水下傳感器網絡節點定位與軌跡預測技術研究進展

郭瑛 張瑞 牛龍生 紀平

摘要：在水下無線傳感器網絡的應用中，如果傳感器節點的位置未知，傳感器節點所感知的信息便失去了意義，節點定位和軌跡預測是水下傳感器網絡研究的關鍵技術。闡述了水下傳感器網絡節點定位與軌跡預測技術，在簡介水聲通信特點的基礎上，分類介紹了較為經典的水下節點定位算法和軌跡預測技術，并對人工智能相關的定位算法進行了闡述，隨后對這些算法進行了對比和分析。最后，展望了水下傳感器網絡節點定位和軌跡預測技術的研究前景與發展趨勢。

關鍵詞：水下傳感器網絡;節點定位;軌跡預測;測距;人工智能

中圖分類號：TP301.6???????? 文獻標志碼：A

全球70%的面積被海洋所覆蓋，對海洋資源的探測、開發和利用一直是各國研究者關注的焦點[1]。水下傳感器網絡（Underwater Senor Network， UWSNs）是一種有許多具備計算與通信能力的傳感器節點構成的水下網絡系統，可以實現諸多其他技術尚不可行或難以實施的應用。如水下污染檢測、資源勘探[2-3]、海洋學信息收集、生態監測、水下軍事追蹤和商業運作等領域[4-5]，其日漸成為當前研究的熱點[6]。在水下傳感器網絡的應用中，傳感器所獲得的數據必須與地理位置結合起來才具有實際意義[7-9]，例如在水下救援打撈時，必須首先確定目標的位置信息才能開展水下救援工作。水下節點會隨水流移動，離開部署區域，在定位的同時，還要對水下節點的位置進行預測。因此，水下節點定位和軌跡預測是UWSNs中極具實用價值的重要研究問題。由于水聲通信的特殊性，水下不可使用GPS等定位工具[10]，這使得已有的陸地定位技術不可以直接應用于水下領域;水下信道帶寬較低[11]，誤碼率高、多徑效應顯著;節點會隨水流移動，導致網絡連通性發生變化;水下節點資源受限，通信開銷高、計算量大的協議不適合在水下使用，正是由于水聲通信的這些特點使得水下節點的定位和軌跡預測變得困難，需要針對水聲通信的特點研究出合適的新技術[12]。本文介紹了水下節點定位和軌跡預測技術的研究現狀，論述了水下節點定位技術的特點和分類;將現有的一些經典算法按照是否測距等標準進行了分類，將基于測距的定位算法分為固定錨節點和移動錨節點兩類;闡述了現有的水下節點軌跡預測技術;介紹了當下比較熱門的機器學習及其在水下定位領域的應用;同時對比分析了一些經典算法進行了對比分析;最后，展望了節點定位和軌跡預測技術的未來發展方向。

1 水下節點定位技術概述與分類

UWSNs主要由以下四部分構成：遙控無人潛水器（Remote Operated Vehicle， ROV）、自主式水下航行器（Autonomous Underwater Vehicle， AUV）、動態節點與靜態節點。其中，動態節點主要由各種潛水器組成;靜態節點主要由各種潛、浮標組成[13]。在UWSNs中，按照功能可將傳感器節點劃分為錨節點、未知節點和參考節點三類[14-15]。其中，未知節點用于采集環境數據;錨節點可以輔助完成對目標節點的定位;參考節點則由錨節點與已定位的未知節點組成。UWSNs節點定位的目標是利用有限的資源，依據定位算法高效而準確地完成對目標節點的定位。

水下環境較為復雜，無線射頻信號在水下存在衰減率較高的問題，這就不能使用衛星實現類似GPS的定位[16]。在UWSNs中，聲學通信系統可傳輸范圍更廣，但也存在以下幾點限制[17]：

（1） 低帶寬和高延遲。聲波傳輸速率遠小于電磁波的傳輸速率，并且在水下環境中，聲信號可用的通信帶寬較小[18-20];

（2） UWSNs動態性。與陸上傳感器網絡中的節點不同，在UWSNs中，大多數的傳感器節點會跟隨水流發生移動，只有一小部分節點被固定在海底或者是用浮標固定在水面。節點的移動使節點鄰居隨時可能改變，這使定位算法的設計變得困難[21-22];

（3） 高誤碼率。水下信道存在系統誤碼率高以及時延不穩定等問題，造成這一問題的主要原因是受水下噪聲、多普勒效應等諸多因素的影響。所以，數據在水聲信道傳輸時，極易出現失真的情況，并且，水下環境惡劣，節點極易損壞[23];

（4） 三維結構。與陸地傳感器網絡的二維結構不同，UWSNs是三維的，需要額外的定位資源來完成對水下節點的定位[24]。

由于以上這些約束的存在，使得水下節點定位變得極具挑戰性，很多現有的陸上定位算法無法直接應用于水下，需對水下獨特的聲傳播環境進行單獨研究[25-26]。

目前，已經提出了很多適用于水下無線傳感器網絡的定位算法，在文獻[27]中將水下定位算法分為兩類，第一類是分布式定位算法，算法收集信息后，每個未知節點分別計算自己的位置;第二類是集中式定位算法，位置計算的過程不在未知節點而是在基站或匯聚節點。定位算法還可以分為基于估計和預測的兩種，前者是指使用傳感器中當前已知信息來計算節點位置的算法;后者通過利用節點前一段時間計算得到的位置信息以及當前的位置信息來預測下一個時間點節點可能的位置。在文獻[28]、[29]中，根據定位過程中是否需要測距將定位算法分為兩類：無需測距和基于測距的定位算法。二者相比，無需測距的算法定位精度較低，只可完成對節點的粗略定位。在UWSNs中廣泛使用的算法大多屬于基于測距的定位算法。

2 水下節點定位算法

本節主要按照無需測距和基于測距的分類方式對現有算法進行介紹。不同的節點之間具有一定的連通性，無需測距算法正是利用這一特性完成定位任務;基于測距的定位算法通過測距設備，測量節點間的距離，隨后對未知節點進行定位，與前者相比，節點成本與功耗有所增加，但定位精度更高[30]。

2.1 無需測距（Range-free）的節點定位算法

大部分無需測距的定位算法僅僅通過諸如網絡連通性之類的信息來估計節點的位置，而不需要了解節點之間的距離或是角度信息。此類算法僅提供節點的粗略位置，定位精度不高[31]。

