（控制科学与工程专业论文）基于无线传感器网络的移动机器人定位问题研究.pdf

国防科学技术大学研究生院硕士学位论文 摘要 本文主要研究了基于无线传感器网络的移动机器人定位问题。根据节点位置 是否已知，将该问题分为两类子问题：节点位置己知条件下的移动机器人定位问 题和节点位置未知条件下的移动机器人定位问题，并分别针对两类问题的现有算 法存在的不足，提出了相应的改进算法，并进行了仿真实验验证。 论文首先针对节点位置已知条件下的移动机器人定位问题展开研究。针对不 同节点测量精度不同的问题，本文在常规粒子滤波算法的基础上，引入节点置信 度的概念对每个节点观测信息的可信度进行评价，选择置信度高的节点参与移动 机器人的定位，提出了改进粒子滤波定位算法。仿真实验结果表明：改进粒子滤 波算法，有效地抑制了冗余信息和冗余节点对移动机器人定位的影响，提高了移 动机器人的定位精度，加快了粒子滤波的收敛速度。 论文其次针对节点位置未知条件下的移动机器人定位问题展开研究。论文将 该问题归结为基于无线传感器网络的无数据关联的移动机器人r a n g e o n l ys l a m 问题，在f a s t s l a m 算法的基础上，采用粒子滤波估计节点位置，提出了纯蒙特 卡洛s l a m 算法。仿真实验结果表明：纯蒙特卡洛s l a m 算法有效地解决了 f a s t s l a m 算法遇到的节点位置初始估计困难和无法处理非高斯噪声等难题。 此外，论文设计了基于u s a r s i i i l 的机器人传感器网络仿真平台，添加了丰 富的机器人模型和传感器模型，并根据现有的m a c 协议和路由协议建立了简单的 无线传感器仿真网络。 主题词：机器人定位；无线传感器网络；粒子滤波；r a n g e - o n l ys l a m f a s t s l a m 第i 页 国防科学技术大学研究生院硕士学位论文 a b s t r a c t t l l i st h e s i si sf o c u s e do nt h el o c a l i z a t i o no fm o b i l er o b o tb a s e do nw i r e l e s ss e n s o r n e t w o r k ( w s n ) ，w h i c hi sd i v i d e di n t ot w os u b - p r o b l e m sa c c o r d i n g t ot h el o c a t i o no f s e n s o rn o d e ：l o c a l i z a t i o no fr o b o tw i t hl o c a t i o no fs e n s o rn o d ea n dl o c a l i z a t i o no fr o b o t h a v i n gn oi d e ao fl o c a t i o no fs e n s o rn o d e t os o l v et h es h o r t c o m i n g so fc u r r e n ta l g o r i t h m sf o rt h et w os u b - p r o b l e m s ，t h i st h e s i sp r o p o s e si m p r o v e da l g o r i t h m ，w h i c hi s p r o v e di nt h es i m u l a t i o ne x p e r i m e n t s t l l i st h e s i sc a r r i e so u tt h er e s e a r c hi nt h ea s p e c to fl o c a l i z a t i o no fr o b o th a v i n ga n i d e ao fl o c a t i o no fs e n s o rn o d ef i r s t l y f o rd i f f e r e n tn o d e sh a v ed i f f e r e n tp r e c i s i o n so f m e a s u r e m e n t t h i st h e s i si n t r o d u c e sn o d er e l i a b i l i t yt oe v a l u a t et h er e l i a b i l i t yo fm e a s u r e m e n tf r o mt h en o d ea n dc h o o s en o d e sw i t hh i g hr e l i a b i l i t i e st ot a k ep a r ti nl o c a l i z a - t i o no fm o b i l er o b o t ，a n dp r o p o s e sa l li m p r o v e dp a r