一种基于事件触发的异构WSN分布式定位方法.pdf

文章编号：1006-3080(2023)04-0554-08DOI:10.14135/ki.1006-3080.20220211001一种基于事件触发的异构 WSN 分布式定位方法范玮，刘济（华东理工大学信息科学与工程学院,上海200237）摘要：由于电磁波传输的多径效应和信号干扰，基于接收信号强度（RSS）测距的室内定位精度较低，本文提出一种融合 RSS 和惯性测量的异构无线传感器网络(WSN)室内定位方案，它采用基于位置估计信任度的分布式一致性容积信息滤波算法（CCIF）来协同估计目标的位置；引入事件触发机制，基于 RSS 信号强度触发 WSN 节点唤醒，以提高网络的抗干扰性和降低网络能耗。室内移动小车的定位仿真和实验测试结果表明，所提出的 WSN 融合定位精度明显优于单一定位方法，具有显著的抗干扰性能，且分布式定位和事件触发机制可有效地降低网络能耗。关键词：无线传感器网络；室内定位；事件触发机制；一致性容积信息滤波中图分类号：TN929.5;TP212.9文献标志码：A由于室内环境复杂，如电磁干扰、信号衰减和噪声污染等，室内定位的精度和成本一直是一对矛盾体。基于无线传感器网络（WirelessSensorNetworks,WSN）的室内定位是一种新兴的定位服务技术，被广泛地研究和应用1-3。无线传感器网络节点成本低、可大规模部署，辅之以强大的数据融合技术将多个传感器的信息融合在一起，使得 WSN 定位系统的容错性能和精度大大提升，使其在室内定位领域具有较强的竞争优势。基于接收信号强度（ReceivedSignalStrength,RSS）的测距技术是无线传感器网络定位的主要方法之一4。但是，室内 RSS 信号质量差，严重影响了 WSN 定位的精度5-6。近年来，异构传感器的混合定位被大量研究，如 RSS 与惯性测量（IntertialMeasurementUnit，IMU）、RSS 与视觉定位等7-8，此类混合定位常用于移动目标自主定位，目标自带定位传感器和处理器等。然而，在 WSN 定位领域，普遍采用的是基于 RSS 的单一定位技术，异构传感器混合定位的研究相对较少。文献 9 将 WSN集中式定位结果和 IMU 定位结果进行融合，利用模糊自适应卡尔曼滤波算法提高了混合定位精度，这种 WSN集中式与 IMU 定位结果的融合是多数 WSN混合定位所采用的方案，与本文所提出的定位方案有本质的不同。无线传感器网络的能量是其应用的关键指标，在室内定位中，应尽量考虑各种技术来降低网络能耗。WSN 有集中式和分布式两种计算结构，集中式结构的中心节点通信和计算负担过重，易陷入能量枯竭的困境，而分布式结构的各节点仅仅与其邻居通信和融合，避免了节点通信瓶颈的问题10。分布式一致性滤波是文献 11 提出的一种完全分布式 WSN状态估计算法，高效的分布式融合使得网络各节点估计结果趋于一致，具有能耗低、精度高的优点12-13。Liu 等14应用分布式一致性滤波算法实现 WSN的状态估计，显著提高了估计精度。另一方面，事件触发机制也常常被引入 WSN 中以减少网络拥塞15-16。在室内，RSS 信号随距离而衰减，距离目标较远的RSS 测量数据质量差，引入基于信号强度的节点睡眠和唤醒触发机制，既能提高定位精度，同时也能降低网络能耗。本文针对室内定位抗干扰差、精度低、成本高等问题，提出一种基于 RSS 和 IMU 融合的异构无线传感器网络分布式定位方案，使 WSN 定位成本低和IMU 定位精度高的特点形成优势互补。采用基于一致性的分布式定位框架，克服了集中式定位带来的收稿日期：2022-02-11基金项目：国家自然科学基金(61971278)作者简介：范玮（1998），女，山东潍坊人，硕士生，主要研究方向为室内定位、容积信息滤波。E-mail：通信联系人：刘济，E-mail：引用本文：范玮,刘济.一种基于事件触发的异构 WSN 分布式定位方法 J.华东理工大学学报（自然科学版）,2023,49(4):554-561.Citation：FANWei,LIUJi.AnEvent-TriggeringDistributedPositioningMethodofAHeterogeneousWSNJ.JournalofEastChinaUniversityofScienceandTechnology,2023,49(4):554-561.华东理工大学学报（自然科学版）Vol.49No.4554JournalofEastChinaUniversityofScienceandTechnology2023-08中心节点能耗过大问题，同时引入基于 RSS 信号强度的事件触发机制，只有满足条件的节点参与定位计算，进一步降低网络能耗；针对 RSS 信号易受干扰而失真的问题，提出一种基于位置估计信任度的 WSN融合权值改进算法，以提高定位精度。