用于确定位置数据的方法

本发明涉及一种用于确定网络中的至少一个节点在内部坐标系中的位置数据的方法以及一种用于确定网络中的至少一个节点在全局坐标系中的全局位置数据的方法。

在多种技术系统中有利的是，识别和跟踪以下也称作节点的单个设备的位置。在野外为此例如应用GPS期间，例如在车辆导航时，在建筑物或者在市中心以其它方法来指示。相应的应用或者系统的例子是建筑物内的火警报警传感器、生产设备中的传感器或者执行器、无线传感器网络中的传感器节点或者自组织无线电网中的移动终端设备。此外，如果一些部件或节点构成通信网络并且这些部件或节点无须中央实体(例如本地化服务器(Lokalisierungsserver))就可独立地确定这些部件或节点的位置，则是有利的。最后，此外，如果为了进行位置确定必须以尽可能少的基础设施为前提，即例如仅须提供少量的具有已知位置的锚节点(Ankerknote)，则是有利的。

公知的用于进行位置确定的分散方法的前提是所谓的锚节点，即其位置总是已知的节点。这要求安装花费并且前提是，单个锚节点的位置是兼容的，即锚节点的位置在相同的坐标系中是已知的。

唯一一种不用锚节点也行的公知方法是Capkun等人的“GPS FreePositioning System”  (Swiss Federal Institute of Technology，洛桑)。可是，该方法有以下缺点，即仅仅在二维对该方法进行描述，而且以本地三角测量为依据并因此不完全考虑冗余信息。

本发明所基于的任务在于，提供一种用于确定位置数据的方法，其中公知方法的缺点不会出现。

确定位置数据的任务利用独立权利要求1所述的特征来解决。此外，在从属权利要求中限定了一些优选的实施形式和/或在进一步说明中阐述了这些优选的实施形式。

用于确定包括多个节点的网络中的至少一个节点的位置数据的方法包括以下步骤：

步骤a)：对于多个节点的节点子集提供位置数据，其中，位置数据涉及内部坐标系或相对坐标系，其中，至少一个节点不被包含在该子集中，并且其中，位置数据至少说明该子集的节点在内部坐标系中的相应的(特别是被估计的)位置；

步骤b)：针对至少一个节点确定距离数据，其中该距离数据分别是至少一个节点与子集的相应节点之间的距离的量度；

步骤c)：根据在步骤a)中所提供的子集的节点的位置数据、在步骤b)中所确定的距离数据和至少一个节点的位置数据，确定或者(在重复进行步骤c)时)修正至少一个节点的位置数据，其中，在第一次进行步骤c)时，至少一个节点的位置数据与初始位置数据相对应并且此外与以前通过步骤c)得到的位置数据相对应。

步骤d)：重复步骤a)至c)，直到满足中断准则。

本发明的方面因此是，借助迭代方法来确定至少一个节点的位置数据。这些位置数据特别是以内部坐标或相对坐标说明了至少一个节点的位置数据。在此，在第一迭代步骤中，根据在步骤a)中所提供的子集的节点的位置数据、在步骤b)中所确定的距离数据和初始位置数据来确定至少一个节点的位置数据。初始位置数据例如可被设置为零，可是，任何其它的选择也是可能的。但是，鉴于该方法的实施重要的是，不存在数值问题。出于这个原因，初始位置数据的值不应选择过大。于是，在重复进行步骤a)至c)时，根据在步骤a)中所提供的子集的节点的位置数据、在步骤b)中所确定的距离数据和在先前通过步骤c)所确定的至少一个节点的位置数据来修正至少一个节点的位置数据。

在优选的实施形式中，网络仅仅具有移动节点，这些移动节点的位置不是先验已知的。即，特别是也可将该方法应用在仅仅具有移动节点的网络中。在这种情况下，所确定的位置数据例如可被用于在相对坐标系或内部坐标系中进行导航。

节点的子集有利地具有相对大数目的节点，特别是具有多于三个节点。利用至少四个相邻节点(即节点子集包含至少四个节点)原则上可唯一确定位置。节点子集中的相邻节点的数目或节点的数目与测量方法和环境相关，可对这些节点的间距进行测量。

此外，如果子集的每个节点的位置数据包含以下信息，则是有利的：

-相应节点的位置或者被估计的位置，其中利用根据前述权利要求之一所述的方法来确定被估计的位置，

-针对相应节点的位置或者被估计的位置的不可靠性的量度、特别是相对应的协方差矩阵，和/或

-针对相应节点的移动性的量度。

此外，如果针对相应节点的移动性的量度是扩散常数或移动常数、  当前速度向量的估计和/或被估计的轨道轨迹(Bahntrajektorie)，则是有利的。

例如借助卡尔曼滤波器根据静态位置估计的修正通过间距测量来确定速度向量。接着根据静态位置估计加上修正通过速度向量得到实际的位置估计。

根据一系列相继的静态位置估计和必要时它们的时间间隔来确定轨道轨迹。合适的表达是测量值序列的密度估计，其中被估计的位置根据被估计的最后位置和速度以及测量值序列的期望值得到，或者是递归神经网络，该递归神经网络根据以往的位置来估计将来的位置。

