[论文解读] Maximum Likelihood based Multihop Localization in Wireless Sensor Networks

Camly Nguyen, Orestis Georgiou+1 more|arXiv (Cornell University)|Feb 6, 2015

Indoor and Outdoor Localization Technologies参考文献 19被引用 4

一句话总结

本文提出 kHopLoc，一种基于最大似然的多跳定位算法，用于无线传感器网络。该算法在训练阶段使用蒙特卡洛模拟来建模多跳连接密度函数。通过最大化基于到锚节点跳数的似然函数，kHopLoc 在各向同性和各向异性网络部署中均比现有无距离方法提高 20–40% 的定位精度，且计算和通信开销更低。

ABSTRACT

For data sets retrieved from wireless sensors to be insightful, it is often of paramount importance that the data be accurate and also location stamped. This paper describes a maximum-likelihood based multihop localization algorithm called kHopLoc for use in wireless sensor networks that is strong in both isotropic and anisotropic network deployment regions. During an initial training phase, a Monte Carlo simulation is utilized to produce multihop connection density functions. Then, sensor node locations are estimated by maximizing local likelihood functions of the hop counts to anchor nodes. Compared to other multihop localization algorithms, the proposed kHopLoc algorithm achieves higher accuracy in varying network configurations and connection link-models.

研究动机与目标

• 解决传统无距离定位方法在各向异性及不规则部署的无线传感器网络中的局限性。
• 克服当障碍物、衰落或节点分布不均匀导致跳距比例假设失效时，DV-hop 及其变体性能不佳的问题。
• 开发一种利用多跳连接完整统计分布而非依赖平均跳距等一阶统计量的定位方法。
• 在保持高定位精度的同时，最小化计算和通信开销，适用于多种网络配置。
• 实现在 GPS 信号缺失环境（如室内或城市峡谷场景）中的鲁棒定位，此类环境中信号传播不规则。

提出的方法

• 在训练阶段进行蒙特卡洛模拟，生成不同跳数下的经验多跳连接概率密度函数。
• 使用参数为 A(k) 和 B(k) 的广义伽马分布对多跳连接密度进行建模，并通过牛顿法拟合以最小化误差。
• 基于目标节点到所有可达锚节点的观测跳数，为每个目标节点构建似然函数。
• 通过牛顿-拉夫森法最大化似然函数，利用多跳连通性的完整统计信息来估计目标节点位置。
• 将拟合参数 (A(k), B(k)) 从中心节点洪泛至所有传感器节点，实现低通信开销的分布式定位。
• 在训练阶段使用全对最短路径算法（如 Floyd-Warshall）计算模拟网络拓扑中的 k 跳路径。

实验结果

研究问题

• RQ1 基于完整多跳密度分布的最大似然方法，是否能显著提升各向同性和各向异性 WSN 部署中的定位精度？
• RQ2 在不规则或非均匀网络拓扑中，所提出的 kHopLoc 算法在精度和效率方面与 DV-hop 和 ASP 相比如何？
• RQ3 在多跳无距离定位中，通信开销、计算复杂度与定位精度之间的权衡如何？
• RQ4 与基于平均跳距的一阶统计模型相比，基于蒙特卡洛的训练能在多大程度上降低定位误差？
• RQ5 该算法是否能在减少锚节点数量的同时保持高性能，且避免基于距离方法的高开销？

主要发现

• kHopLoc 在各向同性和各向异性网络部署中，均比传统 DV-hop 和 ASP 算法提高 20–40% 的定位精度。
• 该算法将计算成本降低至 O(I·N³ + M·ε⁻³/²)，显著低于 ASP 算法的 O(M⁸ + Δ + M²·ε⁻³/²) 成本。
• 通信成本约为 O(M(N−M))（用于跳数收集）和 O(N)（用于参数广播），总成本约为 DV-hop 和 ASP 的一半。
• 与仅使用平均跳距相比，采用完整的多跳密度分布可显著提升在非均匀和受阻环境中的鲁棒性。
• 训练阶段可在中心网关处一次性完成，或预先加载至节点中，从而消除定位过程中的重复通信开销。
• 即使在不规则形状区域或节点分布不均匀的网络中，该算法仍能保持高性能，而传统方法因跳距比例关系破裂而失效。