搜索
贝叶斯滤波在无线定位中的应用摘要：在各种无线传感器网络应用中,无线传感器节点的精确定位非常关键。本文对贝叶斯滤波器的运作方法进行了探究，并对其在定位中的应用做出简单的概述。关键词：无线传感网络节点定位算法Abstract：Inavarietyofapplicationsinwirelesssensornetworks,wirelesssensornodesprecisepositioningiscritical.Inthispaper,Bayesianfilteroperationwereexplored,andmakeabriefoverviewofitsapplicationinthepositioning.Keywords：WSNNodelocalizationalgorithm1.概述在无线传感器网络中,[1]无线传感器节点的精确定位对各种应用有着重要的作用。比如,在环境监测中需要知道采集的环境信息所对应的具体区域位置;监测到突发事件,如森林火灾或天然气泄漏时,需要知道发生突发事件的具体地点。位置信息是无线传感器节点监测信息中的重要组成部分,是采取措施或做出决策的基础,没有位置信息的监测信息往往毫无意义。2.贝叶斯滤波器贝叶斯滤波器能够从噪杂的观测值中估算动态系统的状态。在普适计算的位置估计中，系统的状态指的是一个人的或者是一个物的状态，而且位置传感器能够为观测提供这种状态。这种状态可以是一种简单的２维位置或者是复杂矢量（包括３维位置、间距、转动、偏航、线性和旋转速度）。这里，我们首先引入置信函数（Belieffunction)（设Θ是一个有限集合，为其所有子集构成的集合（幂集），若函数Bel：→[0,1]满足以下条件：3.对任意正整数n及D的一组子集，若满足以下条件则称Bel是定义在D上的一个置信函数（Belieffunction)。通过随机变量,贝叶斯滤波器能够表示在时刻的系统状态。在每个时间点上的概率分布，我们叫做关于的置信函数值,它能够表示不确定的因素。通过传感器中的数据信息，贝叶斯滤波器技术能够在一定条件下连续不断的对系统的状态进行评估。为了阐述这一点，我们假设传感器数据是由一系列时间变化的传感器观测值组成的。那么置信函数定义为在时刻，所有有效传感器数据上随机变量的后验密度。[2]贝叶斯滤波器中对于需要定位的目标，采用马尔科夫假设表示：传感器测量仅仅依靠目标的当前物理位置，该目标在时刻的位置仅仅依赖于系统先前状态，在之前的任何状态都不能给目标在时刻的定位提供任何有用信息。在这个假设的一维的场景中，有个人携带传感器行走在一个走廊里，这个传感器是可能是个照相机或是别的什么，当人从门前方走过时，它能够发射信号。传感器不能分辨出不同的门。我们并不建议使用移动的照相机来实现系统的定位，但是它能够简单的阐述贝叶斯滤波器的重要性质。图1a中向我们展示了在可能位置上均匀分布，这个人的位置在刚开始是并不知道的。当人从门前方经过时，传感器立刻发出“doorfound”的信号。最终得到的置信函数值在接近门的位置概率较高，其它地方概率小。图1b中我们看到，这个均匀分布拥有三个峰值，每一个都和场景中的门相对应。此外，得到的分布分别在三个不同的位置具有较高的概率，这就说明这种概率框架能够处理多元的、相互矛盾的假设，这种假设一般会在模糊的情况下自然而然的产生。图1c中向我们展示的是：假设人以正常的步行速度向右行走，人的运动和运动过程对置信函数的影响。贝叶斯滤波器能够改变在运动方向中的置信函数，还能够平滑置信函数值，这也解释了在运动估计过程中存在的固有不确定因素。图1d和1e分别描述的是：传感器检测到人通过另一扇门时的置信函数值和传感器检测到人离开门口进行下一个动作的置信函数值。