在此基础上，提出基于信任度的分布式一致性容积信息滤波算法（Consensus-basedCubtureInformationFiltering,CCIF），来估计室内移动目标的位置，该算法是一种多传感器、多层次信息融合结构，底层数据级直接融合RSS 信号和 IMU 测量数据，上层特征级对底层各传感器节点获得的位置特征进行二次融合，实现用信息融合技术来降低系统硬件成本的目标，可推广到WSN 的其他应用领域。1定位方案本文讨论室内二维平面移动目标(如人员、轮式小车)的位置估计问题，采用基于 RSS 和 IMU 的异构无线传感器网络融合定位方案。如图 1 所示，室内二维平面固定位置部署 N 个锚节点(圆点)，其坐标已知，每个锚节点配备无线信号接收器（如 Zigbee、蓝牙 iBeacon、WiFiAP 或 RFID 阅读器等）。移动目标作为待定位盲节点(三角形)在 WSN 监测区域随意移动，盲节点携带无线信号发射器和惯性测量组件 IMU。为了提高定位精度同时降低网络能耗，提出事件触发的 RSS/IMU 一致性融合定位方法：目标移动过程中，锚节点根据其接收到的电磁波 RSS 信号强度 P 判断其是否激活，激活锚节点（如 s,i,j）局部滤波器要首先融合 RSS 和 IMU 观测数据，采用容积信息滤波(CubtureInformationFiltering,CIF)算法估计目标位置。然后，被触发锚节点与其邻居节点交换各自位置估计信息，实现基于 CIF 的一致性融合计算。最终，所有触发节点位置估计值趋近于一致，输出定位目标的位置坐标。该定位系统中，锚节点接收的 RSS 信号强度P 与传输距离 d 的关系遵循电磁波传输衰减模型17：P=Pc10nlgd+(1)dB其中：P 代表距离发射器（移动目标）d 处的 RSS 功率，单位为 dB；发射功率 Pc和信道损耗指数 n 是与室内环境有关的常数；为阴影因子，它可表达为零均值、方差的正态随机变量。l盲节点携带的 IMU 组件由三轴加速度计和地磁传感器组成，地磁传感器可观测二维平面内目标的航向角。根据三轴加速度观测数据进行二重积分并求矢量和，可以得到目标位移量。Blind nodeBlind nodeAnchor node(No triggered)Anchor node(Triggered)TrajectoryResponse radiussjiIMUWireless signaltransmitterWirelesssignalreceiverWirelesssignalreceiverWirelesssignalreceiverlPlPlPLocal CIFcalculationLocal CIFcalculationLocal CIFcalculationPositionestimationPositionestimationPositionPositionConsensus CIFcalculationConsensus CIFcalculationConsensus CIFcalculationAnchor node sAnchor node iAnchor node jConsistentConsistentConsistentestimationestimationestimationestimationestimationElectromagneticwaveTarget position coordinates图1定位方案Fig.1Positionscheme2事件触发机制尽管 WSN 的优势是通过规模化测量实现低成本高精度融合定位，但如前所述，在基于 RSS 测距的WSN 定位系统中，锚节点接收到的 RSS 信号强度随传输距离迅速衰减；同时，传输距离越大，电磁干扰、多径效应、噪声污染的影响越显著。因而，距离目标节点超过一定距离范围的锚节点的 RSS 信号变得不可信任，为此，本文引入基于 RSS 信号强度的事件触发机制。假定可设置定位系统的测量周期 Ts，使定位目第4期范玮，等：一种基于事件触发的异构WSN分布式定位方法555标在相邻两次测量之间的位移远小于网络中任意两个锚节点之间的距离，描述为：(ekek1)2+(nknk1)2 Pr(3)l|Psk|u(4)PskPrlu式中：为节点 s 在 k 时刻接收到的 RSS 信号功率；代表节点触发功率，该值预先确定，应保证每个时刻至少有 3 个锚节点被激活；作为 RSS 测量误差的下界，用来判断物体位置是否有变化；为环境噪声引起的测量变化的相应上限。事件触发机制的引入使得参与定位的节点成为一个动态节点簇。当 WSN 通信拓扑无向且融合步数足够大时，可以保证基于一致性的数据融合的收敛性和准确性18。事件触发机制的引入，不仅可降低 RSS 测量不确定性对定位精度的影响，同时，通过动态选择定位节点簇，实现网络整体能耗控制。3定位算法如前所述，异构 WSN 的锚节点首先基于 RSS/IMU 的观测数据估计目标的位置信息，然后，锚节点在其邻居中进行局部位置估计信息的交换和融合，使所有被触发节点的位置估计都趋于一个全局一致估计值。本节介绍该过程所采用的定位算法。3.1 系统模型首先建立移动目标的运动模型。