t i c l ef i l t e ra l g o r i t h mf o rl o c a l i z a t i o n b a s e do nt h en o r m a lp a r t i c l ef i l t e r a st h es i m u l a t i o ne x p e r i m e n ts h o w s ，t h ei m p r o v e d p a r t i c l ef i l t e ra l g o r i t h mi m p r o v e st h ep r e c i s i o no fm o b i l er o b o tl o c a l i z a t i o na n dc o n - v e r g i n gv e l o c i t yo fp a r t i c l ef i l t e r , b yr e s t r a i n i n ge f f e c to fr e d u n d a n c yn o d e sa n dr e d t m d a n c yi n f o r m a t i o n t b j st h e s i sc a r r i e so u tt h er e s e a r c hi nt h ea s p e c to fl o c a l i z a t i o nh a v i n gn oi d e ao f l o c a t i o no fs e n s o rn o d es e c o n d l y ，w h i c he s s e n t i a l l yi st h e p r o b l e mo fr a n g e o n l y s l a mo fm o b i l er o b o tw i t h o u td a t aa s s o c i a t i o nb a s e do nw s n t l l i st h e s i sp r o p o s e sa p u r em o n t ec a r l oa l g o r i t h mf o rs l a mb a s e do nf a s t s l a ma l g o r i t h m ，w h i c hu s i n g p a r t i c l ef i l t e rt oe s t i m a t el o c a t i o no fn o d e a st h es i m u l a t i o ne x p e r i m e n ts h o w s ，t h e p u r em o n t ec a r l os l a ma l g o r i t h me f f e c t i v e l ys o l v e st h ed i 珩c u l t i e so fi n i t i a le s t i m a - t i o no fn o d el o c a t i o na n do fs o l v i n gn o n g a u s s i a nn o i s et h a tf a s t s l a mf a c e s m o r e o v e r , t h i st h e s i sd e s i g n sas i m u l a t i o np l a t f o r mo fr o b o t - s e n s o rn e t w o r kb a s e d o nu s a r s i m i n c l u d i n gv a r i o u sm o d e l so fr o b o ta n ds e n s o rw h i c hc o m p o s es i m u l a t i o n w i r e l e s ss e n s o rn e t w o r ka c c o r d i n gt oc u r r e n tm a c p r o t o c o la n dr o u t i n gp r o t o c 0 1 k e yw o r d s ：r o b o tl o c a l i z a t i o n ，w i r e l e s ss e n s o rn e t w o r k ，p a r t i c l ef i l t e r ， r a n g e o n l ys l a m ，f a s t s l a m 第i i 页 国防科学技术大学研究生院硕士学位论文 表目录 表2 1 节点能量模型参数1 6 表2 2 热源模型参数和函数1 6 表2 3 传感器模型主要参数和函数1 7 表3 1 马尔可夫定位算法2 6 表3 2m o n t ec a r l o 定位算法2 8 表4 1f a s t s l a m 算法步骤4 l 第1 i i 页 国防科学技术大学研究生院硕士学位论文 图1 1 图2 1 图2 2 图2 3 图2 _ 4 图2 5 