無線傳感器網絡目標跟蹤性能優化及仿真*

陳延軍，潘 泉，王 征

（1.西安石油大學光電油氣測井與檢測教育部重點實驗室，西安 710065；2.西北工業大學自動化學院控制與信息研究所，西安 710072）

無線傳感器網絡目標跟蹤性能優化及仿真*

陳延軍1*，潘 泉2，王 征1

（1.西安石油大學光電油氣測井與檢測教育部重點實驗室，西安 710065；2.西北工業大學自動化學院控制與信息研究所，西安 710072）

無線傳感器網絡中傳感器節點相互協同完成感知任務，以傳感器量測的信息效用和獲取量測的能量消耗來折中地選擇參與的節點，但用戶對服務質量Qos（Quality of Service）的需求并沒有在節點選擇時得以體現。為此本文以目標跟蹤為應用背景，提出了一種自適應動態協同自組織算法A-DCS，該算法同時完成檢測與狀態估計任務，首先根據用戶設定的檢測概率，確定候選節點集合，選擇具有最大檢測概率的節點為簇首；隨之根據給定的狀態估計精度，自適應確定參與感知任務的簇成員順序和個數。統計不同檢測概率和狀態估計精度時相應的能量消耗，以此作為系統設計時參數設定的依據，從而最大可能地延長網絡的生命周期。仿真表明：在跟蹤精度和能量消耗兩個指標下，該算法優于IDSQ和DCS。A-DCS也適用于傳感器網絡系統中的其他估計問題。

無線傳感器網絡；自組織；目標跟蹤

無線傳感器網絡 WSNs（Wireless Sensor Networks）節點的固有特性要求節點之間必須協同完成某種感知任務，感知區域內節點的無規則撒布決定量測的空間分布特性，因此須在未知節點量測的情況下選擇一個最優的節點集合有序地參與狀態估計［1-3］。針對目標跟蹤，Zhang等提出了基于動態傳送樹的協同算法DCTC，隨著目標運動傳感器節點動態加入或從傳送樹上刪除，當根節點距離目標預測位置大于設定的閾值時，重新配置傳送樹，從而得到最優的傳送樹［4］。Zhao F等提出了IDSQ，該算法基于信息效用和代價建立目標函數，選擇節點參與狀態的估計使目標函數最優［5-7］。王等提出了DCS算法，該算法強調了代價函數在節點選擇中的重要性，通過改變參與狀態估計的節點數目使狀態估計精度達到預設閾值［8-10］。Zuo等提出以后驗狀態估計CRLB作為最優節點集合的選擇標準［11-12］。Fu等針對多目標跟蹤從能耗、跟蹤覆蓋以及跟蹤性能角度討論了節點配置問題［13］。文獻［14］從信息濾波角度討論了節點量測相關與不相關的節點選擇問題。然而，以上算法均未涉及檢測概率和狀態估計精度聯合優化的節點協同問題。因此，針對目標跟蹤問題，為滿足跟蹤系統的QoS，迫切需要一個輕量級協同算法以解決節點選擇與狀態估計問題。

本文給出了一種自適應動態協同自組織算法A-DCS（Adaptively Dynamic Collaborative Self-organization），該算法對于下一時刻可能探測到目標的節點，首先計算其檢測概率，根據設定的檢測概率，得到候選節點集合，并選擇具有最大檢測概率的節點為該時刻的簇首，隨后再依據預設的估計精度自適應確定參與狀態估計的簇成員順序及數目，該算法彌補了IDSQ狀態估計精度不足的缺點，且解決了DCS參數敏感性及高復雜度問題，能滿足系統實時性的要求，適用于WSNs分布式動態估計問題。

1 自適應動態協同跟蹤算法

傳感器網絡中節點管理關鍵在于如何控制節點協同完成感知任務，本文算法流程見圖1，該算法中用戶可以預設的兩個參數為節點對目標的檢測概率以及目標的跟蹤精度，通過調節這兩個參數，可以自適應地改變參與目標跟蹤任務的簇首和簇成員的個數，在保證系統QoS前提下盡可能延長網絡生命周期，其關鍵之處是如何選擇參與信息處理的節點。

