自主移动传感器网络动态建模与控制技术

摘要

本发明涉及传感器网络技术，具体地说是一种自主移动传感器网络动态建模与控制技术。按照本发明提供的技术方案，自主移动传感器网络动态建模与控制技术包括如下步骤：步骤一：建立基于局部狄朗内三角剖分和维朗诺伊图的分布式移动传感器网络模型；步骤二：对该分布式移动传感器网络模型中任一区域所属的控制传感器节点利用两种方法进行网络的分布式自部署和自组织；步骤三：采用编队算法控制网络节点编队和节点合作，达到充分节能的目的；步骤四：建立分布式移动机器人的自组织网络ad－hoc路由数据传输协议，实现整个自主移动传感器网络的稳定工作。本发明可以为具有大量移动传感器节点的传感器网络的可重复配置、协作、路由开发和验证一种算法。

说明书

技术领域

本发明涉及传感器网络技术，具体地说是一种自主移动传感器网络动态建模与控制技术。

背景技术

移动传感器网络在军事和民事方面都能够得到大量的应用，比如说战场监督、搜索和防御、危险环境下的工作、环境监控、目标跟踪和遥感。以及工业生产中的温度、压力、流量等各种参数监控，造纸厂草垛监控，粮库监控和畜牧产业的监控等。其成果将显著提高企业生产信息化和自动化管理水平，具有广阔的应用前景。

近期，分布式无线传感网络的研究作为一个重要的领域已经引起人们的关注。无线传感器网络的例子包括：Berkeley motes和无线集成网络传感器。大量不同的传感器网络的应用和研究课题也已经出现。

传感器网络和传统的ad-hoc无线网络共同拥有着许多挑战。然而，传感器网络的通信方式与其他网络IP形式的通信方式是不同的。传感器网络的功能是提供用户以观测信息。它的基础设施和个体传感器节点对用户来说是完全透明的。而且，在网络中，能够提供给传感器的能量是有限的。通信比监测和数据处理会耗费更多的能量。对于无线传感器网络来说，挑战之一是局部化算法的开发，它应该是可升级的、鲁棒的和节能的。考虑到节能、容错性、升级性和任务自适应性这些约束，大量的学者提出了很多的通信结构和算法。对于微传感器网络，Directed Diffusion和LEACH是两种典型的数据通信协议。尽管这项发明的焦点不是移动传感器网络的网络结构，但是网络的原型却能够为不同网络结构和算法的测试提供一个可重复配置的平台。

在无线传感网络中，每个传感器节点的几何学定位应首先被确定，以便为空间分布式信号处理提供有用的信息。而且，在移动网络中，具有通信范围的位置信息能够使几何路由算法传输信息更加有效。有关这个主题的研究包括物理定位方法和位置估计方法。用于户外的一种确定节点位置的最一般的方法是用Global Positioning Systems(GPS)。然而，GPS消耗的能量很多，并且不能应用于室内。另外，很多的局部定位系统已经建立，用来支持室内定位和位置估计。目前，大多数现有系统都是基于固定的基础设施来定位的。但是对于分布式传感器网络来说，基础设施一般是自由的，所以这些现有技术不能直接应用于大规模的传感器网络。因此，无线传感网络的位置估计也吸引了许多研究者的注意。与局部定位系统相对应，用于机器人的定位技术包括航位推测法和三角测量标定。相关的估计和传感器融合技术包括KalmanFilter、Markov localization和基于Bayesian推理网络的Monte Carlolocalization。基于定位和位置估计方法，大量的与网络相关联位置算法和信号处理方法被提出。在这项发明中，提出了一种基于定位信息和图论的分布式模型。

一般认为多个机器人比一个机器人在更快、更高效的完成任务上拥有更大的潜力。作为一个重要的研究领域，使得多机器人协作和编队控制方法已大量涌现。多机器人协作的机器控制结构，如包容结构、反作用控制和混合控制、基于行为的控制已经被提出。基于行为的机器人技术能够协调大量机器人完成目标和保持结果。对于人类来说，很普通的具有感知和符号通信能力的协作行为也引起了与多智能体协作有关研究人员的注意。信息素机器人利用信息素现象来协调大量机器人的行为。先前的一些研究主要是关于组合任务规划、基于事件驱动方法的机器人系统的传感和控制。现有技术关于整个无线传感网络数学模型的结论仍然是不多的，虽然这些结论和技术对于分布式系统的分析和设计有各自的优势，但缺乏系统的数学理论指导。

发明内容

本发明的目的在于设计一种自主移动传感器网络动态建模与控制技术，为具有大量移动传感器节点的传感器网络的可重复配置、协作、路由开发和验证一种算法。本发明充分利用一种定向或非定向图，可以建立移动机器人的无线网络模型，同时，图论也被用在传感器网络的网络覆盖和传感器配置上，优势更加明显。

按照本发明提供的技术方案，自主移动传感器网络动态建模与控制技术包括如下步骤：

步骤一：建立基于局部狄朗内三角剖分和维朗诺伊图的分布式移动传感器网络模型，其中狄朗内三角剖分用三角几何结构描述传感器连接关系，维朗诺伊图用来描述传感器节点的监测范围，在这个组合起来的模型基础上建立表达整个传感器网络的动静态特性；

步骤二：对该分布式移动传感器网络模型中任一区域所属的控制传感器节点利用两种方法进行网络的分布式自部署和自组织，这两种方法分别为：基于虚拟势场法和狄朗内三角剖分的分布式自组织方法；基于改进型粒子群优化方法的分布式自组织方法；