优选的是，根据过去对相应节点的观测(特别是移动的观测)来确定节点移动性的量度。为了确定移动性的量度，例如通过里程表也能直接测量节点的速度。

此外，至少一个节点距子集的节点的距离在步骤b)中有利地借助雷达或者根据无线电信号的衰减来确定。也可能的是，至少一个节点距子集的节点的距离在步骤b)中根据到达时间(Time of Arrival)来确定。在这种情况下，例如借助超声来实现距离的测量。

在这方面应提及，子集的节点可以由至少一个节点借助雷达或者无线电信号联系上的节点构成。即，检查，可借助雷达或者无线电从至少一个节点出发联系上网络中的哪些节点并且这些节点被容纳在该子集中。同时可以确定至少一个节点距这些节点的距离。

该网络尤其是自组织无线电网络。于是，这些节点是移动的终端设备和/或无线电天线杆。在基于位置的服务(Location BasedService)的情况下，例如将静止的接入节点用作参考点或标杆或者锚节点。这对确定全局位置数据尤其是重要的(见下)。

对于网络是自组织无线电网的情况，至少一个节点距子集的节点的距离可以根据跳跃间距(Hop-Distanz)来确定。跳跃间距是最小数目的传输，需要这些传输，以便将数据包从节点A通过位于此间的节点发送到节点B。在此，给每个传输假设通常的传输距离(Uebertragungsstreckc)。由此，接着能够估计节点A与节点B之间的距离。

网络的节点也可以是火警报警传感器、生产设备的传感器或者执行器、空调设备或者建筑物监控设备、或者无线传感器网络的传感器节点。

此外，如果基本上针对网络的所有节点执行该方法并且因此针对基本上所有节点确定位置数据，则是有利的，其中为了确定某个节点的位置数据，针对该某个节点分别确定自己的节点子集，其中自己的子集的节点分别将其位置数据传输给该某个节点，其中，该某个节点确定了距离数据，该距离数据分别描述了该某个节点距自己的子集的节点的距离。

此外，如果至少一个节点的位置数据或者位置被模型化为随机变量并借助该随机变量的期望值来确定，则是有利的。

优选地，至少一个节点的位置借助根据以下迭代计算规则的迭代计算来确定：

${\overrightarrow{\mu }}_{i,t}(k+1)={[{(A_{i,t-1}+D_{i,t-1})}^{-1}+\underset{j}{\Sigma }{\left({\overrightarrow{e}}_{i,j,t}^T\left(k\right)(A_{j,t-1}+D_{j,t-1}+{\sigma }_j^{2}I){\overrightarrow{e}}_{i,j,t}\left(k\right)\right)}^{-1}]}^{-1}\times$

$\times [{(A_{1,t-1}+D_{1,t-1})}^{-1}{\overrightarrow{\mu }}_{1,t-1}+\underset{j}{\Sigma }{\left({\overrightarrow{e}}_{i,j,t}^T\left(k\right)(A_{j,t-1}+D_{j,t-1}+{\sigma }_j^{2}I){\overrightarrow{e}}_{i,j,t}\left(k\right)\right)}^{-1}\times$

$\times ({\overrightarrow{\mu }}_{j,t-1}+{\hat{d}}_{i,j,t}{\overrightarrow{e}}_{i,j,t}\left(k\right))],$

其中

${\overrightarrow{e}}_{i,j,t}\left(k\right)=({\overrightarrow{\mu }}_{i,t}\left(k\right)-{\overrightarrow{\mu }}_{j,t-1}){/|\overrightarrow{\mu }}_{i,t}\left(k\right)-{\overrightarrow{\mu }}_{j,t-1}|,$

-Ax，τ：节点x在时刻τ的协方差矩阵，

-Dx，τ：节点x在时刻τ的扩散常数，

-μx，τ：节点x在时刻τ的位置，

-dx，y，τ：在时刻τ节点x与节点y之间的所测量的间距。

优选地，迭代计算规则的起始值如下来选择：

${\overrightarrow{\mu }}_{i,t}\left(0\right)={\overrightarrow{\mu }}_{i,t-1}·$

如果至少一个节点的位置数据的变化量从最后执行步骤a)至c)以来低于预定的阈值，则有利地满足了中断准则。在此，该阈值应明显地小于间距测量的典型测量精度，为了确定距离数据而执行该间距测量(见上)。

