无线传感器网络定位的移动模型与混合区域探测算法的研究

沙特国王大学学报基于混合区域探测方法放大图片作者：Shamanth Nagarajua，Lucy J.放大图片作者：Gudinoa，Nikhil Tripathia，Sreejith V.a，Ramesha C.K.Ba部。的CS IS，BITS Pilani，K.K. Birla Goa Campus，果阿，印度b部作者：BITSPilani，K.K. Birla Goa Campus，果阿，印度阿提奇莱因福奥文章历史记录：2018年1月23日收到2018年4月14日修订2018年4月16日接受2018年4月30日在线提供保留字：无线传感器网络定位移动模型区域探测算法Frontier最大增益A B S T R A C T传感器节点的位置信息在许多随机部署的无线传感器网络（WSN）应用中至关重要。在这样的应用中，需要使用更快的区域探索机制的节点定位来发起精确的感测和通信。针对关键任务无线传感器网络应用，提出了一种快速区域每个移动锚（MA）节点嵌入一个定位模块，在传感器领域中以协调的方式移动，同时定位部署的静态节点。建议的区域勘探计划是使用最大增益方法和基于成本效用的前沿（HMF）方法的混合实现的。针对定位过程中锚节点稀疏的问题进行了研究。利用Cooja仿真器进行的仿真结果表明，所提出的移动性辅助定位方案能够以最小时延实现精确定位。使用伯克利静态节点和定制设计的MA节点证明了所提出的方案的概念验证©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍无线传感器网络（Wireless Sensor Network，WSN）是由能够感知环境、处理感知数据并将其传输到网络中其他节点的传感器节点组成的网络传感器节点在有限的能量资源上进行传感、数据处理和通信。 WSN部署被分类为结构化部署和非结构化部署（Lau等人， 2014年）。在化学污染、火灾和爆炸监测等关键任务应用以及边境巡逻、战场监视、敌军监视和地雷探测等军事应用中，传感器节点采用非结构化部署方式，由飞行器随机部署在这样的场景中，需要能量有效的定位方案来检测和定位所部署的静态节点。能源效率可以*通讯作者：系CS IS，BITS Pilani，K.K. Birla Goa Campus，Zuarinagar 403726，Goa，India.电子邮件地址：shamanth. gmail.com，p20110405@goa.bits-pilani.ac。在（S.Nagaraju）。沙特国王大学负责同行审查通过具有受控移动性的移动节点来实现（Massaguer等人，2006年）。求解移动节点的最优移动轨迹具有挑战性。应确定移动轨迹，以提高覆盖范围，这可以通过区域勘探方法来实现区域探索的概念始于部署数据骡子以从静态节点收集数据（Jea等人，2005年）。使用移动节点的区域探测在数据收集、网络分区发现和恢复、网络诊断和拓扑映射中有着广泛的应用（Massaguer等人，2006; Sreejith等人，2015年a）。除此之外，移动节点可以用于定位一组静态节点（Amundson和Koutsoukos，2009）。Sreejith等人（2015a，b）表明，在受控移动性下使用一组移动节点可以在合理的更短时间内覆盖更大的区域。由于有限的机载电源，移动节点需要周期性地再充电以覆盖更长的距离，这可以通过经由太阳能电池板或电感耦合对其自身再充电来实现（Phamduy等人，2016年）。能量有效的区域探索算法要求移动节点在最短的时间内到达每个传感器节点，并节省移动和静态节点的能量，使其非常适合于关键任务应用。因此，在本文中，提出了一种能量有效的区域探索方法的移动性辅助定位方案的关键任务的应用。https://doi.org/10.1016/j.jksuci.2018.04.0081319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. Nagaraju等人/沙特国王大学学报609本文的其余部分组织如下。第二节概述了研究背景。在第3节中提出了一种基于最大增益和成本效用的边界（HMF）区域勘探方法。本节还解释了分布式定位机制以及抑制稀疏锚节点条件的对抗措施。第4节给出了仿真结果和测试台的实现，以及第5节中得出的结论。2. 