簇首節點選擇簇成員如節點j，采用的目標函數為：

以下介紹算法的關鍵參數及步驟。

圖1 流程圖

1.1 信息效用函數

Bayes濾波標準形式如下所示：

兩邊取對數，則

兩邊對狀態求期望：

1.2 能量消耗模型

無線傳感器網絡能量消耗主要是節點信息感知、處理以及節點之間數據通訊（數據包發送與接收）所帶來的系統開銷，本文中所采用能量模型基于文獻［15］。

節點j1感知并處理 b比特數據所消耗的能量為：

es由傳感器節點j1的規格決定。

節點j1給一跳鄰居節點j2發送b比特的數據包，其發送端消耗的能量為：

et、ed由j1節點發射模塊參數所決定，節點j1、j2之間距離為rj1，j2，α由信道特征決定；接收端的能量消耗為：

er由j2節點接收模塊決定。

綜上所述，信息感知、處理以及通信所消耗的總能量為：

其中e0=（es+et+er）b、e1=edb。為了處理問題的方便，忽略了節點處理空閑時所消耗的能量。

1.3 節點檢測概率

在節點探測半徑范圍內，隨著目標與節點距離的變化，對目標的檢測概率也不同。假設目標的坐標為（xtarget，ytarget），節點的坐標為（xi，yi），節點對目標檢測概率模型如下：

本文中采用簡化的檢測模型，如式（10）所示：

當θ=1的時候，也就是最簡單的探測模型。節點的探測半徑為RDet，當目標在探測半徑范圍內，總是可以探測到目標。

Ai為節點節點i傳感器探測區域的面積。當PDeti大于檢測概率閾值Pthr時，本節點加入候選的節點集合Cand_Nodes_Set，選擇具有最大預測檢測概率的節點為簇首節點。

圖2 單節點預測檢測概率

1.4 目標跟蹤精度

跟蹤精度可以有多種方法來表示，例如狀態協方差矩陣的行列式或跡、狀態的Fisher信息陣、狀態分布的信息熵。本文中時刻目標的跟蹤精度Φ（t）可以表示為式（12）：

給定預設的跟蹤精度Φthr，如果t時刻跟蹤精度滿足Φ（t）≤Φthr，則跟蹤結果滿足要求，否則當前時刻跟蹤結果不合要求。

1.5 簇成員選擇

首先用簇首量測更新目標狀態，若更新以后的狀態不滿足用戶設定的精度需求，必須借助候選節點量測進一步更新目標的狀態，直至滿足用戶需求，從而得到最優的有序簇成員集合。每次在候選節點集合中選擇使目標函數（式（1））最大的節點參與狀態的更新，如式（13）所示，并從候選節點中移除該節點。

1.6 算法步驟

設目標在初始時刻t=0進入傳感器網絡，首先喚醒具有最大探測概率的節點最為簇首節點。

①預測t=1時刻目標的狀態，計算距離目標預測位置不大于探測半徑RDet的節點探測概率PDet，若大于用戶預設的閾值Pthr，節點加入候選節點集合；

②從候選節點集合中選擇具有最大探測概率的節點作為t=1時刻的簇首，并更新候選節點集合；

③t=0時刻簇首通過由Dijkstra算法得到的最短路徑將t=0時刻的狀態估計信息傳遞給時刻t=1簇首，原簇返回休眠狀態；

④用t=1時刻簇首量測更新目標狀態，若精度大于用戶預設的閾值Φthr，按照節點選擇準則依次在候選節點集合中選擇節點參與狀態的更新，直至滿足精度要求或者候選節點集合為空，時刻更新t= t+1，轉步驟1。