如果两个相继的迭代步骤之间的绝对的位置变化小于预定的值ε，则优选地中断迭代，以致适用：

$|{\overrightarrow{\mu }}_{i,t}(k+1)-{\overrightarrow{\mu }}_{i,t}\left(k\right)|<ϵ.$

优选地，借助以下计算规则来计算协方差矩阵Ai，t：

$A_{i,t}^{-1}\approx {(A_{i,t-1}+D_i)}^{-1}+\underset{j}{\Sigma }{\overrightarrow{e}}_{i,j,t}{\overrightarrow{e}}_{i,j,t}^T{\left({\overrightarrow{e}}_{i,j,t}^T(A_{j,t-1}+D_j+{\sigma }_j^{2}I){\overrightarrow{e}}_{i,j,t}\right)}^{-1},$

其中

沿从节点j向节点i的连接线的方向的单位向量，

σj：对节点j的间距测量的标准偏差，

I：单位矩阵。

优选地，与速度成比例地选择扩散常数Dx，τ，其中节点x以该速度运动。扩散常数越大，则位置估计越强烈地受到间距测量的影响。这例如减小了对移动节点错误地进行位置估计的影响，因为在最初的版本中假设，节点是静止的。如果速度向量被估计，则也适用类似的情况。

此外，如果扩散常数Dx，τ借助以下计算规则来确定，则是有利的：

$D_{i,t}={\left|{\overrightarrow{v}}_{i,t}\mathrm{\Delta t}\right|}^{2}I,$

其中

${\overrightarrow{v}}_{i,t}={\overrightarrow{v}}_{i,t-1}+\kappa (\frac{{\overrightarrow{\xi }}_{i,t}-{\overrightarrow{\xi }}_{i,t-1}}{\mathrm{\Delta t}}-{\overrightarrow{v}}_{i,t-1}),$

κ：平滑因数，

Δt：时刻t-1与t之间的时间间隔

节点x在时刻τ的固有速度，

I：单位矩阵。

鉴于平滑因数κ适于，平滑因数κ越小，则测量噪声的影响就越小。可是，κ越小，则该估计就越迟钝或越缓慢地作出反应。平滑因数κ的合适的值应基本上不大于0.1。

用于确定针对网络中的至少一个节点或者针对网络的所有节点的全局或外部或者绝对位置数据的方法(该网络包括多个节点，其中全局位置数据涉及全局坐标系或外部坐标系)包括以下步骤：根据上面所限定的、针对网络中的至少一个节点和/或针对网络的基本上所有节点的方法来确定相对位置数据，并借助变换根据相对位置数据来确定全局位置数据。

用于确定全局位置数据的方法的方面因此首先是用于确定网络中的至少一个节点的和/或针对网络的基本上所有节点的位置数据的上述方法，以便如此确定网络中的至少一个节点或者网络的基本上所有节点在内部坐标系或相对坐标系的位置数据，并且接着应用一种变换，该变换根据节点在相对坐标系中的位置数据来确定全局位置数据。

如果根据多个位置对借助线性回归方法来确定该变换，则是有利的，其中，位置对在同一时间分别包括节点的根据内部坐标系的位置数据和同样的节点的根据全局坐标系的全局位置数据。与时间有关的变换也可被用作变换。

如果位置对通过锚节点永久地提供使用，则是有利的。如上，网络例如可以是自组织无线电网，并且节点可以是移动终端设备。在这种情况下，锚节点例如可以是接入节点。接入节点例如能够实现接入到另一网络中，例如接入到因特网中。所有固定安装的节点自愿做锚节点，这些固定安装的节点例如网状网络中的路由器、建筑物和设施中的执行器(例如采暖调节器)。

如上面已经提及的那样，这些节点例如也可以是火警报警传感器、生产设备的传感器或者执行器或者无线传感器网络的传感器节点。

如果通过针对相应的节点进行位置测量来确定位置对，则是有利的，其中相应节点的相应全局位置数据借助位置确定设备(特别是GPS位置确定设备)来确定。

此外，如果通过位置测量来确定位置对，则是有利的，其中，移动节点按照(特别是数字的)地图确定该移动节点在不同时刻的全局位置数据，并且如此提供不同的位置对。例如，机器人可以是移动节点，该移动节点根据数字地图确定其全局位置。接着，由机器人所提供的全局位置数据可被用于构成位置对。也可能的是，人按照外部地图确定其全局位置数据。接着，该人的全局位置数据可被用于确定位置对。重要的是，机器人或者人在不同的时刻和/或在不同的位置提供相应的全局位置数据。