背景近年来，已经提出了许多用于无线传感器网络的这些定位技术可以根据距离测量技术、计算特性和节点的移动状态进行分类2.1. 基于距离测量基于距离测量技术的定位方案可以分为两类：无距离和基于距离（Han等人，2016年）。距离无关机制是基于近似的，其中网络连通性在估计传感器节点的距离中起着关键作用。该方案的主要优点是它不需要任何专门的硬件进行定位。然而，距离无关定位方案的定位精度较低。为了提高定位精度，需要大量的锚节点。基于移动性的无距离定位方案的示例是蒙特卡罗、凸和几何约束方法（Han等人， 2016年）。基于范围的机制比无范围的技术更精确，并且需要专门的硬件来估计节点基于范围的定位机制包括到达时间（ToA）、到达时间差（TDoA）、到达角度（AoA）和RSSI（接收信号强度指示符）（Han等人，2016年）。ToA和TDoA要求锚节点和静态节点之间严格的时间同步由于周期性的时间同步探测交换，这导致更高的能量消耗（He等人， 2005年）。AoA是计算密集型的，因为它执行复杂的计算，例如信号处理和在接收器侧的信号到达角度的测量。使用RSSI的定位遭受较低的准确性，并且RSSI测量易受环境因素（诸如温度和湿度）的影响。使用诸如卡尔曼滤波器的机制来消除RSSI的不确定性，从而使局部化误差最小化（Pathirana等人， 2005年）。2.2. 基于计算基于计算的定位方案分为集中式方法和分布式方法（Halder和Ghosal，2016）。在集中式方法中，移动节点收集诸如关于特定节点的RSSI的信息，并将该信息发送到基站以进行进一步处理。然后，基站计算这些节点中的每一个的位置，并将其发送到相应的节点。Sichitiu和Ramadurai（2004）首次提出了集中式本地化方法。在这种方法中，静态节点定位的帮助下，通过利用RSSI读数的单个移动信标节点。在战场等较大区域内，使用单个信标节点进行节点定位，定位精度较低，能耗和时间消耗较大，是不可行的。移动节点的数目越多，定位精度和可靠性越好在Perumal等人（2014）中提出了使用多个无人机（UAV）的基于RSSI的集中式定位方案。在该方案中，所有复杂的定位计算都由一个中央处理，在基站的服务器。虽然该方案具有较低的计算开销，但由于在无人机、静态节点和集中式服务器之间交换大量数据包，导致较高的通信开销增加的通信开销导致更高的能量消耗，因为与感测和数据处理相比，传感器节点在无线电通信中消耗更多的能量（Pottie和Kaiser，2000）。在分布式方法中，节点可以基于从多个移动节点接收的信标信息来定位自己。 将分布式方法用于定位方案将减少能量需求和通信开销，而且它是可扩展的（Chelouah等人，2017年）。由于上述优点，在所提出的定位方案中使用基于RSSI的分布式定位方案。路径损耗模型和方便的校准技术也被用来减少定位估计误差。2.3. 基于移动模型根据锚节点和传感器节点的移动状态，基于移动模型的定位分为四类，如图所示。 1（Koutsonikolas等人， 2007年）。本文提出的定位模型采用第三类，其中移动锚节点用于定位静态传感器节点。这类定位模型又分为随机移动和路径规划两类。在诸如随机行走、随机方向和随机航路点的随机移动性模型中，移动节点遵循随机轨迹（Camp等人， 2002），而在路径规划模型中，移动节点根据定位条件确定它们的路径（Han等人，2016年）。随机移动性模型受到稀疏锚节点条件的影响（Yong等人， 2013年）。基于路径规划的定位模型在一定程度上克服了锚节点稀疏的条件。这是由于移动节点以这样的方式规划它们的路径的事实，即每个未知节点被保证具有至少三个锚位置以三边测量节点 路径规划模型进一步分为静态路径规划和动态路径规划（Rezazadeh等人，2015年，如图所示。1.一、2.3.1. 静态路径规划模型在静态路径规划模型中，移动锚节点在定位过程中遵循预定义的轨迹。 提出的第一静态路径规划移动性模型是SCAN、DOUBLE-SCAN和HILBERT（Koutsonikolas等人， 2007年）。SCAN是一种简单的模型，其中MA节点沿x或y轴直线移动。然而，SCAN遭受共线问题，其中静态节点无法从至少三个非共线位置接收信标分组来三边测量其位置。针对共线性问题，提出了DOUBLE- SCAN和HILBERT模型.在DOUBLE-SCAN中，与SCAN相比，MA节点需要遍历两倍的距离为了解决共线问题和较大的路径长度问题，提出了希尔伯特HILBERT设计为具有更多曲线并避免共线性。