CN111132014A - 一种基于无人机移动信标的无线传感器网络节点定位方法 - Google Patents
一种基于无人机移动信标的无线传感器网络节点定位方法 Download PDFInfo
- Publication number
- CN111132014A CN111132014A CN201911412421.4A CN201911412421A CN111132014A CN 111132014 A CN111132014 A CN 111132014A CN 201911412421 A CN201911412421 A CN 201911412421A CN 111132014 A CN111132014 A CN 111132014A
- Authority
- CN
- China
- Prior art keywords
- beacon
- mobile
- combination
- node
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种基于无人机移动信标的无线传感器网络节点定位方法,首先在信标分布阶段提出最小矩形和等距三重覆盖算法实现多信号覆盖,保证无线传感器网络中各节点分别能同时接收来自至少三个移动信标的传感信号;再提出两阶段启发式算法实现多无人机飞行轨迹优化,然后在定位阶段提出基于阈值选择的多重定位算法,基于信号的数量选择相应算法进行定位;由此,本发明从整体和***的角度,集成研究了移动信标自定位、无人机飞行轨迹优化、以及目标定位三个场景下的模型和算法,并通过案例仿真实现三个场景结合后的结果,验证了模型和算法的可行性和有效性,有效提高了无线传感器网络节点定位的准确性。
Description
技术领域
本发明涉及一种基于无人机移动信标的无线传感器网络节点定位方法,属于运筹优化技术领域与WSN节点定位技术领域。
背景技术
无人机协助WSN节点定位是一个更加便捷、高效的方法,多个功能节点之间通过无线通信形成一个连接的网络,即无线传感器网络WSN,无线传感器网络主要由三大部分组成,包括节点、传感网络和用户这3部分。其中节点的定位是WSN中至关重要的问题,尤其在目标定位领域,由于成本限制,无法为每个节点安装GPS,为了改善WSN定位的成本和效率,无需布置成千上万个信标节点,只需多个无人机搭载带有GPS的无线传感器(移动信标)即可实现目标定位。
但现有无人机协助定位技术的不足之处,主要体现在构建信标分布和定位两个阶段:(1)为了实现信号覆盖,需要设置无人机的飞行高度、角度、发射频率等,且不能保证多信号覆盖,其操作较为繁杂,而且不能保证整体的有效性和准确率;(2)因没考虑信标分布,对于算法本身进行研究,如三边测量法、最小二乘法、蒙特卡洛和DV-HOP法等,算法较为单一。
发明内容
本发明所要解决的技术问题是提供一种基于无人机移动信标的无线传感器网络节点定位方法,能够有效提高无线传感器网络节点定位的准确性。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于无人机移动信标的无线传感器网络节点定位方法,通过自带卫星定位功能的各个无人机,针对无线传感器网络中的各节点实现定位,包括如下步骤:
步骤A.针对无线传感器网络中全部节点的整体覆盖区域,获得整体覆盖区域竖直方向投影下中各个移动信标二维坐标,且无线传感器网络中各节点分别能同时接收来自至少三个移动信标的传感信号,然后进入步骤B;
步骤B.针对各个移动信标二维坐标,获得多个无人机分别从不同出发位置出发、所对应的最优飞行路径,然后进入步骤C;
步骤C.各架无人机分别以不同出发位置、沿其最优飞行路径进行飞行,并且无人机在各个移动信标位置发射传感信号;与此同时,无线传感器网络中各节点分别执行如下步骤C1至步骤C5,实现各节点的定位;
步骤C1.节点接收到传感信号,并判断所接收不同传感信号的数量是否不小于3,是则进入步骤C2;否则重复执行步骤C1;
步骤C2.若该节点所接收到传感信号的数量等于3,则进入步骤C3;
若该节点所接收到传感信号的数量大于3,则进入步骤C4;
步骤C3.采用改进三边测量算法,获得该节点的定位信息;
步骤C4.采用极大似然估计算法,获得该节点的初步定位信息,然后进入步骤C5;
步骤C5.采用扩展卡尔曼滤波算法,针对该节点的初步定位信息进行优化,获得该节点的定位信息。
作为本发明的一种优选技术方案,所述步骤A包括如下步骤A1至步骤A3:
步骤A1.针对无线传感器网络中全部节点的竖直方向投影,获得由分别经过其中最高位置节点、最低位置的节点的两条横向边,以及分别经过最左位置节点、最右位置节点的两条纵向边,构成矩形区域,实现对无线传感器网络中全部节点的覆盖,并以矩形区域左侧边为y轴、底边为x轴构建二维坐标系,然后进入步骤A2;
步骤A2.采用等距三重覆盖算法,按无线传感器网络中各节点分别接收到至少三个移动信标位置发送的传感信号,针对矩形区域进行处理,获得矩形区域中各个移动信标,且所有相邻各个移动信标之间连线构成彼此相同的各个正三角形,然后进入步骤A3;
步骤A3.根据矩形区域中各个移动信标的所在行,以及正三角形的边长,获得各个移动信标分别在二维坐标系下的二维坐标,即各个移动信标二维坐标,然后进入步骤B。
作为本发明的一种优选技术方案,所述步骤B基于遗传算法执行如下步骤B1至步骤B10;