优选地，网络的一个或者多个节点的全局位置数据借助以下计算规则来确定：

${\overrightarrow{x}}_{i,t}=M_t{\mu }_{i,t}+{\overrightarrow{b}}_t$

其中

Mt：时刻t的变换矩阵，

时刻t的位移向量，

有利地，变换矩阵Mt借助以下计算规则来确定：

$M_t=\underset{m}{\Sigma }({\hat{\overrightarrow{x}}}_m-<{\hat{\overrightarrow{x}}}_m>){\overrightarrow{\mu }}_m^T{\left(\underset{m}{\Sigma }({\overrightarrow{\mu }}_m-<{\overrightarrow{\mu }}_m>){\overrightarrow{\mu }}_m^T\right)}^{-1},$

其中

全局位置向量，

位置对的所有全局位置向量的平均值，

位置对的所有相对位置向量的平均值。

此外，如果位移向量借助以下计算规则来确定，则是有利的：

${\overrightarrow{b}}_t=<{\hat{\overrightarrow{x}}}_m>-M_t<{\overrightarrow{\mu }}_m>.$

此外，如果确定至少四个位置对，则是有利的。原则上，可以确定任意多个位置对。可是，如果位置对的数目尽可能小，则是有利的，因为确定越多的位置对，配置花费或者提供基础设施的费用就越大。

以下实施形式可能有助于理解本发明：

所说明的方法以两步法来解决定位问题。例如利用雷达，通过无线电信号的衰减或者在多次跳接无线电网中简单地通过跳跃间距，单个节点(设备)可以测量距相邻节点的直至某个最大间距的间距。此外，节点与其相邻节点交换其当前被估计的位置。另外，还可以交换位置估计的不可靠性的量度(协方差矩阵)和节点移动性的量度。节点移动性的量度可以是一类移动常数(扩散常数)或者是当前速度向量的估计或者是被估计的轨道轨迹，该轨道轨迹可以从过去的观测中学到(例如作为序列对(位置，时间差))。根据当前距相邻节点的间距测量和相邻节点在相应间距测量的时刻的被估计的位置，每个节点确定其自己的位置的修正、相对应的不可靠性的修正和必要时其移动常数的修正或者其速度向量的修正或者其被估计的轨迹的修正。该节点将被改变的值通知给其相邻节点。以这样的方式在网络中构造与间距测量相兼容的坐标系。为了使该内部坐标系或相对坐标系与外部地图同步，学会了这两个坐标系之间的变换。该变换通常可以包含平移、旋转、镜像和按比例缩放。变换的参数利用线性回归方法根据一系列相应内部(相对)和外部(全局/绝对)坐标的位置数据来确定。如在其它方法中那样，这些位置数据可以通过锚点永久地提供使用。但是，可替换地，如果没有太多节点是移动的，或如果节点充分好地预测其轨迹，则对唯一移动节点进行多次独立的位置测量就足够了。在这种情况下，该定位也可以在较长的时间上无须对该变换重新进行再训练(Nachtraining)就保持正确。该变换可以被分布在网络中并且如此可供其它用户使用。

除了距相邻节点的间距的测量值之外，在最简单的情况下，该方法还只必需被估计的相邻节点的位置，由这些相邻节点传送被估计的位置。该方法非常快速地收敛到网络中的与间距测量兼容的内部坐标系。只要由此使得节点的邻居的数目没有变得过小或者分割网络，该方法相对单个节点故障就是稳定的。通过估计出速度向量并且首先通过预测轨迹，可明显地减少间距测量的频率；在没有外部电源的自主传感器网络中，因此可以明显地减小数据通信量和能耗并且因此明显地提高传感器网络的使用寿命。与外部地图的同步可以通过仅仅一个移动节点来实现；这可以是具有相应设备的人或者机器人，该人/机器人也可以(例如通过点击数字地图上的点或者通过导航系统)确定其在外部地图上的位置。

本发明的其它特征和实施形式可从以下参照附图对优选实施形式的说明中看出。其中：

图1-7示出了对用于确定内部坐标系中的位置数据的方法和用于确定全局位置数据的方法进行仿真的结果，以及

图8示出了具有节点的网络的例子。

图8示出了具有节点K1、...、Kn的网络N。为了确定网络N中的至少一个节点(在此为节点K1)的位置数据，在步骤a)中首先提供节点K1、...、Kn的子集U(即节点K3、...、K6)的位置数据。即节点K3、K4、K5和K6将它们的位置数据传输给节点K1。如果没有其它说明，则位置数据总是指内部坐标系或相对坐标系的位置数据。

该网络例如可以是自组织无线电网。在这种情况下，节点是移动终端设备。但是，这些节点也可以是火警报警传感器、生成设备的传感器或者执行器或者无线传感器网络的传感器节点。