步骤三：采用编队算法控制网络节点编队和节点合作，达到充分节能的目的；

步骤四：建立分布式移动机器人的自组织网络ad-hoc路由数据传输协议，实现整个自主移动传感器网络的稳定工作。

在步骤一后、步骤二前，基于该模型进行基本运动学分析；

在分析时，根据各个移动机器人的位置、方向角、速度以及控制量信息分别建立各个移动机器人的子系统的动态模型；再根据建立的每一个子系统的动态模型并综合子系统与相邻节点之间的关系，建立基于图论的分布式模型；然后，基于所建的分布式模型，进行信息采集、融合。

基于虚拟势场法的和狄朗内三角剖分的分布式自组织方法，使传感器在无约束空间进行自组织；

虚拟势场法的基本思想是：将传感器节点在环境中的运动视为一种虚拟的人工受力场中的运动；障碍物对机器人产生斥力，目标点产生引力，斥力和引力的合力作为传感器节点的加速力，控制节点的运动速度和方向；

在自组织时，由一个机器人的性能指标函数推导出其控制律；考虑整个多机器人系统时，推导出群控制律；建立基于虚拟势场法和狄朗内三角剖分的分布式自组织方法中无约束空间的自组织方法。

在传感器的无约束空间自组织的基础上，加入模拟生物激励的运动规划；

模拟生物激励的运动规划的基本思想是：模拟神经系统行为，把虚拟势场力限制在有界区间内，使虚拟势场力较为连续的变化，进而使得传感器节点的运动轨迹较为平滑。

基于改进型粒子群优化方法的分布式自组织方法主要是利用粒子群算法，并根据已知传感器节点的位置信息，来计算其它节点的后续位置；网络的传感器节点被分成主簇头、辅簇头及普通节点，其中，主簇头起着带动和指导整个网络节点的作用，辅簇头起着带动和指导某个区域中的节点的作用，余下的节点为普通节点；通过主、辅簇头的带动和指导作用，进行网络的分布式自部署和自组织；由主、辅簇头带领网络到达指定位置，并指导网络逐渐展开。

在有障碍物和环境约束下进行传感器的自组织时，根据有障碍物的系统的能量函数推导出其控制律；建立基于虚拟势场法和狄朗内三角剖分的分布式自组织方法中在障碍物和环境约束下的传感器自组织方法。

将传感器的分布式自组织方法应用在包括节点的分散、汇聚和容错任务中，通过调整两节点之间的期望距离来解决分散和汇聚问题。

分布式自组织方法用于解决具有不完整约束的移动传感器的跟踪控制问题。

所述编队算法包括异步编队算法、同步编队算法和混合编队算法；其中的由混合编队算法由同步编队算法和异步编队算法构成。

狄朗内三角剖分和定位信息对路由通讯也是有帮助的。现有的路由方法不具有信源和信息目的地之间实际物理距离和方位方面的知识。给出的节点仅仅知道它自己的逻辑连接。当处理可升级的、巨大的动态机器人编队，如：快速移动的自治飞行器编队时，定位信息是非常有用的。每个机器人的的相对位置可能会变化得非常快，同时，为了保持编队，可靠的通信是必需的。现有的路由方法通信延迟太大以至于找到的路径在这类情况下不可靠。从传感器网络运动学和分布式狄朗内模型方面，找出无需交换很多控制信息的相邻节点是相对容易的。路径距离通过源和目的地间的距离被限制。与现有的路由协议相比，这允许新的路径被快速的建立。

附图说明

图1(a)为移动传感器网络示意图。

图1(b)为两机器人的局部坐标系。

图2(a)为分布式传感器网络模型Delaunay三角剖分和Voronoi图。

图2(b)为分布式传感器网络模型中R₂的一跳相邻节点示意图。

图2(c)为分布式传感器网络模型中的相邻单跳传感器坐标关系。

图3(a)分布式传感器网络的信息融合与传递。

图3(b)为分布式传感器网络的三维空间扩展。

图4为节点区域覆盖图。

图5为约束环境下改进的狄朗内三角剖分。

图中圆圈代表传感器节点，直线代表节点间的联接。

具体实施方式

本发明涉及的主要内容包括以下五点：1)基于局部狄朗内三角剖分的分布式模型的建立；2)传感网络运动学；3)分布式自组织；4)混合编队和协作算法；5)分布式移动机器人ad-hoc路由和数据传输协议。

其目的可以概括为以下五点：1)基于局部狄朗内三角剖分的分布式模型，建立对传感器网络进行一般分析的方法；2)对传感器网络运动学的研究，使得移动机器人能够不断地接近期望位置；3)分布式自组织能力，可以使得网络分散、汇聚、自我识别和最大化监测范围；4)开发一种混合编队和协作算法，能够使多机器人相互协作以便达到共同的目标；5)开发分布式移动机器人ad-hoc路由和数据传输协议。

1、基于局部狄朗内三角剖分的分布式移动传感器网络模型移动传感器网络模型包括移动机器人模型和基于图论的分布式模型。在移动传感器网络中，移动传感器是无线连接的，如图1(a)所示。表示为R＝{R₁，R₂，…，R_n}的n个机器人被配置在平坦的区域内。第R_i个机器人的设置参数为q_i(t)＝[x_i，y_i，θ_i]^T，i＝1，2，…，n。其中x_i和y_i是第R_i个机器人所在局部坐标系中的坐标，θ_i是其方向角。如图1(b)所示。它的动态模型描述为$>{\stackrel{.}{q}}_i=f_i(q_i,u_i),$>其中，u_i是子系统R_i的控制输入。