虽然HILBERT的定位精度比SCAN和DOUBLE-SCAN更高，但由于忽略了位于区域边界的未知节点，因此存在锚节点稀疏的问题。这导致较低的定位率和较高的定位误差。为了克服共线性问题，提高定位精度，文献中已经提出了几种方案。在具有基于三边测量（LMAT）的MA节点的定位算法中（Han等人，2013）模型，MA节点按照等边三角形轨迹移动。在Z曲线移动路径模型（Rezazadeh等人，2014），轨迹被构建为具有Z形曲线，而在H曲线模型中（Alomari等人， 2017）多个倾斜的H形路径是610S. Nagaraju等人/沙特国王大学学报采用LMAT、Z曲线和H曲线模型的定位精度更高，路径长度更短。然而，上述静态路径规划方案被设计用于小规模WSN部署，并且缺乏用于大规模WSN部署的有效路径规划（Han等人， 2016年）。一旦MA节点被部署，其轨迹就不能被修改（Han等人，2016年）。对此的例外是SLMAT模型（Han等人， 2017），其允许在障碍物检测上改变MA节点的轨迹。2.3.2. 动态路径规划模型静态路径规划模型需要事先获得地形信息来确定路径轨迹.这些模型不适合于任务关键型应用，因为很难获得这样的信息。动态路径规划方案是方便的，在这样的场景，因为它动态地确定路径的基础上的需求和密度的未知节点。在动态路径规划方案中，为MA节点确定的路径是确定的，并且不是预定义的。 于Li等（2008）提出了一种广度优先（BRF）算法和回溯贪婪（BTG）算法，其中路径被转换成生成树，MA节点根据未知节点的分布动态地遍历这些路径。针对非均匀和不规则的部署场景提出了移动辅助的拼接定位（MALS）方案（Wang等人，2011年）。在MALS方案中，部署的网络被划分为几个单元，每个单元执行定位。MA节点的运动轨迹是由所有定位单元的定位信息形成的Li等人提出了一种确定性动态信标移动调度（DREAMS）方案. （2012年）。在该方案中，最初，每个MA节点通过随机移动访问传感器节点，然后对部署的网络进行深度优先遍历（DFT）每个被访问的传感器节点推荐MA节点访问未被访问的邻居。移动代理节点的确定性轨迹是基于移动代理与传感器节点之间的相对距离来确定的为了缩短路径长度，DFT对局部最小生成树（LMST）子图进行操作，其边由接收信号强度加权未访问但已经定位的传感器节点可以从DFT中排除，只要其排除不影响未知传感器的定位。动态路径规划模型的优点是这些方案具有较短的路径长度和较好的定位率，使其非常适合于关键任务应用。动态路径规划模型的缺点在动态路径规划定位方案中，区域覆盖-年龄限制在节点密度较大的区域。移动性辅助定位方案的区域探索方法旨在提供全区域覆盖。区域勘探方法分为随机和基于边界的方法（Sharma和Tiwari，2016）。在随机区域探索方法中，移动节点遵循随机行走、随机方向和随机路径点等随机轨迹模型来探索给定区域。在基于边界的方法中，边界表示已探索区域和未探索区域之间的区域边界，区域由相邻的已探索单元格组合而成。基于边界的方法由于其确定性性质而比基于随机移动性的方法收敛得更快（Sreejith等人，2015年a）。近边界探测（NFE）（Yamauchi，1997）是一种著名的基于边界的区域探测方法，其中移动节点选择最近的边界进行探测。NFE的主要缺点是部署用于区域探测的多个移动节点可能最终访问同一区域由于缺乏协调，多次。这个问题在基于成本效用的前沿（CUF）方法中得到解决（Burgard等人， 2005年）。在CUF中，效用值被分配给每个前层单元。每个边界小区的效用值取决于空间信息增益和边界小区相对于移动节点的距离。当MA节点访问边界小区时，边界小区的效用值降低。最大增益方法（Sreejith等人，2015b）采用了即兴策略。在该方法中，确定移动节点轨迹的效用函数考虑了最大空间信息增益和待探测小区附近的移动节点密度。与基于前沿的方法不同，在基于前沿的方法中，仅考虑前沿中存在的小区进行探索，最大增益方法将给定地图中的每个未发现的小区视为移动节点要探索的潜在目的地。Sreejith等人（2015 a）提出了一种混合随机方向和基于成本效用的前沿（HRF）方法。在这种方法中，随机方向移动性方法最初被跟踪到某个区域覆盖阈值，然后切换到CUF方法以获得更快的区域覆盖。上述用于移动性辅助定位方案的区域探测方法是能量有效的。