[发明专利]基于事件驱动的无线传感器网络多目标实时跟踪系统

摘要

本发明公开了一种基于事件驱动的无线传感器网络多目标实时跟踪系统，该系统采用层次逻辑结构设计，分别为感知层、网络通讯层、应用层，为了避免多目标跟踪过程中所带来的网络中的冲突，采用了一种基于任务的自适应分簇节点调度策略；提出了基于事件驱动的卡尔曼滤波定位跟踪算法，利用收敛速度更快的最小二乘法修正卡尔曼滤波当前状态值，实现对传感器网络内多个移动机器人的定位跟踪。系统采用双令牌工作方式并结合基于任务的动态时隙分配方法实时高效地完成网络任务。系统采用自适应分簇的节点调度方法，能自动将测量数据按照运动目标分簇，突破以往局限于单目标跟踪的工作模式，实现了多目标的实时跟踪功能和基于无线网络的远程反馈控制。

主权项

基于事件驱动的无线传感器网络多目标实时跟踪系统，其特征在于，包括：分布式测量节点、基站、无线通信转USB网关、数据服务中心和轮式移动机器人；所述分布式测量节点由12个兼具测量和无线通信功能的超声波传感器节点均匀分布而成，节点按3×4排列，其被分为6个网格，每个网格包含4个节点；所述基站是在无线网络覆盖区中，负责整个无线网络的资源分配和信息解析；所述无线通信功能转USB网关是负责基站和上位机之间的信息传递，实现上下行双向通信；所述的数据服务中心采集无线传感器网络的测量原始数据，通过数据融合定位算法得到目标的位置信息，绘制目标轨迹曲线并存储历史数据，产生新的工作令牌通过网关传递给基站；所述轮式移动机器人接受基站的数据信息和控制指令，可在网络范围内任意移动；所述兼具测量和无线通信功能的超声波传感器节点包括超声波测距模块、传感器扩展接口模块、数据处理单元和电源模块；所述超声波测距模块采用6个SRF08超声波传感器，每个SRF08超声波传感器均有60度的有效测量角度，超声波测距模块可实现平面范围360度的全方位测距；传感器扩展接口模块采用Crossbow公司的MDA100设备，兼具无线通信功能的数据处理单元采用Crossbow公司的MPR2400CA模块，也称其为节点无线收发子站；所述无线传感器网络的基站包括2个兼具通信功能数据处理单元MRP2400CA，分别与两个网关模块相连，其中一个分管数据和信令的上行链路，用于接收来自所述分布式测量节点的无线信号；另一个分管数据的下行链路，用于发送无线信号至分布式测量节点和所述轮式移动机器人；所述网关模块采用Crossbow公司的MIB520网关设备，用于实现ZigBee‑USB网关；所述无线传感器网络的数据服务中心采用搭载Ubuntu10.10版本Linux实时操作系统的高性能计算机，基于Linux操作系统编写的上位机实时监测与控制软件运行于该计算机上；所述超声波测距模块和传感器扩展接口模块通过基于I2C协议的双向串行接口连接，电源模块可分别提供6V和3.3V电源，其中6V电源与超声波测距模块连接，3.3V电源与传感器扩展接口模块连接；所述基站与分布式测量节点之间是通过基于ZigBee协议的空中接口连接，实现无线通信；所述网关模块和基站通过51Pin接口连接，网关模块与所述数据融合中心的计算机及所述移动机器人的主控制器通过USB通用接口连接，实现UART通信；系统运作过程中，任何一项工作都只能在自己的时隙里完成自身的任务，在多目标跟踪过程中，基于任务的自适应分簇节点调度策略允许多个节点同时打开超声波进行测距的；系统正常工作包括如下步骤：(1)布置无线传感器网络，包括系统所需的软硬件，将移动机器人放置于检测网络的有效范围内；(2)开启所有电源，整个无线传感器网络进行初始化，之后所有节点进入休眠待机状态；(3)开启数据服务中心的实时监测与控制软件，通过点击操作界面的开始按钮来启动整个系统，数据服务中心下达时钟同步指令，通过基站发送端广播给节点收发子站和移动接收子站，采用单向广播同步的方式，使基站和所有传感器节点达