在接下来的步骤b)中，节点K1借助雷达确定了距离数据D1-3、D1-4、D1-5和D1-6(下面简写为D1-3、...、D1-6)。距离数据D1-3、...、D1-6分别是节点K1与子集U的节点(即节点K3、K4、K5和K6)之间的距离的量度。

在接下来的步骤c)中，节点K1确定其位置数据或修正该位置数据。在此，应用在步骤a)中所提供的、子集U的节点K3、...、K6的位置数据，应用在步骤b)中所确定的距离数据D1-3、...、D1-6和先前通过步骤c)得到的节点K1的位置数据。

接着，如此长地重复步骤a)至c)，直至满足中断准则。

该方法可以相继地或者交替地针对网络N的每个节点K1、...、Kn来执行。因此，针对网络N的每个节点K1、...、Kn确定内部坐标系或相对坐标系中的位置数据。

接着借助变换将该位置数据换算成全局位置数据。这能够实现将内部坐标系映射到全局坐标系上，例如用于将节点K1、...、Kn映射到地图上。

对于用于确定相对坐标系中和全局坐标系中的位置数据的方法，不必要永久可供使用的锚节点。仅仅必须执行本地的节点间的间距测量并且交换所测量的距离。因此，可以确定相对坐标系中的位置数据。接着，绝对位置的少数几个输入就足够实现到绝对坐标系中的变换。为了进一步提高该方法的性能，节点的移动性被包含在计算中。

以下，首先说明用于根据相对坐标系来确定位置数据的方法，该方法特别是以本地的节点间的间距测量为基础，即以用于确定相应两个节点的间隔的本地测量为基础。两个节点之间的间隔以下也可以利用节点间间隔来表示。

以下，表示在时刻t的节点i与j之间的间隔，该间隔例如借助雷达、无线电信号的接收功率或者在自组织无线电网络的情况下借助跳跃间距来确定。在此，t是离散的时间下标，表示节点i在时刻t在相对坐标系(即网络固有的坐标系)中的坐标向量。是随机变量。的静态期望值用表示。本方法的目标是以相对坐标来确定即在该实施形式中，是相对坐标系中的待确定的位置数据。

可以被确定，其方式是最大似然准则被应用到有条件的概率上。在此，${\hat{d}}^{(t-1)}=\left\{\right\{{\hat{d}}_{i,j,t-1}\},...,\{{\hat{d}}_{i,j,1}\left\}\right\}$表示用于确定所有可能的节点对之间的节点间距离的所有距离测量的历史或经历。在针对有条件的概率应用贝叶斯公式的情况下，上述有条件的概率如下被说明：

$P\left({\overrightarrow{\xi }}_{i,t}\right|\left[{\hat{d}}_{i,j,t}\right],{\hat{d}}^{(t-1)})=\mathrm{cP}\left(\right\{{\hat{d}}_{i,j,t}\left\}\right|{\overrightarrow{\xi }}_{i,t},{\hat{d}}^{(t-1)})P\left({\overrightarrow{\xi }}_{i,t}\right|{\hat{d}}^{(t-1)}),---\left(1\right)$

其中c是标准化常数。

在等式(1)中，项对应于通过当前测量进行的修正，而项对应于节点i的被估计的位置或被估计的位置数据的预测，其中仅仅考虑过去的距离测量。

现在采用下面的假设：

(i)假设，$P\left({\overrightarrow{\xi }}_{i,t}\right|\left\{{\hat{d}}_{i,j,t}\right\},{\hat{d}}^{(t-1)})=N\left({\overrightarrow{\xi }}_{i,t}\right|{\overrightarrow{\mu }}_{i,t},A_{i,t})$是具有平均值和协方差矩阵Ai，t的正态分布。

(ii)节点的移动性被模型化为根据蒙特卡罗方法的随机过程或被模型化为随机游走过程(英语为：random walk process)，其中，随机游走过程通过具有移动协方差或移动协方差矩阵Di，t的正态分布的跃迁概率来模型化。

(iii)假设，节点i与其所有相邻节点{j}(即子集的节点)之间的距离测量相互静态独立且正态分布。由于对于相邻节点的新位置期望延迟的信息，所以这些正态分布的平均值等于其中，该分布的协方差是节点j的过去的位置的协方差矩阵、其移动协方差或移动协方差矩阵以及距离测量的误差的总和，这些量分别被投影到连接节点i和j的连接线上。“投影”意味着，协方差矩阵被投影到由连接向量所撑开的线上。

(iv)对于有条件的概率(以下也称作以过去为条件的(vergangenheitsbedingt)概率(见上))同样假设正态分布。在此，以过去为条件的概率的平均值与的先前的期望值相对应。在假设(i)和(ii)一致的情况下，相对应的协方差矩阵是Ai，t-1与移动协方差Di，t的总和。