大部分的概率块都在门的附近位置，并且滤波器能够确定人的位置。在上述走廊的例子中，运动的更新符合置信函数值在图1c和1e中的变化。在预测后和观测前，置信函数值是预测的置信函数。感知模型指的是：假设人在状态时刻的位置上，得到观测值的可能性。正如图1b和1d显示的那样，观测更新准侧能够增加具有较大可能性观测值的位置的概率。对于位置估计，感知模型常常是传感器技术的指标之一。它依赖于传感器的类型和传感器放置的位置，并且它能够捕获出现的错误特征。贝叶斯滤波技术是一个非常抽象的概念，它只提供了一个利用概率方法递归进行状态预估的框架。实现这个技术需要明确定义感知模型，动态模型和置信函数。能够实现不同功能的贝叶斯滤波器，他们的属性在怎样表示状态上的概率密度时，也是非常不同的。为便于实际应用,可选择很多不同的实现方法.从概率的表示方式上,可将实现方法分成离散型和连续型,分类的结果如下图所示.这里所说的离散型和连续型是指概率的表达方式,而不是时间意义上的连续。3.贝叶斯滤波在无线定位中的应用为了使贝叶斯滤波技术能够用于定位估计上，必须使用一个特定的传感器类型。首先生成一个传感器模型，它指的是：在给定某人或者目标的状态时，得到传感器测量值的似然估计。这样的模型包括两种类型的信息：地图环境和传感器噪声。机器人领域的研究人员对构造具有室内环境的地图这类问题非常重视。图2分别介绍了三种传感器模型[3]：超声波标记、红外线标记和激光测距仪。图2现在，我们将上图简单介绍下：(a)是使用超声波标记的概率模型、(b)是使用红外标记的概率模型，(c)是使用激光测距仪的概率模型。地图中设定的环境是30米×30米。(a)和(b)中的阴影区域显示的是：观测到相对应测量值的较高似然估记。墙壁和其他障碍物是白色的是因为它们对应的测量值的似然估计为零。图2(a)使用的是超声波标记传感器模型，它表示的是：观测环境中不同位置4.5米超声波测量值的似然估计。这种飞行时间传感器能够提供人与传感器之间的距离信息，似然函数是一个围绕传感器位置的环，环宽度表示测量距离中的不确定性，通常用以测量距离为中心的高斯分布表示。此外，由于超声波传感器经常产生的测量值会因为超声波反射而偏离真实距离，所以，自由空间中的所有的位置都存在一个非零的似然估计值，正如地图上灰色区域显示的那样。图2(b)使用的是红外标记传感器模型。这种传感器不会提供人与传感器的距离信息，它提供的是人出现在接收器一定范围内的信息。与此同时，红外线测量技术在传感器的位置周围呈现出一个圆形似然函数。图2(c)使用的是激光测距仪技术，激光测距仪向外180度发射激光扫描束，蓝色射线就是测距仪的探测范围。如果有人刚好处于测探范围内，就会阻挡射线通过，几条相邻的短射线会形成一片阴影区域（缺口），这就说明有人在这个区域出现了。此外，贝叶斯滤波可以自然整合来自不同传感器的信息。在这种情况下，无论超声波或红外线传感器什么时候探测到人，粒子都能够受到观测似然估计值的权衡，如图3(a)和3(b)那样。4.展望我们已经成功将传感器融合技术用于普适计算领域的目标定位中。我们正在把贝叶斯滤波器用于更加复杂的场景，比如从传感器获取的信息数据中了解一个人的真实活动。我们坚信，概率性滤波器技术在普适计算的推理问题当中拥有巨大的潜力。定位估计只是贝叶斯推理系统和原始传感器数据结合的开始。这种技术的优势在于它能够充分的表示不同抽象级别的不确定性，通过这种技术我们能够真正地实现情景感知。参考文献【1】孙利民,李建中等.无线传感器网络.清华大学出版社2005【2】林瑞仲面向目标跟踪的无线传感器网络研究浙江大学【博士论文】【3】毛建林.无线传感器网络中若干资源优化的研究