在这些定位方案中，只有移动节点发送信标数据包来定位传感器节点。与基于动态路径规划的定位方案不同，传感器节点不需要与移动节点通信，从而在能量稀缺的WSN应用中为传感器节点节省了本文的主要贡献概括如下。对于区域勘探，提出了HMF（基于最大增益和成本效用的边界的混合）方法，其结合了最大增益方法（Sreejith等人，2015 b）和CUF方法（Burgard例如，2005年），以利用这两种方法的优势。所提出的方法最初遵循最大增益方法，然后切换到CUF方法。针对静态节点的定位问题，提出了一种分布式定位方案针对稀疏锚节点条件下的节点定位问题，提出了一种递归定位算法。3. 该方法拟议的办法分为三个阶段。第一阶段涉及区域探索方法，以更快地覆盖区域。静态节点定位是在第二阶段完成的MA节点的帮助下。在阶段II中未完全定位的静态节点在阶段III中被定位。3.1. 第一阶段：混合区域勘探方法寻找MA节点的轨迹以实现更快的区域探索是一项具有挑战性的任务。CUF方法在边界处收敛得更快（Burgard等人，2005），而最大增益方法在未勘探区域中以更快的速率勘探（Sreejith等人，2015年b）。但是，当在探索过程中创建多个边界时，与CUF方法相比，最大增益方法的性能滞后。因此，为了从这两种方法的优点中受益，提出了一种混合方法，该方法在初始阶段使用最大增益方法，然后切换到CUF方法来探索前沿区域。表1给出了在算法1中解释的所提出的混合区域探测算法中使用的参数的描述。●●●S. Nagaraju等人/沙特国王大学学报611静态传感器节点部署在由多边形区域SR表示的传感器场中，其边界预先已知。为了简单起见，假设矩形区域R，其中多边形区域SR可以适合。区域R被划分为单元ai;j其中，j表示区域R中的行和列位置每个单元a i;j被分配有颜色值V_i;j_i和效用值U_i;j_i。将颜色值Va i;j分配给具有白色、黑色或灰色的单元，以指示单元是否被探索，未探索的或位于通往目的地的路径上。分配给每个小区的效用值Ut_max有助于基站确定MA节点的最佳目的地小区位置，并且还有助于避免多个基站维护公共映射M[1/2ai;j]l×b和数据结构Du。公共映射M包括：每个单元格的效用值Utai;j，而Du由未探测细胞的坐标根据这些信息，基地612S. Nagaraju等人/沙特国王大学学报ðÞCRkKi;j;;ti;j：b- Xd本地化模型静态节点- 静锚移动节点- 静锚静态节点- 移动锚移动节点- 移动锚随机移动性计划移动性随机行走随机航路点随机方向静态路径规划动态路径规划扫描双扫描希尔伯特LMATz曲线H曲线BRFBTGMALS梦想Fig. 1.无线传感器网络中移动性辅助定位模型的分类表1HMF区域勘探方法的参数及其说明参数描述a单元的单位面积ai;j.ai;j区域R中的单元ai;j。当前分配给Mk的CMk小区。通信半径为Mk。CVCoverage值，NCD与T的比值。混合区域探索算法最初以最大增益方法开始。当遵循最大增益方法时，未探索区域中的每个点被认为是MA节点要遍历的可能目的地。在所提出的方法中，效用值Uti;ji的分配考虑了更接近目的小区的多个MA节点在最大增益方法中，基站将每个MA节点引导到其目的地小区DC。 在选择DC、基站时，dist<$x;y<$x和y之间的欧几里得距离。K KDu存储未探测单元格坐标的数据结构。DCk目的小区分配给Mk。M1/2ai;j]lXb大小为l×b的映射矩阵，表示R，6ai;j。在那里l和b表示区域R的长度和宽度。Mk k个MA节点。在任何时间点发现的细胞（或白色）的数量P=j;k=MA节点从第j个小区到第k小区的路径覆盖。考虑所有单元格的效用值Ut=i;j当将效用值分配给单元ai;j;Ud和UCb时，考虑。这里，U d是基于小区a i;j和MA节点M k之间的距离计算的距离效用值，并且UC b是位于路径P上的BLACK小区的密度。Ud计算为，（1-dist_dist_C_M_k;a_i;j_i;ifdist_dist_C_M;a_CR）R矩形区域，多边形区域SR可以适合。SR传感器部署区域。T区域R中的细胞总数。tp运行边界方法的阈值。基于小区ai;j相对于MA节点Mk的距离分配的距离效用值。关于移动节点分配的小区aij的效用值Mk.0;否则对于最大增益方法，单元ai;j的效用值Ut ai ;j计算为，S0MkU aaUC U3UCb位于P=CMk;DCk中的BLACK细胞数。