移動水下網絡的協作跟蹤研究

寧學侃

【摘要】 水下傳感器系統的一個主要需求是跟蹤水下目標的位置，通常的跟蹤方式是利用水面浮標依靠慣性導航和聲學測距設備在時間上估計節點位置。不過這種方僅適用于少量水下設備，卻并不適用水下網絡。水下網絡的設備可以依靠協作定位技術來跟蹤，但僅是像網絡的時間快照那樣估計節點位置，且其在網絡稀疏分布情形下就失去效果。本文設計提出一種創新方法——“協作跟蹤”，其結合了現有方法的優點并克服了它們的缺點。通過仿真完成了4D跟蹤估計，驗證了該方法的有效性，利用時間和空間維度可將其有效地運用到水面浮標和網絡連接均稀疏的區域。

【關鍵詞】 水下網絡 跟蹤 移動性 聲學網絡

一、概述

將大量的水下傳感設備組網應用已經引起了人們廣泛的興趣[1，2]。在這種網絡系統中，明確水下傳感器的位置是必要的。沒有位置信息，不但傳感器數據的空間關系將丟失，而且也不可能的有效地導航。在廣泛多樣的水下傳感網絡中，本文主要研究含有移動設備的水下網絡系統。移動設備主要包括自驅動的設備（如遠程控制的水下載體或ROV）、源于垂直運動移動性的設備（水下滑翔機）或隨著水下涌流被動飄浮的設備（水下浮標）。在這些移動水下網絡情形下，定位并不是一次性的事情、其須隨著時間不斷進行測量。

二、協作跟蹤

獨立跟蹤是時間維的算法，其將需處理的一組設備看作是一定數量獨立實體、本質上是分別跟蹤每一個設備[3]，這種算法需要外部周期的位置更新來彌補船位推算的積累誤差。該方法對單個設備很有效，但當研究設備總體時有很多缺陷，首先它不能隨設備數量的增加而有很好的適應性；其次在移動網絡中，元件會偶然脫離水面轉發器的距離范圍；而且當外部更新變得稀疏而且船位推算誤差增加，這種算法就會失效。這種問題的原因就是僅僅在時間維考慮信息，把每一個器件單獨的看做是一個獨立的線，它完全忽略了空間維。

本文采用的是時空維的協作跟蹤算法，時間（用導航設備的船位推算法）和空間（設備間的距離測量）維度將會同時應用。在移動網絡系統中，水下目標跟蹤問題將會被看做是4維的。節點軌跡形成了一組相關的線。雖然最自然的方法就是融合協作定位于傳統跟蹤。由協作定位獲得的位置估計可以作為外部的信息對跟蹤更新；且從導航設備獲得的數據可以用來插值于周期協作位置估計。我們的方法是依靠從聲學調制解調器和導航器件所獲得的距離估計。

三、算法

協作跟蹤可以看做是一個復雜的多維時空估計問題，其目的是通過全部的概率分布函數來找到最大似然估計，同時在時空維獲取所有器件的位置信息。本文采用因子圖算法能夠綜合所有時空信息并提供有效的合作跟蹤。因子圖提供了一種依照簡單的由變量子集所組成的局部函數的方式來表示全局函數（多維概率分布）的方法。和積算法能對在這種圖上運作，并通過迭代信息傳遞、利用簡單的關系來估計全局函數。

3.1因子圖描述

首先用如圖1所示的因子圖描述協作跟蹤問題。它給出了一個在時空中設備未知位置相關性的圖形描述。首先，我們可以觀察到有3個垂直分布的主鏈堆。每一個主鏈捕獲未知節點的軌跡，而水平維度表示時間。圓圈表示需要被估計的狀態變量，其是固定時間間隔的節點位置（Pi，j是節點i在時間j的位置）和速度（Vi，j）。不同類型的方塊將這些狀態變量聯系起來。這些方塊是函數節點，不但表示狀態變量是有聯系的，而且表示出它們是如何聯系的。

3.2和積算法

X是f的參數集合；n（ω）＼{x}表示因子圖上給定節點ω相鄰節點的集合，包括節點x。

這兩種類型的消息建立了因子圖內部運作關系。其運作如下：狀態變量向所有相鄰函數節點發送它們最近分布的估計，而函數節點發送其相鄰狀態變量分布的估計。向外的數據由上一次根據公式（1）和（2）迭代的輸入數據梳理而產生。狀態變量通過由其相鄰函數節點根據公式（2）所提供的相互交叉并獨立的分布估計來估計它的分布（或向外的消息）。函數節點通過執行由公式（1）所提供的局部似然函數的邊緣化來產生向其相鄰狀態變量的消息。

四、仿真與結論

下面將通過方針來評估我們算法的性能。系統空間設置：500m×500m，最大深度為20m。設定系統測距最大誤差2m，導航精度為2度，加速度估計精度為0.04cm/s2，節點假定為粗時間同步的（±0.1s），并且每20s重復距離估計。水下載體以一個隨機生成的平滑路徑在0～2m/s間不斷變化的速度移動。

首先，比較協作跟蹤和重復協作定位之間的性能差異。先考慮一個有較少浮標的情形，本例中是2個，網絡自身包括6個獨立移動的水下載體，聲學調制解調器的傳播距離被選擇為200m。可以看到協作跟蹤可以提供好的位置估計。通過在不同設定和不同參數下仿真評估我們的算法，都得到了類似的結果，說明了協作跟蹤算法可以在不同的網絡環境下有效的跟蹤定位水下目標。

參 考 文 獻

[1] J. Jaffe， C. Schurgers， “Sensor networks of freely drifting autonomous underwater explorers，” WUWNET06， 2006.[2] Z. Zhou， J.-H. Cui， A. Bagtzoglou， “Scalable Localization with Mobility Prediction for Underwater Sensor Networks”， WUWNET07， 2007.

[3] M. Erol， L. Vieira， M. Gerla， “Localization with DiveNRise （DNR） beacons for underwater acoustic sensor networks，” WUWNET07， 2007.