利用所述假设得到：

$\begin{array}{c}N\left({\overrightarrow{\xi }}_{i,t}\right|{\overrightarrow{\mu }}_{i,t},A_{i,t})=\underset{j}{\Pi }N\left({\hat{d}}_{i,j,t}I\right|{\overrightarrow{\xi }}_{i,t}-{\overrightarrow{\mu }}_{j,t-1}\left|{\overrightarrow{e}}_{i,j,t}^T(A_{j,t-1}+D_{j,t-1}+{\sigma }_j^{2}I){\overrightarrow{e}}_{i,j,t}\right)\times \\ \times N\left({\overrightarrow{\xi }}_{i,t}\right|{\overrightarrow{\mu }}_{i,t-1},A_{i,t-1}+D_{i,t-1}),\end{array},---\left(2\right)$

其中

I：三维单位矩阵，

沿从节点j向节点i的连接线的方向的单位向量。

对于单位向量适用：

${\overrightarrow{e}}_{i,j,t}=({\overrightarrow{\mu }}_{i,t}-{\overrightarrow{\mu }}_{j,t-1})/|{\overrightarrow{\mu }}_{i,j}-{\overrightarrow{\mu }}_{j,t-1}|.---\left(3\right)$

最大似然准则导致

${▿}_{{\overrightarrow{\xi }}_{i,t}}P{\left({\overrightarrow{\xi }}_{i,t}\right|\left\{{\hat{d}}_{i,j,t}\right\})|}_{{\overrightarrow{\mu }}_{i,t}}=0.---\left(\text{4}\right)$

由等式(1)、(2)、(3)和(4)得到：

$\underset{j}{\Sigma }({\hat{d}}_{i,j,t}-{|\overrightarrow{\mu }}_{i,t}-{\overrightarrow{\mu }}_{j,t-1}|){\overrightarrow{e}}_{i,j,t}{\left({\overrightarrow{e}}_{i,j,t}^T(A_{j,t-1}+D_{j,t-1}+{\sigma }_j^{2}I){\overrightarrow{e}}_{i,j,t}\right)}^{-1}\approx 0.---\left(5\right)$

可以迭代地求解等式(5)。在此，具有以下迭代计算规则的迭代计算是特别有利的：

${\overrightarrow{\mu }}_{i,t}(k+1){[{(A_{i,t-1}+D_{i,t-1})}^{-1}+\underset{j}{\Sigma }{\left({\overrightarrow{e}}_{i,j,t}^T\left(k\right)(A_{j,t-1}+D_{j,t-1}+{\sigma }_j^{2}I){\overrightarrow{e}}_{i,j,t}\left(k\right)\right)}^{-1}]}^{-1}\times$

$\times [{(A_{i,t-1}+D_{i,t-1})}^{-1}{\overrightarrow{\mu }}_{i,t-1}+\underset{j}{\Sigma }{\left({\overrightarrow{e}}_{i,j,t}^T\left(k\right)(A_{j,t-1}+D_{j,t-1}+{\sigma }_j^{2}I){\overrightarrow{e}}_{i,j,t}\left(k\right)\right)}^{-1}\times$

$\times ({\overrightarrow{\mu }}_{i,t-1}+{\hat{d}}_{i,j,t}{\overrightarrow{e}}_{i,j,t}\left(k\right))],---\left(6\right)$

其中

${\overrightarrow{e}}_{i,j,t}\left(k\right)=({\overrightarrow{\mu }}_{i,t}\left(k\right)-{\overrightarrow{\mu }}_{j,t-1})/|{\overrightarrow{\mu }}_{i,t}\left(k\right)-{\overrightarrow{\mu }}_{j,t-1}|.---\left(7\right)$

迭代计算可以估计前一时间步(Zeitschritt)的位置来开始：

${\overrightarrow{\mu }}_{i,t}\left(0\right)={\overrightarrow{\mu }}_{i,t-1}.---\left(8\right)$

如果接下来的迭代步骤的绝对的位置变化低于某个阈值，则中断迭代计算：

$|{\overrightarrow{\mu }}_{i,t}(k+1)-{\overrightarrow{\mu }}_{i,t}\left(k\right)|<ϵ.---\left(9\right)$

在迭代计算开始时，相对位置估计完全是十分不准确的。在该阶段，鉴于位置估计的高精度，不必要进行收敛；因而，并且为了限制处理时间，确定了针对迭代步骤的数目的严格的上极限值。例如，100个迭代步骤可以被确定为严格的上极限值。在位置估计改善之后，该极限值失去了其重大意义，因为从来没有达到该极限值。于是，少数几个迭代步骤就已经足够了。