Vai;j单元格ai;j的颜色值。白色表示已探测的细胞，黑色表示未探测的细胞，灰色表示位于其中S0Kk¼1表示除了MA节点Mk之外的MA节点的集合。MA节点的当前位置和目的地位置之间的路径a、b、d为常数。ji;j单元的成本ai;j.站点为每个MA节点确定目的地小区，并发送控制探测以将MA节点引导到它们各自的目的地小区。区域勘探是通过使用几个计算单元ai;j相对于MA节点Mk的成本通过从Utai;j中减去distCMk;ai;j，其被给出为，ji;jUtai;j-b：distCMk;ai;j4其中ji;j表示小区a i;j相对于MA节点M k的成本 常数用a和b表示。最后，DCk表示分配给Mk的目的地小区，并且被计算为，初始部署在基站附近的MA节点覆盖率值CV用于表示在任何位置探索的区域DCk 1/4max1/2ji;j8ai;jð5Þ时间点t由下式给出，位于路径P<$CMk;DCk<$中的所有像元均标记为灰色公司简介NCDT1以指示它们将被MA节点探测。应当注意，GREY小区为利用它们作为目的地小区或交叉点的其它MA节点其中NC_D表示发现的小区的数量，T表示区域R中的小区的总数，其等于面积R除以a。未探测单元的坐标存储在Du中，D u稍后将用于遍历这些坐标位置中的MA节点。然后，将从基站向MA节点发送探测，通知MA节点导航到目的地小区DCk。一旦MA节点遍历路径P CMk;DCk并到达DCk，则该特定路径中的所有单元将被标记为白色。MUd¼Kð2ÞS. Nagaraju等人/沙特国王大学学报613X10RSSI-Cn←P参考Dn一旦CV超过阈值tp，则遵循CUF方法。在CUF方法中，仅选择边界小区作为MA节点的目的地点，并且效用值Utai;j分配忽略路径密度因子。CUF方法继续，直到NCD等于T。类似于最大增益方法，CUF方法利用等式（2）-黑细胞在PCMk;DCk中的密度如下所示RSSI ¼-mωlogωD图二.信标数据包格式。公司简介ð10ÞUtai; jd-S0Mk：k¼1Ud6哪里m<$10ωn11ωn从等式在等式（11）中，路径损耗指数因子n可以被计算为，其中d对应于与CUF方法相关的常数一旦计算出目的小区DCk，基站指示MA节点移动到目的小区DCk，并将途中访问的小区标记为白色。CUF方法继续循环，直到探索整个区域。一旦区域探测完成，MA节点就返回基站。所提出的区域探索方法还考虑了MA节点的障碍物检测和避免对于障碍物检测，采用类似于Borenstein和Koren（1989）的方法来识别障碍物在这里，MA节点识别对它们可见的障碍边缘。连接两个边缘的线用于计算基站处的障碍物边界。基于该假设，基站将障碍物确定为多边形的边界，并将落入该障碍物区域的各个小区标记为白色。位于障碍区域的细胞施加虚拟力场（VFF）到MA节点上。测得的VFF的大小可以用来避开MA节点，以避开障碍物（Borenstein和Koren，1989）。为了实现避障，在所提出的方法中，障碍物和MA节点之间的距离的平方被设置为VFF的幅值的倒数静态节点的定位与区域探测同时进行，这将在下一节中详细解释。3.2. 阶段II：使用MA节点的分布式定位第二阶段处理MA节点的静态节点的分布式定位。当MA节点移动时，它广播信标分组。图 2示出了信标分组格式。目标节点ID字段包含广播地址。在接收信标分组时，RSSI值由静态节点记录，静态节点进一步用于使用下面描述的对数距离路径损耗模型来计算距离。基于实际测量的传播模型表明，平均接收功率随距离几何地减小（Rappaport等人， 1996年）。基于这一概念，基于RSSI的测距经验模型用于估计距离（Mahapatra和Shet，2016）。根据这个模型，n/m×12可以看出，Eq。（10）是斜率为m、截距为C的线性方程。为了确定m和C的值，以对数标度绘制了测量的平均RSSI值与距离的通常，绘制结果将是非线性的，其需要通过曲线拟合模型校准到线性尺度（Nagaraju等人，2016年）。从等式在等式（10）中，距离D可以被导出为，D¼10-m×13mm加权RSSI值用于定位目的，以解决RSSI不规则性。一旦从MA节点到静态节点的距离使用等式（1）计算，（13），静态节点的坐标可以通过使用三边测量技术来确定（Hong等人，2009年）。