用于未知环境的混杂传感器网络交互策略.doc

第11期庄伟等：用于未知环境的混杂传感器网络交互策略127用于未知环境的混杂传感器网络交互策略庄伟1, 2，宋光明1，宋爱国1（1.东南大学 仪器科学与工程学院，江苏 南京 210096；2. 密歇根理工大学 电子计算机工程系，密歇根 霍顿 49931）摘 要：给出一种用于未知环境中混杂传感器网络交互策略，设计并实现一种两层网络结构平台。结合最小二乘法和改进泛洪理论实现混杂传感器网络中动态节点的定位与导航。通过无线接收信号强度（received signal strength indicator）来估计发送端与接收端的距离，并作为阈值应用于视频通信链路维护中。实验分析了真实环境中RSSI 的有效性，并在该结构平台上实现了路径查找和视频通信链路维护，结果表明该方法可以有效应用于混杂传感器网络动静节点协同工作。关键词：混杂传感器网络；定位；导航；RSSI；泛洪中图分类号：TP24 文献标识码：A 文章编号：1000-436X(2008)11-0121-07Effective strategy for hybrid sensor networks in an unknown environmentZHUANG Wei1, 2, SONG Guang-ming1, SONG Ai-guo1(1. School of Instrument Science and Engineering, Southeast University, Nanjing 210096, China;2. Department of Electrical and Computer Engineering, Michigan Technological University, Houghton MI 49931, USA) Abstract: An effective strategy for hybrid sensor networks was proposed. It is designed to be used in an unknown environment. The system contains two-tier networks, sensor network and ad-hoc network. The coordination of two networks could enhance abilities in sensing, task executing, communication, etc. Meanwhile, simultaneous localization and navigation acting as the important applications in hybrid sensor networks were illustrated in this paper. The flooding technique was adopted to deduce a path to the region of interest. A simple approach of video signal propagation as a significant application of the whole system was also presented. The received signal strength indicator was adopted to reflect the relationship between the sender and receiver. Also, the received signal strength of WiFi radio was employed to be a criterion for the movement of the robots. The real experimental results validate the feasibility and reliability of the proposed strategy.Key words: hybrid sensor network; localization; navigation; RSSI; flooding1 引言收稿日期：2008-06-16；修回日期：2008-10-27基金项目：国家高技术研究发展计划（“863”计划）基金资助项目（2006AA01Z221）Foundation Item: The National High Technology Research and Development Program of China (863 Program) (2006AA01Z221)近年来，随着无线传感器网络研究的迅猛发展，随之带来的应用此起彼伏1。