图2 6 图2 7 图2 8 图3 1 图3 2 图3 3 图3 - 4 图3 5 图3 - 6 图3 7 图3 8 图3 - 9 图3 1 0 图4 1 图4 2 图4 3 图4 4 图4 5 图4 6 图4 7 图4 8 图目录 水下机器人定位系统6 切圆圆心法1 0 机器人传感器网络仿真系统结构框图1 4 传感器节点体系结构1 5 基于簇的分层结构1 8 基于网的平面网络结构1 9 仿真网络场景2 1 平面网络结构和路由结果2 1 基于簇首的分层网络结构及路由结果2 2 算法流程图3 0 距离观测噪声3 2 角度观测噪声3 3 接收信号强度测量分布3 3 仿真环境与操作界面3 4 参与定位节点数目比较3 4 本文算法6 次更新后的粒子分布3 5 常规粒子滤波算法6 次更新后的粒子分布3 5 两种方法下机器人运动轨迹比较3 6 移动机器人定位精度3 7 b a y e s 网络图表示的s l a m 问题3 8 纯蒙特卡洛方法的节点粒子初始化4 3 纯蒙特卡洛s l a m 算法流程图4 5 纯蒙特卡洛s l a m 算法中的节点位置估计4 6 5 0 次测量中算法的初始估计误差4 7 纯蒙特卡洛s l a m 算法的估计结果4 8 纯蒙特卡洛s l a m 算法中机器人位置估计误差变化4 9 节点位置估计误差变化5 0 第页 独创性声明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得 的研究成果尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它 教育机构的学位或证书而使用过的材料与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意 学位论文题目： 基王歪垡笾盛墨圈鳖鲍整邈狃墨厶塞焦闻趣叠塞 学位论文作者签名：态勇日期：力，宇年j 月9 学位论文版权使用授权书 本人完全了解国防科学技术大学有关保留、使用学位论文的规定本人授权 国防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子 文档，允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文 ( 保密学位论文在解密后适用本授权书) 学位论文作者签名： 懒捌僦阵 日期：矽 日期：2 。j 年j 月万日 年t ll j l 不b v 国防科学技术大学研究生院硕士学位论文 第一章绪论弟一早三百。y 匕 机器人学作为一门新兴学科，已经有四十多年的历史了。随着机器入学的应 用与发展，移动机器人的应用也越来越广泛。美国麻省理工学院( m i t ) 著名机器人 科学家h f d u n a n t w h y t e 认为自主移动机器人导航应该解决三个问题【l 】：( 1 ) “我 在叨g j k ( w h e r ea mi ) ? ；( 2 ) “我要去哪里( w h e r ea mig o i n g ) ? ；( 3 ) “怎么去( h o w s h o u l dig ot h e r e ) ? ”。其中问题( 1 ) 是移动机器人的定位问题，这个问题的求解就 是通过传感器检测到的环境信息获取移动机器人在空间中的位置、方向。这是移 动机器人导航要解决的首要问题，也是机器人实现真正智能化和完全自主移动的 关键。 1 1 本文的选题背景和意义 无线传感器网络和移动机器人是当代两大研究热点。移动机器人是一种在复 杂环境下工作的，具有自主规划、自主运行的智能机器人，融合了计算机技术、 ： 信息技术、通信技术和微电子技术等。随着机器人学的应用和发展，移动机器人 的应用也越来越广泛【2 j 。 在军事应用中，军用移动机器人可以遂行战场侦察、扫雷排爆，甚至作为无。 人作战平台直接作战等，降低战场中士兵的危险性。 在火灾、地震和矿难等灾害现场救援中，救援机器人可以代替救援人员进入 高温、浓烟、毒气、爆炸或坍塌等危险环境执行搜救和抢险任务。 在其他一些对人体危害较大的场合，如核污染场所、生化武器袭击场所等， 核生化移动机器人可以代替工作人员，在其中自主运行，完成既定任务。 在人类探索太空的进程中，移动机器人也将发挥重要作用。美国“勇气 号、 “机遇”号火星车成功地对火星进行了探测。在我国的嫦娥探月工程中，也将首 先使用我国自主研制的月球探测车对月球进行探测。 移动机器人的广泛应用，离不开精确的定位技术。在移动机器人的各项相关 技术中，定位技术是核心技术，是移动机器人实现自主导航的基础，也是机器人 实现真正智能化和完全自主移动的关键。 目前存在许多的移动机器人定位技术，常用的主要有；利用自身传感器如里 程计、加速度计和陀螺仪的航迹推算、利用视觉的定位技术、利用激光的同步定 位和建图( s l a m ) 和基于g p s 的全球定位技术。 航迹推算，又称为相对位置测量【3 】，通过积分增量运动信息来测量机器人相对 于初始位置的距离和方向，确定机器人的当前位置。其特点是不依赖外部信息， 第1 页 国防科学技术大学研究生院硕士学位论文 可以提供完全的自主性和完备的导航信息。