三边测量技术仅在静态节点从三个不同位置接收来自MA节点的信标分组时才能应用在区域探测阶段到期时，部署在现场的一些静态节点可能没有接收到足够数量的信标分组来对它们的位置进行三边测量。存在这样的场景，其中在某些区域中的节点，特别是在边缘处的节点将被MA节点仅访问一次或两次。在这种情况下，由于接收到的信标分组不足，不可能进行准确的定位。这样的节点被分类为部分局部化节点，并且被称为患有稀疏锚节点状况（Yong等人， 2013年）。第三阶段提出的机制将解决这一问题3.3. 第三阶段：稀疏锚节点定位局部化的节点通过算法2中描述的递归定位机制来定位。算法2稀疏锚定位节点是非本地化静态节点1：如果SN从MP3接收到信标分组，则2：SN的三边定位3：设置AN←SNPr/1ð7Þ4：Set ploc←1D5：else ifSN 从MA 3接收信标分组，<其中Pr是接收信号功率，D是以米为单位测量的距离，并且n是路径损耗指数因子。两边取对数并简化，我们得到，10log g.Pr/10log g. 1Σð8ÞRSSI被定义为接收功率与参考功率之比。通常，P ref表示1mW的绝对值。因此，Eq。（8）可以写成，RSSI¼ -10ωnωlogDC9其中C是常数。上述等式可以表示为，区域勘探阶段结束，6：SN个广播/请求分组7：相邻的A/N节点用1个rep分组进行8：使用等式（13）计算AN9：如果SN从MA和AN接收到信标分组放在一起P3，则10：SN的三边定位11：设置AN←SN12：设置ploc 113：如果结束14：如果结束614S. Nagaraju等人/沙特国王大学学报以请求数据包。除了这些字段之外，接下来的两个字段由节点的X和Y坐标组成如果从MA和AN节点接收到的信标分组放在一起超过两个，则通过加权三边测量定位SN节点，并且在将其ploc标志设置为1之后将SN节点添加到AN节点的集合表2图三. （a）l req的数据包格式 packet（b）lreppacket.4. 执行情况和结果所提出的用于移动性辅助定位方案的HMF区域探索方法的模拟在移动性插件使能的Cooja模拟器（Osterlind，2014）上进行与ns-2和ns-3网络模拟器类似，Cooja是一个离散事件模拟器。Cooja模拟器配置参数。参数项目说明无线电传播模型单位圆盘图介质（UDGM）距离损耗模型MAC协议IEEE 802.15.4天线类型全向模拟区域750 m×750 m数据速率250 kbps射频2.4 GHzMA节点数天线覆盖范围50米Cooja模拟器的主要优点是它支持固件级模拟（Jevtic等人， 2009年）。此外，它简化了从模拟到实时部署的代码可移植性（Nagaraju等人，2017年）。表2所示为Cooja模拟器执行所提出方案的模拟时为了提供一种现实的模拟方法，Cooja节点被配置为通过将节点的最大传输功率和接收器灵敏度分别设置为0 dBm和-95 dBm来模拟诸如MicaZ的WSN微尘对部署在750 m× 750 m上的节点进行了仿真，最大传输功率0 dBm不同数量的MA节点。传输距离设定对于静态节点和MA节点两者。MA节点将周期性地传输-接收器灵敏度-95 dBm一旦阶段II完成，基站需要识别由MA节点完全定位和部分定位的静态节点SN为了区分完全本地化和在阶段III开始时，利用部分局部化的SN节点，标记p_loc对于完全局部化的节点，标志p_loc被设置为1，而对于部分局部化的节点，p_loc标志被设置为0。如果SN节点为了定位遭受稀疏锚条件的节点，使用特殊的请求和应答分组l_req和l_rep。的LREQ分组由部分局部化的节点发送，目的是从相邻节点获得应答LREP，以便完全局部化。Ireq分组结构如图3（a）所示。 目标ID字段包含广播地址，使得接收请求分组的相邻节点可以用它们的坐标信息进行响应。lreq的节点类型字段由p loc值组成，ploc值有助于将部分本地化的节点与其他节点区分开。lrep数据包的前三个字段类似于在遍历轨迹的同时发送信标分组，该轨迹包含如先前在图2中所示的MA节点落入MA节点覆盖范围内的静态节点将存储信标信息，以三边测量它们的位置，如第3节的阶段II和阶段III中所解释的。所提出的HMF区域探索方法的性能进行了比较，最大增益，HRF和CUF方法。图4示出了对于不同数量的MA节点，参考模拟时间根据几次模拟的观察结果，建议的区域勘探阈值tp设置为75%，以获得更好的结果。直到tp等于75%，遵循最大增益方法。