在此发明中，涉及到基于移动机器人的完全模型和非完全模型。完全模型描述如下：

$>{\stackrel{.}{x}}_i=v_{\mathrm{ix}},{\stackrel{.}{y}}_i=v_{\mathrm{iy}},{\stackrel{.}{v}}_{\mathrm{ix}}=u_{i1},{\stackrel{.}{v}}_{\mathrm{iy}}=u_{i2}---\left(1\right)$>

其中，v_ix和v_iy是在局部坐标系中分别沿x和y方向的移动速度，模型中的控制输入u_i定义为：u_i＝{u_i1，u_i2}^T。

假设移动速度和旋转速度都是可控的，具有非完整约束的机器人模型fi可以被描述为：

$>{\stackrel{.}{x}}_i=v_i·\cos {\theta }_i,{\stackrel{.}{y}}_i=v_i·\sin {\theta }_i,{\stackrel{.}{\theta }}_i={\omega }_i,{\stackrel{.}{v}}_i=u_{i1},{\stackrel{.}{\omega }}_i=u_{i2}---\left(2\right)$>

其中，v_i是移动机器人的径向速度，ω_i是角速度。移动机器人的非完整约束描述为：-x_i·cosθ_i+y_i·sinθ_i＝0。在局部坐标系中，定义设置参数和控制变量是没必要的。例如：图1(b)所示，在∑_i中所定义的q_i。

在基于图论的分布式模型中，移动传感器网络是一个具有可设参数和可控变量的系统，其可设参数和可控变量分别表示为q＝{q₁，q₂，…，q_n}^T和u＝{u₁，u₂，…，u_n}^T。多机器人系统能够作为一个多维互联系统被建模，整个系统表示为：$>\stackrel{.}{q}=f(q,u)$>，其中f是系统动态模型的矢量域。这项发明中，提出了基于图论的分布式模型。它由两部分组成：1)每一个子系统的动态模型2)子系统与相邻节点之间的关系。

为了方便多机器人系统全局目标的定义，$>{\tilde{p}}_i={\{{\tilde{x}}_i\left(t\right),{\tilde{y}}_i\left(t\right)\}}^T$>描述为统一的静止坐标系中机器人R_i的位置，$>\tilde{p}={\{{\tilde{p}}_1,{\tilde{p}}_2,···,{\tilde{p}}_n\}}^T$>描述为统一的静止坐标系中所有机器人的位置。并定义p_i＝{x_i(t)，y_i(t)}^T为局部坐标系∑_i中机器人R_i的位置。

相邻机器人节点之间的关系通过狄朗内三角剖分和维朗诺伊图来定义，如图2(a)。在平坦的区域中，维朗诺伊图和狄朗内三角剖分对对方来说都是双重的。维朗诺伊图定义了每个移动传感器的覆盖区域，狄朗内三角剖分则定义了移动传感器几何上的相邻节点和它们之间的关系。

传感器网络的覆盖区域对网络来说是一个重要的属性。在这项发明中，维朗诺伊图用来描述这种属性，如图2(a)中的虚线所示。考虑到在参数$>{\tilde{p}}_i={\{{\tilde{x}}_i\left(t\right),{\tilde{y}}_i\left(t\right)\}}^T$>下配置的机器人的群体，每一个机器人都应该覆盖总区域Ω中的一部分。在Ω中，传感器节点R_i所覆盖的子区域定义为：

$>V_i=\{x\in \Omega |\left|\right|x-{\tilde{p}}_i\left|\right|<\left|\right|x-{\tilde{p}}_j\left|\right|\}\forall j=1,···,n,j\ne i---\left(3\right)$>

v＝{V₁，V₂，…，V_n}形成平坦区域Ω的一种划分，其中传感器节点R_i只在子区域V_i产生作用。机器人R_i也被称为图的“发生器”。V_i被定义成凸多边形区域，覆盖了维朗诺伊图中的机器人R_i。因此，为了凸多边形V_i的计算，需要一种定位算法来支持分布式模型。通信范围和监测范围也如图2(b)中所示，被定义成两个圆盘。为了使传感器网络完全覆盖区域Ω，每一个传感器的监测范围必须覆盖它自己的维朗诺伊图。

狄朗内镶嵌式布置(嵌套网格)是一种基于点集的对平坦区域Ω的三角剖分，它被定义为：两个节点间的任意附加边都与已存在边之一相交。在图中，直接与R_i相连的节点成为R_i的相邻节点，被定义为集合K_i。狄朗内三角剖分定义了相邻节点间的连接属性，这种属性是通过边界集ε＝{e_{i_j}(t)，i，j＝1，2，…，n，i≠j}所定义。多机器人系统是由连接矩阵所驱动的，连接矩阵A(t)被定义用来标明狄朗内镶嵌式的布置方式的连接性。A(t)是由狄朗内三角剖分唯一定义的方阵。其中，如果R_i和R_j是相邻节点，则A_ij＝e_{i_j}，否则，A_ij＝0。例如，在图2(a)中，机器人R₂有五个相邻节点，图2(b)是图2(a)狄朗内三角剖分的子图，具体表明了R₂和它的相邻节点之间的关系。R_i和它相邻节点的连接属性被定义为向量d(t)＝{e_{i_i1}，e_{i_i2}，…，e_{i_ik}}^T，其中，R_i1，R_i2，…，R_ik是R_i的相邻节点。e_{i_j}＝e_{i_j}∠α_{i_j}不仅定义了两机器人的间距e_{i_j}，还定义了在机器人R_i的局部坐标系下，机器人R_j的方向α_{i_j}。角α_{i_j}如图2(c)所示。