该方法在短距离上定位效果相对理想。 但是，它不具有从错误中恢复的能力，增量积分将引起传感器测量误差的累积， 使得测量误差随着机器人航程的增长而无限制的增加，总体的定位效果较差，不 适于精确定位。 基于计算机视觉的( c o m p u t e rv i s i o n ) 【4 】的定位技术通过分析摄像机从环境中取 得的二维图像，提取图像中的环境特征，确定距离，进而确定机器人的位置。目 前双目立体视觉技术已经比较成熟，被较多机器人采用。但是视觉定位仍然存在 精度不足、可重用性差、能耗大等缺陷。此外，视觉定位需要依赖光，如果不能 发现特征点，则视觉传感器不能正常工作。 基于激光雷达( l a s e rr a d a r ) t 5 】的定位方法从激光传感器的空间距离信息中提取 出环境的墙、拐角等特征，实现定位。近年来，激光雷达在移动机器人自定位中 的应用日益增多。这种定位方式最突出的特点是具有很高的精度，且能够同时考 虑精度要求和速度要求，特别是用于移动机器人领域。与视觉传感器不同，激光 雷达可以在无光条件下工作，在黑暗中其测量效果甚至更好。但是，激光定位存 在视野窄，能量消耗大的缺点。并且，激光雷达无法实现障碍后的物体定位。在 一些特征不明显的复杂环境中，定位算法十分复杂，且运算量较大。 随着全球定位系统( g p s ) 的建立，越来越多的地表移动机器人定位开始采用全 球定位系统或其他一些定位系统。全球定位系统根据环绕地球的卫星位置信号确 定地球上任意一个物体的位置。这种方法是有局限性的移动机器人必须同时 处于至少四颗卫星的覆盖范围内。当移动机器人处于室内或地下环境或者外星球 时，它将无法接收g p s 卫星传来的信号。即使机器人位于室外，如果环境影响了 卫星信号的接收，也会对定位精度造成很大影响。 由于任何传感器都具有测量误差，使用原始测量信息，无法实现移动机器人 的高精度定位。为了减小测量误差对定位精度的影响，人们通常采用滤波算法， 融合移动机器人内部和外部的多传感器信息，提高定位精度【6 】。基于贝叶斯( b a y e s ) 理论的滤波算法主要包括：卡尔曼滤波和粒子滤波。 卡尔曼滤波( k a l m a nf i l t e r ) ：1 9 6 0 年，卡尔曼发表了他著名的用递归方法解决 离散数据线性滤波问题的论文【7 1 。从那以后，得益于数字计算技术的进步，卡尔曼 滤波器已成为推广研究和应用的主题，尤其是在自主或协助导航领域1 8 】。卡尔曼滤 波器由一系列递归数学公式描述。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。卡尔曼滤波器应用广泛且功能强大：它可以估 计信号的过去和当前状态，甚至能估计将来的状态，即使并不知道模型的确切性 质【9 】。将期望和方差线性化的卡尔曼滤波器称作扩展卡尔曼滤波器( e x t e n d e dk a l m a l lf i l t e r ) ，简称e k f 。卡尔曼滤波在数据融合，机器人定位中应用十分广泛【l 们。 第2 页 国防科学技术大学研究生院硕士学位论文 但是卡尔曼滤波在处理非高斯误差上仍具有局限性。 粒子滤波( p a r t i c l ef i l t e r ) ：又称为蒙特卡洛( m o n t ec a r l o ) 方法。粒子滤波是从上 世纪9 0 年代中后期发展起来的另一种新的滤波算法【1 1 1 ，是递推贝叶斯滤波器的另 一种实现形式，其基本思想是用随机样本来描述概率分布，这些样本被称为“粒子”， 然后在测量的基础上，通过调节各粒子权值的大小和粒子的位置，来近似实际概率 分布，并以粒子的均值作为系统的估计值，原则上可用于任意非线性非高斯随机 系统的状态估计，有效克服了扩展卡尔曼滤波的缺点【1 2 d5 1 。文献 1 6 】介绍了粒子滤 波器的原理和研究现状以及基于粒子滤波器的移动机器人定位研究进展。但是粒 子滤波的收敛性尚未在理论上得到证明，且当粒子数目较大时，粒子滤波的计算 量非常大，影响计算速度。 无线传感器网络( w i r e l e s ss e n s o rn e t w o r k ，简称w s y ) 兴起于上个世纪九十年 代，是继因特网之后，将对2 l 世纪人类生活方式产生重大影响的i t 热点技术之 一。随着嵌入式技术、微机电技术、网络通信和无线通信技术等的发展，具有感 知、计算和无线通信等功能的无线传感器网络引起了人们的极大关注。 无线传感器网络具有成本低、可靠性强、布撒容易、使用灵活等优点，这使 得其应用背景广泛。无线传感器网络可以广泛应用于国防军事、国家安全、环境 检测、交通管理、医疗卫生、制造业和反恐抗灾等领域。在无线传感器网络中， 位置信息十分重要。确定了节点的位置信息，才能确定事件和信息所处的位置。 离开了位置信息，其他一切的信息都失去了意义。无线传感器网络节点定位技术 在无线传感器网络技术中具有十分重要的意义【1 7 l 。 