[论文解读] Multilateration: Methods For Clustering Intersection Points For Wireless Sensor Networks Localization With Distance Estimation Error

Marios Karagiannis, Ioannis Chatzigiannakis+1 more|arXiv (Cornell University)|Mar 16, 2012

Indoor and Outdoor Localization Technologies参考文献 16被引用 9

一句话总结

本文提出了三种基于多边定位的方法，利用锚节点对无线传感器节点进行定位，通过聚类距离估计圆的交点来提高在测距误差下的定位精度。方法2表现出最高的鲁棒性，在不同连通性和误差水平下均持续降低定位误差，方法3在误差为零时实现了完美精度。

ABSTRACT

In this paper we describe three methods for localizing a wireless sensor network node, using anchor nodes in its neighbourhood, when there is an error in distance estimation present. We use the intersection points of the circles formed with the estimated distances from each anchors and we apply different methods to form clusters. We then use the cluster points to calculate the final position.

研究动机与目标

• 解决无线传感器网络（WSN）定位中不准确的距离估计问题，特别是在室内或地外任务等无GPS环境中的挑战。
• 通过聚类由到锚节点的距离估计形成的圆的交点，提高定位精度。
• 在不同测距误差水平和网络连通性条件下，评估不同聚类策略的鲁棒性和准确性。
• 提供一种实用且低开销的GPS定位替代方案，在测量噪声存在的情况下仍能保持性能。

提出的方法

• 使用目标节点到其相邻锚节点的估计距离，在每个锚节点处绘制以该估计距离为半径的圆。
• 计算所有圆对之间的交点，生成候选位置点。
• 应用三种不同的聚类算法对交点进行分组：方法1使用k-means聚类，方法2使用基于密度的方法并检测局部极大值，方法3使用基于投票的方法选择出现频率最高的区域。
• 将最显著聚类的质心作为最终节点位置估计值，以最小化由噪声或不一致交点引起的误差。
• 将距离估计误差建模为真实距离的百分比，对每次迭代均匀采样误差值 [RealDist - RealDist×e, RealDist + RealDist×e]。
• 通过每种网络中100个节点的平均总误差进行性能评估，每个误差水平从0%到20%进行200次迭代。

实验结果

研究问题

• RQ1 不同的多边定位交点聚类策略在测距误差下如何影响定位精度？
• RQ2 哪种方法在距离估计误差不断增加的情况下保持最低的定位误差？
• RQ3 网络连通性（平均度）如何影响每种聚类方法的性能？
• RQ4 当距离估计误差极小时，是否存在一种聚类方法可实现近乎零误差？
• RQ5 哪种方法在不同网络拓扑和误差条件下表现出最一致且最鲁棒的性能？

主要发现

• 方法2表现出最高的鲁棒性，在所有四个测试网络和不断增加的误差水平下，均显示出持续更低的定位误差。
• 方法2在平均连通性增加时表现出递减的误差斜率，表明随着可用锚点增多，性能得到提升。
• 方法1和方法2在极低测距误差（<0.5%）时表现出更高的估计误差，而当距离误差为零时，方法3实现了0%的定位误差。
• 方法3在接近零误差水平时最为精确，证实了其在理想条件下的高精度。
• 所有方法在更高网络连通性下均表现出更高的准确性，但方法2在准确性和稳定性之间保持了最佳平衡。
• 结果证实，聚类策略显著影响定位性能，尤其是在真实测距误差条件下。