目前，大多數定位方案集中在靜態網絡上，且部分存在定位精度低、開銷大等問題，針對這些問題，文獻[32]中提出了一種具有多跳移動水下聲網絡的混合定位算法，在該算法中，網絡中的傳感器節點分為若干層級，并且每個層級都有不同的定位操作，不僅可以提高定位精度，還可以有效地降低通信成本。

然而，對于大型的無線傳感器網絡，準確的定位每個傳感器節點的位置成本較高。為了降低定位能耗，采用二維多功率區域定位算法（2D-Area-Based Localization Scheme，2D-ALS）[33]，這是一種基于估計的集中式水下節點定位算法，僅要求判斷每個傳感器節點所在的區域，進而估算未知節點的位置。該算法可以減少傳感器的消耗，并可以大幅提升網絡的使用壽命。但是也有一定的不足，如錨節點冗余會額外增加成本，并且未對三維空間的計算做出考慮。

為解決2D-ALS存在的不適合三維空間和錨節點冗余問題，文獻[34]提出了三維多功率區域定位算法（3D Multi-power area localization scheme， 3D-MALS）。3D-MALS主要依靠錨節點所帶有的新型移動可拆卸升降收發器在上升和下降時發送、接收信號，從而計算傳感器節點的位置。該算法不僅繼承了2D-ALS的優點，還顯著降低了定位誤差，提高了可拓展性。

基于估計的低能耗定位算法（3D Low-cost range-free localization scheme， 3D-LRLS）[35]與3D-MALS、2D-ALS類似，3D-LRLS也屬于基于估計的定位算法一類，利用錨節點發射不同功率信號來判斷定位區域進而再進一步估算。不同之處在于計算待測節點的時候，3D-LRLS會對錨節點所處不同的位置情況進行分析，根據不同的水下深度提出信號損失模型，這樣使得計算模型更加完善，大大提升了定位精度。

文獻[36]提出了UDB（Using Directional Beacon）算法，AUV在不同的位置廣播其坐標，當接收到來自三個以上非共線AUV位置的信息時，水下節點橫向估計自己的位置。由于AUV速度較慢，在定位過程中存在較大的延遲，這也是UDB在靜態UWSNs上比動態UWSNs更有用的原因。。

UDB是一個二維定位算法，為將UDB擴展到稀疏三維水下環境，提出了一種新的定向信標定位方案（Localization with Directional Beacons，LDB），將AUV作為錨節點，AUV上裝有收發器，發射錐形定向聲波，在一段時間之后沿設定好的軌跡運動，并向未知節點發送錨節點的位置信息[37]。傳感器節點在收到兩個及以上的AUV位置信息之后，計算出節點在預設深度的二維位置。UDB和LDB都利用了定向水聲換能器的信號傳播特性實現模糊定位和精確定位，可以滿足多種應用需求，從理論上分析，二者僅需一個AUV便可以很好地完成全部的定位任務。

相比于LDB和UDB，文獻[38]中提出的多面體質心定位算法不需要AUV或者是升降浮標，因此可以大幅度地降低定位成本。當未知節點接收到的不同信標節點數達到閾值m時，計算由這m個頂點組成的多面體的質心，并將其作為自己的位置，已定位的節點可以充作新的錨節點。該算法還通過使用重定位、周期性更新與預測、網絡密度自適應等多種優化方案以進一步提升定位的準確度。

在無需測距的定位算法中，也有不依靠不同信號發射功率估算位置的方法，例如，固定信號發射功率的算法，使用安裝在船上的錨節點在巡航時發射的信號，待測節點根據信號范圍的邊界交點來計算自身所在的位置[39]。這類算法在大規模的水下傳感器網絡中比較有優勢，但是由于信號是周期性發射，所以邊界交點并不一定在邊界附近，導致了定位精度的不穩定。

SLUM（Silent Localization of Underwater Sensors Using Magnetometers）算法[40]利用一艘具有已知靜態磁化特性的船只，對配備有三軸磁力計的水下傳感器進行無聲定位，每個傳感器還分別配備了用于深度估計和傳感器方向估計的壓力傳感器和加速度計。據提出者介紹，這是首次將磁偶極子跟蹤應用于傳感器定位領域。

基于移動信標（Range-free localization scheme with a mobile beacon， RSMB）的無需距離定位方案由兩步組成：從接收到的信標中選擇三個信標;估計未知節點的位置。移動錨節點在海面上以恒定的速度移動，定期廣播信標，并以一系列直線路徑移動到隨機目的地，未知節點安裝有壓力傳感器，以獲取深度信息。未知節點可以從移動錨節點接收五個信標，由于未知節點知道自己的深度信息，因此接收到的信標可以投射到它所在的平面上，進而再對未知節點進行定位[41]。

無需測距的定位算法不需額外的測距設備，部署簡單、成本低廉，應用廣泛。但該類算法定位精準度較低，不適合對定位精度要求較高的場合[42]。因此，大部分對定位精度要求較高的應用場合選擇了基于測距的定位算法。

2.2 基于測距（Range-based）的定位算法

基于測距（Range-based）的定位算法，通過附加的測距儀器測量節點間的距離，然后定位未知節點[19]。定位過程包括三部分，首先在測距階段測量未知節點和信標節點之間的距離;然后在定位階段完成對未知節點的定位，計算出未知節點的坐標;最后在修正階段提高未知節點的坐標精度[43]。根據錨節點的部署方式，基于測距的定位算法細分為兩種：基于固定錨節點和移動錨節點的定位算法。

2.2.1 測距技術 常用的測距技術參數包括：到達時間（ToA，Time of Arrival）[44-45]、到達時間差（TDoA，Time Difference of Arrival）[46]、接收信號強度指示（RSSI，Received Signal Strength Indicator）[28]、到達角度（AoA，Angle of Arrival）[47]。

在陸上的無線傳感器網絡的節點定位技術中，AoA、RSSI、ToA和TDoA技術已趨于成熟，但是，由于水聲信道的特殊性，這些測距技術不能直接應用于水下無線傳感器網絡。其中，AoA雖結構簡單，但要求配有定向傳輸/接收設備，這會產生極高的額外成本[48];相比之下，RSSI簡單、易用，所以在陸上無線傳感器網絡定位算法中RSSI技術得到廣泛應用，但容易受到近岸潮汐噪聲、行駛船噪聲等因素干擾[49];TDoA需要時間同步，在水下很難實現[50]。表1比較了常見的幾種測距技術。