基于无线传感器网络的移动机器人定位中，无线传感器网络利用传播时间、 信号强度等信息来测量移动机器人和节点间的相对位置信息，然后根据节点的位 置，计算移动器人的位置信息。由于传感器节点工作功率小，传感器的测量信息 容易受环境的影响，存在较大的测量误差。研究人员一般利用滤波算法，融合移 动机器人自身的里程计、加速度计等传感器信息和外部传感器节点的测量信息， 建立移动机器人的运动模型和观测模型，通过持续的测量，不断更新、修正机器 人的预测运动状态和位姿信息，减小测量误差的影响，提高移动机器人的定位精 度。 基于无线传感器网络的移动机器人定位技术，作为机器人学和无线传感器网 络两大新兴学科的一个重要交叉，为移动机器人定位开辟了一条全新的道路。由 于无线传感器网络的节点体积小，成本低，结构简单，具有广阔的应用范围，因 此，基于无线传感器网络的移动机器人定位具有广泛的应用背景。 本论文旨在研究基于无线传感器网络的移动机器人定位技术，并引入移动机 器人定位中常用的贝叶斯理论，并通过多种滤波算法的研究分析，寻找一种适合 第3 页 国防科学技术大学研究生院硕士学位论文 基于无线传感器网络的移动机器人滤波定位算法，减小传感信息中测量误差的影 响，提高移动机器人的定位精度，为移动机器人的自主运行奠定基础。 1 2 课题研究现状和发展趋势 自从2 0 世纪9 0 年代起，无线传感器网络逐渐吸引了越来越多的国内外研究 机构和研究人员的关注和热情。目前，针对无线传感器网络的研究有很多方面。 文献【1 8 】介绍了一种针对无线传感器网络的异步的a m a c 协议，旨在改善m a c 协议中存在的时间同步和节省能源问题。文献 1 9 ，2 0 1 研究了无线传感器网络中时间 同步问题的研究现状，分析比较了各种网络框架中时间同步的优劣。文献【2 1 提出 了一种应用于无线传感器网络的强化的树路由策略( e n h a n c e dt r e er o u t i n g ) 。文献 f 2 2 1 通过比较a d h o e 定位方法、鲁棒定位方法和多跳多边定位方法的优缺点，研 究了无线传感器网络中节点定位问题。 无线传感器网络应用广泛，涉及技术较多，因此，无线传感器网络容易与其 它许多学科交叉产生新的研究热点。无线传感器网络和机器人学科有许多的交叉 研究方向。文献 2 3 ，2 4 1 币u 用无线传感器网络实现了多机器人的在线任务分配，并提 出了一种m u l t if i e l dd i s t r i b u t e di n n e t w o r kt a s ka l l o c a t i o n ( d i n t a m f ) 算法。文献 【2 5 ，2 6 q b 研究了利用移动机器人，实现动态未知环境中无线传感器网络的配置、覆 盖以及管理等问题。文献 2 7 】中研究了无线传感器网络和机器人协同追踪的问题， 它利用无线传感器网络寻找定位目标，然后引导机器人追踪目标。但是上述的研 究方向都要求移动机器人具有精确的位置信息，无线传感器网络内移动机器人定 位问题就成为上述问题的基础。因此，本文选择基于无线传感器网络的移动机器 人定位问题作为研究课题。目前，利用无线传感器网络实现移动机器人定位吸引 了国内外许多研究机构和工作人员的关注和投入，是机器入学科和无线传感器网 络研究的热点之一。 目前针对基于无线传感器网络的移动机器人定位问题研究主要集中于两个方 向：传感器信息的获取，即测量技术研究；传感器信息的处理，即定位算法研究。 基于无线传感器网络的移动机器人定位方法的测量技术有很多种，主要可以 分为距离相关( r a n g e r e l a t e d ) 和距离无关( m g e 行e e ) 两类方法【2 8 】。距离相关的测 量方法主要有：单程或往返传播时间测量法( o n e - w a yp r o p a g a t i o nt i m ea n dr o u n d t r i p p r o p a g a t i o nt i m em e a s u r e m e n t s ) 1 2 9 1 、到达时间差测量法( t i m ed i f f e r e n c eo fa r r i v a l m e a s u r e m e u t s ，t d o a ) t 3 0 】和接收信号强度法( r e c e i v e ds i g n a ls t r e n g t hm e 2 l s u r e m e n t s ， r s s ) 3 1 , 3 2 1 。距离无关的方法主要有到达角度法( a n g l eo fa r r i v a l ，a o a ) t 3 3 】和接收信 号强度配置法( r s sp r o f i l i n gm e a s u r e m e m s ) p 4 1 。 单程传播时间测量消息发送时间和接收时间的时间差，要求w s n 的时间同步 第4 页 国防科学技术大学研究生院硕士学位论文 十分精确，实际应用中难度很大，精度不高。往返时间传播法测量消息在两个节 点之间往返传播时间，对时间同步要求较低，但是由于节点处理时间的加入，造 成测量误差较大1 3 引。 