到时钟同步，以避免时序混乱；(4)数据服务中心向基站发出搜索目标的初始化工作命令，基站收到命令后，根据基于任务的系统资源时隙分配方法产生网络周期命令帧，其包含工作令牌和通信令牌及其相应的时隙分配系列，即根据预先设置的网格号和节点号，按照先网格后节点的顺序逐个、轮流触发检测网络的节点工作，并为其安排了具体的时隙；(5)节点收发子站接收到基站广播的搜索目标命令，根据工作令牌和通信令牌确定每个节点是否具有工作或通信的权限；若某节点具有工作权限，则通过I2C串行接口触发该节点的超声波传感器模块工作，待测距完成后储存相应数据，等待自己通信时隙到来时发送；若某节点具有通信权限且在自己通信时隙内，则开启无线通信模块，将该节点在上一工作周期储存的测距值和其他相关参数经过编码后通过ZigBee协议空中接口发送至基站，基站解码后将有效测量数据和时标通过网关传递给数据融合中心；(6)数据服务中心的搜索目标命令将持续触发并收集12个节点的采样数据，若对整个网络经过3轮搜索工作后，每一轮上传有效测量数据的节点数都小于3时，则表示未在检测网络中发现目标，所有节点重新进入休眠状态，节省能耗；若在一轮搜索中上传有效数据的节点数不小于3，则表示成功发现目标，进入下一步；(7)数据服务中心对通过UART串口接收到的多个节点测量数据进行融合计算，计算出当前周期在网络中的目标个数及其各自坐标；具体步骤为：Ⅰ、当系统开机阶段运行周期未达到设定值时，采用最小二乘法，利用目标所在网格内所有节点的测量数据进行定位，确定目标位置的初始值；Ⅱ、当系统运行周期达到设定值后，则采用基于事件驱动的卡尔曼滤波算法进行定位，若目标在网格边缘区域还需综合两点画圆求交点法和网格边缘监测保护策略进行网格切换；Ⅲ、若由于突发事件导致目标的丢失，则利用最小二乘法配合相邻网格扫描法寻回目标；(8)数据服务中心将计算所得移动目标的坐标信息保存，并自动输出至TXT文本文档备份，且在上位机基于Linux操作系统开发的监测与控制操作软件上以图形和文本方式实时显示移动目标当前周期的坐标信息和实时运动轨迹；(9)数据服务中心根据移动目标当前周期的位置状态信息，采取基于自适应分簇的调度策略：基于目标当前周期的状态信息，综合运用扩展卡尔曼滤波算法对目标下一周期的状态进行预测，最终确定目标所在网格中最近邻的2～4个节点作为下一周期的任务节点簇；确定下一周期任务节点簇的原则如下：将运用扩展卡尔曼滤波算法对目标预测得到的下一周期的任务节点簇与当前周期实际工作的任务节点簇进行比较：A、若预测任务节点中与当前工作节点一致的节点个数大于或等于预测任务节点与当前工作节点不一致的个数，则下一周期使用预测任务节点，形成工作令牌和通信令牌；B、若小于，则下一周期继续使用当前工作节点，形成工作令牌和通信令牌；最终的工作令牌和通信令牌通过基站发送端广播给节点收发子站；(10)通过点击操作界面的启动机器人、同相位协同控制、反相位协同控制或停止机器人控制按钮，实现数据服务中心下达对机器人的控制指令，通过基站发送端广播给移动接收子站；(11)基站发送端将数据服务中心的最新生成的工作令牌、通信令牌相关数据，以及来自对移动机器人的控制指令，广播至节点收发子站和移动接收子站，实现数据下行传输；(12)节点收发子站接收到基站广播的指令，根据工作令牌和通信令牌确定节点自身在当前工作周期内是否具有工作或通信的权限；若某节点具有工作权限，则等待自己的工作时隙到来时触发该节点的超声波传感器模块工作，待测距完成后储存相应数据；若某节点具有通信权限，则等待自己的通信时隙到来时开启无线通信模块，将该节点在上一周期储存的测距值和其他相关参数发送至基站，供数据服务中心融合数据给目标定位所用；(13)获得工作令牌或通信令牌权限的工作节点，在测距完成或通信完成后，则查询自身在本工作周期内是否还有待完成的任务，如果有，则继续等待相应时间片的到来；否则休眠等