步骤B1.针对各个移动信标二维坐标,获得预设数量包含所有移动信标二维坐标的信标随机排序组合,然后进入步骤B2;
步骤B2.分别针对各信标随机排序组合,根据无人机的数量N,在信标随机排序组合中随机***N-1个划分点,将该信标随机排序组合划分为N段,接着分别针对各段,定义由该信标随机排序组合中第一无人机信标广播位置二维坐标起,依序经过段中各无人机信标广播位置二维坐标后、返回该信标随机排序组合中第一无人机信标广播位置二维坐标,构成该段所对应的飞行路径,即获得该信标随机排序组合所对应的N条飞行路径,并且针对该信标随机排序组合中除第一段所对应的飞行路径以外、其余各段分别所对应的飞行路径,定义飞行路径中第一移动信标二维坐标与第二移动信标二维坐标之间的距离为0;进而获得各信标随机排序组合分别所对应的N条飞行路径,然后进入步骤B3;
步骤B3.分别针对各信标随机排序组合,进一步分别针对信标随机排序组合所对应的N条飞行路径,根据飞行路径中相邻移动信标二维坐标之间的距离,累加获得飞行路径的长度,即获得该信标随机排序组合所对应各条飞行路径的长度;然后进入步骤B4;
步骤B4.分别针对各信标随机排序组合,按如下公式:
获得信标随机排序组合所对应的目标值Z,其中,a、b表示预设参数,且a+b=1,ln表示信标随机排序组合所对应第n条飞行路径的长度,max(ln)表示信标随机排序组合所对应各条飞行路径的长度的最大值;进而获得各信标随机排序组合分别所对应的目标值,然后进入步骤B5;
步骤B5.分别针对各信标随机排序组合,由信标随机排序组合所对应目标值的倒数,构成该信标随机排序组合所对应的适应度,然后进入步骤B6;
步骤B6.分别针对各信标随机排序组合,应用轮盘赌方法,由信标随机排序组合适应度与所有信标随机排序组合适应度之和的比值,构成该信标随机排序组合所对应的被选中概率;进而获得各信标随机排序组合分别所对应的被选中概率,然后选择最大被选中概率所对应的信标随机排序组合,作为局部最优信标排序组合,并进入步骤B7;
步骤B7.针对局部最优信标排序组合所对应的各飞行路径,依次经过选择算子操作、交叉算子操作、变异算子操作,获得各个初级信标排序组合,且各个初级信标排序组合分别对应N条飞行路径,然后进入步骤B8;
步骤B8.分别针对各个初级信标排序组合,按步骤B3至步骤B6的方法,针对各初级信标排序组合分别所对应被选中概率,选择最大被选中概率所对应的初级信标排序组合,作为最优信标排序组合,然后进入步骤B9;
步骤B9.针对最优信标排序组合所对应的N条飞行路径,针对飞行路径中相邻二维坐标之间距离为0的两个移动信标,删除其中第一个移动信标,然后针对该飞行路径,设计经过其中最后一个移动信标后,返回其中第一个移动信标,实现该飞行路径的闭环路径;由此更新最优信标排序组合所对应的N条飞行路径,然后进入步骤B10;
步骤B10.将最优信标排序组合所对应的N条飞行路径,分别与各无人机一一对应,即获得各无人机分别所对应的最优飞行路径,且各最优飞行路径中的第一个移动信标即为对应无人机的出发位置。
作为本发明的一种优选技术方案:所述a=所述b=1/2。
作为本发明的一种优选技术方案:所述步骤C3中,针对该节点所接收到3个传感信号,分别以该3个移动信标圆心、广播信号辐射半径构建三个圆,并根据该3个移动信标的三维坐标,获得其中两个圆之间的中心点的三维坐标,然后以该中心点的三维坐标,结合第三个圆的圆心的三维坐标,获得该节点定位信息。
本发明所述一种基于无人机移动信标的无线传感器网络节点定位方法,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计基于无人机移动信标的无线传感器网络节点定位方法,首先在信标分布阶段提出最小矩形和等距三重覆盖算法实现多信号覆盖,保证无线传感器网络中各节点分别能同时接收来自至少三个移动信标的传感信号;再提出两阶段启发式算法实现多无人机飞行轨迹优化,然后在定位阶段提出基于阈值选择的多重定位算法,基于信号的数量选择相应算法进行定位;由此,本发明从整体和***的角度,集成研究了移动信标自定位、无人机飞行轨迹优化、以及目标定位三个场景下的模型和算法,并通过案例仿真实现三个场景结合后的结果,验证了模型和算法的可行性和有效性,有效提高了无线传感器网络节点定位的准确性。
附图说明
图1是本发明设计基于无人机移动信标的无线传感器网络节点定位方法的***架构图;
图2是本发明设计中覆盖无线传感器网络的矩形区域的示意图;
图3是本发明设计中应用等距三重覆盖算法所获移动信标示意图;
图4是本发明设计中针对无人机从各自出发地出发向同一出发地转换示意图;
图5是本发明设计中步骤C的流程示意图;
图6a是本发明设计应用中三边测量算法的实际应用情形示意图;
图6b是本发明设计应用中三边测量算法的实际应用情形示意图;
图7是本发明设计应用中改进三边测量算法应用情形示意图;
图8是扩展卡尔曼滤波器算法流程示意图;
图9是本发明设计实施例应用中等距三重覆盖算法所获移动信标示意图;
图10是本发明设计实施例应用中各无人机的飞行轨迹示意图;
图11是本发明设计实施例应用中迭代收敛过程示意图;
图12是本发明设计实施例应用中三边测量算法仿真示意图;
图13是本发明设计实施例应用中极大似然法仿真示意图;