一旦tp超过75%，则遵循CUF方法来探测剩余区域。从图中可以明显看出，所提出的HMF方法优于其他区域勘探方法。这是因为它利用了最大增益和CUF方法的优点，以最大的空间信息增益和更快的多个边界覆盖到达图5示出了利用不同数量的MA节点执行的路径长度决定MA节点经过的总距离。从图中可以看出，随着MA节点图四、（a）5个MA节点、（b）7个MA节点和（c）9个MA节点的区域勘探比较S. Nagaraju等人/沙特国王大学学报615-表3为RSSI分配权重时考虑的距离估计误差距离（m）RSSI（dBm）距离估计误差（m）5-18.68 0.2710- 27.36 0.20715- 35.54 0.13520- 44.22 0.06325- 52.4 0.00330- 61.08 0.07235- 69.76 0.14440- 78.0045- 86.62 0.27950- 93.25 0.333图五. 区域勘探方法的路径长度比较。图7.第一次会议。RSSI的平均值与距离以及线性回归的校准曲线图见图6。 通信开销比较。增加，路径长度减少。较短的路径长度导致MA节点在穿越时消耗的能量较低。与其他方法相比，HMF方法对于5个MA节点具有4170 m的最小路径长度，对于9个MA节点具有3081 m的最小路径长度。 因此，与其他方法相比，HMF更节能。从图从图4和图5可以推断，路径长度越短，区域覆盖越快。图6中示出了各种方法在控制分组通信开销方面的性能。所提出的HMF方法的通信开销与最大增益方法相比略最大增益方法为MA节点选择最远的目的地小区，从而提供最大的空间。对于所提出的HMF方法，随着MA节点的数量增加，交换的控制分组的数量减少。通过使用加权RSSI值来解决RSSI不规则性表3示出了实际距离、所获得的RSSI值和相应的距离估计误差。距离估计误差被认为是高达50米，因为接收器的灵敏度高达这个范围是低于95 dBm，这是实际的接收器灵敏度的CC2420无线电（Cc2420）中使用的MicaZ微尘。静态节点和MA节点之间的距离是基于如在等式2中指定的RSSI值来（十三）、距离估计误差是实际距离和估计距离之间的差，其将在分配权重时使用在该方案中，导致较小距离估计误差的RSSI值被分配较高权重，并且通过分配较低权重来惩罚对应于较高距离估计误差的RSSI分配给不同RSSI值的权重由下式给出初始信息增益，而CUF方法选择更接近边界1W细胞因此，最大增益方法考虑最小数量MA节点和基站之间的通信的控制分组交换由于HMF方法是这两种方法的混合，因此当与最大增益方法相比时，它具有稍微更高的通信开销，并且在交换的控制分组方面比CUF方法表现得好得多由于HRF方法在其初始阶段遵循随机移动性，因此与最大增益和HMF方法相比，它具有更高的通信开销。从图中也可以看出。月6rssi/dist错误14其中wrssi是与RSSI值相关联的权重，disterror是距离估计误差，而l是相对于距离估计误差的常数基于表3中所示的RSSI值，如图7所示，相对于距离绘制RSSI值。获得由虚线指示的略微非线性的曲线。由于需要截距和斜率值来估计距离，616S. Nagaraju等人/沙特国王大学学报见图8。 区域勘探阶段结束时静态节点的定位。见图10。HMF方法对不同速度移动的MA节点的平均定位误差。见图9。区域勘探阶段结束时完全定位的节点百分比。的EQ。（13）、非线性曲线需要通过曲线拟合工具转换为线性曲线，如图所示，曲线拟合工具用实线表示。7.第一次会议。图8示出了在区域勘探阶段结束时的模拟的快照。模拟由7个MA节点进行，这有助于区分完全局部化和部分局部化的节点。这里，以50个节点进行模拟，其中编号为1至7的节点是MA节点其余为静态节点。MA节点由其所有三个LED都被关断的节点指示，并且完全局部化的节点使其所有LED都被接通，而部分局部化的节点基于接收到的信标分组的数量使一个或两个LED接通。一旦区域探索阶段到期，部分定位的节点通过算法2估计它们的位置。图9比较了在区域勘探阶段结束时，完全定位的节点的百分比与不同数量的MA节点图十一岁以10 m/ s的速度进行区域探测的平均定位误差各种区域勘探方案。最大增益方法由于其覆盖边缘附近的最远节点的特性，在不同数量的MA节点的情况下比其他区域探索方法与最大增益方法相比，HMF方法略微落后移动辅助定位方案的区域探索方法的主要目标是在较短的时间内探索较大的区域。