与上述类似地，协方差Ai，t可被确定为：

${{▿}^2}_{{\overrightarrow{\xi }}_{,t}}P{\left({\overrightarrow{\xi }}_{i,t}\right|\left\{{\hat{d}}_{i,j,t}\right\})|}_{{\overrightarrow{\mu }}_{i,t}}=-A_{i,t}^{-1}.---\left(10\right)$

因此，对于Ai，t的更新得到以下更新等式：

$A_{i,t}^{-1}\approx {(A_{i,t-1}+D_i)}^{-1}+\underset{j}{\Sigma }{\overrightarrow{e}}_{i,j,t}{\overrightarrow{e}}_{i,j,t}^T{\left({\overrightarrow{e}}_{i,j,t}^T(A_{j,t-1}+D_j+{\sigma }_j^{2}I){\overrightarrow{e}}_{i,j,t}\right)}^{-1}.---\left(11\right)$

等式(6)和等式(11)(以下也被称为第一更新等式和第二更新等式)能够实现节点i的共同的相对位置确定或位置估计。随机选择${\overrightarrow{\mu }}_{i,t}=0$的起始值，并且足够大地选择Ai，t＝0的起始值，以致所属的分布覆盖节点配置的所期望的区域。通常，了解所期望的区域或节点位于其中的分布区。该分布区的伸展可被用作协方差矩阵A的起始值。

绝对位置估计

对于多种实际应用，绝对必要的是，了解节点在某个常规的绝对坐标系中的坐标。在此，以节点在相对坐标系中的相对坐标为前提。如果此外已知了唯一节点的绝对坐标，则能确定相对坐标系到绝对坐标系的变换。以下说明用于确定全局位置数据的方法的实施形式。

以下等式说明了相对坐标到绝对坐标的一般变换：

${\overrightarrow{x}}_{i,t}={\text{M}}_t{\overrightarrow{\mu }}_{i,t}+{\overrightarrow{b}}_t,---\left(13\right)$

其中

Mt：时刻t的变换矩阵，

位移向量。

该变换是全局的并且对于所有节点有效。但是，变换随时间的变化通常是可能的。如果例如借助GPS位置确定从外部来提供绝对位置并且已知相应的相对位置则如下可确定变换为了确定变换使以下二次幂的误差函数最小化：

$E_t=\underset{m}{\Sigma }{({\hat{\overrightarrow{x}}}_m-M_t{\overrightarrow{\mu }}_m-{\overrightarrow{b}}_t)}^2---\left(14\right)$

最好的变换对应于Et最小值。必要条件是：

${▿}_{M_t}{E}_t=0,---\left(15\right)$

${▿}_{{\overrightarrow{b}}_t}{E}_t=0.---\left(16\right)$

等式(15)和等式(16)的解与误差函数(14)一起得到：

$M_t=\underset{m}{\Sigma }({\hat{\overrightarrow{x}}}_m-<{\hat{\overrightarrow{x}}}_m>){\overrightarrow{\mu }}_m^T{\left(\underset{m}{\Sigma }({\overrightarrow{\mu }}_m-<{\overrightarrow{\mu }}_m>){\overrightarrow{\mu }}_m^T\right)}^{-1},---\left(17\right)$

${\overrightarrow{b}}_t=<{\hat{\overrightarrow{x}}}_m>-M_t<{\overrightarrow{\mu }}_m>,---\left(18\right)$

其中，尖括号分别表示平均值。等式(17)和(18)确定所期望的变换。为了唯一求解该方程组，必需至少四个线性独立的绝对位置如果该变换缓慢地变化，则仅须极少重新计算该变换。如果该变换近似静止，则可以确定在不同时刻的绝对位置这也可以对单个移动的节点进行绝对位置测量或位置确定。即，如果仅针对单个移动的节点确定不同时刻的绝对位置，则是足够的。在使该变换稳定时，有助于考虑以下说明的节点速度。

通过考虑节点移动性进行改善

在最简单的情况下，对于缓慢移动的节点可相对小地选择移动协方差矩阵Di，t，而对于快速移动的节点可相对大地选择移动协方差矩阵Di，t。该方法具有两个正面效应。首先，相对坐标估计变得更准确。第二，相对坐标系到绝对坐标系的变换变得更稳定。至少如果没有太多节点是移动，则这是适用的。

为了考虑节点移动性，引入下列固有的节点速度

${\overrightarrow{v}}_{i,t}={\overrightarrow{v}}_{i,t-1}+\kappa (\frac{{\overrightarrow{\xi }}_{i,t}-{\overrightarrow{\xi }}_{i,t-1}}{\mathrm{\Delta t}}-{\overrightarrow{v}}_{i,t-1}),---\left(19\right)$