对于一个协作任务，R₂的移动仅被它的相邻节点所影响。考虑到相邻节点的分布式机器人模型描述如下：

$>{\stackrel{.}{q}}_i=f_i(q_i,u_i),u_i=h_i(s_i,q_i,p_{i1},p_{i2},···,p_{\mathrm{ik}})---\left(4\right)$>

其中，s_i是稍候介绍的运动参照量。p_i1，p_i2，…，p_ik是在机器人R_i的局部坐标系∑_i中的相邻节点R₁，R₂，…，R_k∈K_iR的位置。

另外，移动传感网络的优势之一是移动传感器能够通过协作为查询节点产生高质量的监测信息和转播信息。图3(a)展示了这种方式。

移动机器人R₈探测到一物体，并请求在狄朗内三角剖分中定义的相邻机器人R₆R₉和R₁₀来包围这个物体。由四个传感器所获得的信息，需要在传送给查询节点R₁₂之前被融合。假设不止一个传感器能够监测物体，信息被传输到一个传感器节点进行信息融合。图模型提供了一种解决这个问题的完美方案。如果物体在传感器节点的维朗诺伊区域中，那么此物体距这个传感器的距离要比距其它移动传感器更短。这个节点将会索取信息，并将之融合。融合后的数据从源地点到目的节点的传输路径，通过ad-hoc路由协议得到。这项发明包括：1)结合传感器节点的统计模型考虑网络中的传感器融合；2)为了从监测节点到查询节点信息的传输，建立连接属性e_{i_j}的统计模型；3)用以简单形式描述的移动传感网络，实现和测试算法。

三维空间的移动传感网络比二维空间的具有更好的前景。因此，对分布在三维空间的传感器的合作与协调方法进行了讨论。三维空间的移动传感网络包括一组地面小车和一个无人驾驶飞机，或者是由一组地面小车和一些攀爬机器人组成。图3(b)是一个三维空间的无线传感器网络示意图。

2、传感器网络运动学分析

在移动传感器网络运动学关系的建立过程中，机器人的参数q_i在图1(b)所示的局部坐标系中被定义。相邻节点的局部坐标系间的关系是在它们之间共享有用信息的关键。对于每一个机器人来说，局部坐标系都是不同的，正如图1(b)中机器人R_i和R_j所示。每个机器人的传感和数据融合都是关于局部坐标系的。为了在不同机器人间共享有用信息，需要一个变换矩阵。例如，机器人R_j探测到一个物体，其参数使用局部坐标系∑_j中的ξ_s^j(t)来表示的。为了与机器人R_i共享此信息，需要确定两个坐标系∑_i和∑_j之间的关系。

机器人R_i和R_j之间的关系可以通过变换矩阵T_i^j和T_jⁱ来定义，具体来说是通过两机器人间的距离e_{i_j}和它们的相对方位角θ_{i_j}来表示的。相邻节点间能够通信，以便计算它们之间的相对方位。图2(c)中举了一个例子。基于机器人R_i和R_j间的通信，α_{1_2}和α_{2_1}对于两个机器人都是可知的。其中，α_{1_2}是在R₁局部坐标系中R₂的方位；α_{2_1}是在R₂局部坐标系中R₁的方位。两者之间相对方位的计算式为：θ_{1_2}＝α_{1_2}-α_{2_1}+π。通过共享信息，两个机器人都能够计算变换矩阵T_i^j和T_jⁱ，其中

$>T_i^j=\left(\begin{array}{cccc}\cos {\theta }_{i\_j}& -\sin {\theta }_{i\_j}& 0& e_{i\_j}\cos {\alpha }_{i\_j}\\ \sin {\theta }_{i\_j}& \cos {\theta }_{i\_j}& 0& e_{i\_j}\sin {\alpha }_{i\_j}\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right)$>

α_{j_i}是在R_i局部坐标系中R_j的方位。在传感器网络中，通信被认为是一种感知。基于相邻节点间的定位，所得到的变换矩阵T_i^j是全局传感器网络运动学的基石。在每个局部坐标系中，变换矩阵定义了相邻节点之间的关系，以便共享有用的信息。在实际系统中，α_{i_ j}、θ_{i_j}和e_{i_j}分别是具有方差σ_{αi_j}、σ_{θi_j}和σ_{ei_j}的统计变量。从而建立了移动传感器网络运动学关系。

3、分布式自组织技术

一个移动传感网络一定是多机器人系统。在这种多机器人系统中，机器人能够合作完成分布式任务，比如：分布式监测、协作处理。这个系统中，机器人合作的目标之一是：最大化网络的覆盖区域。因此，引入了增量法和势场法。在这项发明中，提出了一种基于势场法和狄朗内三角剖分的分布式自组织算法，包括无约束空间的自组织、基于生物激励的运动规划、障碍物和环境约束下的自组织以及分散、汇聚和容错方法和不完整约束跟踪。

传感器网络中，每个传感器节点的覆盖范围是根据它们的通信范围或监测范围来定义的，如图2(b)所示。定义机器人R_i的通信范围为c_i，监测范围为s_i，且c_i比s_i大，如图2(b)所示。

对于一些传感器节点来说，维朗诺伊区域不是闭合的，如图4中的R₁。可以用一条特殊的线段或弧来封闭这个曲线，如图4所示。如果有一个物体出现在区域内，那么区域的定义要考虑物体的形状。例如：图4中，线段和用来封闭区域V_i。所得的维朗诺伊区域V_i可以被认为是机器人协作系统的普通区域。