水下的實際環境較為復雜、介質多樣、多徑散射嚴重，導致信號在水下傳播過程中延遲高、衰減迅速，不是所有的測距方法都適用于UWSNs。水下設備容易損壞，維護困難，水下節點定位最好選用硬件要求低的測距算法。在基于測距的定位算法中[51]，最常用的技術是ToA與TDOA算法。對于大型UWSN，通信開銷的大小也是選擇測距算法的一個重要指標，有些測距算法僅適用于近程測距，例如AOA、RSSI測距算法。

2.2.2 基于固定錨節點定位算法 在基于固定錨節點的測距定位算法中，錨節點被固定在網絡中的某個位置給未知節點提供位置參照。

移動受限信標的定位算法（Mobility-constrained Beacon based Localization Algorithm， MCB）[52]是基于移動受限模型提出的，可以在不了解信標節點確切位置的前提下，通過節點位置之間的幾何關系計算目標節點的位置。水下節點資源極其珍貴，通過將三維空間映射到二維空間的手段，如圖1所示，使得節點的計算量大幅降低并且降低了計算復雜度。

水下定位機制（Underwater Positioning Scheme，UPS）[53]與MCB不同，由四個錨節點所發送的實時信標信號用于定位未知節點，TDOA用于節點間測距。UPS機制只使用了4個錨節點進行節點定位，節點定位的覆蓋范圍較小，不適合大型水下網絡。由于參與定位的錨節點個數較少，對于錨節點間的配合度要求較嚴格，當某一錨節點信息接收失敗時，很難成功完成定位，對錨節點的通信距離也有更高的要求。

針對UPS中出現的區域不可行問題，文獻[54]探討了UPS的擴展版本，稱為寬覆蓋定位（Wide Coverage Positioning System，WPS）算法，WPS中使用了五個參考節點。只有在無法通過四個參考節點完成定位任務時才使用從第五個參考節點傳出的信標，以避免額外的等待時間和通信開銷。由于UPS存在定位覆蓋率不高的問題，文獻[55]提出了一種大型水下網絡定位機制（Large-Scale Localization Scheme，LSLS），LSLS在UPS的基礎上進行了延伸。定位時，找到錨節點，采用UPS用于定位未知節點;將已定位的節點當作參考節點，對未定位節點進行迭代定位;對經過第一、二步后還未定位的節點進行補充定位過程，未知節點發起定位請求，已定位的節點接收到請求之后，將自身轉為參考節點以實現對于未知節點的定位。

LSLS仍然存在定位精度較低的問題，文獻[51]提出了一種測距修正的定位算法（Range Correction based localization algorithm，RCL），通過測距得到信標和節點間的距離獲得節點的粗略位置，再利用節點位置間的幾何關系修正測距誤差，計算得到節點的準確位置，這種方法適用于大多數的定位算法，可以提高定位精度。如果水下部署節點稀疏，會導致信標節點不足，針對這一問題，根據水下節點在海流影響下的移動規律，設計了慣性協同定位算法（Inertial coordination localization algorithm，ICL），在不基于全局信息和原始測量的情況下，根據慣性導航定位數據結合鄰居節點的運動信息得到節點的位置。

在多數水下定位算法的研究中，通過利用坐標投影的方式，將三維空間定位問題降維處理可以大幅降低計算復雜度[56]，如果是在二維平面內，每個節點都與三個以上不共線的信標節點聯通，可以將定位問題簡化為三角計算問題。例如，水下節點定位（Underwater Sensor Positioning， USP）[56]算法便是應用了這種方案以解決三維空間定位問題的。USP主要應用場景是具有三個及三個以上錨節點的相對稀疏的三維UWSNs，錨點位于浮標上，并且浮標需要GPS定位。利用未知節點上的壓力傳感器獲取深度信息后，將三維空間定位問題轉換為二維空間定位問題，如圖2所示，A、B和C是圖中的錨節點，A′、B′和C′分別是A、B和C投射到未知節點U所在平面上所得，然后用三邊定位法計算出U的位置信息。

同樣，文獻[57]提出的基于簇結構（Multidimensional scaling localization algorithm through clustering and Euclidean， MDS-MAP）的多維尺度定位算法，也是一種二維的定位方案，采用ToA測距并且需要時鐘同步。將整個UWSNs劃分為多個簇集，在每個簇集內使用歐幾里得算法進行兩跳鄰居距離的估計以及MDS建立局部坐標關系，通過簇集間的公共節點將局部連成一個整體。最后通過水面浮標將上述過程得到的相對坐標轉化為絕對坐標。此算法利用歐幾里得算法，解決了距離估計不準確的問題。

在多數UWSNs的應用中，為防止水下節點被海水沖走，傳感器節點通過線纜與錨連接，如圖3所示。錨重量較大，沉入海底后，靜止在海底，而與之相連的傳感器節點漂浮在水中，隨海流運動。也就是說，節點可以在一定范圍內移動，是活動受限的節點[58]。基于水下節點活動受限的特點，三維水下傳感器網絡節點定位算法LAR（Localization for active-restricted UWSN）[58]采用分層定位的方式找到節點的位置，依據節點在水下的移動特點，設計了動態環境下的補償機制。

RFL（Restricted floating localization）算法[59]在節點受限移動的基礎上，結合移動信標的位置信息，求取錨節點的位置信息，通過多次計算中值減小誤差。隨后，利用錨節點與移動信標的位置來對目標節點進行定位。文獻[60]提出的無錨定位算法（Anchor-Free Localization Algorithm，AFLA），也是利用了節點在水下受限移動的特性。在這種方案中，沒有部署錨節點。傳感器節點通過海底電纜連接到固定錨，節點的活動受到限制，是一種自定位算法，利用相鄰節點之間的關系進行位置估計，考慮了節點移動性，適用于靜態和動態環境。

水下節點定位算法常用的是基于圓的檢測和基于最小二乘的位置估計方法，文獻[61]提出了一種雙曲線定位（Hyperbola-based approach for event localization，HL）方法，并應用在事件監測上。與基于圓的方法相比，該方法對距離測量誤差具有更強的魯棒性，能夠定位更多的未知節點。通過兩條這樣的雙曲線可確定唯一的一個交點，很好地避免三邊定位三個圓產生多個交點的問題。