通过在某区域部署大规模无线节点，可以即时传送该地区的信息，特别是对于那些不能可靠预测行为的未知环境尤为重要2。目前无线传感器网络的研究还面临许多理论与技术难题，比如节点能耗、分布式标定、时空不规则性、动态网络重配置等问题。在静态传感器网络中加入少量可控制的移动节点可以极大地增强其功能，并解决上述研究中遇到的种种问题。这种同时包含静态节点和动态节点的传感器网络实质是无线传感器网络的一种演化，被称为混杂传感器网络(hybrid sensor network)3。混杂传感器网络中的移动节点在绝大多数的现实应用中一般借助各种各样的移动机器人来实现。在很多应用中，移动机器人被要求执行一些任务，例如运动至敏感区域获取信息或修复网络。然而，对于很多应用场合，往往环境地图并不可知，并且由于天气影响、建筑遮蔽等因素，全球定位系统也无法利用，对于常规移动机器人系统而言，较难准确并及时地完成任务。此时，尽管静态节点被随机部署在敏感区域，位置并不可知，然而利用混杂传感器网络的特殊优势，可以准确并及时引导移动机器人前往该区域执行任务。Shenoy和Tan采用随机粒子来构建传感器节点位置概率的约束，并提出矩形轮廓法来引导移动机器人4。Branislav Kusy等通过测量多普勒频移跟踪定位移动节点，利用无线信号干涉法在0.14m/s的速度下得到0.2Hz的精度5。Niculescu等在ad hoc网络环境中利用部分锚节点通过泛洪算法成功定位其他目标节点6,7。Luthy K A等提出一种低成本自适应网络修复算法，该算法通过测量无线信号强度维护因环境变化引起的通信链路中断2。Nguyen等采用一组移动机器人作为中继节点维护ad hoc网络通信链路，确保领路机器人与基站的实时通信8。在此基础上，本文提出了一种用于未知环境中混杂传感器网络交互策略，设计并实现一种两层网络结构平台，分别包括传感器网络和移动ad hoc网络。同时提出混杂传感器网络中移动节点同时定位及导航方法。移动节点即移动机器人与静态节点同时随机部署在敏感区域，此时移动节点参与传感器网络的协同工作，同时通过ad hoc自组网与其他移动节点交互工作。到达目的地后，移动节点可以有效并及时将视频或音频信息传送回基站。此时部署在区域内的其他移动节点执行路由或中继任务。本文的贡献在于提出一种有效的用于未知环境混杂传感器网络交互策略，通过两层网络协同工作，实现对移动节点定位、导航及维护视频传输通信链路。实验证明该策略的有效性和可行性。2 系统结构平台如上节所述，本文关注的问题是在未知环境中如何利用移动节点的优势有效处理紧急事件。由此提出一种同时包含传感器网络与ad hoc网络的结构平台。图1为该平台的结构框。在传感器网络中，由于移动机器人部署了传感器节点，网络移动性得到提高。部分节点既可作为静态节点又可实现执行器的功能。移动节点同时具有了采集湿度、温度、光和磁场等信息的能力。传统无线传感器网络由于受硬件条件的约束，对于高带宽高质量的视频传输应用不能得以满足。由于平台中的移动节点同时参与ad hoc网络协同工作，因此能够胜任例如移动视频实时通信等应用。也就是说，如果将移动ad hoc网络通过无线网关与Internet连接，结合了两种网络结构的优势，利用该平台可以在任何地点任何时刻获取敏感区域信息，而这些应用是当前无线传感器网络无法实现的。图1 两层网络结构平台两层网络结构平台采用了Pioneer 3-AT型移动机器人作为系统的执行单元。这种商业化移动机器人具有方便的操作性和较好的稳定性，通过ARIA接口调用各种命令实现移动节点的平面运动。同时，采用配备了802.11b/g兼容无线网卡的Dell笔记本电脑作为中央处理单元。Tmote传感器节点通过USB接口与PC连接，嵌入式操作系统TinyOS运行于节点中。为了实现视频通信功能，采用Logitech网络摄像头作为视频采集单元。所有的移动节点具有同样的结构。由于采用的硬件单元均为商业化组件，因此该平台具有一定的普适性。3 移动节点定位导航无论在混杂传感器网络还是在移动机器人研究领域，定位在各种应用中起着极其重要的地位和作用，例如森林灭火、战场敌军跟踪、路由数据包跟踪等。同时，定位也是混杂传感器网络移动节点导航的先决条件。如果能获得该区域节点的位置信息，那么移动节点便可以由静态节点引导至事件发生区域。对于未知环境下的混杂传感器网络，由于节点大面积随机部署，尽管静态节点彼此间可靠通信，但是节点地理位置不可知，所以如何有效通过移动节点有效定位静态节点，是当前混杂传感器网络研究难点之一。一般来说，位置信息可以通过无线信号强度(RSSI)、信号到达时间（TOA）或信号到达时间差（TDOA）获得。最近研究表明也可以通过多普勒频移间接获得位置信息5，不过该方法所需硬件条件较高，对于一般应用无法满足。