到达时间差法利用同一节点同时发送两个不同信号，接收节点根据两个信号 的接收时间差，测量节点间距离。这需要增加在传感器节点中增加新的发送、接 收装置，对节点能源、结构造成很大负担【3 6 】。但是t d o a 的测量精度较高，对时 间同步的要求低，具有较强的实用价值【37 1 。 接收信号强度法利用传播信号的衰减，通过接收节点测量接收信号强度，计 算两个节点间的距离。由于信号衰减受到的影响因素很多，测量精度较低哪j 。但 是这种方法结构简单，不会额外增加节点负担，如果得到的信号衰减曲线符合实 际衰减曲线，测量精度很高。目前，r s s 测量方法使用较多。 到达角度法通过旋转的定向天线或者天线阵列测量信号的辐频特性和定向天 线的各向异性，计算发送节点和接收节点间的相对角度。这种测量方法容易受到 接收天线的灵敏度和发射信号聚束宽度的限制。目前面临和亟待解决的技术难题 是传输信号强度的时变性。 目前，基于无线传感器网络的移动机器人定位算法的研究，吸引了研究人员 更多的关注。移动机器人的位置计算与节点位置密切相关，按照节点位置是否已 知，可以将定位问题分为两类子问题：节点位置己知条件下的移动机器人定位问 题和节点位置未知条件下的移动机器人定位问题。本文将在第二章中详细介绍这 两类子问题的研究现状。 目前，基于无线传感器网络的移动机器人定位的技术已经应用到实际的工程 系统中。文献 3 9 】中的反狙击手的系统p i n p t r 就是基于无线传感器网络的移动机器 人定位技术实际应用的一个典例。它采用了t d o a 测量方法，利用高密度配置的 传感器节点，测量闪光和枪响到达的时间差，然后将感知信息传递到基站，计算 狙击手的位置。目前该系统己能够计算出狙击手的击发高度。p e t e rc o r k e 等利用 无线传感器网络，建立了一个水下机器人的定位系统，利用声纳探测技术，计算 水下机器人位置，定位精度高于水面g p s 定位和视觉定位精度，解决了水下环境 内的机器人定位难题【4 ，如图1 1 所示。 近年来，基于无线传感器网络的移动机器人定位吸引了越来越多的国内研究 机构和大学的关注。文献【4 1 将基于无线传感器网络应用到星际漫游机器人定位 中，并且提出了一种简单实用的切圆圆心法，在简单的无线传感器网络中进行了 实际应用，定位精度高。文献 4 2 】在国内首次提出了基于无线传感器网络的采用粒 子滤波的s l a m 算法，为国内基于无线传感器网络的移动机器人s l a m 问题研究 指明了方向。但是目前国内的研究大部分尚局限于仿真环境中的理论研究，实际 第5 页 国防科学技术大学研究生院硕士学位论文 图i - i 水下机器人定位系统 无线传感器网络具有成本低、结构简单等特点，使得节点可阻大规模布撒。 但是，大规模的人工布撒节点，布撒效率低下，降低了无线传感器网络的实用性。 而随机布撒将大幅度扩大无线传感器网络的应用范围。因此，基于随机布撒w s n 的移动机器人定位将是未来移动机器人定位研究的热点和重点，即节点位置未知 的无线传感器网络内的移动机器人s l a m 问题。由于受到节点结构和能量的限制， 单个传感器节点的感知能力十分有限，感知信息的测量误差很大，造成定位精度 不高。如何减小或消除测量误差的影响，融合更多精确的传感器信息，是目前基 于w s n 的移动机器人定位研究的热点方向。同时，由于无线传感器网络的传输协 议限制，多个传感器节点不能保证同时感知，感知信息的传输过程存在时延问题， 这都将影响移动机器人的定位精度。如何克服这些问题，将是基于w s n 的移动机 器人定位问题未来的研究方向。 总之，基于无线传感器网络的移动机器人定位研究，有着自己独特的优势和 良好的应用前景。随着传感器节点测量技术的改进，以及无线抟感器网络应用的 推广。本课题研究必将得至i 进一步的发展深入。 13 1 本文内容殛创新点 1 3 本文工作及论文结构 本课题主要研究了在无线传感器网络环境中移动机器人的定位问题，主要内 容包括：首先在深入分析无线传感器网络内移动机器人定位问题的特点和模型的 基础上，指出节点位置对机器人定位的重要性，并根据节点位置是否已知，将无 线传感器网络内移动机器人定位问题分为两类子问题：节点位置己知条件下和节 点位置来知条件下的移动机器人定位问题。节点位置己知条件下，本文采用了基 于贝叶斯理论的定位方法，分析了现有常用贝叶斯方法的优缺点，选择善于处理 第6 丽 国防科学技术大学研究生院硕士学位论文 非高斯非线性模型的蒙特卡洛方法作为该问题的主要解决方法，在现有的算法基 础上，针对现有算法的不足，提出了改进算法，并通过仿真实验进行了验证；节 点位置未知条件下，本文将该问题归结为无数据关联的r o s l a m ，分析总结了现 有r o s l a m 算法的优缺点，并在f a s t s l a m 算法的基础上，提出了纯蒙特卡洛 s l a m 算法，应用于基于无线传感器网络的移动机器人s l a m 问题，并通过仿真 实验进行了验证。 