图14是本发明设计实施例应用中极大似然结合扩展卡尔曼滤波算法仿真示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于无人机移动信标的无线传感器网络节点定位方法,通过自带卫星定位功能的各个无人机,针对无线传感器网络中的各节点实现定位,如图1所示,包括如下步骤A至步骤C。
步骤A.针对无线传感器网络中全部节点的整体覆盖区域,获得整体覆盖区域竖直方向投影下中各个移动信标二维坐标,且无线传感器网络中各节点分别能同时接收来自至少三个移动信标的传感信号,然后进入步骤B。
实际应用中,上述步骤A具体包括如下步骤A1至步骤A3。
步骤A1.针对无线传感器网络中全部节点的竖直方向投影,获得由分别经过其中最高位置节点、最低位置的节点的两条横向边,以及分别经过最左位置节点、最右位置节点的两条纵向边,构成矩形区域,如图2所示,实现对无线传感器网络中全部节点的覆盖,并以矩形区域左侧边为y轴、底边为x轴构建二维坐标系,然后进入步骤A2。
步骤A2.采用等距三重覆盖算法,按无线传感器网络中各节点分别接收到至少三个移动信标位置发送的传感信号,针对矩形区域进行处理,获得矩形区域中各个移动信标,且所有相邻各个移动信标之间连线构成彼此相同的各个正三角形,然后进入步骤A3。
等距三重覆盖算法思想:三边测量法需要从3个不共线的位置测距,因此,仅一重覆盖是不够的,最少需要实用三重覆盖,这样才能保证每个节点能感应到3个移动信标的测距信号,如图3所示,由3组等距一重覆盖组成对无线传感器网络所有节点的三重覆盖,其中各移动信标又构成了边长为r的正三角形,称其为等距三重优化覆盖,等距三重优化覆盖较容易转化为坐标系中的一组坐标,即如图3所示在矩形区域中所获构成等距三重优化覆盖的移动信标集,它们形成了一组正三角形网格(边缘区域除外)。
步骤A3.根据矩形区域中各个移动信标的所在行,以及正三角形的边长,获得各个移动信标分别在二维坐标系下的二维坐标,即各个移动信标二维坐标,然后进入步骤B。
实际应用中,等距三重覆盖是三个一重覆盖的叠加,所以移动信标的数量为一重数量的三倍:
其中,Hex_num3_layer表示等距三重覆盖中移动信标的数量,Hex_num_layer表示等距一重覆盖中移动信标的数量,area_ROI表示矩形区域的面积。
基于矩形区域,按如下步骤,获得各个移动信标分别在二维坐标系下的二维坐标,即各个移动信标二维坐标。
步骤1:基于如下公式,首先根据矩形区域的长度A,计算每行移动信标的数量NodeNum_line;接着根据矩形区域的宽度B,计算行数LineNum。
NodeNum_line=A/r
步骤2:针对矩形区域,计算其中第i行第j号移动信标的横纵坐标,其中奇数行和偶数行的移动信标横坐标计算方法不同,分别为:
(1)若i为奇数,则第i行第j号移动信标的横坐标为:
Xij=(j-1)*r
(2)若i为偶数,则第i行第j号移动信标的横坐标为:
Xij=A-(j-1)*r
(3)当每行发射位置的纵坐标仅与行号相关时,第i行所有发射位置的纵坐标为:
旅行商问题(TravelingSalesmanProblem,TSP)是一个经典的组合优化问题。经典的TSP可以描述为:一个商品推销员要去若干个城市推销商品,该推销员从一个城市出发,需要经过所有城市后,回到出发地。应如何选择行进路线,以使总的行程最短。从图论的角度来看,该问题实质是在一个带权完全无向图中,找一个权值最小的Hamilton回路。由于该问题的可行解是所有顶点的全排列,随着顶点数的增加,会产生组合***,是一个NP—hard问题,因此,本发明根据无人机辅助定位的场景结合路径优化问题建立多出发地多旅行商问题(MMTSP)模型。
两阶段启发式算法(矩阵构造算法和改进遗传算法求解MMTSP)思想:本发明提出两阶段启发式算法,矩阵构造算法处理多出发地问题,改进遗传算法求解多旅行商问题MTSP。
(1)对于多出发地问题,为强制无人机从各自出发地出发,如图4所示,虚拟一出发地O,将O到各无人机出发地的距离设计为0,且出发地之间距离无穷大,将保证无人机必然从出发地出发,同时将问题简化为单出发地问题。
(2)遗传算法是一种以自然选择和遗传理论为基础,将生物进化过程中适者生存规则与同一群染色体的随机信息变换机制相结合的搜索算法。它通过给解向量编码、形成初始种群,然后用变异、交叉重组、自然选择等算子,进行并行迭代,求得优化解。由于它采用随机运算,对搜索空间无特殊要求,无需求导,具有运算简单、收敛速度快等优点。
本发明针对无人机应用场景在原有遗传算法上作了改进,提出针对多无人机路径优化的改进遗传算法,因距离构造算法已将多出发地问题转换为单出发地问题,现只需考虑MTSP问题的求解。
步骤B.针对各个移动信标二维坐标,获得多个无人机分别从不同出发位置出发、所对应的最优飞行路径,然后进入步骤C。
实际应用当中,上述步骤B基于遗传算法执行如下步骤B1至步骤B10。
步骤B1.针对各个移动信标二维坐标,获得预设数量包含所有移动信标二维坐标的信标随机排序组合,然后进入步骤B2。