图2给出混杂传感器网络移动节点导航示意，背景图取材于密歇根理工大学ECE 8楼平面结构。图中A点为移动节点初始设置，B点为事件发生区域，AB间曲线为移动节点运动轨迹；。静态节点随机部署在墙面。为了实现混杂传感器网络中移动节点的有效导航，做出以下假设：1) 所有静态节点位置不可知；2) 静态节点随机分布；3) 静态节点均可与其单跳邻居节点可靠通信；4) 移动机器人未装配导航设备（如GPS）；5) 移动机器人装配编码器以用于计算行走距离以及方位角。图2 移动节点导航示意基于以上假设，对地图中静态节点做全局定位是不必要的。通过实验证明，仅需要对部分静态节点定位，即可实现移动节点的可靠导航。由于该场景中可利用资源有限，这里采用无线信号强度（RSSI）来间接获得距离信息。正如上节所述，平台中包含了两层网络结构，无论是基于802.11b/g的ad hoc网络还是基于802.15.4的传感器网络，均可以获取RSSI测量值4。通过对接收的无线信号强度做模数转换，可以得到相关RSSI测量值。严格意义上，RSSI测量值对衡量发生端与接收端的距离并不是十分准确。本文作者的前期工作中提出通过最小二乘估计和贝叶斯滤波获得稳定收敛的测量值9，证明了RSSI可有效用于混杂传感器网络定位。对于本文假设场景而言，局部定位静态节点作为先决条件，有效引导移动节点为最终目的。3.1 距离测量定位方法包括两步骤：首先，通过RSSI值间接获取距离信息；其次，通过最小二乘法估计RSSI收敛值。图3所示为系统局部定位，图中灰色圆圈代表已经随机部署的静态节点，相互间处于可靠通信距离内。移动节点被要求做随机游走，黑色曲线代表移动节点运动轨迹，并设置命令要求移动节点每秒发生含自身位置的数据包。假设5号节点已分别收到位于X1、X2、X3坐标的移动节点的数据包，即测量相对应的RSSI值。根据RSSI与距离拟合曲线（见实验部分）可以将该值转换为对应距离即图中r1、r2、r3。由此可见，5号节点位于三圆相交区域。为了获得5号节点的实际坐标，通过最小二乘估计来获得5号节点的位置。图3 移动节点局部定位3.2 数据估计假设已知移动节点位于X1、X2、X3处位置坐标，5号节点测得的RSSI值对应的距离分别为r1、r2、r3。定义差分方程(1)式（1）中为估计距离与测量距离之差。其中，u赋值为5，定义()为5号节点初始坐标。采用最小二乘估计10对上述方程建立目标方程，求其最小化(2)利用泰勒展开式对方程线性化，得(3)（）将线性方程简化为矩阵形式，得(4)因此，利用最小二乘估计简化该矩阵方程为(5)在每一步运算过程中，将 加入方程（5）中迭带，直至收敛至零。这样，节点位置信息由原来的概率区域转化为坐标估计值。3.3 动力学模型由于本文设计的结构平台是建立在Pioneer 3-AT型机器人基础上，所以建立该机器人动力学模型是必要的。实验中所使用的该机器人为4轮双马达差分驱动结构。图4给出了移动机器人动力学模型，其数学模型为图4 移动机器人动力学模型(6)其中，()即为移动机器人时刻坐标，为时刻方位角。为了简化计算，将机器人2维平面轴心作为坐标原点。因此，机器人线速度和角速度可以表达为(7)其中，和分别表示左右驱动轮角速度，和分别表示驱动轮线速度。其中，R为轮半径，W为轮纵向轴距。和分别表示机器人线速度和角速度。假设时间微分量，则可以获得该机器人动力学方程为(8)式（8）中向量为系统累积误差11。因此，由该方程可以计算移动机器人运动过程中的位置。3.4 导航路径寻找由于环境地图未知，如何有效利用混杂传感器网络优势让机器人寻找有效路径是本节讨论的重点。本节介绍如何利用该混杂传感器网络中有限信息资源寻找机器人导航路径。由动力学模型可以得到机器人运动轨迹，通过最小二乘估计静态节点的位置。假设网络内静态节点均装配温度、湿度、光等传感器，并且相互处于可靠通信半径内。图5显示为改进泛洪理论的路径寻找模型，图中圆圈代表静态节点。当1号节点感知事件发生后，将包括自身ID的数据包发生至邻居节点（单跳节点），即图中2号、3号、4号节点；4号节点转发收到的数据包，并添加自身ID于包头数据帧，此时收到2次转发包的节点必然包括2号、3号节点。为了避免系统进了死循环，定义：每次转发数据包含有标记值Si；初始Si定义为零，每次转发数据包时Si赋值为Si1；定义若数据包Si值大于等于自身标记值时，丢弃数据包。因此，如图5所示，2号、3号、4号节点的标记值相同，即4号节点转发的数据包，2号与3号节点将丢弃。同理，5号、7号节点将丢弃6号节点发送的数据包。图5 混杂传感器网络导航路径寻找模型因此可以根据该方法找到机器人导航路径。对于大规模随机部署的混杂传感器网络，即便移动节点已经收到数据包，并已计算出拓扑路径，路径查找算法仍然在运行，直至节点被遍历，这是采用泛洪算法的劣势12。