文獻[62]提出了一種基于置信度的大規模水下移動傳感器網絡定位方案，是一種基于測距的分層定位方法。分層定位方法是用普通傳感器節點作為參考節點，用三邊測量法對相鄰節點進行水下定位。在分層定位的基礎上，使用置信度值衡量各個傳感器節點的定位精度。如果節點的可靠性高于用戶確定的閾值，則將該節點提升為參考節點，參與對其他未知節點的定位，作用與水下的錨節點類似，這一特點明顯提升了整個傳感器網絡的定位精度。

大多數的分布式定位算法存在很多限制，比如收斂速度緩慢，通信開銷較大等，不適合應用在規模較大的UWSNs中。文獻[63]提出的ARTL算法（Asymmetrical Round Trip-based Localization）利用TOA對未知節點與錨節點進行測距，不需時間同步，具有極佳的拓展性，并且在能量消耗、計算復雜度方面也表現優異，比較適合應用在規模較大的UWSNs中，對精度要求較高的節點進行定位。

PARADIGM算法（Portable Acoustic RADio Geo-referenced Monitoring）[64]是在GPS原理的基礎上，利用浮標達到水聲定位目的，通過利用若干個水面浮標和相對計算復雜度較低的三邊定位法來實現定位，可以對方圓20 km、水下17 m的AUV定位。

上述水下節點定位算法中，在保證定位精度的基礎上，如何做到降低定位開銷以及降低計算復雜度是當前研究的主要方向。

2.2.3 基于移動錨節點的測距定位算法? 在UWSNs中，錨節點成本高，覆蓋率低，使得部分機構開始研究使用移動錨節點的測距定位算法，也就是通過使用可移動的錨節點來完成定位。

DNR（Localization with Dive'N'Rise）算法[65]利用可升降的自沉降錨節點進行節點定位。在水面時，錨節點通過GPS獲取位置信息，隨后下潛再上升。DNR節點計算出在這一過程中的位置信息，并廣播出去。該算法不要求使用高密度的信標節點，降低了節點部署的難度，節約了節點成本，但是信標節點上需要額外配置潛水設備，通過對節點增加重力和釋放重力實現上浮和下沉，另外該算法要求精確的時間同步。該算法在理想環境下表現出的定位效果極好，但在實際的水下環境中，海水各層水的流速不同，存在一定的定位誤差。

多階段定位算法MSL（Multi-stage Localization）[66]是對DNR算法的進一步延伸和拓展，都是利用信標節點上浮和下沉過程中廣播的信息進行節點定位。DNR算法使用的是迭代方法完成定位，將已定位的節點當作活動信標節點，參與到其他未知節點的定位進程中。MSL算法的測距技術也是使用的單程TOA技術，迭代的多階段定位考慮了水下節點的移動性，提高了水下節點的利用率，減少了節點成本，通信開銷和傳播延遲低，但也需要精確的時間同步。

為了解決DNR布放費用高的問題，文獻[67]提出了基于DET（Detachable Elevator Transceiver）的水聲傳感器網絡移動錨節點定位算法。每個浮標節點上都裝有DET裝置，使節點可以在水中自由做垂直于浮標的上下運動。在運送時，DET從浮標節點獲取位置信息，將位置與深度信息通過廣播的方式傳給未知節點，未知節點接收到之后，利用其和浮標節點、DET節點的距離完成定位過程。但是在實際應用中，實現DET節點的完全垂直運動具有一定的難度。所以，文獻[68]選擇將位置精確的船舶作為信標節點，分析水聲通信中傳播能量與節點距離的關系，根據水下節點在海流的作用下的移動規律，設計了基于能量感知的海洋物聯網定位算法，該算法不僅用于靜態網絡，也用于動態網絡，解決了水下信息傳輸距離估算誤差大，信標節點難以精確部署和水下節點具有移動性的問題。基于旋轉信標的水下傳感器定位算法[69]在船舶下固定一個可以旋轉的信標節點，該節點可以通過船舶的GPS得到自身的位置，并可以按照預定的軌跡旋轉并發出位置和角度信息，如圖4所示。水下節點收到該信息之后，計算得到自身的位置。

除了船舶，AUV也可以作為信標節點，AAL（AUV-aided Localization）[70]算法就是利用AUV進行節點定位。AUV漂浮在水面上時，通過GPS進行定位，然后潛入固定深度，遵循預定的軌跡在未知的傳感器節點之間移動并不斷廣播位置信息，采用雙向TOA技術[36]測量AUV與未知節點之間的距離，估算未知節點的位置。該方案不需要時間同步，定位過程持續的時間越長，定位成功率就越高，但是定位精度受到AUV移動速度的影響且通信開銷較大。

為了進一步降低通信成本，文獻[71]設計了一種概率定位方法，首先，對未知節點進行定位，可以使用基于圓或者雙曲線的方法;然后，用測距儀的概率分布確定未知節點的位置。通過仿真結果可以看出該方法在降低通信成本的同時也使得定位精度進一步提升。

相比于固定錨節點，使用移動錨節點的定位算法存在錨節點少、覆蓋率高等優點，且對網絡部署方式沒有過多要求，能有效降低錨節點部署費用高、能量消耗大等因素對水下定位的影響，是當下研究的熱點。

3 水下節點軌跡預測技術

水下節點會隨水流移動，影響定位結果，目前這一問題研究成果相對較少。節點在水下運動存在時間相關性，也就是說，節點的運動是有規律的，可以選擇利用節點歷史位置信息來預測節點現在的坐標。

基于移動預測的可擴展定位算法SLMP（Scalable Localization scheme with Mobility Prediction）[72]是一種使用水面浮標、錨節點和公共節點的定位方法。SLMP可以分為兩步：錨節點定位、普通節點定位。節點利用已掌握的位置信息對其之后的移動模式進行預測，并在此基礎上估算未來的位置信息。已定位的錨節點控制整個定位過程，以便于在通信成本、定位精準度、定位覆蓋范圍之間進行權衡。

與SLMP不同，運動預測定位（Movement prediction location， MPL）算法[73]分為移動預測和節點定位兩個階段。在節點定位階段，首先利用基于TOA的測距方法，以減少通信開銷和能耗。然后，在降維處理之后，使用灰狼優化器查找位置精度較低的輔助節點的最佳位置。最后，獲得節點位置并進入節點運動預測階段。在運動預測階段，根據節點運動模型對預測窗口中每個時間點的速度和位置進行預測，完成水下定位。與SLMP相比，MPL算法具有更高的定位性能，有效地較少了網絡通信開銷并提高了定位精度。