根据盲节点IMU 组件的观测数据可以获得目标在相邻时刻的航向角和位移，据此可以将目标的运动模型写为：ek=ek1+lk1sink1nk=nk1+lk1cosk1(5)lk1k1式中：为目标在 k1 到 k 时刻的位移，为k1 时刻的航向角。ds=(ekes)2+(nkns)2l本文建立定位系统观测模型。如式（1），RSS 信号功率 P 作为观测数据之一，它是目标和锚节点距离 ds的函数，即，其中（es,ns）为锚节点 s 的坐标。另外，IMU 组件获取的航向角和位移 也作为观测数据。综上，所提出的异构 WSN 定位系统模型可写为：xk=eknklkk=ek1+lk1sink1nk1+lk1cosk1lk1k1+wk1zsk=10nlg(ekes)2+(nkns)2Pclkk+vsk,s E=i|Pik Prand l Pik 0s,jJsws,jk=1(ysk,L,Ysk,L)(y*k|k,Y*k|k)基于信任度的融合权值根据节点的局部估计与群体中心的距离来分配其融合权系数，距离越远，说明其局部估计的信任度越小，其信息将以更小的权值融合入网络中，以减少其错误影响。同时，式（9）定义的权系数满足且的收敛条件，经过 L 步迭代后，当前服务节点簇的位置估计将近似收敛为全局一致值，记为。根据信息滤波公式可获得系统最终估计：x*k|k=(Y*k|k)1 y*k|k(10)综上所述，基于信任度的一致性容积信息滤波算法（Credibility-basedCCIF）可以被总结如下：s E(ysk|k,Ysk|k)ysk,0=ysk|kYsk,0=Ysk|k步骤 1对任一节点，运用 CIF 算法计算其局部估计，并将其作为融合迭代的初值：，。步骤 2节点 s 广播自己估计信息，同时接收邻居的局部估计来计算融合权重：(ysk,l,Ysk,l)j Ns（1）将局部估计信息广播给激活的邻居。(yjk,l,Yjk,l)（2）接收激活的邻居节点局部估计信息。（3）根据式（9）计算权重：ws,jk=softmax(djsk)=exp(djsk)jJsexp(djsk),s,j Js(11)l=0,1,L1步骤 3，执行迭代融合过程：ysk,l+1=jJsws,jk yjk,l(12)Ysk,l+1=jJsws,jkYjk,l(13)步骤 4更新全局位置估计：y*k|k=ysk,L(14)Y*k|k=Ysk,L(15)xsk|k=(Y*k|k)1 y*k|k(16)从数据融合的角度，所提出的异构 WSN 室内定位分布式算法是一种多传感器多层次信息融合体系，如图 2 所示。数据级融合发生在各激活锚节点的一级融合滤波器，基于 CIF 算法对 RSS 和 IMU 传感器的观测数据进行融合，获得各局部位置估计；特征级融合发生在全部激活节点簇内，基于簇内各局部位置估算信任度融合权值，特征级融合后获得全局一致的位置估计。这种多传感器多层级分布式信息融合算法体系可应用于其他各种测量技术的无线传感器网络。4实验与分析 4.1 仿真分析假定 60m30m 的室内区域每隔 10m 布置一个锚节点，锚节点编号为#1#28，其通信拓扑如图 3所示。待定位小车在这个区域以 U 形轨迹移动。x0=45 m,5 m,1 m,90TP0=diag(1 m2,1 m2,1 m2,12)Q=diag(0.1)2,(0.1)2,(0.1)2,(0.005)2)R=diag(0.5)2,(0.1)2,(0.1)2,(0.012 5)2)Pc=41.8 dB,n=2设置仿真条件为：初始状态，初始状态误差方差，系统噪声方差，观测噪声方差。一致融合步数 L=6。本文假设平均信号强度值 P0和信道损耗指数 n 取文献数据，21。为考察所提出的定位方法在室内复杂电磁环境下的性能，本文模拟各种不确定交直流和随机噪声干扰信号，将此信号叠加到 RSS 信号上。以不确定直流干扰为例，图 4 所示为模拟#25 和#18 节点受干扰的 RSS 观测数据，在 1020 和 7080 期间，RSS 信号受到5dB 直流电磁干扰。在图 4 所示两个节点 RSS 信号受干扰情况下，不同定位方案获得的目标轨迹曲线如图 5 所示，其第4期范玮，等：一种基于事件触发的异构WSN分布式定位方法557中，IMU 表示盲节点 IMU 组件自定位结果，IMU/RSS表示 IMU 组件和一对 RSS 设备融合定位结果；WSN-MD、WSN-MET、Theproposed这 3 条曲线为采用 IMU/RSS 组成的异构 WSN 使用不同加权方法获得的目标轨迹：WSN-MD 表示采用最大度加权方法，WSN-MET 表示采用 Metropolis 加权方法，Theproposed 表示本文提出的基于信任度加权算法。可以看出，IMU 自定位存在累积误差，而当 RSS 信号受电磁干扰时，IMU/RSS 定位方案变得极其脆弱。借助 WSN 多组 RSS 传感器节点进行融合定位，能有效提高定位的精度，但在电磁干扰的时间段，WSN-MD 和 WSN-MET 定位发生偏差，此时本文方法仍然具有较好的干扰鲁棒性。