同时，由于多路径反射和建筑遮蔽，尽管数据包传送总跳数为最小，所选路径并非物理上最佳路径，对于如何有效控制泛洪，将在实验部分说明。对于本文假设的应用场合，该算法利用有限网络资源计算出移动节点到事件区域的路径。定义1 Mi (i=1, 2, 3)为第i号节点发送的数据包；Si(i=1, 2, 3)为标记值。算法步骤如下。步骤1 初始化标记值，即所有节点标记值为零；步骤2 静态节点广播数据报，添加含标记值Si和ID的数据帧入Mi；步骤3 已收到包的节点解包比较Si与自身标记值， if Si+1 = Si then 丢弃数据包并停止转发； else Si=Si+1 回复ACK消息；步骤4 重复上述步骤，直至移动节点存在标记值并大于1。至此，通过测量无线信号强度并转换距离量，用最小二乘法估计部分静态节点坐标，随后采用改进泛洪理论寻找机器人到事件区域的路径。对于移动机器人运动控制而言，涉及避障、误差处理等控制领域。本文的重心在于设计并实现两层网络结构平台，通过该平台可用于定位导航及维护视频信号链路等应用。随后的实验部分将具体对这些问题做出分析。4 实验分析本节分别讨论三部分内容，首先是RSSI值的性能分析及与距离的非线性关系；其次是真实环境中的导航路径获取；最后是以RSSI为阈值动态维护视频通信链路，以验证本文所述平台的有效性。4.1 RSSI分析验证RSSI的有效性对于本文提出结构平台的可行性起着至关重要的作用，本节通过实验，证明了真实环境中测量得到的RSSI受运动、角度等因素的影响，同时给出了RSSI与距离的关系。实验场地选在密歇根理工大学ECE 8楼，其平面结构如图6所示。需要注意的是，因为受天线各向异性和建筑遮蔽等因素影响，不同场景获得的实验数据会有所不同，本节实验是为了证明本文方案的可行性。图6 移动节点导航路径实验中传感器节点采用Moteiv公司的Tmote节点，嵌入式操作系统采用TinyOS。实验中的移动节点为Mobilerobots公司的Pioneer 3-AT型移动机器人（见图7(a)），该机器人为4轮双马达差分驱动 (a) 基于两层网络结构硬件平台(b) 移动节点与基站双向通信时RSS值变化(c) 视频通信链路信号吞吐量图7 视频通信链路维护分析模式。同时，移动机器人装配了12组超声波传感器和一个激光测距器，Tmote节点通过USB口与移动机器人处理单元连接。为了尽可能减少干扰，选择没有电磁设备的走廊为移动机器人运动场所，同时静态节点随机部署在墙面。相同位置的移动节点方位角的变化会引起RSS测量值的不同，由于所采用为非全向天线，各向异性会引起不同角度测量值的差异。图8(a)显示的为同一坐标位于不同方位角所测得的RSS值，处于270方位角时，RSS值要明显低于处于其他角度的测量值，因此判定处于该方位角时，测量值不可靠。同时，同一坐标点测得的RSS值处于波动状态， 如图8(b)所示，在接收初期的波动较大，此时也认(a) 二维平面中各向RSS值关系(b) 移动节点静止状态RSS值变化(c) RSSI值与距离拟合曲线图8 RSSI受环境参数影响及与距离关系为该测量值不可靠。实际实验中，对处于可靠位置测得的RSS采样做处理，通过滤波去除奇异值。图8(c)显示的为RSSI值与距离的曲线关系。对位于可靠位置的移动节点接收到的RSS值进行采样，并做指数函数拟合。需要注意的是，为了方便计算，这里的RSSI是由通过NesC程序获取的真实值，范围为0255，拟合后结果如下(9)其中参数：a=251.80645, b=-0.08832, c=0。4.2 路径查找为了验证导航路径查找算法的有效性，设计并分析了如下实验。首先，为了测量真实环境中，节点单跳通信时最长物理距离，将一组Tmote节点线性部署在MTU-SDC（密歇根理工大学体育馆）内，每个节点携带同样的AA电池，运行简单的Blink程序，最终测量所得最长距离超过100m。由此可见，因上节所述场景空间有限，不能直接验证多跳通信时该算法有效性。同时由上节实验可知，RSSI值与距离呈比例关系。因此，定义RSSI值为数据包有效性阈值，即节点收到数据包后，若判断RSSI值超过阈值，则丢弃包。这样，即可在有限的空间内验证多跳通信时路径查找算法的有效性。此外，由图5可知，节点在收到包后有可能同时转发数据包，出现抢占信道或干扰等现象。因此，实验中定义每个节点在收到包后，均需等待50500ms随机时间后才能转发，并且转发次数仅为1次，尽量减少冲突的可能。图6中黑色曲线显示的为算法运行后的路径图。需要注意的是，每次运行后所得的路径图均不相同，并且该路径并非最佳物理路径。4.3 视频通信链路维护在许多应用中，事件发生区域的视频信号需要传送回基站，以便于半自主控制移动节点。为了验证该结构平台维护视频通信链路的能力，设置如下实验。一组移动节点线性部署在走廊内，等待基站的命令。所有移动节点均配备802.11b/g兼容无线网卡，部分移动节点作为中继器转发领航节点采集的视频信号。