【《无线传感器网络定位的基本理论基础综述》9300字】

无线传感器网络定位的基本理论基础综述目录TOC\o"1-3"\h\u1967无线传感器网络定位的基本理论基础综述 1116441.1定位的基本术语和概念 1247781.2定位算法的分类 491341.3基于距离的定位技术 591591.4室内环境中定位常用的设备 8275471.5传感器网络定位算法性能评价 111.1定位的基本术语和概念锚节点无线传感器网路（WirelessSensorNetwork,WSN）是一种分布式多跳自组织网络，它的末端由大量微型传感器构成，这些微型传感器被用来感知和监测外部环境。传感器节点是无线传感器网络的最基本的功能单元，它将自身收集到的信息以及其他节点传送的信息进行初步的数据处理和整合，之后以相邻节点之间接力传送的方式将信息传输到基站，然后通过基站以互联网、卫星等方式传送给最终用户。如图1.1所示，传感器节点由传感器模块，处理器模块，无线通信模块和能量供应模块四个部分组成，每个部分具有不同的功能，传感器的功能是由传感器之间的协作完成的。传感器模块的功能主要是监视，收集和转换该区域中的信息。数据的类型取决于检测到的数据信号的物理形式，并且处理器模块的功能是传输节点收集的信息。信息被收集和存储。无线通信模块的功能是控制传感器节点之间的无线通信，数据传输和控制信息。能量供应模块的功能是向传感器供应能量。典型地，使用微型电池，太阳能电池等的无线传感器网络的节点被用作能量供应介质。无线传感器网络通常由传感器节点、汇聚节点和管理节点组成。传感器节点的功能是收集和处理本地信息，存储，管理和集成从其他节点传输的数据，有时与其他节点协作以完成某些任务（处理能力，存储容量和聚合的通信）。汇聚节点它是将传感器网络连接到外部网络（如Internet）的网关，具有相对强大的功能。它实现了两种协议之间的转换，并同时关闭了从受管节点到传感器的监视任务。它将WSN收集的数据传递到外部网络。宿节点可以是具有增强功能的传感器节点，并且可以提供足够的能量等。来自闪存和SRAM的所有信息都将传输到计算机。通过组装软件收集的信息可以轻松转换为组装。它可以分析机密信息，例如程序代码，路由协议和存储在传感器节点中的密钥，同时修改程序代码并将其加载到传感器节点中。受管节点用于动态管理。整个无线传感器网络。传感器网络的用户通过受管节点访问无线传感器网络上的资源。图1.1传感器节点结构图1.2无线传感器网络拓扑图如图1.2所示，大量的传感器节点被随机分布在监测的区域内，传感器节点通过自组织的方法组成无线传感器网络，节点之间相互通信并且通过无线信道将信息传送到汇聚节点，通过汇聚节点将获取的信息转换成汇编文件格式，从而分析出传感节点所存储的程序代码、路由协议及密钥等机密信息等，最后通过传输网络将数据传送到数据处理中心供用户配置和管理，在这个过程中管理节点动态地管理着整个无线传感器网络。在无线传感器网络中，使用多个已知传感器节点的位置信息来帮助确定未知节点的位置坐标信息的过程称为节点定位，它是指自然环境的地理坐标或网络中的相对位置坐标。在无线传感器网络中，传感器节点的位置信息非常重要。这些节点不仅需要彼此通信，而且还使用确定的位置信息来获取未知节点的位置信息。没有位置信息的数据不适用于无线传感器网络定位系统中。为了便于后续文章讨论，列举定位系统中的一些基本常见术语：信标节点，BeaconNode）：指已知位置信息的节点，在无线传感器中一般数量较少。锚节点的位置信息一般通过人工预先配置或者配备GPS定位系统来获得精确位置信息，从而辅助其他未知节点定位。知节点(BlindNode)：指位置信息未知的节点，也叫盲节点，需要通过信标节点推测出位置信息。邻居节点(NeighborhoodNode)：在无线传感器网络中能够相互传递信息的两个节点，这两个节点互相在对方的监控区域内。通常已知位置信息的节点对于邻居节点位置的确定起到关键作用。通信半径：无线传感器节点集多个功能为一体，功能包括了：数据的感知、数据的收集、数据的存储与传输等。，考虑到每个点的能量都有一定程度的限制，所以节点之间通信的距离也有一定的限制，节点的最大通信距离被称为节点的通信半径。一般情况下，不同的节点拥有不同的通信半径。跳数（HopCount）：如果两个相距非常远的节点之间需要传送信息，这时如果是超过了节点原来的通信半径，那么需要一个中间节点来进行传送，这样的情况下，两个节点之间的跳数为中间节点的个数加一。但如果需要传送信息的两个节点都已经在对方的通信半径之内，那么就不需要中间节点来进行传送，这样的情况下，节点的跳数为1。节点连接度(NodeDegree)：在节点通信半径内，如果有n个可被感知的邻居节点，那么节点的连接度为n。网络连接度(NetworkDegree)：将节点的邻居节点数量的总和的平均数值成为网络连接度。接收信号强度指示（receivedsignalstrengthindicator，RSSI）：指接收信号的强度。考虑到节点发出的信号在传播的过程中会有不同程度的减弱，因此我们可以使用发送的信号强度与接收到的信号强度之间的关系，来估算发送节点与接收节点之间的位置距离。到达时间（TimeofArrival,TOA）：两个节点之间进行通信，其中一个节点在a时刻将信号发出，另一个节点在b时刻接收到信号，b-a的值即为到达时间。到达时间差（TimeDifferenceofArrival,TDOA）：我们在传感器节点上安装两个发射信号速率不同的信号发生器，将两种信号到达同一个节点的时间相减即为到达时间差，与TOA相比较，TDOA不需要要求时间同步。到达角度（AngleofArrival,AOA）：通过一些硬件设备，接收节点能测量出发射结点发出信号的方向，得出此部分数据后，我们将接收节点接收到的信号角度与自身轴线方向（水平方向或者铅直方向）之间的夹角称为到达角度。视距关系（LineofSight,LOS）：当接收节点与发送节点中间没有任何障碍物干扰，并且能够直接进行数据传送的直线传播方式被称为视距关系。非视距关系（NonLineofSight,NLOS）:当接收节点与发送节点之间存在障碍物干扰，导致信号发生了折射反射等现象，进而导致传播方向发生变化不能以直线传播的信号传播方式被称为非视距关系。1.2定位算法的分类依据不同的分类标准，我们可以将无线传感器网络节点定位算法分为非常多的类别，下面列举几种主要分类方法。根据节点定位过程中是否需要进行距离测量的原理，可以将节点定位分为基于距离的定位算法和与距离无关的定位算法。基于距离的定位算法必须首先使用节点配置的硬件设备测量与定位有关的数据，例如视差，距离和角度，然后通过此计算间接点的位置。主要方法有到达时间、到达时间差、接收信号强度、到达角度等。基于距离的定位算法更准确，更容易实现，但是会占用更多资源，成本较高，并且容易受到外界环境的干扰。与距离无关的定位算法首先是利用网络中已知锚节点的位置信息以及网络连通性来估算未知节点的坐标。主要的方法有DV-Hop法、APIT法、凸规划法、BoundingBo法、质心法、Amorphous法、MDS-MAP法等。距离无关定位算法的定位精度较低，但所需资源和成本远低于基于距离的定位算法。这两种方法各有优缺点，在实际应用中，您必须根据实际问题选择相应的方法。例如，某些应用需要很高的定位精度，那么您需要根据范围选择定位算法。在特定传感器网络的情况下，网络中节点的分布相对分散并且范围很广。如果没有足够的锚点节点和未知节点，则节点之间会相互通信以测量节点之间的距离，在这种情况下，您必须使用无范围定位算法来找到未知节点。根据无线传感器网络节点的移动性，可以将其分为静态网络定位算法和动态网络定位算法。在静态网络定位算法中，所有节点的位置都是静态且固定的，并且传感器节点不断地相互发送信息以进行通信，因此无线传感器网络可以获得诸如节点之间的跳数之类的位置信息。通常用于通过定位算法确定未知节点坐标的静态网络定位算法包括DV-Hop定位法、APIT定位法、凸规划定位法、AHLOS定位法、SHARP定位法等。移动网络中的大多数节点都处于移动状态。传感器网络节点的移动性通过位置确定算法确定位置节点的坐标。常用的动态网络定位算法包括MBAL定位方法和MCL定位方法、CDL定位方法等。

（1）在无线传感器网络中，根据节点的连接和拓扑分类，可以分为单跳算法和多跳算法。在单跳算法中，传感器节点可以成对通信。优点是它实现起来相对简单，但可以通信的区域却很小。多跳算法是指两个节点之间的测量范围非常大，信息无法直接传输，需要在中间节点的帮助下才可以完成传输。多跳算法的通信领域更加广泛，基于此原因，多跳算法在实际应用中的应用也更加广泛。

（2）根据实现方式的不同，可以分为分布式算法和集中式算法。分布式算法是指信标节点接收相邻节点发送的信息，通过三向或多方定位算法计算其自身位置，然后通过迭代方法进行下一轮的定位。分布式定位算法使用较少的网络流量，并且简单易实现，但是目前较难以实现更复杂的算法。集中式定位算法是指在无线传感器网络定位期间将必要的信息传输到数据中心，并在中央节点处汇总和处理数据。与分布式定位算法相比，集中式算法使用更多的计算和存储，具有较高的定位精度，但是能量消耗不均匀，并且离中心节点越近，节点消耗的能量就越大。常用的集中定位算法主要包括凸优化定位算法（ConvexOptimization）和MDS-MAP定位算法。当前，最广泛使用的分类方法是基于距离的定位算法和与距离无关的定位算法，下面将详细描述这两种方法。1.3基于距离的定位技术定位方法是基于对已知位置的锚节点的距离估计和节点间的测量。节点之间的合作增强了位置估计的精确性，在室内环境中，当传统的定位技术不能产生准确的估计时，节点之前进行合作通常都可以有效提高定位精度。线性最小二乘法（LeastSquaresMethod,LLS）是一种简单的位置估计方法。理想情况下，未知节点将位于至少三个圆的交汇处，这些圆的中心是锚节点，半径等于各个点与每个锚节点之间的距离。然而，由于获得单一交点的可能性很小，所以使用最小二乘法（SquaresMethod,LS）优化来最小化残差平方之和。因此，该问题成为一个需要适当初始估计的非线性优化[19]。由于非线性优化的计算成本很高，因此需要寻找一种替代方法如线性化表达式计算，其可以用来进行LLS估计位置。虽然这不是位置估计的最优方案，但它还是以低复杂度降低了计算的成本，并且达到了大致良好的精度[19]。在下文中，我们简要介绍了在同质网络背景下使用的基本独立的定位技术。A到达时间(ToA)ToA方法包括计算信号从移动节点到信标节点所需的时间。移动节点被定位到一个以信标节点为中心的圆，其半径为d。若需要检测移动节点的确切位置，至少需要三个信标节点。在这种情况下，移动节点的估计位置如果存在，就会在三个圆的交叉区域内（如图3所示）然后可以通过任何滤波技术，如LS或加权最小平方（WeightedLeastSquares,WLS）[20],[21]获得实际的估计位置。图1.2TOA测距原理图在ToA算法中，待待测节点收集到周围三个或更多信标节点的距离信息以后，便可以通过三边定位法来计算出待测节点的位置坐标，如图1.2，设未知节点O的坐标为QUOTEx,yx,y在ToA算法中，待测节点采集周围三个或三个以上信标节点的距离信息后，可以用三边定位法计算出待测节点的位置坐标，如图1.2所示，让未知节点o的坐标为QUOTE，与周围三个信标节点A、B和C的距离为QUOTE,，A、B、C的位置坐标分别为QUOTE、QUOTE(x2,y2)(x2,y2)、QUOTE(x3,y3)(x3,y3)&未知节点的位置坐标QUOTE(x,y)(x,y)可以通过求解该方程得到：&B.到达时间差(TDoA)TDoA检查信号到达许多测量单位的时间差。对于每个TDoA测量，发射器必须位于一个双曲线上，两个测量单位之间有一个恒定的范围差。这种测量是在具有已知位置的多对参考点之间进行的。另外，在每个接收节点使用相对时间测量来代替绝对时间测量。TDoA不需要同步的时间源来进进行定位，只需要在接收机上进行同步。要估计的位置是许多双曲曲线的交点，如图4所示。这种技术被称为多方位测量法。图1.3TDOA测距原理图C.基于RSS的指纹识别RSS方法包括两种主要的方法：用路径损失对数正态阴影模型推导出三径法，以及RSS指纹法[7]。第一种方法是根据路径损耗对数畸形阴影模型来估计服务BS和移动节点之间的距离，三坐标法被用来估计移动节点的位置，至少使用3个服务BS。另一方面，基于RSS的指纹法首先收集场景的RSS指纹，然后通过将在线测量值与数据库中测量值对应的最接近的可能位置相匹配来估计移动节点的位置[4]。因此，对于每一个可能的位置，都可能存在模糊点，导致独立定位场景下的高估计误差。D.到达角(AoA)这项技术包括计算信号从移动节点到达信标节点的角度。然后，可以画出移动节点可能存在的区域。尽管至少需要两个信标节点来估计移动节点的位置，但如果在AoA估计中出现小的误差，位置估计的误差就会很大。因此，基于AoA的移动节定位技术对定位精度的提升有限，除非它被用于大型天线阵列。E.混合技术最近，混合定位技术已经成为无线定位的新潮流，混合定位的核心思想依赖于利用值得信赖的短距离测量来提高无线系统的位置估计的准确性。基本的独立定位技术（RSS、ToA、TDoA、AoA等）的不同组合已经被实现，以提高位置估计的准确性。基于ToA、AoA和RSS的指纹方法的组合，提供了移动节点的初始估计[22]-[24]。与单独使用ToA或TDoA相比，[25]中提出的混合ToA/TDoA和RSS在位置估计的准确性方面取得了进一步的提高。F.单机定位技术的常见缺陷一般来说，独立的定位技术存在着影响定位精度的缺点。例如，ToA技术需要在移动节点上有精确的时间参考，并在该参考和锚点的时钟之间实现同步。显然，要实现这一任务是非常具有挑战性的；如果实现了这一目标，将导致移动设备的成本和尺寸增加。此外，TDoA方法需要对移动设备的软件进行显著改变，并进一步安装硬件。TDoA需要一个在移动节点完成处理并将估计的位置发送到反向链接上的系统。因此，为了满足估计和同步的需要，手机的体积和成本都会增加。此外RSS技术也有缺点，在室内情况下，发射器和接收器之间很难存在LOS传播环境。因此，定位精度会受到室内环境中的多径效应的影响。除此之外，路径损失模型也被用来进行定位。然而，阴影和多径衰落效应使这种模型的准确性不高。在这种情况下，可以通过使用以接收器为中心的预先测量的RSS的值，或使用几个BS上的测量值来提高其准确性。另外，通过使用基于模糊逻辑算法的RSS测量，可以实现定位精度的提高。同样，AoA技术也有一些缺点，如在硬件要求方面的复杂性，以及当移动节点远离测量单元时定位精度的降低。1.4室内环境中定位常用的设备尽管基本定位技术的混合使用提高了定位的准确性，但现在需要更好的方法来实现能源消耗的提高和准确性的进一步改善。在文献中，已经提出了不同的定位技术。在所有这些类别中，除了WLAN、WSN等传统系统外，还有能量驱动、超宽带（UWB）等。因此，后续将讨论更多的智能定位技术；特别是基于UWB的定位，基于WLAN的定位，以及基于传感器的定位。最后，本节中将讨论使用SoOPs作为新兴技术来改善定位，然后讨论基于系统的定位技术在能量和精度方面的挑战。A.基于超宽带（UWB）的定位技术UWB技术是基于发射小于1ns的超短脉冲，占空比为1-1000。UWB的传输信号是在多个频段上发送的。因此，UWB允许在室内环境中对移动节点进行准确的定位和跟踪。UWB技术通常被研究人员和工业界用于各种领域，如室内定位，以便在实现高范围测量分辨率和精度、低截获概率、多径免疫以及在一个系统中结合定位和数据通信的能力等方面提出改进意见。此外，UWB技术具有高度的可扩展性，并且可以在低能耗的情况下使用。在基于UWB的应用中，位置是通过移动节点和目标节点之间的无线电测距信号来估计的。这个过程使用ToA、AoA、RSS、TDoA和混合技术完成，如第三节所述，基于UWB技术的定位系统可实现厘米级的精度。通过基于ToA或TDoA的三维定位，在室内场景中已经实现了15厘米的精度。事实上，多径信号成分被UWB接收机分解，因为它们拥有高带宽。在满足视距条件的情况下，指的是LOS分量的第一条路径会对最终的定位结果产生最显著的影响。然而，如果不是这种情况，就需要更复杂的技术，以便对初始延迟进行准确估计。此外，在基于UWB的定位应用中，基于直接测距的定位技术与RSS技术相比具有更高的定位精度，因为与基于时间的技术相比，在提高定位精度方面，UWB的高带宽没有被RSS技术有效利用。另一方面，ToA和TDoA利用UWB信号具有高时间分辨率的事实，相对于其他技术提高定位精度。B.基于WLAN的定位WLAN是最知名的室内定位解决方案[11],[12]。与GPS、全球移动通信系统（GSM）和蓝牙等一些技术相比，基于WLAN的定位系统的性能更好。这方面的原因是，WLAN定位系统不需要任何额外的软件或硬件操作，而是能够在现有的基础设施基础上进行定位。RSS是最著名的WLAN定位技术，因为它在801.11网络中容易提取，而且能够在现成的WLAN硬件上运行。另一方面，ToA、TDoA和AoA在基于WLAN的定位系统中不太常见，因为角度和时间延迟测量很复杂。通常情况下，WLAN扫描的目的是寻找可用的网络进行连接。通常情况下，扫描可以在低速率下进行，因为可用网络的集合变化很慢。当一个设备在获取WLAN信号的同时估计自己的位置时，需要从接入点进行经常性的RSS测量，以减少定位误差。当定位设备沿着轨迹移动时，需要定期更新。因此，每个设备都要以相当于更新率的速度扫描所有相关频道上的可用信标节点。由于一组RSS测量值的平均化减少了噪音的影响，关注定位精度的设备以高于更新率的速率进行扫描。另外，比更新速率慢的扫描速率会导致以定位精度为代价的功耗降低。因此，平衡功耗和定位性能之间的权衡是设备在WLAN中选择其扫描参数的主要动力。主要有两种方法用于室内WLAN：单目标方法和多目标方法[29]。这两种方法都是基于可变邻域搜索，目的是减少WLAN规划过程中的定位误差。WLAN定位系统与智能设备上嵌入的传感器相结合，可以获得移动智能设备的精确室内定位[30]。读者可以参考了解更多信息。C.基于传感器的定位惯性传感器，如陀螺仪被广泛用于定位。然而，通常基于低成本的微机电系统的惯性传感器存在误差，进而影响定位的准确性[31],[32]。为了缓解这个问题，采用了"去噪"的方法，即减少原始传感器信号的噪音。这种方法通过避免过多的噪声引起的故障，提高了系统的准确性和性能。基于传感器的技术中的定位也可以分为两类。(1)基于签名的技术和(2)基于信标的技术。基于签名的技术假定节点的非均匀分布被用作签名，通过注意节点的邻域来估计位置。在基于信标的技术中，信标节点应使用GPS或手动配置来确定其绝对位置。其余节点的位置是通过对信标节点的距离/角度测量，然后通过多径测量或三角测量来估计。基于传感器的定位是移动系统的一个重要特征，如自主导航、娱乐机器人、服务机器人和军事机器人。在这些环境中，移动节点的定位可以通过例如轮速传感器，使用基于航位推算的测距法来实现。在森林火灾、自然灾害（飓风、风暴）和恐怖袭击[38]等情况下的紧急传感器网络（ESN）也很有意义。在应急应用中，传感器节点的放置对于每一个点来说都是极其本地化的，而节点组的大小是基于该点的监测事件的强度。1.5传感器网络定位算法性能评价现阶段已经针对传感器网络定位提出了很多的算法。这些算法各有特点，适用于不同的场景之中。现实中并不可能存在一种完美无缺的定位算法，应该根据适用场景和环境特点选择对应的定位算法。下面介绍一些关于定位算法的性能评价标准，这些评价标准相互联系，从多个角度评判定位算法的适应性和优劣程度。定位精度显而易见，定位精度是定位算法最重要的评价标准之一。一般情况下的定位精度的理解是目标估计位置与真实位置直接的相近程度。在传感器网络中，简单地衡量定位精度有绝对平均误差和相对平均误差两种表示。假设N个目标的实际位置坐标为QUOTExi,i=1,⋯,Nxi,i=1,⋯,N，通过定位算法测量出来的估计坐标对应为QUOTExi,i=1,⋯,N绝对平均误差：e由上式可知。目标节点估计坐标和实际坐标之间欧式距离的平均值代表绝对平均误差。对应地，相对平均误差是绝对平均定位误差和通信半径之间的比值。除了这种简单的定位精度评价标准，还有一些常用的评价指标：均方根误差（RootMeanSquareError，RMSE）均方根误差与上述所提到的绝对平均误差形式上有一些相似。估计值与真实值之间的偏差的平方与总的测量次数之间的比值，最后将其开平方根就是均方根误差。在实际定位估计过程中，单次的测量不一定准确，这时可以运用同一定位算法进行多次测量。假设测量次数是n，估计位置坐标为QUOTEx,yx,y，实际位置坐标为QUOTEx,yx,公式如下：RMSE容易发现，RMSE的值越小，代表此定位算法的定位误差越小。克拉美罗界（Cramer-RaoLowerBound,CRLB）得到定位算法对应的克拉美罗下界的核心在于得到其对应的费歇尔信息矩阵（FIM,Fischerinformationmatrix）。以较为简单的TOA定位算法举例说明。同样假设目标位置坐标为为QUOTEx,yTx,yT，第i个信标节点的坐标为QUOTExi,yiTxi,yiT,FIM的表达式如下：I∂dC代表测量距离r的协方差矩阵，公式如下：C=由上述公式推导可得：I其中QUOTEσσ代表测量距离的标准差。CRLB=式子中的值越小，代表此定位算法定位误差越小。克拉美罗下界可以代表一个定位算法能达到的理论上的最高定位精度。不过现实中，这种定位精度是很难达到的。实际算法通常用RMSE对理论CRLB的逼近程度来代表定位估计准确度。几何精度稀释因子（GeometricDilutionofPre