在无约束空间的自组织中，对于多机器人系统中的移动机器人R_i来说，性能指标(候选李雅普诺夫函数)定义如下：

$>v_i=\frac{1}{2}\underset{j=1}{\overset{m_i}{\Sigma }}{k}_i{\left(\right|\left|p_{\mathrm{ij}}\right||-d_{i\_j})}^2+\frac{1}{2}{k}_{\mathrm{iv}}{\left|\right|v_i\left|\right|}^2---\left(5\right)$>

其中，$>\left|\right|p_{\mathrm{ij}}\left|\right|=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}$>和d_{i_j}分别是两机器人之间的实际和期望距离。p_ij是在R_i坐标系中，从机器人R_i到机器人R_j的向量。m_i是R_i的相邻节点的总数。k_i和k_iv是虚拟势能和机器人动力学动能的参数。则机器人R_i的控制输入为：

$>u_i=-\frac{\partial V_i}{\partial p_i}-\frac{\partial V_i}{\partial v_i}=-F_i-k_{\mathrm{iv}}{v}_i,$>where$>F_i=\underset{j=1}{\overset{m_i}{\Sigma }}{k}_i\left(\right|\left|p_{i\_j}\right||-d_{i\_j})\frac{p_{i\_j}}{\left|\right|p_{i\_j}\left|\right|}---\left(6\right)$>

F_i＝{F_ix，F_iy}是由相邻节点R_i产生的虚拟势场力。如果除了R_i其它机器人都是静态的，那么容易证明，上面所讨论的控制器是全局收敛的。考虑到多机器人系统是一个整体，根据系统总体的动力学动能和虚拟势场的势能所建立的性能指标可以被描述如下：

$>V=\underset{i=1}{\overset{n}{\Sigma }}{V}_i=\frac{1}{2}\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{m_i}{\Sigma }}{k}_i{\left(\right|\left|p_{\mathrm{ij}}\right||-d_{i\_j})}^2+\frac{1}{2}\underset{i=1}{\overset{n}{\Sigma }}{\left|\right|v_i\left|\right|}^2$>

基于总能量函数V，可以得到多机器人系统的控制输入向量u。在考虑整个系统时，机器人R_i的虚拟势场力定义为：

$>\frac{\partial V}{\partial p_i}=\frac{\partial V_i}{\partial p_i}+\underset{j=1}{\overset{m_i}{\Sigma }}\frac{\partial V_j}{\partial p_i}=\frac{\partial V_i}{\partial p_i}+\underset{j=1}{\overset{m_i}{\Sigma }}{k}_j\left(\right|\left|p_{j\_i}\right||-d_{j\_i})\frac{-p_{j\_i}}{\left|\right|p_{j\_i}\left|\right|}=\frac{\partial V_i}{\partial p_i}+\underset{j=1}{\overset{m_i}{\Sigma }}{k}_i\left(\right|\left|p_{i\_j}\right||-d_{i\_j})\frac{p_{i\_j}}{\left|\right|p_{i\_j}\left|\right|}=2\frac{\partial V_i}{\partial p_i}$>

这里我们假设，k_i＝k_j。当考虑到整个系统时，R_i的控制输入为：

$>u_i=-\frac{\partial V}{\partial p_i}-\frac{\partial V}{\partial v_i}=-\underset{j=1}{\overset{m_i}{\Sigma }}2k_i\left(\right|\left|p_{i\_j}\right||-d_{i\_j})\frac{p_{i\_j}}{\left|\right|p_{i\_j}\left|\right|}+k_{\mathrm{iv}}{v}_i---\left(7\right)$>

因为k_i是控制器增益，所以由控制方程(6)和(7)所标示的机器人R_i的分布式控制器可以认为是相同的。因此，我们可以证明，基于虚拟势场和狄朗内三角剖分方法的多机器人系统的控制是全局收敛的。基于机器人R_i相邻节点的分布式控制导致整个系统全局收敛。

在自整定过程中，狄朗内三角剖分形状的改变是无价值的。一些节点增加了相邻节点，同时一些节点的相邻节点减少了。拓扑事件的发生导致了等式(6)中虚拟势场力的不连续变化，这会导致节点的运动轨迹的不平滑。因此，引入了基于生物激励的运动规划。

在一个动态狄朗内三角剖分中，前述“发生器”的位置随时间变化。直到拓扑事件的发生，随着机器人的运动，三角剖分的形状是连续变化的。对于一个机器人来说，拓扑事件定义为：“发生器”丢失一些节点或是增加了一些新的节点。根据虚拟势场函数的定义，对于一个机器人来说，V_i的连续性取决于它的相邻节点的数量。当它丢失或是增加一些相邻节点时，剧烈的变化就发生了。因此虚拟势场力的连续性也就受到了拓扑事件的影响。在开始的时候，虚拟势场力是非常大的，有可能超出移动机器人的速度限制。为了使运动轨迹平滑，受生物学的启发，分流模型被引入。

起初，这种分流模型是基于薄膜模型发展而来的。它被引入非线性系统控制和移动机器人跟踪控制中。它能够描述对复杂和动态环境实时自适应的行为。在这项发明中，一个基于虚拟势场力F_i＝{F_ix，F_iy}^T的新的参考r_i＝{r_ix，r_iy}^T被定义。新的参考r_i和F_i的分流模型被定义如下：

$>\frac{d{r}_{\mathrm{ix}}}{\mathrm{dt}}=-A{r}_{\mathrm{ix}}+(B-r_{\mathrm{ix}})h_{+}\left(F_{\mathrm{ix}}\right)-(D+r_{\mathrm{ix}})h_{-}\left(F_{\mathrm{ix}}\right)$>