本文的创新点如下： 1 ) 本文在移动机器人研究仿真平台u s a r s i m 的基础上，开发了一个全新的 机器人传感器网络仿真平台，作为本文仿真实验验证的重要平台。基于u s a r s i m 的仿真平台利用了u s a r s i i l l 内便利的机器人控制、丰富的机器人模型和传感器模 型，以及逼真的虚拟视觉显示，建立一个十分友好的人机交互界面，使基于无线 传感器网络的机器人定位研究更加直观。 2 ) 在节点位置己知的移动机器人定位问题中，本文引入了节点置信度的概念， 用于评价参与观测的节点感知信息的可信度，并以此选择高置信度的节点参与机 器人位置的更新，去除了冗余信息和冗余节点的影响，通过仿真实验验证，节点 置信度的引入，提高了机器人定位的精度和粒子滤波的收敛速度。 3 ) 在基于无线传感器网络的移动机器人s l a m 问题中，提出了基于f a s t s l a m 算法的纯蒙特卡洛s l a m 算法，该算法利用蒙特卡洛方法逼近节点位置的后验分 布，解决了节点位置初始估计困难的问题。 1 3 2 本文组织结构 本文组织结构如下： 第一章对本文的研究背景进行了简要介绍，同时介绍了本课题的研究现状和 发展趋势。 第二章对基于无线传感器网络的移动机器人定位问题进行了分析，根据节点 位置是否已知，将定位问题分为两类子问题：节点位置已知条件下的移动机器人 定位问题和节点位置未知条件下的移动机器人s l a m 问题。然后，介绍了用于本 文研究的仿真平台。本文的仿真平台基于u s a r s i m 建立，创建了新的传感器节点 仿真模型，并根据已有的m a c 协议和路由协议组建了机器人传感器网络。 第三章对节点位置已知条件下的移动机器人定位问题进行了分析研究，在利 用蒙特卡洛定位方法实现机器人定位的基础上进行改进，引入了节点置信度的概 念，用于评价每个节点感知信息的可信度，选择节点参与机器人位置后验分布的 计算，改善了蒙特卡洛方法内的多传感器信息的融合问题，提高了机器人定位的 精度和粒子滤波的收敛速度。 第7 页 国防科学技术大学研究生院硕士学位论文 第四章对基于无线传感器网络的移动机器人s l a m 问题进行了研究，在已有 的f a s t s l a m 算法的基础上，针对f a s t s l a m 在节点位置初始估计和处理非高斯噪 声中的不足，提出了一种纯蒙特卡洛s l a m 算法。在该算法中，采用蒙特卡洛定 位方法计算节点位置，得到一个根据节点位置的粒子分布计算全局粒子权重的全 新表达式。 第五章对全文进行了总结，并且对今后的工作和研究方向进行了展望。 第8 页 国防科学技术大学研究生院硕士学位论文 第二章基于无线传感器网络的移动机器人定位问题描述及 仿真平台的搭建 基于无线传感器网络的移动机器人定位问题，是移动机器人利用无线传感器 网络的观测信息和移动机器人自身的运动控制( 一般由机器人自身传感器测得) ， 计算自身位置的过程。利用测量信息计算移动机器人位置与节点位置密切相关， 节点位置是否已知对移动机器人位置的计算有着重要影响。因此，本章将根据节 点位置是否已知，对基于无线传感器网络的移动机器入定位问题进行分析研究。 为了展开对无线传感器网络的研究，研究人员开发了许多仿真平台，如 o p n e t ，n s 2 等，但是这些仿真平台没有包含移动机器人模型，而且传感器模型 较少。针对日益深入移动机器人和无线传感器网络交叉研究，这些仿真平台无法 满足研究需要。为了开展机器人和无线传感器网络交叉研究，本文在移动机器人 研究的仿真平台u s a r s i m 的基础上，设计开发了机器人传感器网络仿真平台。 2 1 基于无线传感器网络的移动机器人定位问题描述 基于无线传感器网络的移动机器人定位问题，融合了无线传感器网络的观测 信息和移动机器人自身的运动控制。与一般机器人定位问题不同，其观测方程来 源于无线传感器网络的观测。因此基于无线传感器网络的移动机器人定位问题的 状态方程表示为： j 耻五哆，t ) q ( 2 - 1 ) l 五= g k ( 鼍，m ) + 其中，x 。表示k 时刻移动机器人的状态；表示k 时刻移动机器人的运动控 制输入；乙表示在k 时刻移动机器人外部传感器的观测值；五( 五巾) 表示系统 中的机器人的运动函数；g k ( 五，m ) 表示移动机器人和无线传感器网络的观测方 程，m 为节点位置；v 。和w 。分别表示k 时刻的运动噪声和观测噪声。 根据观测方程，可以看出，节点位置与机器人位置计算有着密切的关系。因 此，本文根据节点位置是否已知情况，将基于无线传感器网络的移动机器人定位 问题划分为两类子问题，分别为节点位置已知的移动机器人定位问题和节点位置 未知条件下的移动机器人s l a m 问题 2 1 1 节点位置已知条件下的移动机器人定位问题 第9 页 国防科学技术大学研究生院硕士学位论文 当节点位置已知时，节点位置为常值，式( 2 1 ) 将退化为一般的移动机器人定 位问题： it = 五( 五十) + 心，1 ，、 i 互= g 。( 以) + 、。 其中，x 。表示k 时刻移动机器人的状态( 位置) ；u k 表示k 时刻移动机器人 的运动控制输入；z 。