[发明专利]一种基于时空域联合处理的分布式协作定位系统和方法

说明书

本发明提供了一种基于时空域联合处理的分布式协作定位系统和方法。通过利用目标节点多跳范围内节点的位置信息及相对距离信息，完成目标节点的定位。针对该系统所设计的分布式协作定位方法在每个时间片，目标节点首先收集若干跳范围内节点在多个时间片内的位置信息及相对距离信息，然后预测这些节点到当前时刻为止的多个时间片内所有的测量信息，最后基于运动轨迹约束对多时间片的历史测量信息及预测信息进行时空域的联合处理，得到目标节点在当前时刻的位置估计。本发明通过对多跳范围内节点在多时间片内的信息进行联合处理，能够有效提高节点的定位精度和定位结果的稳定性。

技术领域

本发明属于导航领域，是一种基于时空域联合处理的分布式协作定位系统和方法。

背景技术

实时、高精度的定位信息对于很多无线网络来说至关重要。通常情况下，传统的定位系统，如全球卫星定位系统(GNSS)，能够为这些网络提供较高精度的定位信息。但是，出于成本和功耗的考虑，给网络中每个节点都安装一个GNSS接收机是不现实的。另外，在恶劣环境条件下，例如城市峡谷、森林等，GNSS信号容易受到干扰，此时，GNSS提供的位置信息的精度大大降低。协作定位能够有效利用网络中节点间的协作来提高定位的性能。在协作定位系统中，所有的节点可以大致分为两类：(1)参考节点，这些节点能够通过传统的定位方法对自身进行定位；(2)非参考节点，这些节点无法进行自定位，需要通过协作获得自身位置信息。协作定位的性能与数据融合方法有很大的关系，扩展卡尔曼滤波算法和置信度传播算法是比较常用的协作定位方法，其他方法还包括无迹卡尔曼滤波算法、最小二乘算法和最大似然估计算法等。基于扩展卡尔曼滤波算法的协作定位算法具有较低的复杂度，它利用一个线性系统对非线性的协作定位系统进行近似，这个近似大大降低了系统的定位性能。无迹卡尔曼滤波算法利用一个非线性变换对非线性的定位系统进行近似，它具有比扩展卡尔曼滤波算法更好的性能。基于因子图的置信度传播算法，如SPAWN算法，也被广泛运用。该算法对于解算初值的精度比较敏感，在静态或者准静态的网络环境下可以提供较高的定位精度，但是当运用于高速运动的环境时，该算法的解算初值的误差比较大，因而其最终的定位精度也较差。最小二乘算法或者最大似然算法在高斯白噪声条件下渐近最优，但是由于目标问题是非凸的，其解算难度比较大。

上述的协作定位方法可以分为两类：集中式方法和分布式方法。在集中式协作定位系统中，所有的计算都在中心处理节点中完成，在这之前中心处理节点需要把网络中所有节点的观测数据收集起来。这类方法具有较高的定位精度，但是当运用于大规模网络时，会导致较大的通信负担和计算复杂度。分布式方法在牺牲一定定位精度的情况下能够有效减小通信负担和计算复杂度。具体来讲，在分布式协作定位系统中，各个节点位置的计算是在各自内部完成的，每个节点只需收集邻近节点的观测信息即可。另外，上述所有的协作定位算法在每个时间片只考虑了当前时间片内的观测信息，当节点运动速度比较大或者连接数不足时，这些算法的定位精度比较差甚至会发散。

本发明针对大规模网络中节点的定位问题，提出了一种基于时空域联合处理的分布式协作定位系统和方法。该系统针对大规模移动网络中部分节点无法完成自定位，并且会出现连接数不足等问题，基于节点的轨迹信息约束，对目标节点若干跳范围内所有节点在多个时间片内的位置信息以及相对距离信息进行融合，进而完成目标节点的定位。所提出的协作定位方法在每个时间片内，目标节点首先收集若干跳范围内所有节点在往前回溯的多个时间片内的位置信息以及相对距离信息；然后基于上述多跳节点的历史测量信息，对这些节点到当前时刻为止的多个时间片内所有的测量信息进行预测；接着基于这些节点在当前时刻的状态信息变量，反演出这些节点在这些时间片内的轨迹信息；随后基于历史测量信息，利用传统的协作定位方法计算出这些节点在当前时刻状态信息的初始估计值，作为节点轨迹信息的初始解算值；最后基于节点的轨迹信息约束，对多时间片内的历史测量信息以及预测信息进行融合，得到更高精度的关于当前时刻目标节点状态信息的估计值。

发明内容