$>\frac{d{r}_{\mathrm{iy}}}{\mathrm{dt}}=-A{r}_{\mathrm{iy}}+(B-r_{\mathrm{iy}})h_{+}\left(F_{\mathrm{iy}}\right)-(D+r_{\mathrm{iy}})h_{-}\left(F_{\mathrm{iy}}\right)---\left(8\right)$>

参数A，B和D分别是被动衰减率、神经系统行为的上限和下限。函数h₊(·)和h_-(·)分别代表了激励输入和抑制输入，它们定义为：h₊(x)＝max(0，x)，h_-(x)＝max(0，-x)。对于任何的激励和抑制输入F_i，基于分流模型的新的虚拟势场力，都被限制在了有界区间-[D，B]中。基于这种新的势场力，等式(6)代表的控制律变化为：

u_i＝-r_i-k_ivv_i                                          (9)

此外，基于粒子群优化方法进行网络的分布式自部署和自组织可以描述为：

网络的自组织布置需要解决的优化问题是：一簇在一定区域随机分布的传感器，如何控制它们在较短的时间内，进行自组织布置，使传感器网络的覆盖范围最大化，且各传感器达到均匀分布。

此外还有一个约束条件，即：要保证在网络进行自组织后，每个节点至少有一个一跳节点与它连通，确保节点间的通信。

下面具体的说明采用粒子群算法进行网络自组织的过程：

当节点较少时，对于一簇传感器，采用以下的方法进行节点的自组织。

①对微粒的假设：由于是在二维平面上进行传感器网络的自组织，所以设x_i＝(x_i1，x_i2，…，x_im)、y_i＝(y_i1，y_i2，…，y_im)i＝1，2，…，n为微粒群中第i个微粒的位置向量。其中，m表示一簇传感器中节点的数量；n表示微粒群的规模，即：微粒群中有n个微粒；x_i和y_i分别表示第i个微粒位置的横坐标和纵坐标。

再设v_xi＝(v_xi1，v_xi2，…，v_xim)v_yi＝(v_yi1，v_yi2，…，v_yim)分别是微粒i沿x和y方向上的速度向量；p_xi＝(p_xi1，p_xi2，…，p_xim)、p_yi＝(p_yi1，p_yi2，…，p_yim)是微粒i在优化过程中所经过的具有最好适应值的位置的横纵坐标；p_xg＝(p_xg1，p_xg2，…，p_xgm)、p_yg＝(p_yg1，p_yg2，…，p_ygm)是整个粒子群搜索到的最优位置的横纵坐标。其中，m、n的含义与上面相同。

②微粒的初始化：由于节点一般围绕簇头进行自组织布置。又因为节点间通信的需要，所以，在微粒初始化时，把节点初始化在以簇头为圆心，以1为半径的圆内。这样的初始化，表示自组织网络中的传感器起初是围绕簇头随机配置的。

③适应度的计算：设各个节点间距离的和为：在所讨论的网络自组织模型中，一簇传感器在某个区域内进行自组织配置，是先由簇头带领该簇移动节点进入此区域，然后围绕簇头在此区域内进行自组织配置，所以簇头一般位于网络的中心，其它传感器作为它的一跳节点。因此，本文所使用的适应度函数为：其中，d_ij是节点i与节点j之间的距离，D_k是除簇头以外的k个节点到簇头的距离，m的含义仍同上。经过变化后，适应度函数表示的是节点到除簇头以外其它节点的距离和，这样取适应度函数，减少了优化目标，能够使网络的自组织更加迅速。

④速度和位置的改进进化方程：

对于第i个微粒的第j维(一簇传感器中的第j个传感器)来说，从第t代进化到第t+1代的位置和速度用下面的进化方程计算：

x_ij(t+1)＝x_ij(t)+η(t)v_xij(t+1)

y_ij(t+1)＝y_ij(t)+η(t)v_yij(t+1)                   (10)

v_xij(t+1)＝ω(t)v_xij(t)+c₁r₁(p_xij(t)-x_ij(t))+c₂r₂(p_xgi(t)-x_ij(t))

v_yij(t+1)＝ω(t)v_yij(t)+c₁r₁(p_yij(t)-y_ij(t))+c₂r₂(p_ygi(t)-y_ij(t))                                 (11)

其中，i＝1，2，…，n，j＝1，2，…，m，ω为惯性权重，c₁，c₂为加速常数，r₁，r₂为[0，1]内均匀分布的随机数。ω、c₂和η是动态调整的，其调整规律分别为：

ω(t)＝ω_max-(ω_min×t/g_max)                      (12)

$>\eta \left(t\right)=\frac{({\eta }_{\max }-{\eta }_{\min })}{1+\exp [\lambda \times (t-g_{\max }/2)]}+{\eta }_{\min }---\left(13\right)$>

$>c_2=\frac{(c_{2\max }-c_{2\min })}{1+\exp [(-\lambda )\times (t-g_{\max }/2)]}+c_{2\min }---\left(14\right)$>

式中，ω_max，ω_min是ω变化的最大值与最小值；η_max，η_min是η变化的最大值与最小值，一般取η_max∈[1.0，1.8]，η_min∈[0.4，0.8]；c_2max，c_2min是c₂变化的最大值与最小值，一般取c_2max∈[1.6，2.0]，c_2min∈[0.6，1.0]；t为寻优代数，g_max为最大迭代次数；λ为常数，一般取λ∈[0.005，0.015]。