为深入比较事件触发机制给定位系统带来的影响，在图 4 所示干扰信号下，对比本文算法在事件触发机制加入（ET-WSN）和不加入（WSN）情形下的定位结果，结果如图 6 所示。从图 6(a)和 6(b)均可看出，电磁干扰（Interfered）下定位误差相比于无节点受干扰（Nointerfered）时整体变大，信号干扰降低了WSN 的定位精度，但总体误差在较低水平，定位结果可用，说明 WSN 定位方案具有良好的抗干扰和容错性。同时，在发生电磁干扰的两个时段，干扰产生的影响明显不同：在 1020 时，干扰对 ET-WSN 的影响程度远大于 WSN；在 7080 时，ET-WSN 的 RMSE 水平几乎没有变化，而 WSN 的 RMSE 水平仍然有明显的上升。这是因为，当引入事件触发时，#18 和#25在 1020 期间激活而在 7080 时无响应，因此 7080 时段的干扰不会对 ET-WSN 定位产生实质性影响，而无事件触发的 WSN，两个节点全程工作，任何时候的干扰信号都会被带入整个网络，使定位精度下降。将事件触发下激活节点号描述如图 7所示，可RSSIRSSIRSSIIMUData level fusionPrimaryfusionfilter 1Primaryfusionfilter 2Primaryfusionfilter sLocalestimation1Localestimation2LocalestimationsWeightcalculationWeightcalculationWeightcalculationSecondaryfusionfilter 1Secondaryfusionfilter 2Secondaryfusionfilter sGlobalfeatureinformationGloballocationestimationFeature level fusion.图2异构 WSN 定位系统的多传感器多层级融合体系Fig.2Multi-sensormulti-levelfusionsystemforheterogeneousWSNpositioningsystem302520151050102030405060n/me/mAnchor nodes;True;Topological connection图3仿真环境和条件Fig.3Simulationenvironmentandconditions556065707580010 20 30 40 50 60 70 80 90 100P/dBTimesOriginal RSS(#25);Interfered RSS(#25);Original RSS(#18);Interfered RSS(#18)图4#18 和#25 节点的原始和受干扰 RSS 数据Fig.4RawanddisturbedRSSdatafornodes#18and#2530252015105051015202530354045n/me/mIMU;IMU/RSS;WSN-MD;WSN-MET;TrueThe proposed;图5室内小车定位仿真轨迹Fig.5Indoorvehiclepositioningsimulationtrajectory558华东理工大学学报（自然科学版）第49卷以看出，同一时刻只有 49 个节点激活进行通讯和计算，其他节点处于休眠状态。显然，事件触发机制大大减少了服务节点的数目，通信计算负担和网络能耗同步减少。1.21.00.80.60.40.2010 20 30 40 50 60 70 80 90 100RMSE/mTimesWSN no interferedWSN interfered(a)RMSE curves of WSN1.21.00.80.60.40.201020 30 40 50 60 70 80 90 100RMSE/mTimesET-WSN no interferedET-WSN interfered(a)RMSE curves of ET-WSNRMSERootmeansquareerror图6事件触发机制对定位误差的影响Fig.6Influenceofeventtriggeringmechanismonpositioningerror282420161284010 20 30 40 50 60 70 80 90 100NodeTimes图7事件触发机制下的 WSN 服务节点图Fig.7WSNservicenodegraphunderevent-triggeringmechanism如前所述，为考察所提出的定位方法在室内复杂电磁环境下的性能，本文模拟各种不确定交直流和随机噪声干扰信号对部分节点产生作用。表 1 列出了所提出算法在各种干扰环境下的定位误差，其中，直流干扰的幅值为5dB，交流干扰用幅值5dB的正弦波模拟生成，随机干扰为零均值、标准差 5 的白噪声，这些干扰类型和参数对算法而言均是未知的。从表1 中可看出，所提出的定位方法总体误差较小。