待下一个工作周期的到来；(14)基站接收端接收自节点收发子站的数据，实现数据上行传输，数据接收完毕后，通过UART串口上传至数据服务中心，进入下一轮的工作周期；(15)重复执行步骤(9)～(14)，持续监测与控制网络和移动机器人，系统形成一个实时跟踪反馈控制网络；所述步骤(4)中基于任务的动态时隙分配方法包括下列步骤：(4.1)根据分布式测量系统需要周期性进行时间同步的特点，将系统时间轴分割成N*Tcycle(k),N为自然数，取决于系统时间长短，记Tcycle(k)为系统第k个时间同步周期，k＝1,2,...,N；(4.2)在Tcycle(k)开始时，分配Tsync(k)＝5ms，作为时钟同步工作所需时间，同时分配TA(k)＝10ms，作为超前检测工作时间提前量，剩下时间记为时间片轮转总量Trotate(k),Tcycle(k)＝Tsync(k)+TA(k)+Trotate(k)；(4.3)根据系统当前的任务负荷动态切割Trotate(k)，任务负荷量是由自适应分簇节点调度策略决定的，记当前Tcycle(k)内分簇数量为Ncluster(k),每个分簇内的节点数为Nnode(k),则Trotate(k)＝Nnode(k)*Ncluster(k)*(Tcomm+Tidle)+Δ(0)，其中，Δ(0)冗余时间量，Tcomm为单个节点传输一帧数据所需的额定通信时间，Tidle信道隔离量，但是由于分簇调度是动态的，每一步执行的分簇结果有可能是不一样的，因此上式可写成threshold为Tcycle(k)内进行分簇调度的总步数；(4.4)为了提高系统资源使用效率，不同分簇间且不在干扰域的节点可以同时工作，同时所有节点的检测任务和通信任务是独立的，基于这个特点系统采用双通道并行工作方式，分别为检测通道和通信通道；系统进行第s步分簇后，系统需要完成Nnode(s)*Ncluster(s)个节点的检测任务和通信任务，因为不同分簇间的节点可以同时工作，可将以上节点分为Nnode(s)组，每一组包含Ncluster(s)个节点，系统是按组完成检测工作的；(4.5)在第s步分簇后至第s+1步分簇前的检测通道时间轴上，记为t(s,s+1)可切割成Nnode(s)个时间片，每个时间片长度为Tsonarwork，Tsonarwork＝Ttof+Twrite+Tidle，其中Ttof为超声回波所耗时间，Twrite为节点存储测量数据时间；(4.6)在第s步分簇后至第s+1步分簇前的通信通道时间轴上，记为t(s,s+1)可切割成Nnode(s)*Ncluster(s)个时间片，每个时间片长度为Tcomm+Tidle；(4.7)至此时间分割已完成，切割完后的每一个时间片，其所承担的任务也就确定了；所述步骤(7)中基于事件驱动的卡尔曼滤波定位算法包括下列步骤：(7.1)根据目标所在区域的环境和运动特性综合考虑选择卡尔曼滤波的观测方程，根据不同的观测量和观测矩阵执行下列卡尔曼滤波迭代算法；(7.2)预测现在系统状态：X(k|k‑1)＝AX(k‑1|k‑1)+Bu(k)，(7.3)预测现在系统协方差：P(k|k‑1)＝AP(k‑1|k‑1)A'+Q，(7.4)更新卡尔曼增益：Kg(k)=P(k|k-1)H′HP(k|k-1)H′+R,]]>(7.5)最优化当前系统状态：X(k|k)＝X(k|k‑1)+Kg(k)[Z(k)‑HX(k|k‑1)]，(7.6)最优化当前系统协方差：P(k|k)＝[1‑Kg(k)H]P(k|k‑1)，(7.7)将以上步骤得到的目标位置状态与收敛速度更快的最小二乘法得到的目标状态相比较e(k)＝Xkalman(k)‑Xols(k)，若均方差大于一个阈值T时，说明目标已严重偏移了原来的预测轨迹，则令Xkalman(k)＝(1‑α)Xkalman(k‑1)+αXols(k),0.5≤α≤1，以此来纠正卡尔曼滤波定位跟踪精度。