步骤B2.分别针对各信标随机排序组合,根据无人机的数量N,在信标随机排序组合中随机***N-1个划分点,将该信标随机排序组合划分为N段,接着分别针对各段,定义由该信标随机排序组合中第一无人机信标广播位置二维坐标起,依序经过段中各无人机信标广播位置二维坐标后、返回该信标随机排序组合中第一无人机信标广播位置二维坐标,构成该段所对应的飞行路径,即获得该信标随机排序组合所对应的N条飞行路径,具体为分别针对各段,定义由该信标随机排序组合中第一移动信标二维坐标起,依序经过段中各移动信标二维坐标后、返回该信标随机排序组合中第一移动信标二维坐标,构成该段所对应的飞行路径,即获得该信标随机排序组合所对应的N条飞行路径,并且针对该信标随机排序组合中除第一段所对应的飞行路径以外、其余各段分别所对应的飞行路径,定义飞行路径中第一移动信标二维坐标与第二移动信标二维坐标之间的距离为0;进而获得各信标随机排序组合分别所对应的N条飞行路径,然后进入步骤B3。
例如,有1到8共8个移动信标和2架无人机,首先生成包含所有位置的路径:1—2—3—5—4—7—6—8,再***一个划分点,表示另一架无人机,形成新的染色体:1—2—3—5—9—4—7—6—8,则两架无人机的路径可表示为:(1)1—2—3—5—1;(2)1—4—7—6—8—1。而且需要设置1,9之间的距离无穷大,以避免出现有无人机无执行任务的情形。
步骤B3.分别针对各信标随机排序组合,进一步分别针对信标随机排序组合所对应的N条飞行路径,根据飞行路径中相邻移动信标二维坐标之间的距离,累加获得飞行路径的长度,即获得该信标随机排序组合所对应各条飞行路径的长度;然后进入步骤B4。
分别针对各信标随机排序组合,在保证所有飞行路径总路程最短的情况下,很有可能会出现其中某一条飞行路径过长、负载过重,而某一条飞行路径过短,甚至完全没有经过任何移动信标就直接回到起点,旅行商问题将毫无意义。均衡度的意义在于让每一条路线尽量保持均衡,故只要能满足这一条件的约束函数都能定义为均衡度。
步骤B4.分别针对各信标随机排序组合,按如下公式:
获得信标随机排序组合所对应的目标值Z,其中,a、b表示预设参数,且a+b=1,当a>b时,总路程占主要因素,当a<b时,均衡度占主要因素,因此实际应用中,设计a=b=1/2,ln表示信标随机排序组合所对应第n条飞行路径的长度,max(ln)为设计均衡度,表示信标随机排序组合所对应各条飞行路径的长度的最大值;进而获得各信标随机排序组合分别所对应的目标值,然后进入步骤B5。
步骤B5.由于飞行路径越短,各无人机的飞行时间越短,适应度越大,染色体的鲁棒性就越好,因此分别针对各信标随机排序组合,由信标随机排序组合所对应目标值的倒数,构成该信标随机排序组合所对应的适应度,然后进入步骤B6。
步骤B6.分别针对各信标随机排序组合,应用轮盘赌方法,由信标随机排序组合适应度与所有信标随机排序组合适应度之和的比值,构成该信标随机排序组合所对应的被选中概率;进而获得各信标随机排序组合分别所对应的被选中概率,然后选择最大被选中概率所对应的信标随机排序组合,作为局部最优信标排序组合,并进入步骤B7。
步骤B7.针对局部最优信标排序组合所对应的各飞行路径,依次经过选择算子操作、交叉算子操作、变异算子操作,获得各个初级信标排序组合,且各个初级信标排序组合分别对应N条飞行路径,然后进入步骤B8。
步骤B8.分别针对各个初级信标排序组合,按步骤B3至步骤B6的方法,针对各初级信标排序组合分别所对应被选中概率,选择最大被选中概率所对应的初级信标排序组合,作为最优信标排序组合,然后进入步骤B9。
步骤B9.针对最优信标排序组合所对应的N条飞行路径,针对飞行路径中相邻二维坐标之间距离为0的两个移动信标,删除其中第一个移动信标,然后针对该飞行路径,设计经过其中最后一个移动信标后,返回其中第一个移动信标,实现该飞行路径的闭环路径;由此更新最优信标排序组合所对应的N条飞行路径,然后进入步骤B10。
步骤B10.将最优信标排序组合所对应的N条飞行路径,分别与各无人机一一对应,即获得各无人机分别所对应的最优飞行路径,且各最优飞行路径中的第一个移动信标即为对应无人机的出发位置。
步骤C.各架无人机分别以不同出发位置、沿其最优飞行路径进行飞行,并且无人机在各个移动信标位置发射传感信号。
完成多信号对矩形区域全覆盖和定位效率提升,并根据前面的结果对无线传感器网络中各节点进行精确定位,由于根据等距三重覆盖算法的功能,保证无线传感器网络中各节点至少收到三个及三个以上的传感信号。三边即可定位二维平面的点,本文设置阈值为3,当信号数目等于3时,采用三边测量法对目标进行定位,当信号数目超过3时,为充分利用冗余数据和降低定位误差,采用极大似然估计进行初步定位,再采用扩展卡尔曼滤波算法进行精确定位。即如图5所示,无线传感器网络中各节点分别执行如下步骤C1至步骤C5,实现各节点的定位。
步骤C1.节点接收到传感信号,并判断所接收不同传感信号的数量是否不小于3,是则进入步骤C2;否则重复执行步骤C1。
步骤C2.若该节点所接收到传感信号的数量等于3,则进入步骤C3。
若该节点所接收到传感信号的数量大于3,则进入步骤C4。
步骤C3.采用改进三边测量算法,获得该节点的定位信息,现有三边测量算法基本原理和步骤:Trilateration(三边测量)是一种常用的定位算法,已知三点位置(x1,y1),(x2,y2),(x3,y3),且已知未知点(x0,y0)到三点的距离d1,d2,d3,以d1,d2,d3为半径分别画三个圆,根据毕达哥拉斯定理,得出交点即未知点的位置计算公式:
最终交点的求解公式:但在实际定位中,给定的距离由于测量的误差,并不能真正让三个圆交于一点,为了应付这些情况,我们需从两个圆入手,先找到两两圆之间的中心点,再求三圆的中心点。除去圆中圆的情况(现实基本上不存在),两圆关系可分为两种,相交,不相交,如图6a和图6b所示。