2 算法仿真

我們以目標跟蹤為應用背景，由于節點本身計算能力、存儲能力有限，目前傳感器板上封裝的傳感器多為采用聲音傳感器和紅外傳感器。

2.1 仿真場景

500節點隨機撒布在800 m×800 m感知區域內，每個節點初始能量為10 J，且加載聲音、紅外傳感器。目標做勻速直線運動，其狀態方程為：

式中：T為采樣間隔，q決定過程噪聲的強度。目標初始狀態為［-300，10，-300，10］T，狀態估計濾波器采用EKF，每時刻簇首為融合中心。

2.2 傳感器模型

①聲音傳感器

聲波傳播實質為聲能量的傳遞，對于各向同性介質，聲音幅度衰減模型為：

式中：A0為距聲源1 m處的聲波振幅，r為聲波傳輸距離，α表示振幅衰減系數，理想情況α=1，工程實際中，考慮外界環境影響，α=0.5～1.5。由此聲音傳感器的傳輸模型為：

式中：zi（t）為傳感器i在t時刻的聲音振幅，gi表示傳感器i增益，xi表示其空間位置，tni為聲波傳輸時間，xs表示聲源的空間位置，v（t）為量測噪聲（通常為高斯白噪聲）。課題組驗證了模型的合理性，并求得聲幅衰減系數α=0.896。

②紅外傳感器IR

IR傳感器工作時不發射電磁波，而是接受目標自身產生或反射其他能源的熱輻射，主要提供目標方位角及紅外輻射特性等信息，由此其傳感器模型為：

式中：θi（t）為t時刻傳感器i的量測，（xs，ys）表示時刻t的目標位置，（xi，yi）表示傳感器i的空間位置，vi（t）為量測噪聲（通常為高斯白噪聲）。

2.3 評價指標

①跟蹤精度指標

式中：N1表示仿真次數，Ns單次仿真中的總拍數。

②能量指標

對于本文中的能量消耗模型，仿真中α=2、b= 1 024 bit，es、et、er、ed分別為：

因此

③網絡生命周期

本論文網絡生命周期定義為系統配置伊始至首個節點能量耗盡所經歷的時間。仿真中設目標重復經過預設軌跡，直至出現能量耗盡的節點，據此比較不同算法的網絡生命周期。

2.4 參數計算和選取

節點動態自組織算法中信息效用函數為：

選擇每個簇成員所付出的系統開銷是由于信息感知、發送、接收數據包所消耗的能量，具體參考1.3節。

單節點檢測概率的計算采用Monte Carlo的計算方法，由于目標狀態服從高斯分布，用N個粒子來近似目標的狀態，每個粒子所在的位置為（xj，yj），其權重為1/N，則節點i對目標的探測概率近似表示為：

節點的通信半徑RCom=50 m，聲音傳感器的探測半徑RDet=25 m，半徑范圍內探測概率θ=0.95，α=0.5 J/bit，β=0.5/J。

2.5 仿真結果及分析

由于IDSQ在每時刻選擇單節點作為融合中心，接收駐留在前一時刻融合中心節點的目標狀態并用其量測更新（如圖3（a）），導致簇首切換頻繁且未利用鄰居節點的量測信息，因此跟蹤精度較差，同時每時刻僅選擇單節點做為融合中心，造成該算法魯棒性較差。A-DCS按照跟蹤系統QoS指標自適應動態地選擇簇首與簇成員，相比IDSQ，該算法能大幅度減少簇首切換次數，因此既可避免IDSQ選擇簇首的“乒乓現象”，也能減小由于反復傳遞目標狀態所消耗的能量（如圖3（b））。A-DCS簇首切換次數以及每時刻簇成員數由預設檢測概率Pthr與跟蹤精度閾值Φthr共同決定，為此固定Pthr=0.7而改變Φthr仿真1 000次統計簇首切換次數及平均簇成員數目如表1所示。

由表1可知，本文算法的簇首切換次數及平均簇成員數隨跟蹤精度而發生變化，設定精度越高，簇首切換越頻繁，平均簇成員數越多，反之亦然；IDSQ每時刻簇首均切換，未利用鄰居節點信息，因此簇首切換次數明顯大于A-DCS和DCS，且未能慮及檢測概率及跟蹤精度；DCS需設置眾多參數，參數設置與信息效用表示形式息息相關，且缺乏魯棒性，若參數設置不適合，算法可能陷入死循環，仿真中［M0，M1，M2，d0，d1，d］=［1，100，0.2，50，50，50］，此時DCS跟蹤精度與A-DCS設定Φthr=6.0 m時的跟蹤情形相當（如圖4），但簇首切換次數、平均簇成員個數均明顯大于該情形的簇首切換次數、平均簇成員個數。