表1算法在各种电磁干扰环境下的定位误差Table1Positioningerrorofthealgorithminvariouselectromag-neticinterferenceenvironmentsInterferenceMAE/mRMSE/mAverageMaximumAverageMaximumDC0.2640.9170.2700.935AC0.2500.9020.2530.912Randomnoise0.2981.0760.3151.104 4.2 实验测试在 7m6m 的学生实验室中定位一辆按 U 型轨迹移动的遥控小车。带蓝牙 iBeacon 的 5 个传感器设备安装在天花板上，作为无线传感器网络锚节点，如图 8 所示，蓝牙的工作频率为 2.4GHz，通信距离 10m。车载蓝牙标签和 IMU（替换为智能手机的 IMU 模块）。Anchor nodeBluetooth tagIMURemotecontrolvehicle图8实验场景及实验设备Fig.8Experimentalsceneandequipment4.2.1实验准备定位实验前，需要先测试该实验室的电磁波传输衰减模型参数发射功率 Pc和 n。将多组蓝牙标签放置在同一平面的不同位置，采集锚节点接收到的 RSS 功率 P。同时，将 AOA 雷达标准定位系统的定位坐标作为真实坐标，计算真实位置与锚节点间的距离 d。根据多组样本数据(d,P)拟合模型式（1），辨识得 Pc=56dB,n=10。图 9 所示为测4050607080P/dB020406080100120140 15596303d/mTimesd True RSS;Fitting RSS;图9实验室 RSS 功率与距离模型拟合数据Fig.9Fitting data of RSS power and distance model inlaboratory第4期范玮，等：一种基于事件触发的异构WSN分布式定位方法559试过程数据，RSS 测量数据波动性较大，但是传输衰减模型拟合得到 RSS 数据趋势与测量数据基本一致。实验中，通过智能手机的 IMU 模块采集小车的加速度和航向角数据。智能手机平放在车上，地磁传感器测量的航向角就是目标的行进方向。图 10 所示为小车移动过程中 IMU 组件的位移和航向角测量数据，其中，位移通过加速度的二次积分计算得到。4.2.2实验结果基于上述模型和测量数据，进行多次重复实验。图 11 所示为某一次实验中 3 种不同定位方案的 RMSE 曲线，可以得到与仿真类似的结论，本文所提出定位方法精度较高。图 12 所示为该次实验的定位结果和各轨迹段服务节点示意图。固定位置的 5 个锚节点用不同的颜色标注，每个轨迹段下方彩色点代表相应的激活节点。0.350.300.250.200.150.100.0501020304050l/m(a)Target displacement904504590/()Times01020304050(b)Heading angleTimes图10IMU 模块计算的观测数据Fig.10ObservationdatacalculatedbyIMUmodule将实验重复 30 次，可以观察到定位 RMSE 值总体在 0.3m 以内。由于所选蓝牙设备的有效通信距离相比于实验场地足够大，引入事件触发和无事件触发下 WSN 定位的误差级别非常相似。但是可以预测，由于 RSS 信号随着通信距离的增加而变差，定位区域越大，事件触发下 WSN 定位的优越性越高。5结论针对室内定位面临的精度与成本的矛盾，本文提出一种融合 RSS 和惯性测量的异构无线传感器网络室内定位方案，并改进传统的一致性融合算法，采用基于位置估计信任度的分布式一致性容积信息滤波算法来协同估计目标的位置。同时，基于 RSS 信号强度触发 WSN 节点唤醒参与融合定位计算。28 个锚节点监测区域内的移动小车定位系统抗干扰仿真表明，当两个节点都遭受较大的电磁干扰时，本文所提出的定位方法精度高、抗干扰能力强。在实验室用蓝牙无线传感设备和智能手机进行了实验测试，所提出定位方案精度明显高于其他方案，多次实验的定位 RMSE 基本保持在 0.3m 以内。仿真和实验结果表明所提出的定位方法可有效降低网络能耗，提高定位精度。参考文献：CHOWDHURY T J S,ELKIN C,DEVABHAKTUNIV,et al.Advancesonlocalizationtechniquesforwirelesssensor networks:A surveyJ.Computer networks,2016,110(12):284-305.1姚楚阳,刘爽.一种可升降式变电站室内巡检机器人控制系统设计J.