具体针对该节点所接收到3个传感信号,分别以该3个移动信标圆心、广播信号辐射半径构建三个圆,并根据该3个移动信标的三维坐标,获得其中两个圆之间的中心点的三维坐标,然后以该中心点的三维坐标,结合第三个圆的圆心的三维坐标,获得该节点定位信息。
步骤C4.采用极大似然估计算法,获得该节点的初步定位信息,然后进入步骤C5。
基本原理和步骤:极大似然估计一般在接收到未知节点到信标节点多个相对距离信息时就可利用MLE计算出未知节点的位置。当噪声服从高斯分布时,MLE近似于最小二乘法估计。令未知传感器节点D的坐标为(x,y),那么在无人机通信半径内取n个参考节点1、2、3…n,其坐标分别为(x1,y1),…,(xn,yn),与参考节点D的距离分别为d1,d2,…,dn,建立定位模型:根据欧氏距离公式,从第一个方程开始分别减去最后一个方程可得:可表示为线性方程形式:AX=b,其中:最后可通过最小二乘法计算传感器节点D的坐标为:
步骤C5.采用扩展卡尔曼滤波算法,针对该节点的初步定位信息进行优化,获得该节点的定位信息。
基本原理:卡尔曼滤波器是一种由卡尔曼(Kalman)提出的用于时变线性***的递归滤波器。当状态方程和观测方程均为线性时,采用卡尔曼滤波器可对目标进行定位追踪,过滤掉不必要的噪声对定位的影响。而现实中大多数***均是非线性的(状态和观测方程至少有一个为非线性),卡尔曼滤波器只能解决线性***,扩展卡尔曼滤波器的原理是将非线性***一阶泰勒展开转换为线性***,然后采用卡尔曼滤波框架对信号进行滤波,因此它是一种次优滤波。
如图8所示,算法步骤:在无人机辅助定位中,因为目标固定,所以状态转移矩阵为单位矩阵,量测方程为非线性方程:将非线性量测方程一阶泰勒展开,计算雅可比矩阵,最终转化成线性量测方程,可用卡尔曼滤波算法进行定位。根据状态方程计算预测值,再根据新息值和协方差矩阵计算卡尔曼增益以更新预测值,经过多次迭代后可得目标的精确定位。
针对本发明所设计基于无人机移动信标的无线传感器网络节点定位方法进行仿真,如图9所示,获得覆盖无线传感器网络中各节点的各移动信标,并进一步获得各移动信标二维坐标,如下表1所示。
表1
进一步通过本发明设计方法,通过距离构造算法和改进遗传算法两阶段启发式算法实现无人机路径优化,经过500次迭代后,最终各无人机的飞行轨迹如图10所示,以及迭代收敛过程如图11所示。
最后进行步骤C的处理,三边测量算法仿真如图12所示,极大似然法仿真如图13所示,极大似然结合扩展卡尔曼滤波算法仿真如图14所示。
上述技术方案所设计基于无人机移动信标的无线传感器网络节点定位方法,首先在信标分布阶段提出最小矩形和等距三重覆盖算法实现多信号覆盖,保证无线传感器网络中各节点分别能同时接收来自至少三个移动信标的传感信号;再提出两阶段启发式算法实现多无人机飞行轨迹优化,然后在定位阶段提出基于阈值选择的多重定位算法,基于信号的数量选择相应算法进行定位;由此,本发明从整体和***的角度,集成研究了移动信标自定位、无人机飞行轨迹优化、以及目标定位三个场景下的模型和算法,并通过案例仿真实现三个场景结合后的结果,验证了模型和算法的可行性和有效性,有效提高了无线传感器网络节点定位的准确性。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于无人机移动信标的无线传感器网络节点定位方法,其特征在于:通过自带卫星定位功能的各个无人机,针对无线传感器网络中的各节点实现定位,包括如下步骤:
步骤A.针对无线传感器网络中全部节点的整体覆盖区域,获得整体覆盖区域竖直方向投影下中各个移动信标二维坐标,且无线传感器网络中各节点分别能同时接收来自至少三个移动信标的传感信号,然后进入步骤B;
步骤B.针对各个移动信标二维坐标,获得多个无人机分别从不同出发位置出发、所对应的最优飞行路径,然后进入步骤C;
步骤C.各架无人机分别以不同出发位置、沿其最优飞行路径进行飞行,并且无人机在各个移动信标位置发射传感信号;与此同时,无线传感器网络中各节点分别执行如下步骤C1至步骤C5,实现各节点的定位;
步骤C1.节点接收到传感信号,并判断所接收不同传感信号的数量是否不小于3,是则进入步骤C2;否则重复执行步骤C1;
步骤C2.若该节点所接收到传感信号的数量等于3,则进入步骤C3;
若该节点所接收到传感信号的数量大于3,则进入步骤C4;
步骤C3.采用改进三边测量算法,获得该节点的定位信息;
步骤C4.采用极大似然估计算法,获得该节点的初步定位信息,然后进入步骤C5;
步骤C5.采用扩展卡尔曼滤波算法,针对该节点的初步定位信息进行优化,获得该节点的定位信息。
2.根据权利要求1所述一种基于无人机移动信标的无线传感器网络节点定位方法,其特征在于,所述步骤A包括如下步骤A1至步骤A3:
步骤A1.针对无线传感器网络中全部节点的竖直方向投影,获得由分别经过其中最高位置节点、最低位置的节点的两条横向边,以及分别经过最左位置节点、最右位置节点的两条纵向边,构成矩形区域,实现对无线传感器网络中全部节点的覆盖,并以矩形区域左侧边为y轴、底边为x轴构建二维坐标系,然后进入步骤A2;
步骤A2.采用等距三重覆盖算法,按无线传感器网络中各节点分别接收到至少三个移动信标位置发送的传感信号,针对矩形区域进行处理,获得矩形区域中各个移动信标,且所有相邻各个移动信标之间连线构成彼此相同的各个正三角形,然后进入步骤A3;