協作定位法（Collaborative Localization，CL）[74]是一種基于預測、集中式定位算法，不使用錨節點，通信開銷較低，預設節點可在水中自由漂浮。但是，存在一些限制，例如對網絡結構的要求較高。該算法主要適用于柱狀深海環境中的數據收集，不適用于其他環境。此外，CL還要求頭節點與跟隨節點距離不能太遠，如果二者距離過遠，頭節點離開跟隨者節點的通信范圍后，會導致跟隨節點定位失敗。

文獻[75]設計了一種混合架構，包括AUV、主動和被動傳感器節點，AUV充當錨節點，為傳感器節點提供定位信息。為了消除異步時鐘的影響并補償傳感器節點的移動性，為主動和被動傳感器節點提供了具有移動性預測的異步定位方法。然后，將兩個定位優化問題表述為使所有測量誤差之和最小。

在水下環境中，由于節點的移動性，使得之前計算得到的節點坐標會失效，反復計算節點位置，這使得節點能量消耗過大，大大縮短節點使用壽命，水下節點軌跡預測可以有效的解決這一問題。因此，在設計水下節點定位算法時，需要針對節點的移動性設計合適的軌跡預測算法，以實現節點位置實時預測追蹤，平衡網絡能量消耗。

4 人工智能技術在水下節點定位領域的應用

得益于硬件水平的提高與信號處理技術的進步，使機器學習（Machine learning，ML）等人工智能技術被廣泛的應用于各個領域[76-78]，也為水下節點定位技術提供了新的發展思路和方向。由于海洋環境因素的影響，導致在利用水聲信號傳播速率進行測距時經常會出現定位誤差，使得定位效果達不到預期標準。由于機器學習可以從數據中學習特征，且不需要聲音傳播模型，機器學習作為一種計算上可行且魯棒性強的方法，越來越多地被應用于提供創新的定位解決方案并且可以大幅提升定位精度[79-87]。

TDOA聲傳感器陣列存在不小的定位誤差，所以在文獻[88]中，提出使用ML中的分類和回歸算法來減小誤差。首先通過近似最大似然算法，跟蹤聲學標簽的位置。然后，通過使用集成分類樹，過濾掉誤差較大的數據點，最終得出結論，該方法對于深度方面的誤差減小效果及其明顯。

深度增強學習（Deep reinforcement learning，DRL）是近幾年的研究熱點，是一種新型機器學習算法框架。文獻[89]提出了一種基于DRL的定位估計器用于估計傳感器節點的位置，文獻中提出的定位方案可以有效地保護隱私信息，具有極強的魯棒性。DRL的最新進展是利用深度神經網絡（Deep Neural Networks， DNN）強大的建模能力，使用聲學信號測量進行定位，就像在其他通信信道中一樣[90]。例如，通過利用DNN，以利用接收到的聲壓級協方差矩陣進行定位[91]。此種方法需要一個訓練的過程，不需要傳感器之間的同步和主動消息傳遞;不需要傳感器定位，也不需要對環境參數有詳細的先驗知識，即，當DNN方法學習聲學數據和聲源定位之間的映射時，可以被視為是無模型的。

近年來，大多數論文使用最大似然法或神經網絡來校正測量的位置信息。事實上，如果定位算法不夠優秀，位置校正算法就不會起到顯著的作用。目前關于此類的定位算法的研究較少，但不可否認地是機器學習對于提升定位精度極有幫助，這為之后的研究提供了新思路。

5 算法分析與對比

本節歸納了一些經典算法的基本屬性，如表2所示。可以發現，錨節點數量和數據傳輸頻率對定位的成功率和精度有很大影響;對于大多數定位算法，定位節點越多，成功定位的概率就越高;在動態水環境下，提高錨節點更新率將顯著提高定位精度。

相比于需要測距的算法，無需測距的算法具有算法簡單、通信開銷低的優點。此外，雖然單向測距比雙向測距能耗低，但是也存在一些局限性，例如需要解決時間同步問題。

通過對比集中式與分布式定位算法，不難發現，集中式定位算法對普通節點的計算能力要求不高;而分布式定位算法則要求普通節點具備一定的計算能力，適用于一些對于位置實時性要求較高的場合。

比較基于估計和基于預測的兩種定位算法，可以看出，在動態水下環境中，基于預測的算法比基于估計的算法定位效果更好，還具有能耗低的優點。但是基于預測的定位算法對節點在水下移動模式的準確度要求較高，如果移動模式的準確度過低，會使得定位效果大打折扣。所以，如何準確獲得水下節點的運動模式仍然是亟待解決的問題。

6 結論

本文對水下節點定位與軌跡預測技術進行了系統地介紹與分析，與其它測距技術相比，TOA更適合測量水下傳感器節點之間的距離;相比于固定錨節點，移動錨節點成本更低、靈活性更好，是水下定位研究的一個熱門方向;實際的水下應用中，會有諸多因素影響定位誤差，可以考慮通過建立定位誤差模型提高定位精度;由于水下節點的移動性，反復計算節點位置會增大節點能量消耗，研究帶有節點軌跡預測的定位算法可以平衡網絡能量消耗并提升節點壽命;將人工智能應用于水下節點定位領域，具備極大的應用前景，可以解決水下聲信號在傳播過程中受環境因素影響導致聲速改變的問題，同時很大程度提升定位的精度，是當下研究的熱點之一。盡管水下傳感器網絡相關技術面臨許多問題亟待解決，但隨著相關研究的深入，所取得的科研成果將會有力地支撐水下傳感器網絡投入使用并大規模推廣。

參考文獻

[1]YAN J， XU Z， LUO X， et al. Feedback-based target localization in underwater sensor networks： A multisensory fusion approach[J]. IEEE Transactions on Signal and Information Processing over Networks， 2018， 5（1）： 168-180.

[2]JAIN U， HUSSAIN M. Security mechanism for maritime territory and frontier surveillance in naval operations using wireless sensor networks[J]. Concurrency and Computation： Practice and Experience， 2021： e6300.

[3]劉妹琴，韓學艷，張森林，等. 基于水下傳感器網絡的目標跟蹤技術研究現狀與展望[J]. 自動化學報， 2021， 47（2）： 235-251.

[4]JAVAID N， MAQSOOD H， WADOOD A， et al. A localization based cooperative routing protocol for underwater wireless sensor networks[J]. Mobile Information Systems， 2017， 2017：7954175.