华东理工大学学报(自然科学版),2021,47(1):116-122.2LVY,LIUW,WANGZ,et al.WSNlocalizationtechno-logy based on hybrid GA-PSO-BP algorithm for indoor31.00.90.80.70.60.50.40.30.20.1010520 251530 35 40 45 50RMSE/mTimesIMU;IMU/RSS;The proposed图11不同定位方案的 RMSE 曲线Fig.11RMSEcurvesofdifferentlocationschemes5.04.54.03.53.02.52.01.51.001234567e/mn/m24135The proposed;True图12定位结果及各轨迹段服务节点示意Fig.12Positioning result and service node indication of eachtracksegment560华东理工大学学报（自然科学版）第49卷three-dimensionalspaceJ.WirelessPersonalCommunica-tions,2020,114(2):167-184.MOTTER P,ALLGAYER R S,MULLER I,et al.Practical issues in wireless sensor network localizationsystems using received signal strength indicationC/SensorsApplicationsSymposium.Queenstown,NewZeal-and:IEEE,2011:22-24.4WANGX,BISCHOFFO,LAURR,et al.LocalizationinwirelessAd-hocsensornetworksusingmultilaterationwithRSSIforlogisticapplicationsJ.ProcediaChemistry,2009,1(1):461-464.5BIANCHIV,CIAMPOLINIP,MUNARIID.RSSI-Basedindoor localization and identification for ZigBee wirelesssensornetworksinsmarthomesJ.IEEETransactionsonInstrumentation&Measurement,2019,68(2):566-575.6付凤婷,褚振忠,朱大奇.基于迭代无迹卡尔曼滤波的水下组合导航J.华东理工大学学报(自然科学版),2021,47(2):247-254.7XIONGH,PENGM,GONGS,et al.AnovelhybridRSSandTOApositioningalgorithmformulti-objectivecooper-ative wireless sensor networksJ.IEEE Sensors Journal,2018,18(22):9343-9351.8YANGH,LIW,LUOCM.Fuzzyadaptivekalmanfilterfor indoor mobile target positioning with INS/WSNintegratedmethodJ.JournalofCentralSouthUniversity,2015,22(4):1324-1333.9HIGHTOWERJ,BORRIELLOG.AsurveyandtaxonomyoflocationsystemsforubiquitouscomputingJ.TechnicalReport,2019,26(8):2281-2294.10REZAOSR,SHAMMAJS.ConsensusfiltersforsensornetworksanddistributedsensorfusionC/IEEEConferenceonDecision&Control.Seville,Spain:IEEE,2005:6698-6703.11KAIS,JINGZ,PENGD.Aconsensusnonlinearfilterwith12measurementuncertaintyindistributedsensornetworksJ.IEEESignalProcessingLetters,2017,24(11):1631-1635.DEMETRIOU M A.Design of consensus and adaptiveconsensus filters for distributed parameter systemsJ.Automatica,2010,46(2):300-311.13LIU J,SHAO Q,HUA C.Consensus-based cubatureinformationfilteringforsensornetworkswithincompletemeasurementsJ.Neurocomputing,2019,364(28):49-62.14HUJ,WANGZ,ALSAADIFE,et al.Event-basedfilter-ingfortime-varyingnonlinearsystemssubjecttomultiplemissingmeasurementswithuncertainmissingprobabilitiesJ.InformationFusion,2017,38(9):74-83.15ZHANG