Δ(0)冗余时间量，T_comm为单个节点传输一帧数据所需的额定通信时间，T_idle信道隔离量，但是由于分簇调度是动态的，每一步执行的分簇结果有可能是不一样的，因此上式可写成 $T_{\mathrm{rotate}}\left(k\right)=\underset{s=1}{\overset{\mathrm{threshold}}{\mathrm{\Σ}}}[N_{\mathrm{node}}\left(s\right)*N_{\mathrm{cluster}}\left(s\right)*(T_{\mathrm{comm}}+T_{\mathrm{idle}})]+\mathrm{\Δ}\left(0\right),$ threshold为T_cycle(k)内进行分簇调度的总步数；

（4.4）为了提高***资源使用效率，不同分簇间且不在干扰域的节点可以同时工作，同时所有节点的检测任务和通信任务是独立的，基于这个特点***采用双通道并行工作方式，分别为检测通道和通信通道；***进行第s步分簇后，***需要完成N_node(s)*N_cluster(s)个节点的检测任务和通信任务，因为不同分簇间的节点可以同时工作，可将以上节点分为N_node(s)组，每一组包含N_cluster(s)个节点，***是按组完成检测工作的；

（4.5）在第s步分簇后至第s+1步分簇前的检测通道时间轴上，记为t(s,s+1)可切割成N_node(s)个时间片，每个时间片长度为T_sonarwork，T_sonarwork＝T_tof+T_write+T_idle，其中T_tof为超声回波所耗时间，T_write为节点存储测量数据时间；

（4.6）在第s步分簇后至第s+1步分簇前的通信通道时间轴上，记为t(s,s+1)可切割成N_node(s)*N_cluster(s)个时间片，每个时间片长度为T_comm+T_idle；

（4.7）至此时间分割已完成，切割完后的每一个时间片，其所承担的任务也就确定了。

5.根据权利要求3所述的基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，所述步骤（3）中时钟同步指令采用单向广播同步的方式，确保基站和所有节点之间达到时钟同步；基站在***开始运行时发送一个数据包，当所有节点接收到此数据包时，记录下各自的本地时间t₀，作为各自的参考时间，一旦所有节点都把当前本地时间作为参考时间，则整个网络的时钟同步就实现了，此后，各节点间的时钟都用相对时间Δt表示，Δt＝t_current-t₀，其中，t_current为各节点晶振分频之后的脉冲数累计时间。

6.根据权利要求3所述的基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，所述步骤（4）中工作令牌用于决定网络中传感器节点获得工作的权限；通信令牌用于决定网络中传感器节点获得通信的权限；同一个时隙中可以有多个传感器节点实施检测任务，但是在同一个时隙中只有一个节点拥有通信权，检测任务和通信任务是相互独立的，也就是工作令牌与通信令牌是相互独立的；所述步骤（15）中数据的上行传输和所述步骤（12）中数据的下行传输是相互独立的，上行和下行数据的信道分开，分别由基站接收端和基站发送端负责，避免了冲突。

7.根据权利要求3所述的基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，所述步骤（7）中基于事件驱动的卡尔曼滤波定位算法包括下列步骤：

（7.1）根据目标所在区域的环境和运动特性综合考虑选择卡尔曼滤波的观测方程，根据不同的观测量和观测矩阵执行下列卡尔曼滤波迭代算法；

（7.2）预测现在***状态：

X(k|k-1)＝AX(k-1|k-1)+Bu(k)，

（7.3）预测现在***协方差：

P(k|k-1)＝AP(k-1|k-1)A′+Q，

（7.4）更新卡尔曼增益：

$\mathrm{Kg}\left(k\right)=\frac{P\left(k\right|k-1)H^{\′}}{\mathrm{HP}\left(k\right|k-1)H^{\′}+R},$