[5]AWAN K M， SHAH P A， IQBAL K， et al. Underwater wireless sensor networks： A review of recent issues and challenges[J]. Wireless Communications and Mobile Computing， 2019， 2019：6470359.

[6]夏娜，聞心怡，杜華爭，等.基于水平集的圍獵式水下傳感器節點布置研究[J].計算機學報，2021，44（5）：1024-1036.

[7]郭忠文，羅漢江，洪鋒，等. 水下無線傳感器網絡的研究進展[J]. 計算機研究與發展， 2010， 47（3）： 377-389.

[8]LIU F， CHEN H F， ZHANG L Y X， et al. Time-difference-of-arrival-based localization methods of underwater mobile nodes using multiple surface beacons[J]. IEEE Access， 2021， 9： 31712-31725.

[9]MRIDULA K M， AMEER P M. Localization under anchor node uncertainty for underwater acoustic sensor networks[J]. International Journal of Communication Systems， 2018， 31（2）： e3445.

[10] ULLAH I， SHENG G M， KAMAL M M， et al. A Survey on underwater localization， localization techniques and its algorithms[C]//3rd Annual International Conference on Electronics， Electrical Engineering and Information Science （EEEIS 2017）. Atlantis， 2017：252-259.

[11] ISLAM T， LEE Y K. A comprehensive survey of recent routing protocols for underwater acoustic sensor networks[J]. Sensors， 2019， 19（19）： 4256.

[12] PATEL Z D， RANA K. A Review on time synchronization free localization schemes in underwater wireless sensor networks[C]//2018 2nd International Conference on Trends in Electronics and Informatics （ICOEI）. Tirunelvelt， 2018： 330-335.

[13] FATTAH S， GANI A， AHMEDY I， et al. A survey on underwater wireless sensor networks： Requirements， taxonomy， recent advances， and open research challenges[J]. Sensors， 2020， 20（18）： 5393.

[14] 孫大軍，鄭翠娥，崔宏宇，等.水下傳感器網絡定位技術發展現狀及若干前沿問題[J].中國科學：信息科學，2018，48（9）：1121-1136.

[15] ZHAO H Y， YAN J， LUO X Y， et al. Privacy preserving solution for the asynchronous localization of underwater sensor networks[J].IEEE/CAA Journal of Automatica Sinica，2020，7（6）：1511-1527.

[16] TUNA G， GUNGOR V C. A survey on deployment techniques， localization algorithms， and research challenges for underwater acoustic sensor networks[J]. International Journal of Communication Systems， 2017， 30（17）： e3350.

[17] 朱劍，劉君，趙梅，等. UWSN中基于隨機游走模型的可靠路由算法研究[J].計算機學報，2016，39（5）：1007-1020.

[18] WALTER N， RAKESH N. SEE THROUGH approach for the solution to node mobility issue in underwater sensor network （UWSN）[C]//Proceedings of First International Conference on Smart System， Innovations and Computing. Springer， 2018： 19-29.

[19] SU X， ULLAH I， LIU X F， et al. A review of underwater localization techniques， algorithms， and challenges[J]. Journal of Sensors， 2020， 2020：6403161.

[20] HUANG J G， WANG H， HE C B， et al. Underwater acoustic communication and the general performance evaluation criteria[J]. Frontiers of Information Technology & Electronic Engineering， 2018， 19（8）： 951-971.

[21] APARICIO J， JIMNEZ A， LVAREZ F J， et al. Characterization of an underwater positioning system based on GPS surface nodes and encoded acoustic signals[J]. IEEE Transactions on Instrumentation and Measurement， 2016， 65（8）： 1773-1784.

[22] AHMED M， SALLEH M， CHANNA M I. Routing protocols based on node mobility for underwater wireless sensor network （UWSN）： A survey[J]. Journal of Network and Computer Applications， 2017， 78： 242-252.

[23] GOSWAMI M， KWON H M. Submillimeter wave communication versus millimeter wave communication[J]. Digital Communications and Networks， 2020， 6（1）： 64-74.

[24] WATFA M K， NSOULI T， AL-AYACHE M， et al. Reactive localization in underwater wireless sensor networks[C]//2010 Second International Conference on Computer and Network Technology. Bangkok， 2010： 244-248.

[25] YU X， CHU Y， JIANG F， et al. SVMs classification based two-side cross domain collaborative filtering by inferring intrinsic user and item features[J]. Knowledge-Based Systems， 2018， 141： 80-91.

[26] DAS A P， THAMPI S M. Fault-resilient localization for underwater sensor networks[J]. Ad Hoc Networks， 2017， 55： 132-142.

[27] EROL-KANTARCI M， MOUFTAH H T， OKTUG S. Localization techniques for underwater acoustic sensor networks[J]. IEEE Communications Magazine， 2010， 48（12）： 152-158.

[28] LI Y J， LU H M， LI K C， et al. Non-uniform de-scattering and de-blurring of underwater images[J]. Mobile Networks and Applications， 2018， 23（2）： 352-362.

[29] QU F Z， WANG S Y， WU Z H， et al. A survey of ranging algorithms and localization schemes in underwater acoustic sensor network[J]. China Communications， 2016， 13（3）： 66-81.

[30] 張正勇，梅順良.無線傳感器網絡節點自定位技術[J].計算機工程，2007（17）：4-6.

[31] HAN G J， QIAN A H， ZHANG C Y， et al. Localization algorithms in large-scale underwater acoustic sensor networks： A quantitative comparison[J]. International Journal of Distributed Sensor Networks， 2014， 10（3）： 379382.

[32] GAO J J， SHEN X H， WANG H Y. A hybrid localization algorithm for multi-hop mobile underwater acoustic networks[J]. Journal of Marine Science and Technology， 2017， 22（3）： 494-500.

[33] CHANDRASEKHAR V， SEAH W. An area localization scheme for underwater sensor networks[C]//Oceans 2006-Asia Pacific Conference，Singapore， 2006： 1-8.

[34] ZHOU Y， GU B J， CHEN K， et al. An range-free localization scheme for large scale underwater wireless sensor networks[J]. Journal of Shanghai Jiaotong University （Science）， 2009， 14（5）： 562-568.

[35] LU X L， LI D Y， HONG Y， et al. A Low-cost range-free localization scheme for three-dimensional underwater sensor networks[J]. Discrete Mathematics， Algorithms and Applications， 2013， 5（1）： 1350005.