这可以通过提高MA节点的速度来实现。接下来的实验研究了MA节点的速度对定位误差的影响 图图10示出了由以10m/s、5 m/s和2 m/s的不同速度行进的MA节点定位的静态节点的平均定位误差。这些MA节点使用HMF方法进行导航，由于其快速的特性S. Nagaraju等人/沙特国王大学学报617nðÞ××I¼n16由于部署是在室内环境中进行的，MA节点使用全球定位系统（GPS）进行定位既不经济也不可行。此外，GPS在室内环境中表现不佳因此，在网格中部署了另外20个充当静态信标节点的MicaZ节点网格部署有助于利用坐标信息对静态信标节点进行预编程，这有助于定位MA节点。一旦MA节点被定位，它们进一步帮助定位静态节点。MA节点周期性地广播Ireq分组。MA节点附近的静态信标在接收到Irep分组时，MA节点记录RSSI值并进一步三边测量其自身的位置。如果MA节点接收到多个信标分组，则使用从RSSI值导出的权重来确定MA节点的坐标（x u ; y u），（15）和（16）。见图12。 为本地化定制的移动机器人。xu¼ni¼1xiωwrssi15Pn1yi ωwRSSI其中xi;yi是第i个信标节点的坐标，wrssi是通过等式（1）获得的与RSSI相关联的权重。并且n是从相邻静态信标节点接收的信标分组的数量。对于定位静态节点，使用诸如l_req_packet、l_rep_packet和w_rssi值的参数。这里，静态节点周期性地广播lreq分组，并且接收到这些分组的MA节点用包含其坐标的lrep分组来如图所示，（15）和（16）通过使用WRSSI值和LREP分组图十三.测试台设置有3个MA节点、20个MicaZ静态信标节点和20个MicaZ静态节点。区域覆盖。从图中可以看出，当MA节点的速度增加时，定位误差也增加。这背后的原因从图10中可以看出，通过增加MA节点的数量，即使当MA节点以更高的速度移动时，平均图11示出了MA节点以10 m/s的速度遍历的不同区域探测方法的平均定位误差。从图11中可以清楚地看出，与其他两种方法相比，最大增益和HMF呈现出最好的结果，这是由于在区域勘探阶段结束时具有更好的定位率为 定 位 应 用 定 制 的 移 动 机 器 人 如 图 12 所 示 。 移 动 机 器 人 由raspberrypi单板处理器组成，与ZigBee和IEEE 802.11n两个无线通信模块接口，分别与静态传感器节点和基站通信。Honeywell定位阶段的概念验证使用如图所示的测试台来完成。 13，通过部署3个移动机器人作为MA节点和20个MicaZ静态节点，在20米20米的 区域 内 。 网 格大 小 为 4 5 用 于部 署 静 态节 点 。 MA 节 点使 用RaspberryPi设计，用于执行复杂的三边测量计算。MA节点通过与MA接口的ZigBee无线电与静态传感器节点进行结通过降低收发器的功率电平，将传感器节点5. 结论本文提出了一种混合区域探测方法HMF由于HMF方法具有快速区域覆盖的特点，因此被用于区域探测和定位所提出的方法最初遵循最大增益方法，直到区域覆盖百分比达到阈值tp，然后切换到CUF方法。为了解决稀疏锚节点条件下的节点定位问题，提出了一种分布式定位方案和递归定位机制所提出的HMF方法的主要优点在于其能够在短时间内覆盖更大的区域，与最大增益、HRF和CUF方法相比。此外，HMF方法是能量有效的，因为它具有较短的路径长度的MA节点，使其适合于关键任务的应用。所提出的HMF方法的通信开销和定位误差略高于最大增益方法，但可以通过增加MA节点的数量来减少。为了验证概念，使用了具有3个MA节点和20个MicaZ静态节点的测试床的实时部署。使用区域探索和动态路径规划模型进行定位的比较分析是未来工作可以加强的方向。利益申报一个也没有。引用Alomari，A.，Comeau，F.，菲利普斯，W.，Aslam，N.，2017年。无线传感器网络中移动锚辅助定位的路径规划新模型无线网络，1https://doi.org/10.1007/s1127P你在吗618S. Nagaraju等人/沙特国王大学学报阿蒙森岛Koutsoukos，X.D.，移动无线传感器网络定位研究综述。2009.在：第二届国际研讨会上的移动实体定位和跟踪在无GPS环境，MELT 2009年，pp。235-254.Borenstein，J.，Koren，Y.，198