步骤A3.根据矩形区域中各个移动信标的所在行,以及正三角形的边长,获得各个移动信标分别在二维坐标系下的二维坐标,即各个移动信标二维坐标,然后进入步骤B。
3.根据权利要求1所述一种基于无人机移动信标的无线传感器网络节点定位方法,其特征在于,所述步骤B基于遗传算法执行如下步骤B1至步骤B10;
步骤B1.针对各个移动信标二维坐标,获得预设数量包含所有移动信标二维坐标的信标随机排序组合,然后进入步骤B2;
步骤B2.分别针对各信标随机排序组合,根据无人机的数量N,在信标随机排序组合中随机***N-1个划分点,将该信标随机排序组合划分为N段,接着分别针对各段,定义由该信标随机排序组合中第一无人机信标广播位置二维坐标起,依序经过段中各无人机信标广播位置二维坐标后、返回该信标随机排序组合中第一无人机信标广播位置二维坐标,构成该段所对应的飞行路径,即获得该信标随机排序组合所对应的N条飞行路径,并且针对该信标随机排序组合中除第一段所对应的飞行路径以外、其余各段分别所对应的飞行路径,定义飞行路径中第一移动信标二维坐标与第二移动信标二维坐标之间的距离为0;进而获得各信标随机排序组合分别所对应的N条飞行路径,然后进入步骤B3;
步骤B3.分别针对各信标随机排序组合,进一步分别针对信标随机排序组合所对应的N条飞行路径,根据飞行路径中相邻移动信标二维坐标之间的距离,累加获得飞行路径的长度,即获得该信标随机排序组合所对应各条飞行路径的长度;然后进入步骤B4;
步骤B4.分别针对各信标随机排序组合,按如下公式:
获得信标随机排序组合所对应的目标值Z,其中,a、b表示预设参数,且a+b=1,ln表示信标随机排序组合所对应第n条飞行路径的长度,max(ln)表示信标随机排序组合所对应各条飞行路径的长度的最大值;进而获得各信标随机排序组合分别所对应的目标值,然后进入步骤B5;
步骤B5.分别针对各信标随机排序组合,由信标随机排序组合所对应目标值的倒数,构成该信标随机排序组合所对应的适应度,然后进入步骤B6;
步骤B6.分别针对各信标随机排序组合,应用轮盘赌方法,由信标随机排序组合适应度与所有信标随机排序组合适应度之和的比值,构成该信标随机排序组合所对应的被选中概率;进而获得各信标随机排序组合分别所对应的被选中概率,然后选择最大被选中概率所对应的信标随机排序组合,作为局部最优信标排序组合,并进入步骤B7;
步骤B7.针对局部最优信标排序组合所对应的各飞行路径,依次经过选择算子操作、交叉算子操作、变异算子操作,获得各个初级信标排序组合,且各个初级信标排序组合分别对应N条飞行路径,然后进入步骤B8;
步骤B8.分别针对各个初级信标排序组合,按步骤B3至步骤B6的方法,针对各初级信标排序组合分别所对应被选中概率,选择最大被选中概率所对应的初级信标排序组合,作为最优信标排序组合,然后进入步骤B9;
步骤B9.针对最优信标排序组合所对应的N条飞行路径,针对飞行路径中相邻二维坐标之间距离为0的两个移动信标,删除其中第一个移动信标,然后针对该飞行路径,设计经过其中最后一个移动信标后,返回其中第一个移动信标,实现该飞行路径的闭环路径;由此更新最优信标排序组合所对应的N条飞行路径,然后进入步骤B10;
步骤B10.将最优信标排序组合所对应的N条飞行路径,分别与各无人机一一对应,即获得各无人机分别所对应的最优飞行路径,且各最优飞行路径中的第一个移动信标即为对应无人机的出发位置。
4.根据权利要求3所述一种基于无人机移动信标的无线传感器网络节点定位方法,其特征在于:所述a=所述b=1/2。
5.根据权利要求1所述一种基于无人机移动信标的无线传感器网络节点定位方法,其特征在于,所述步骤C3中,针对该节点所接收到3个传感信号,分别以该3个移动信标圆心、广播信号辐射半径构建三个圆,并根据该3个移动信标的三维坐标,获得其中两个圆之间的中心点的三维坐标,然后以该中心点的三维坐标,结合第三个圆的圆心的三维坐标,获得该节点定位信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911412421.4A CN111132014A (zh) | 2019-12-31 | 2019-12-31 | 一种基于无人机移动信标的无线传感器网络节点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911412421.4A CN111132014A (zh) | 2019-12-31 | 2019-12-31 | 一种基于无人机移动信标的无线传感器网络节点定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111132014A true CN111132014A (zh) | 2020-05-08 |
Family
ID=70506451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911412421.4A Pending CN111132014A (zh) | 2019-12-31 | 2019-12-31 | 一种基于无人机移动信标的无线传感器网络节点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111132014A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538048A (zh) * | 2020-05-26 | 2020-08-14 | 中国科学院地理科学与资源研究所 | 一种多个无人机入库方法、控制器及无人机 |