[36] LUO H J， ZHAO Y Y， GUO Z W， et al. UDB： Using directional beacons for localization in underwater sensor networks[C]//14th Melboutne International Conference on Parallel and Distributed Systems. Melbactne， 2008： 551-558.

[37] LUO H J， GUO Z W， WEI D， et al. LDB： Localization with directional beacons for sparse 3D underwater acoustic sensor networks[J]. Journal of networks， 2010， 5（1）： 28-38.

[38] SHI Y， LIU H， ZHANG W Y， et al. Research on three-dimensional localization algorithm for WSN based on RSSI[C]//The International Conference on Cyber Security Intelligence and Analytics. Shenyang， 2019： 1048-1055.

[39] ZANDI R， KAMAREI M， AMIRI H. Underwater acoustic sensor network localization using four directional beams[C]//21st Iranian Conference on Electrical Engineering （ICEE）. Mashhad， 2013： 1-6.

[40] CALLMER J， SKOGLUND M， GUSTAFSSON F. Silent localization of underwater sensors using magnetometers[J]. Eurasip Journal on Advances in signal processing， 2010， 2010： 1-8.

[41] LEE S， KIM K. Localization with a mobile beacon in underwater sensor networks[J].Sensors，2012，12（5）：5486-5501.

[42] NEMER I， SHELTAMI T， SHAKSHUKI E， et al. Performance evaluation of range-free localization algorithms for wireless sensor networks[J]. Personal and Ubiquitous Computing， 2021， 25（1）： 177-203.

[43] HUANG M， WU S， LI Y. Research on location fingerprint based WiFi positioning algorithm[J]. Computer Science， 2017， 28（5）： 162-177.

[44] CHEON J， HWANG H， KIM D， et al. IEEE 802.15. 4 ZigBee-based time-of-arrival estimation for wireless sensor networks[J]. Sensors， 2016， 16（2）： 203.

[45] RAO K R， KUMAR T R， VENKATNARYANA C. Selection of anchor nodes in time of arrival for localization in wireless sensor networks[C]//International Conference on Soft Computing Systems. New Delhi， 2016： 45-57.

[46] ZHANG Y Q， WANG M T， TAN Z Y， et al. Design of wireless sensor network location algorithm based on TDOA[C]//IEEE 3rd Information Technology， Networking， Electronic and Automation Control Conference （ITNEC）. Chengdu， 2019： 70-75.

[47] WANG W J， BAI P， ZHOU Y， et al. Optimal configuration analysis of AOA localization and optimal heading angles generation method for UAV swarms[J]. IEEE Access， 2019， 7： 70117-70129.

[48] MARZIOLI P， FREZZA L， CURIAN F， et al. Experimental validation of VOR （VHF Omni Range） navigation system for stratospheric flight[J]. Acta Astronautica， 2021， 178： 423-431.

[49] XU T， HU Y C， ZHANG B B， et al. RSS-based sensor localization in underwater acoustic sensor networks[C]//2016 Shanghai International Conference on Acoustics， Speech and Signal Processing （ICASSP）. shanghai， 2016： 3906-3910.

[50] KONG J J， CUI J H， WU D P， et al. Building underwater ad-hoc networks and sensor networks for large scale real-time aquatic applications[C]// IEEE Military Communications Conference. Atlantic， 2005： 1535-1541.

[51] GUO Y， KANG X Y， HAN Q H， et al. A localization algorithm for underwater wireless sensor networks based on ranging correction and inertial coordination[J]. TIIS， 2019， 13（10）： 4971-4987.

[52] GUO Y， HAN Q H， KANG X Y. Underwater sensor networks localization based on mobility-constrained beacon[J]. Wireless Networks， 2020， 26（4）： 2585-2594.

[53] CHENG X Z， SHU H N， LIANG Q L， et al. Silent positioning in underwater acoustic sensor networks[J]. IEEE Transactions on Vehicular Technology， 2008， 57（3）： 1756-1766.

[54] TAN H P， GABOR A F， EU Z A， et al. A wide coverage positioning system （WPS） for underwater localization[C]//2010 IEEE International Conference on Communications. Cape Town， 2010： 1-5.

[55] CHENG W， THAELER A， CHENG X Z， et al. Time-synchronization free localization in large scale underwater acoustic sensor networks[C]//2009 29th IEEE International Conference on Distributed Computing Systems Workshops. Montreal， 2009： 80-87.

[56] TEYMORIAN A Y， CHENG W， MA L R， et al. 3D underwater sensor network localization[J]. IEEE Transactions on Mobile Computing， 2009， 8（12）： 1610-1621.

[57] CHEN H B， WANG D Q， YUAN F， et al. A MDS-based localization algorithm for underwater wireless sensor network[C]//MTS/IEEE Oceans Conference. San Diego， 2013： 1-5.

[58] 郭瑛. 活動受限三維水下傳感器網絡節點定位算法[J]. Journal of Software， 2013， 24（1）： 33-40.

[59] 郭瑛，王進新，韓清荷.受限浮動水下傳感器網絡定位[J].工程科學與技術，2018，50（5）：183-188+215.

[60] GUO Y， LIU Y T. Localization for anchor-free underwater sensor networks[J]. Computers & Electrical Engineering， 2013， 39（6）： 1812-1821.

[61] BIAN T， VENKATESAN R， LI C. Design and evaluation of a new localization scheme for underwater acoustic sensor networks[C]//IEEE Global Telecommunications Conference. Honolulu， 2009： 1-5.

[62] SABRA A， FUNG W K， RADHAKRISHNA P. Confidence-based underwater localization scheme for large-scale mobile sensor networks[C]//OCEANS MTS/IEEE Charleston. Charleston， 2018： 1-6.

[63] STOJANOVIC M， BEAUJEAN P P J. Acoustic communication[M].Springer：Springer Handbook of Ocean Engineering， 2016.

[64] AUSTIN T C， STOKEY R P， SHARP K M. PARADIGM： A buoy-based system for AUV navigation and tracking[C]//OCEANS 2000 MTS/IEEE Conference and Exhibition. Providence， 2000： 935-938.

[65] EROL M， VIEIRA L F M， GERLA M. Localization with Dive'N'Rise （DNR） beacons for underwater acoustic sensor networks[C]//Second Workshop on Underwater Networks. 2007： 97-100.

[66] EROL M， VIEIRA L F M， CARUSO A， et al. Multi stage underwater sensor localization using mobile beacons[C]//2008 Second International Conference on Sensor Technologies and Applications （Sensorcomm 2008）. Cap Esterel， 2008： 710-714.