W,WANG Z,LIU Y,et al.Event-based stateestimation for a class of complex networks with time-varying delays:A comparison principle approachJ.PhysicsLettersA,2017,381(1):10-18.16XIN L,YAN W,KHOSHELHAM K.A robust andadaptivecomplementarykalmanfilterbasedonmahalan-obisdistanceforultrawideband/inertialmeasurementunitfusionpositioningJ.Sensors,2018,18(10):3435-3456.17CHENQ,WANGW,YINC,et al.DistributedcubatureinformationfilteringbasedonweightedaverageconsensusJ.Neurocomputing,2017,243(21):115-124.18丁家琳,肖建,张勇.基于CKF的分布式滤波算法及其在目标跟踪中的应用J.控制与决策,2015,30(2):296-302.19CHENQ,YINC,ZHOUJ,et al.Hybridconsensus-basedcubaturekalmanfilteringfordistributedstateestimationinsensor networksJ.IEEE Sensors Journal,2018,18(11):4561-4569.20REN Z,WANG G,CHEN Q,et al.Modelling andsimulationofrayleighfading,pathloss,andshadowingfad-ingforwirelessmobilenetworksJ.SimulationModellingPractice&Theory,2011,19(2):626-637.21An Event-Triggering Distributed Positioning Method of AHeterogeneous WSNFANWei,LIUJi(SchoolofInformationScienceandEngineering,EastChinaUniversityofScienceandTechnology,Shanghai200237,China)Abstract:Duetomulti-patheffectandelectromagneticinterference,RSS-basedindoorpositioningsystemshasloweraccuracy.Aimingatthisshortcoming,thispaperproposesanindoorpositioningschemeofaheterogeneouswirelesssensornetwork(WSN)byintegratingRSSandinertialmeasurement.Thedistributedconsensuscubatureinformationfilterswithcredibilityevaluationisutilizedtoestimatetargetpositionscollaboratively.Anevent-triggeringmechanismisintroducedtoawakenthesensornodeswhenthestrengthofRSSsignalsaresatisfiedforimprovingthenetworkanti-interferenceandreducenetworkenergyconsumption.Itisshownfromthesimulationandexperimentresultsviamobilecarsthattheproposedmethodhashigherpositioningaccuracythanasinglepositioningmethod,andremarkable anti-interference performance.Moreover,the distributed positioning scheme and event-triggeringmechanismcaneffectivelyreducenetworkenergyconsumption.Key words:wirelesssensornetwork；indoorpositioning；event-triggeringmechanism；consensuscubatureinformationfilter第4期范玮，等：一种基于事件触发的异构WSN分布式定位方法561