视频信号经VIC软件多跳传送回基站，如图7(a)所示。为了实现动态维护通信链路，采用RSS值作为判定中继节点前进或后退的阈值。图7(b)所示为移动节点与基站双向通信时对应的RSS值，由于天线各向异性，接收端与发生端测量值互不相同。同时，当RSS值为-85dBm时，视频通信中断。因此设定单跳通信时，RSS最小值为-85dBm。在实际实验中，采用-60dBm为可靠通信门限。当测得RSS值小于该门限时，即命令中继节点跟随以维护通信。设置视频采样率为15帧/秒，采用H.264编码，平均流量为256kbit/s。图7(c)为维护后得到的实际通信吞吐量随时间的变化曲线。可以看出信号传输处于稳定状态。需要注意的是：RSSI测量值受环境干扰较大，RSSI阈值根据不同场景实际测量值为准；当中继节点过多时，通信丢包率明显增加，需要特定的路由协议维护链路。本实验证明该结构平台可以有效用于维护视频通信链路中。5 结束语本文提出一种混杂传感器网络动静节点的交互策略，设计并实现了两层网络结构平台，该平台可以有效应用于未知环境中。通过测量无线信号强度，采用最小二乘法估计静态节点位置，并设计改进泛洪算法寻找移动节点导航路径。实验证明：1）通过合理选取可靠数据，验证了RSSI可以有效应用于混杂传感器网络的定位导航；2）通过选用RSSI阈值和随机发送时间等参数，验证了路径选择算法的可靠性。3）运用该平台有效的维护了通信链路，保证通信容量。未来工作将集中于大范围混杂传感器网络通信链路的维护，以及如何快速有效引导移动节点执行任务。参考文献：1OCANA M, BERGESA L M, SOTELO M A, et al. Indoor robot localization system using WiFi signal measure and minimizing calibration effortA. IEEE ISIE2005C. Dubrovnik, Croatia, 2005.20-23.2LUTHY K A, E GRANT D, HENDERSON T C. Leveraging RSSI for robotic repair of disconnected wireless sensor networksA. IEEE International Conference on Robotics and AutomationC. Roma, Italy, 2007.10-14.3VERMA A, SAWANT H, TAN J D. Selection and navigation of mobile sensor nodes using a sensor networkA. Proceedings of the 3rd IEEE Intl Conf on Pervasive Computing and Communications (PerCom 2005)C. 2005.65-84.4SHENOY S, TAN J D. Simultaneous localization and mobile robot navigation in a hybrid sensor network, intelligent robots and systemsA. 2005 IEEE/RSJ International ConferenceC. 2005.1636- 1641.5KUSY B, LDEDCZI A, KOUTSOUKOS X. Tracking mobile nodes using RF doppler shiftsA. SenSys07C. Sydney, Australia, 2007. 29-42.6NICULESCU D, NATH B. Ad-hoc positioning system (aps) using aoaA. Proceedings of the Twenty-Second Annual Joint Conference of the IEEE Computer and Communications SocietiesC. 2003. 1734-1743.7NICULESCU D, NATH B. Trajectory based forwarding and its applicationsA. Proceedings of the 9th Annual International Conference on Mobile Computing and NetworkingC. 2003.260-272.8NGUYEN H G., PEZESHKIAN N, GUPTA A, et al. Maintaining communication link for a robo