[67] ZHOU Y， CHEN K， HE J H， et al. A hierarchical localization scheme for large scale underwater wireless sensor networks[C]//11th IEEE International Conference on High Performance Computing and Communications. Korea Univ， 2009： 470-475.

[68] GUO Y， HAN Q H， WANG J X， et al. Energy-aware localization algorithm for ocean internet of things[J]. Sensor Review， 2018，38（2）：129-136.

[69] GUO Y， JI P， NIU L S. Single beacon rotating based node localization algorithm for underwater sensor networks[C]//China Conference on Wireless Sensor Networks. Singapore， 2020： 28-41.

[70] EROL M， VIEIRA L F M， GERLA M. AUV-aided localization for underwater sensor networks[C]// International Conference on Wireless Algorithms， Systems and Applications （WASA 2007）. Chicago， 2007： 44-54.

[71] BIAN T， VENKATESAN R， LI C. An improved localization method using error probability distribution for underwater sensor networks[C]//2010 IEEE International Conference on Communications. Cape Toun， 2010： 1-6.

[72] ZHOU Z， PENG Z， CUI J H， et al. Scalable localization with mobility prediction for underwater sensor networks[J]. IEEE Transactions on Mobile Computing， 2010， 10（3）： 335-348.

[73] ZHANG W B， HAN G J， WANG X， et al. A node location algorithm based on node movement prediction in underwater acoustic sensor networks[J]. IEEE Transactions on Vehicular Technology， 2020， 69（3）： 3166-3178.

[74] MIRZA D， SCHURGERS C. Collaborative localization for fleets of underwater drifters[C]//2007 OCEANS Conference. Uancouver， 2007： 1-6.

[75] YAN J， ZHANG X N， LUO X Y， et al. Asynchronous localization with mobility prediction for underwater acoustic sensor networks[J]. IEEE Transactions on Vehicular Technology， 2017， 67（3）： 2543-2556.

[76] LU H M， LI? Y J， CHEN M， et al. Brain intelligence： Go beyond artificial intelligence[J]. Mobile Networks and Applications， 2018， 23（2）： 368-375.

[77] KAPOOR R， WALTERS S P， AL-ASWAD L A. The current state of artificial intelligence in ophthalmology[J]. Survey of Ophthalmology， 2019， 64（2）： 233-240.

[78] CHEN R， ZHANG W M， WANG X. Machine learning in tropical cyclone forecast modeling： A review[J]. Atmosphere， 2020， 11（7）： 676.

[79] LEFORT R， REAL G， DRéMEAU A. Direct regressions for underwater acoustic source localization in fluctuating oceans[J]. Applied Acoustics， 2017， 116： 303-310.

[80] NIU H Q， REEVES E， GERSTOFT P. Source localization in an ocean waveguide using supervised machine learning[J]. The Journal of the Acoustical Society of America， 2017， 142（3）： 1176-1188.

[81] NIU H Q， OZANICH E， GERSTOFT P. Ship localization in Santa Barbara Channel using machine learning classifiers[J]. The Journal of the Acoustical Society of America， 2017， 142（5）： EL455-EL460.

[82] WANG Y， PENG H. Underwater acoustic source localization using generalized regression neural network[J]. The Journal of the Acoustical Society of America， 2018， 143（4）： 2321-2331.

[83] HUANG Z Q， XU J， GONG Z X， et al. Source localization using deep neural networks in a shallow water environment[J]. The Journal of the Acoustical Society of America， 2018， 143（5）： 2922-2932.

[84] LIU Y N， NIU H Q， LI Z L. Source ranging using ensemble convolutional networks in the direct zone of deep water[J]. Chinese Physics Letters， 2019， 36（4）： 044302.

[85] NIU H Q， GONG Z Q， OZANICH E， et al. Deep-learning source localization using multi-frequency magnitude-only data[J]. The Journal of the Acoustical Society of America， 2019， 146（1）： 211-222.

[86] WANG W B， NI H Y， SU L， et al. Deep transfer learning for source ranging： Deep-sea experiment results[J]. The Journal of the Acoustical Society of America， 2019， 146（4）： EL317-EL322.

[87] LIN Y G， ZHU M， WU Y Q， et al. Passive source ranging using residual neural network with one hydrophone in shallow water[C]//3rd IEEE International Conference on Information Communication and Signal Processing （ICICSP）. Electr Network， 2020： 122-125.

[88] RAUCHENSTEIN L T， VISHNU A， LI X Y， et al. Improving underwater localization accuracy with machine learning[J]. Review of Scientific Instruments， 2018， 89（7）： 074902.

[89] YAN J， MENG Y A， YANG X P， et al. Privacy-preserving localization for underwater sensor networks via deep reinforcement learning[J]. IEEE Transactions on Information Forensics and Security， 2021：1880-1895.

[90] DAI H， YING W H， XU J. Multi-layer neural network for received signal strength-based indoor localization[J]. IET Communications， 2016， 10（6）： 717-723.

[91] HUANG Z Q， XU J， GONG Z X， et al. A Deep neural network based method of source localization in a shallow water environment[C]//IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. Calgary， 2018： 3499-3503.

A Review of Node Localization and Trajectory Prediction in Underwater Wireless Sensor Networks

GUO Ying， ZHANG Rui， NIU Long-sheng， JI Ping

（School of Information Science and Technology， Qingdao University of Science and

Technology， Qingdao 266061， China）

Abstract：

In the application of Underwater Wireless Sensor Networks （UWSNs）， if the location of the sensor node is unknown， the information sensed by the sensor node will become meaningless. Node localization and trajectory prediction are key technologies in the research of UWSNs. The techniques of node localization and trajectory prediction for UWSNs are reviewed. First， the characteristics of underwater acoustic communication were introduced. Then， the classical localization algorithms and trajectory prediction techniques were classified and introduced， the artificial intelligence related localization algorithms were also expounded. After that， these algorithms were compared and analyzed. Finally， the research direction and development trend of node location and trajectory prediction technology in UWSNs were prospected.

Keywords：

underwater sensor networks; node localization; trajectory prediction; ranging; artificial intelligence

收稿日期：2021-06-10

基金項目：

山東省自然科學基金面上項目（批準號：ZR2020MF061）資助。

通信作者：

郭瑛，女，博士，副教授，主要研究方向為智能物聯網、海洋網絡、無線傳感器網絡等。E-mail：guoying@qust.edu.cn

2286500511231