CN112013839A (zh) * | 2020-08-18 | 2020-12-01 | 重庆交通大学 | 一种gps拒止环境下无人机集群实时定位方法 |
CN113766429A (zh) * | 2021-09-09 | 2021-12-07 | 深圳市雪球科技有限公司 | 设备定位方法、装置、设备、钱包和存储介质 |
CN114442653A (zh) * | 2020-10-20 | 2022-05-06 | 中国石油化工股份有限公司 | 存储器、基于无人机的巡检控制方法、装置、设备和*** |
CN115021800A (zh) * | 2022-07-19 | 2022-09-06 | 国家无线电监测中心福建监测站 | 使用无人机查找Ka频段卫星终端的方法、装置和电子设备 |
CN116593961A (zh) * | 2023-01-10 | 2023-08-15 | 广州世炬网络科技有限公司 | 移动终端的定位方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458325A (zh) * | 2009-01-08 | 2009-06-17 | 华南理工大学 | 一种基于自适应预测的无线传感器网络目标跟踪方法 |
CN101986758A (zh) * | 2010-11-10 | 2011-03-16 | 河海大学常州校区 | 无线传感器网络定位方法 |
CN102695126A (zh) * | 2012-06-12 | 2012-09-26 | 河海大学常州校区 | 水下传感器网络定位方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN104683954A (zh) * | 2013-11-27 | 2015-06-03 | 南京理工高新技术发展有限公司 | 一种应急环境下无线传感器网络节点定位方法 |
CN106406346A (zh) * | 2016-11-01 | 2017-02-15 | 北京理工大学 | 一种多无人机协同快速覆盖搜索航迹规划方法 |
CN109445946A (zh) * | 2018-11-01 | 2019-03-08 | 西北工业大学 | 一种无人机云端任务部署方法及装置 |
-
2019
- 2019-12-31 CN CN201911412421.4A patent/CN111132014A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458325A (zh) * | 2009-01-08 | 2009-06-17 | 华南理工大学 | 一种基于自适应预测的无线传感器网络目标跟踪方法 |
CN101986758A (zh) * | 2010-11-10 | 2011-03-16 | 河海大学常州校区 | 无线传感器网络定位方法 |
CN102695126A (zh) * | 2012-06-12 | 2012-09-26 | 河海大学常州校区 | 水下传感器网络定位方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN104683954A (zh) * | 2013-11-27 | 2015-06-03 | 南京理工高新技术发展有限公司 | 一种应急环境下无线传感器网络节点定位方法 |
CN106406346A (zh) * | 2016-11-01 | 2017-02-15 | 北京理工大学 | 一种多无人机协同快速覆盖搜索航迹规划方法 |
CN109445946A (zh) * | 2018-11-01 | 2019-03-08 | 西北工业大学 | 一种无人机云端任务部署方法及装置 |
Non-Patent Citations (3)
Title |
---|
JWWWWW: "三点定位法原理及实现——蓝牙定位", 《CSDN》 * |
刘超: "基于改进遗传算法的多无人机航路规划方法", 《火力与指挥控制》 * |
单曦靓: "基于遗传算法的WSN移动信标定位及路径求取", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538048A (zh) * | 2020-05-26 | 2020-08-14 | 中国科学院地理科学与资源研究所 | 一种多个无人机入库方法、控制器及无人机 |
CN112013839A (zh) * | 2020-08-18 | 2020-12-01 | 重庆交通大学 | 一种gps拒止环境下无人机集群实时定位方法 |
CN114442653A (zh) * | 2020-10-20 | 2022-05-06 | 中国石油化工股份有限公司 | 存储器、基于无人机的巡检控制方法、装置、设备和*** |
CN114442653B (zh) * | 2020-10-20 | 2024-07-05 | 中国石油化工股份有限公司 | 存储器、基于无人机的巡检控制方法、装置、设备和*** |