⑤约束条件的处理：在通过位置与速度进化方程的计算后，传感器网络中节点的位置可能超过簇头的通信范围，此时应对其按照前面初始化的方法重新初始化。

利用上述的自组织网络模型，并结合粒子群算法，在保证节点间能够通信的前提下，必然能够使网络的覆盖范围最大化，且各传感器能够均匀分布，实现传感器网络的自组织。

当考虑较多节点在一定区域内的自组织问题时，如果适应度函数还按照上面采用的节点间的距离和，随着节点的增加，节点间的连接会以指数增长，所要优化的目标也会增加，算法可能导致网络自组织不够及时。这时需引入辅簇头。

辅簇头是依照前一小节中的方法进行自组织后的一些节点。它是用来作为新的中心，指导其它未配置的传感器进行自组织的。具体方法如下。

首先，应用上述方法，根据给定的围绕主簇头的节点数N，计算出主簇头周围节点的最优位置。并把所有传感器分成数量大致均等的N个子簇；

其次，在N个子簇中，分别选出一个节点作为辅簇头，把其配置到由主簇头计算好的最优位置处，在这一过程中，其所在的子簇跟随其运动到最优位置附近；

再次，各个辅簇头再计算它们周围的最优位置(其中要考虑到已经配置好的节点是不再移动的)；并按照最优位置配置传感器；

如此进行递推，使得整个网络不断展开，直到所有传感器自组织完毕。

对障碍物和环境约束下的自组织，基于虚拟势场方法的狄朗内三角剖分能够将环境约束和动态障碍物因素综合。对于如图5所示的环境，基于机器人的传感信息，附加的连接被加入。附加的连接被用来定义机器人R_i的虚拟能量函数。有着障碍物的系统的能量描述为：

$>V_i=\frac{1}{2}\underset{j=1}{\overset{m_i}{\Sigma }}{k}_{\mathrm{ij}}{\left(\right|\left|p_{\mathrm{ij}}\right||-d_{i\_j})}^2+\frac{1}{2}\underset{l=1}{\overset{m_o}{\Sigma }}{k}_{\mathrm{il}}{\left(\right|\left|p_{i\_l}\right||-d_{i\_l})}^2$>

其中，k_il是一个参数，m_o是机器人R_i监测范围内障碍物的总数量，‖p_{i_l}‖和d_{i_l}分别是机器人与障碍物间的实际距离与期望距离。机器人R_i只考虑它的相邻节点和它监测范围内的障碍物。

随后，我们能够得到节点R_i的虚拟势场力：

$>F_i=\frac{\partial V_i}{\partial p_i}=\underset{j=1}{\overset{m_i}{\Sigma }}{k}_{\mathrm{ij}}\left(\right|\left|p_{i\_j}\right||-d_{i\_j})\frac{p_{i\_j}}{\left|\right|p_{i\_j}\left|\right|}+\underset{j=1}{\overset{m_o}{\Sigma }}{k}_{\mathrm{il}}\left(\right|\left|p_{i\_l}\right||-d_{i\_l})\frac{p_{i\_l}}{\left|\right|p_{i\_l}\left|\right|}---\left(15\right)$>

基于新的势场力，受约束环境下的机器人控制器能够被设计出来。

对于分布式移动传感网络来说，分散和汇聚是两个重要的操作。以等式(6)和等式(9)描述的控制器，能够通过调整两节点之间的期望距离d_{i_j}来解决分散和汇聚的问题。如果移动机器人是稀疏的配置在一个开放的空间中，算法能够使得机器人汇聚，以便覆盖一定的区域。

对于一个多机器人系统，最重要的特性之一是它的冗余性和容错性。

如果一个或多个机器人失效了，其它的机器人能够根据任务的需要，重新配置到它们的位置。

对于由不完整约束移动机器人组成的多机器人系统，不得不修改上述算法，以便满足机器人的不完整约束。基于装备了跟踪控制器的传感器，对不完整约束移动机器人的跟踪控制，可以通过狄朗内三角剖分和虚拟势场方法的结合来实现。对于一个如图1(b)所示的不完整约束机器人，沿机器人X_i′轴的具有一小段距离d的参考点C被指明。后轮的中心与C之间的运动学关系可以描述如下：$>{\stackrel{.}{x}}_{\mathrm{ir}}=v_i\cos \theta -d·w_i\sin \theta ,$>$>{\stackrel{.}{y}}_{\mathrm{ir}}=v_i\sin \theta +d·w_i\cos \theta .$>基于虚拟势场力的不完整机器人的控制输入描述为：$>v_i=(r_{\mathrm{ix}}\cos \theta +r_{\mathrm{iy}}\sin \theta )+({\stackrel{.}{x}}_i^d\cos \theta +{\stackrel{.}{y}}_i^d\sin \theta ),$>$>w_i=\frac{1}{d}[(r_{\mathrm{iy}}\cos \theta -r_{\mathrm{ix}}\sin \theta )+({-\stackrel{.}{x}}_i^d\sin \theta +{\stackrel{.}{y}}_i^d\cos \theta )].$>虚拟势场力r_i沿机器人的X_i′轴和Y_i′轴，