圖3 協同目標跟蹤

表1 簇首切換次數和簇成員平均個數對比

圖4中DCS與A-DCS預設Φthr=6.0 m的跟蹤精度相當，因此僅繪制一條RMSE曲線。結合圖4、表2可以看出，A-DCS跟蹤精度RMSE隨閾值Φthr而變化，Φthr越小，算法跟蹤精度越高，相應能量消耗越大，IDSQ、DCS跟蹤精度與Φthr=6.0 m的跟蹤精度相當，但是其所消耗的能量遠遠大于 Φthr=6.0 m時所消耗的能量，近似與Φthr=1.0 m所消耗的能量相當，因此A-DCS既可以提高跟蹤精度，也可以適當放松系統性能指標以減小能耗。

圖4 跟蹤精度對比（Pthr=0.4）

表2 平均能量消耗與網絡生命周期對比

為了衡量不同算法對網絡生命周期的影響，設想目標在感知區域內做布朗運動，單位時間內位移的增量Δs～N（0，52），程序運行直至首節點能量耗盡所經歷的時間近似描述網絡生命周期，仿真結果如表2所示。IDSQ、DCS在選擇節點時僅考慮節點量測的信息收益以及獲取量測所付出的功耗，而A-DCS在選擇節點時同時折中考慮信息收益、功耗以及節點本身剩余能量3種因素，因此即使設定高精度閾值，A-DCS網絡生存時間也大于IDSQ、DCS。

3 結論

綜上所述A-DCS同時根據目標檢測概率與跟蹤精度閾值自適應選擇簇首、確定簇成員數目及其參與目標跟蹤的順利，最大限度利用鄰居節點的量測信息，可避免IDSQ選擇簇首時的“乒乓現象”，同時相比DCS，該算法也具有參數易設定、復雜度低等優點；A-DCS在跟蹤精度、能耗及節點自身剩余能量的多重指標下尋求折中，較大限度地延長網絡的生存時間。本文算法也適用于無線傳感器網絡背景下的其他分布式估計問題。

A-DCS僅以增加簇成員數目提高待估計量精度，未考慮節點之間的時空相關性，因此下一步研究欲把節點之間的空間相關性作為節點選擇的影響因素，利用單個節點量測之間的時間相關性，有效地調節節點的采樣率。

［1］ Akyildiz I F，Su W L，Sankarasubramaniam Y，et al.A Survey on Sensor Networks［J］.IEEE Communications Magazine，2002，40 （8）：102-114.

［2］ Akyildiz I F，Su W L，Sankarasubramaniam Y，et al.Wireless Sensor Networks：A Survey［J］.Computer Networks，2002，38（4）：393-422.

［3］ Demigha O，Hidouci W K，Ahmed T.On Energy Efficiency in Collaborative Target Tracking in Wireless Sensor Network：A Review ［J］.IEEE Communications Surveys and Tutorials，2013，15（3）：1210-1222.

［4］ Zhang W，Cao G.DCTC：Dynamic Convoy Tree-Based Collaboration for Target Tracking in Sensor Networks［J］.IEEE Transactions on Wireless Communications，2004，3（5）：1689-1701.

［5］ Zhao F，Jaewon S，Reich J.Information-Driven Dynamic Sensor Collaboration［J］.IEEE Signal Processing Magazine，2002，19（2）：61-72.

［6］ Zhao F，Shin J，Reich J.Information-Driven Dynamic Sensor Collaboration for Tracking Applications［J］.IEEE Signal Processing Magazine，2002，19（2）：61-72.

［7］ Liu J，Zhao F，Petrovic D.Information-Directed Routing in Ad Hoc Sensor Networks［J］.IEEE Journal on Selected Areas in Communications，2005，23（4）：851-861.

［8］ 王睿，梁彥，潘泉，等.無線傳感器網絡信息感知中的自組織算法［J］.自動化學報，2006，32（5）：829-833.

［9］ 王睿，潘泉，程詠梅，等.基于動態分簇的傳感器網絡協同算法［J］.計算機工程與應用，2005（11）：9-11.