CN113766429A (zh) * | 2021-09-09 | 2021-12-07 | 深圳市雪球科技有限公司 | 设备定位方法、装置、设备、钱包和存储介质 |
CN115021800A (zh) * | 2022-07-19 | 2022-09-06 | 国家无线电监测中心福建监测站 | 使用无人机查找Ka频段卫星终端的方法、装置和电子设备 |
CN115021800B (zh) * | 2022-07-19 | 2023-03-31 | 国家无线电监测中心福建监测站 | 使用无人机查找Ka频段卫星终端的方法、装置和电子设备 |
CN116593961A (zh) * | 2023-01-10 | 2023-08-15 | 广州世炬网络科技有限公司 | 移动终端的定位方法及装置 |
CN116593961B (zh) * | 2023-01-10 | 2024-03-01 | 广东世炬网络科技有限公司 | 移动终端的定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132014A (zh) | 一种基于无人机移动信标的无线传感器网络节点定位方法 | |
Dai et al. | Quality-aware UAV coverage and path planning in geometrically complex environments | |
US8082102B2 (en) | Computing flight plans for UAVs while routing around obstacles having spatial and temporal dimensions | |
Sujit et al. | Search using multiple UAVs with flight time constraints | |
US8260485B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
CN111178582B (zh) | 一种基于改进遗传算法的物流配送优化方法 | |
CN113671985A (zh) | 一种分阶段多基地无人机任务分配和航迹规划方法 | |
CN109357678B (zh) | 一种基于异质化鸽群优化算法的多无人机路径规划方法 | |
CN111915932A (zh) | 一种多目标约束的低空无人机航路规划设计方法 | |
CN106054920A (zh) | 一种无人机飞行路径规划方法和装置 | |
Feng et al. | Allocation using a heterogeneous space Voronoi diagram | |
CN110132260B (zh) | 一种面向复杂地表空间的行人步行导航路径规划方法 | |
CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
Geng et al. | UAV surveillance mission planning with gimbaled sensors | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
CN109784585B (zh) | 一种无人机无人艇的混合布放调度方法 | |
Ghambari et al. | An enhanced NSGA-II for multiobjective UAV path planning in urban environments | |
CN115903896A (zh) | 一种基于代理模型优化的多无人机路径规划方法 | |
Kareem et al. | Planning the Optimal 3D Quadcopter Trajectory Using a Delivery System-Based Hybrid Algorithm. | |
CN114723121A (zh) | 基于gis的野外复杂地形路径规划方法 | |
Wu et al. | A non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning | |
Huang et al. | Time‐Efficient Coverage Path Planning for Energy‐Constrained UAV | |
Gupta et al. | Optimal path planning for UAV using NSGA-II based metaheuristic for sensor data gathering application in wireless sensor networks | |
Ghorpade | Airspace configuration model using swarm intelligence based graph partitioning | |
CN117367433A (zh) | 低空无人机路径规划方法、装置、无人机及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |