基于PMCL方法的大规模无线传感器网络移动定位机制*

2018-09-27吕春峰朱建平陶正苏

传感器与微系统 2018年10期

吕春峰，朱建平，陶正苏

(1.上海海洋大学工程学院，上海 201306； 2.上海交通大学电子信息与电气工程学院，上海 200240)

0 引言

目前，对移动节点定位的方法基本都是基于序列蒙特卡洛(sequential Monte Carlo,SMC)机制[1,2]，即利用带权重的样本集描述状态量的概率分布，用MC方法来实现递推是一种鲁棒、有效的非线性次优预估方法，近十年来受到了广泛关注。而大量的样本优化更新运算导致算法运行效率低是SMC机制主要的不足。

本文将针对传统的SMC定位机制迭代次数较多、样本数量易衰减、观测值多样性差等缺点，首先，结合隐藏终端耦合(hidden terminal coupling,HTC)传输机制，提出了群蒙特卡洛定位(population Monte Carlo localization,PMCL)方法：1)采用两重限制手段降低迭代次数；2)采用蒙特卡洛群对重采样进行精确匹配。基于节点密度λ、锚节点分布比例γ、样本数量N、最大移动速度vmax等参数，对PMCL机制进行理论分析和实验仿真。PMCL机制与其他的基于SMC机制的移动定位机制进行性能比较。

1 SMC定位机制缺点

基于SMC机制的移动定位机制，普遍存在几个问题：1)初始样本随机选取，没有任何限制，需要更多次的迭代以获取足够数量的有效样本，效率低；2)通过一重权重迭代，大幅降低样本的多样性，降低了目标位置的准确性；3)样本或者观测值在经过多次迭代之后，过滤后的样本数量不足，导致样本退化。

2 PMCL机制

PMCL机制的核心思想是采用一组权重样本描述目标的后验概率分布，并采用重采样机制(两重)保证样本的多样性和降低样本衰减，将其用于定位，有其显著的优点。

1)初始化阶段

在初始化阶段，时间分成离散的时隙。所有锚节点通过全球定位系统(global positioning system,GPS)获取其位置信息，并执行HTC机制[3]，通过发送HTC请求包传递位置信息和其所有的隐藏终端链(hidden terminal link,HTL)上的节点，包括其他锚节点和普通节点。所有节点包括锚节点都获取其HTLs和HTCs，作为候选样本。1-hop,2-hop节点(包括锚节点)的邻居S1-hop和S2-hop分别表示为

(1)

式中l为未知节点与其HTL上的锚节点之间的距离，未知节点的初始位置在候选样本中选取。

2)采样与预测阶段(一重限制)

(2)

图1 PMCL机制选取样本初始化(第一重限制)

(3)

(4)

先验概率p0(lt)为

(5)

图2 采样和预测阶段(第二重限制)

(6)

3)权重计算与重采样阶段

(7)

采样迭代计算产生样本均可用于构造目标全局预测

(8)

通过对这N个独立的自适应参数进行重采样机制为

(9)

(10)

(11)

4)位置计算

节点通过其新的可能位置和新的观测量，可以计算其下一时刻的位置

(12)

3 实验验证

3.1 性能验证

通过NS-2仿真软件来验证PMCL机制的性能。搭建仿真平台：所有节点包含锚节点均分布在同一个边长1 km的正方形区域内；假设所有在传输距离内的传输节点都能侦听到其他节点的传送；没有信号衰减。设定HTC机制参数为：重传次数为2，最大退避次数为4，数据包长为5个时隙单位。由式(12)可知，位置的误差取决于锚节点的密度γ、样本数量N、节点密度λ，移动速度vmax等参数，基于这几个参数验证PMCL的性能,如图3所示。