被分解到两个垂直的方向上，如图1(b)所示。一个产生沿X_i′轴的横向位移，另一个产生角位移。在设计中，沿X_i′方向所允许的前向和后向移动是不必要的。

4、传感器节点的编队控制与合作技术

编队控制的目标是要以一种方法协调一组机器人。这种方法是：相对于其它机器人，它们要保持一种给定的编队。一组机器人能够用来执行一项对于一个机器人来说非常困难的任务。对于危险环境下的搜救和军用方面，编队是重要的，能够协作完成一项复杂的任务。不考虑机器人编队多种多样的应用背景，多机器人协调算法的目标是用来合作地完成一项任务。在这项发明中，我们提出为大规模系统的编队控制开发一种分布式算法。分布式控制器是基于模型q_i＝f_i(q_i，u_i)，u_i＝h_i(s_i，q_i，p_i1，p_i2，…，p_ik)的。其中，s_i称为运动参考，它是编队的任务。每个移动机器人的控制器都是任务目标和它局部虚拟势场力的线性组合。这项发明涉及了两种编队控制的方法——异步编队控制和同步编队控制。并基于此，提出了混合编队控制方法。

在机器人编队中，如果仅仅是传感器网络中的某个机器人了解网络的期望运动，并且它不通过通信告知其它机器人，那么我们称这种情况为异步编队控制。有着整个编队期望运动信息的机器人被称为“领导机器人”。如果“领导机器人”根据编队的运动计划改变自己的位置，那么它的相邻机器人也能够通过它们之间相对距离的改变而感知这种运动。

在异步编队控制中尽管编队的形式有时稍有变化，但传感器网络中的机器人都能够跟随“领导机器人”的运动。在每个机器人的局部坐标系下，控制他们的所有运动是不值得的。对于全局坐标系是没有认同的。在异步编队系统中，“领导机器人”的运动是受到监测系统的响应时间和传感器网络中机器人的数量限制的。如果“领导机器人”的速度太大，其它机器人可能会跟不上它的运动，并且编队会受到破坏。

同步编队控制是这样的：传感器网络是一个同步通信的网络，如果一个机器人接收到编队移动计划，网络泛洪协议就被用来把编队计划传输给网络中的其它机器人。对于不同的传感器，把相同的计划分别加以解释是不必要的。s表示为编队的期望路径，则s_i是它在机器人R_i坐标系下的解释。相邻节点R_i和R_j之间信息的共享是通过变换矩阵T_i^j完成的。

同步编队控制不是一种“领导者——追随者”系统。如果“领导机器人”失效，其它任何一个机器人都能够取代它作为“领导机器人”。

对于模型u_i＝h_i(s_i，q_i，p_i1，p_i2，…，p_ik)，如果s_i与虚拟势场力抵触，虚拟势场力会支配运动，这有时会导致机器人的前后移动。为了降低能量的消耗，设计了一种混合式编队控制。如果R_i的运动与编队的计划s不一致，那么另一个的控制器u_i将会被调用。其中每个个体机器人的运动与编队的运动计划都是一致的。混合算法需要传感器节点对运动计划的一致认同。混合编队控制算法的目的是提高网络的智能性。更多复杂的混合编队控制算法被设计。例如，当其它机器人被自由配置的时候，网络中三个相邻机器人能够形成一种特殊的几何图形。

分布式编队控制算法是自整定算法的一种扩展。编队控制算法运用对任务目标s的一致认同，每个移动机器人都根据自己在传感器网络中的位置解释它。这样机器人编队就仅存在编队的变换了。因此，我们提出把移动传感器网络编队定义为“虚拟人”，那么这就意味着编队能够在二维空间中变换和旋转，编队也能够分散和汇聚。把对任务目标一致认同的算法和自整定算法相结合，开发一种分布式算法来对“虚拟人”进行操作。或者开发一种混合编队控制算法。在移动传感器网络中，自整定和编队控制是重要的，但是对于监测任务来说，移动传感器的协作是更加重要的。混合算法会同时考虑传感器协作的需求和覆盖区域，以及实现编队的合并、障碍物的拦截等。

5、移动机器人ad-hoc路由和数据传输协议技术

多机器人系统的协作是由ad-hoc通信网络支持的。监测数据在网络中传播也需要通过通信网络。对于适当的操作和移动传感网络的数据查询来说，对网络的辨识和控制是必需的。在移动传感网络中，每个移动机器人都被配置成路由器。为了在网络中传输监测数据和数据包，对所需ad-hoc路由协议的改进。移动传感网络中数据的传输是不同于一般ad-hoc网络的。例如：图3(a)所示，为了从源节点R₈向目的节点R₁₂传输监测数据，需要寻找一条路径。在一个路由器中，输入的监测数据需要被变换到局部坐标系下，具有下一个路由器所需的局部坐标信息又与输出监测数据绑定。所提出的路由协议是基于分布式狄朗内模型和传感器网络运动学的。

基于传感器网络运动学，可以看出两相邻节点的相对位置是非常重要的。提出了把定位信息集成到无线网络的MAC层和应用层。作为原型，我们计划修改现有的IEEE802.11MAC层，以便使它包含定位信息。这种方法能够克服移动ad-hoc无线网络中隐藏和暴露节点的问题。网络的每个节点都具有定位信息，并且当它试图获得共享通信介质(CTS/RTS数据交换)的访问权时，传播这种定位信息。节点监听到这种信息，并且计算关于发送器与接收器间的相对位置。从定位信息中，希望通信的其它节点都能够知道它的发射是否会干扰已经在通信的节点对。如果节点确定它距其它通信节点足够远，那么它就开始发射。因为关于所有的现有通信连接的定位信息都是知道的，那么动态的调整发送器的能量也就容易了，这种调整有利于使不必要的干扰降到最小。这将会导致：1)因为更多的节点能够使用通信介质，所以增加了信道的通信容量；2)因为降低了功耗，所以延长了节点的生命周期。