（7.5）最优化当前***状态：

X(k|k)＝X(k|k-1)+Kg(k)[Z(k)-HX(k|k-1)]，

（7.6）最优化当前***协方差：

P(k|k)＝[1-Kg(k)H]P(k|k-1)，

（7.7）将以上步骤得到的目标位置状态与收敛速度更快的最小二乘法得到的目标状态相比较e(k)＝X_kalman(k)-X_ols(k)，若均方差大于一个阈值T时，说明目标已严重偏移了原来的预测轨迹，则令X_kalman(k)＝(1-α)X_kalman(k-1)+αX_ols(k),0.5≤α≤1，以此来纠正卡尔曼滤波定位跟踪精度。

8.根据权利要求3所述的基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，所述步骤（7）中目标寻回机制：相邻网格扫描法，包括下列步骤：

(1)首先基站通过广播命令唤醒丢失目标所在网格内睡眠的节点,节点在唤醒之后搜索其监测范围内的目标信息,并收集各个节点检测信息通过网关上传至数据服务中心；

(2)数据服务中心对数据进行融合处理,判断是否有目标重新出现的信息：若有,则休眠不相关节点并继续对目标进行追踪；若没有,则重新广播搜索命令消息至与之相邻的网格节点,并休眠本网格内节点；

(3)相邻网格节点在接受到搜索命令之后,唤醒并进行搜索工作,并重复上面的操作，若还是没有重新发现目标,则结束搜索工作,休眠各个网格内节点,各网格继续轮询侦察，直至寻回目标。

9.根据权利要求3所述的基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，所述步骤（7）中网格边缘监测保护策略运用于移动机器人在网络中穿越不同网格前后，在经过网格的边缘区域时，运用单个观测值的扩展卡尔曼滤波预测方法没有顺利完成网格切换的时候，判断移动机器人所在的网格，保障实时完成目标跟踪的网格切换；包括下列步骤：

（ⅰ）当移动机器人移动到网格G1与网格G2的边缘区域，***数据服务中心通过双数据处理通道分别基于单个观测值扩展卡尔曼滤波算法和两点定位算法来得到目标位置信息，若两者得到的位置信息相差达到设定的阈值时，则通过两点定位算法得到的最新位置信息纠正卡尔曼滤波中的当前状态值，从而加快卡尔曼预测的更新速度，保障跟踪目标的实时性；若通过以上方法得到的目标位置还在网格G1范围内，下一周期有可能跨入网格G2区域，则开启网格边缘监测保护策略；

（ⅱ）开启网格G2中移动机器人对面的两个监测节点对应的超声波传感器，单个超声波传感器的有效测距角度为60°，两个监测节点可获得有效测量范围，并被纳入到当前的工作令牌中；

（ⅲ）若在某两个连续的测量周期中发现移动机器人已进入两个监测节点的有效测量范围，即认定移动机器人已移动到网格G2；若目标物体未进入有效测量区域，则一直将两个监测节点纳入工作令牌当中，直至监测策略停止，即目标物体移出网格边缘区域为止；

（ⅳ）若认定目标物体已移动到网格G2后，即关闭两个监测节点，结束监测策略；否则，重复执行步骤（1）～（4）。

10.根据权利要求3所述的基于事件驱动的无线传感器网络多目标实时跟踪***，其特征在于，所述步骤（9）中自适应簇调度策略是将整个网络中的测量节点按照自身摆放的位置与相邻的节点自组织的生成一个簇，同一个簇中的节点共同协作完成对移动机器人动态跟踪的任务；簇内节点的内容是会发生动态变化的，当移动机器人在网格中进行切换时或者在同一网格中发生区域类型变化时，不需要工作的节点退出簇，而簇内也会加入新的节点成员；自适应簇调度策略中加入了保证新加入的工作节点能快速可靠测量的机制；在多移动机器人跟踪过程中，不同任务之间的簇内节点之间会产生干扰；当多个移动机器人非常靠近的时候，更有同一测量节点在不同簇内同时工作的情况；簇间协商的机制是整个网络中能同时进行多个移动机器人目标跟踪的保证；从不同簇中选取出一个工作节点，组合成一次测量的工作令牌，若两者同时测量会互相干扰，则把其中一个测量节点延时一个测量周期进行测量，以此避免测量过程中超声波之间的干扰。

Images