［10］王權，王睿，梁彥，等.無線傳感器網絡的信息收益函數研究［J］.系統仿真學報，2007，19（24）：5812-5817.

［11］Zuo L，Niu R，Varshney P K.Posterior CRLB Based Sensor Selection for Target Tracking in Sensor Networks［C］//IEEE International Conference in Acoustics，Speech and Signal Processing，Honolulu，HI：IEEE Press，2007：II-1041-II-1044.

［12］Zuo L，Niu R，Varshney P K.A Sensor Selection Approach for Target Tracking in Sensor Networks with Quantized Measurements ［C］//IEEE International Conference in Acoustics，Speech and Signal Processing，Las Vegas，NV：IEEE Press，2008：2521-2524.

［13］Fu Y，Qing L，Tian Z.Distributed Sensor Allocation for Multi-Target Tracking in Wireless Sensor Networks［J］.IEEE Transactions on Aerospace and Electronic Systems，2012，48（4）：3538-3553.

［14］Shen X，Varshney P K.Sensor Selection Based on Generalized Information Gain for Target Tracking in Large Sensor Networks［J］. Signal Processing，IEEE Transactions on，2014，62（2）：363-375.

［15］Bhardwaj M，Chandrakasan A P.Bounding the Life-Time of Sensor Networks Via Optimal Role Assignments［C］//Twenty-First Annual Joint Conference of the IEEE Computer and Communications Societies.IEEE Press，2002：1587-1596.

陳延軍（1977-），男，河南焦作孟州市人。1994～1998年畢業于中國地質大學（武漢）應用地球物理專業；1998～2003年工作于東方地球物理公司，主要從事地震資料數據處理方法研究；2003～2011年西北工業大學完成碩博士階段學習，專業分別是機械電子工程、控制科學與工程；2012年入職西安石油大學電子工程學院，目前主要研究領域為信息融合、分布式估計與控制等，allexist@126.com；

王 征（1982-），男，河北保定人，博士研究生，主要研究領域為電氣自動化、故障診斷等，plowliang@gmail.com。

潘 泉（1961-），男，上海人，教授，博導，博士，主要研究領域為動態系統建模、多目標跟蹤與識別、信息融合等；

Performance Optimization and Simulation Based on Target Tracking in Wireless Sensor Networks*

CHEN Yanjun1*，PAN Quan2，WANG Zheng1
（1.Key Laboratory of Photo Electricity Gas and Oil Logging and Detecting of Ministry of Education，Xi'an Shiyou University，Xi'an 710072，China；2.Institute of Control and Information，School of Automation，Northwestern Polytechnical University，Xi'an 710065，China）

Sensors should be selected elaborately to fulfil the sensing task in wireless sensor networks，sensor selection is based on the tradeoff between information utility achieved by the sensor measure and energy overhead to fetch the measure.But the users'requirements for quality of service（QoS）aren't yet involved in the process of sensor collaboration.A novel algorithm named A-DCS（Adaptively Dynamic Collaborative Self-organization）is proposed based on target tracking in this paper.Detection and estimation can be solved at the same tine in this algorithm.Given the threshold of detection probability the set of candidate sensor nodes can be confirmed，the sensor node with the maximum detection probability is selected to be the cluster head.Then the sequence of cluster members participating in the sensing task can be made adaptively according to the given threshold of estimation variable，so the total number of cluster member should be ascertained in our method，and the corresponding energy consumption is given out.Basing on the energy consumption under the condition of different detection probability and estimation accuracy the appropriate detection probability and estimation accuracy should be chosen to prolong the lifetime of networks.Simulation results demonstrate that this algorithm is superior to IDSQ and DCS in terms of the tracking accuracy and the energy consumption.This method can also be used in the problem of estimation in wireless sensor network.

wireless sensor networks；self-organization；target tracking EEACC：7230

TP301

A

1004-1699（2015）04-0544-07

10.3969/j.issn.1004-1699.2015.04.016

項目來源：國家自然科學基金重點項目（41474108，61135001）

2014-12-02 修改日期：2014-12-31