表示在k 时刻移动机器人外部传感器的观测值；兀和魄分别 表示系统中的状态转移函数和观测函数；，。和w t 分别表示时刻的运动噪声和观r k 测噪声。 这就意味着，无线传感器网络的所有传感器节点都将沦为移动机器人的外部 传感器。系统状态方程中的观测方程的建立与无线传感器网络的测量技术相关。 不同的测量技术，将对应不同的观测方程。 由于基于无线传感器网络的移动机器人定位在测量技术上与无线传感器网络 的自定位基本相同，许多无线传感器网络的定位方法也可以用于机器人定位中。 文献【4 3 介绍了一种采用t d o a 测量的定位方法，利用多次测量求取平均值，以 减少测量误差，然后采用最小二乘法计算机器人的精确位置。文献 4 4 ，4 5 介绍了利 用a o a 测量的三角定位法，并引入了统计定位方法来消除系统中的噪声。 本文中，所有实验均采用了基于r s s i 的测量技术。因此，在测量信息中，只 有距离信息。目前，基于距离的定位方法主要有： 1 ) 几何定位方法。基于距离的几何定位方法利用临近的至少三个锚节点的测 距信息来确定目标位置，又称为三边定位法。它主要包括切圆圆心法和质心法。 切圆圆心法是一种基于测距的几何定位方法，它利用锚节点测得的距离，得到一 个目标区域，然后确定目标区域的最大内切圆( 或者外切圆) ，选择切圆的圆心作为 目标的估计位置【4 1 1 ，如图2 1 所示。质心法利用锚节点测量区域的交点组成一个 三角形或多边形，然后选择多边形的质心作为目标的位置。但当锚节点的测量距 离无法得到测量区域相交点时，无法使用质心法。 图2 - 1 切圆圆心法 2 ) 极大似然估计定位方法。极大似然估计是一种最优估计。文献 4 6 】介绍了 第1 0 页 国防科学技术大学研究生院硕士学位论文 一种基于极大似然估计的定位误差估计算法，指出极大似然估计是一种最优估计， 并给出了最合适的锚节点数目和参与定位的节点数目。文献【4 7 则在极大似然估计 的基础上，引入了高斯牛顿法，在分布处理传感信息时，既考虑了能量的使用效 率，又通过c r a m e r r a o 关系式寻找下一个参与定位的节点。但是由于系统中观测 方程的模型复杂，而且存在大量的非高斯噪声，很难求得问题的最优解。 3 ) 基于概率的定位方法。由于移动机器人的运动方程和观测方程中，存在大 量的噪声，而且这些噪声多为组合噪声，为减小观测噪声和运动噪声对移动机器 人定位精度的影响，人们多采用基于概率的定位方法。目前，基于概率的定位方 法主要有：卡尔曼滤波和粒子滤波定位方法。文献 4 8 】利用了扩展卡尔曼滤波 ( e k f ) ，融合了节点测量的接收信号强度信息和移动机器人自身的里程计信息，建 立了整个系统的观测模型和运动模型，计算移动机器人的位置。粒子滤波定位方 法又称为蒙特卡洛定位方法。文献 4 9 】提出了利用扩展的粒子滤波方法，融合分布 式的传感器信息，在速度和精度上改善了移动机器人定位。文献 5 0 】提出了一种 p t l ( p r o b a b i l i t yt o r u sl o c a l i z a t i o n ) 算法，利用离线测量统计出信号强度测量偏差随 距离的变化曲线，然后结合粒子滤波估计出离节点距离的概率分布曲线，最后根 据与几个位置已知节点的距离的联合概率分布计算出移动机器人位置。 由于系统模型为非线性模型，而且含有大量非高斯噪声，极大地限制了卡尔 曼滤波定位算法的精度和效率。而粒子滤波定位算法对移动机器人的初始位置估 计要求低，在处理非线性模型和非高斯噪声方面，具有很大的优势，因此，本文 在解决节点位置已知时的移动机器人定位问题时，采用了粒子滤波定位算法，并 提出了改进粒子滤波定位算法。 2 1 _ 2 节点位置未知条件下的移动机器人s l a m 问题 当节点位置未知时，系统状态方程中，为了计算移动机器人位置，需要确定 节点位置。因此式( 2 1 ) 中的系统状态方程转化为： 五= 以( 也小u 。) + 喙 乙= & ( 五，m ) + 心 ( 2 - 3 ) m = m 一 其中，x 。表示k 时刻移动机器人的状态；u k 表示k 时刻移动机器人的运动控 制输入：乙表示在k 时刻移动机器人外部传感器的观测值；五( 五中) 表示系统 中的机器人的运动函数；( 也，以) 表示机器人和无线传感器网络的观测方程，m 为节点位置；v 。和w k 分别表示k 时刻的运动噪声和观测噪声。 在式( 2 3 ) 的系统中，由于移动机器人和节点位置均不可知，移动机器人的定 第1 1 页 国防科学技术大学研究生院硕士学位论文 位求解问题就转化为同步计算机器人位置和节点位置的问题。如果将静止的节点 视为地图中静止的路标，则基于无线传感器网络的移动机器人问题转化为同步计 算机器人位置和地图中路标位置，即基于无线传感器网络的移动机器人s l a m 问 题。与一般的s l a m 问题中路标和观测信息需要专门的数据关联算法来建立数据 和路标的对应关系不同，在无线传感器网络中，每个节点信号都带有唯一的节点 i d 号，使感知信息和节点一一对应，因此，基于无线传感器网络的移动机器人 s