其中

κ：平滑因数

Δt：时间步。

等式(19)说明了所针对的运动的速度，其中由于位置估计中的误差造成的波动不被考虑。协方差矩阵Di，t的对角线中的分量被设置等于距离的平方，其中所述距离为沿相应方向在时间步Δt中经过的距离：

$D_{i,t}={\left|{\overrightarrow{v}}_{i,t}\mathrm{\Delta t}\right|}^{2}I.---\left(20\right)$

根据仿真，在考虑节点移动性的情况下证明了用于进行位置确定的方法的优越性。

仿真结果

按照下列实际场景来应用用于确定位置数据的方法或用于进行位置确定的方法。参照图1，在20×20×3m大的空间，随机布置25个节点。对于每个节点，现在确定距其相邻节点的距离，并且对于每个节点，每隔0.2s更新相对位置。节点问距离和距参考节点的绝对位置是不准确的。在这两种情况下，误差是正态分布。节点间距离(即节点之间的距离)的误差的标准偏差被确定到0.3m，并且距参考节点的绝对位置的误差被确定到0.5m。

仿真时的目标是：

1.以输入仅仅针对最小可能数目的节点的绝对位置为前提，以及

2.将相应节点的这些输入的数目保持尽可能小。

因此，选择以下方法。仅仅第一节点是移动的节点并且可借助位置测量或位置确定来确定其绝对位置，其中应用所测量的绝对位置，以便确定相对坐标到绝对坐标的变换。所有其它节点是静止的。第一节点以1m/s的恒定的速度向其它节点中的每个节点运动。该节点在一节点上停留10s，执行绝对的位置测量并且向下一个节点运动。第一节点的该运动方案不是前提，可是很有效。仿真与240s的实时相对应。

应用以下仿真参数：

σ＝0.3m(参见等式(6)和等式(11))，

ε＝0.02m(参见等式(9))，

κ＝0.1(参见等式(19))。

该仿真已表明，可以在上面所说明的复杂的条件下应用用于确定位置数据的方法或用于确定全局位置数据的方法。为了评价相对位置数据的确定，检查节点间距离的平均误差，该节点间距离的平均误差被定义为所测量的节点间距离与被估计的位置的相应计算的距离之间的平均差。图2中的节点间距离的平均误差的动态特性分析表明，用于确定相对位置数据的方法(即用于确定位置数据的方法)是很有效的。该方法实现了，平均误差在仅仅1.2s的时间内低于0.4m或者在六次共同交换的位置估计之后低于0.4m。

在仅具有距参考节点的绝对或全局位置的20个输入的420s实时之后，定位的平均误差为0.52m，如在图1和3中能看到的那样。值得注意的是，定位时的最大误差近似平均误差，参见图3。图4示出，第一节点的移动性被良好地识别。如果利用该方法已确定了节点的令人满意的良好的节点配置或良好的布置，则速度的估计在100s之后相对准确。图5示出，如果用于确定相对坐标系到绝对坐标系的变换的距参考节点的绝对位置的数目已达到八个，则该变换变得稳定。

用于确定位置数据的方法或用于确定绝对位置数据的方法也根据节点的不同的空间布置来测试。图6示出了根据距参考节点的绝对位置的数目的绝对位置确定的平均误差。以统计学方法覆盖了10个不同的节点布置或节点配置。在此应注意的是，第四次位置测量时的误差下降最剧烈。这精确地与距参考节点的四个绝对位置或全局位置的理论要求相对应，以便唯一地确定该变换。已利用10次位置测量而使定位的平均误差降到1m。其它10次测量将该误差减小直到大约0.5m。该值与节点间距离的所选择的误差和距参考节点的绝对位置的误差的数量级相同的数量级相对应。应该指出，位置测量的次数或测量的次数意味着，以相对坐标和绝对坐标来确定相对应的位置对。

针对以下情况也确定了该方法的稳定性，即在建立阶段(Setup-Phase)之后没有确定绝对的位置测量，即在建立阶段之后不再确定全局的位置数据。在第一200s中仅仅执行10次绝对位置测量。接着对自由系统的动态特性仿真15分钟。图7中的结果表明，用于确定位置数据的方法此外还提供了良好的位置估计而在精度上没有值得注意的下降。

已执行其它仿真，以便在不同的仿真场景中对该方法的性能进行检验。仿真场景包括另外的移动节点、偶然移动的节点和不同节点的绝对位置测量。在此，检验测量节点间距离时的误差的效应和绝对位置测量的误差的效应。在仿真时已表明，对不同的仿真场景可以成功地应用该方法。

总之，对于具有移动节点的实际的和复杂的场景可以成功地应用用于确定位置数据的方法或用于确定全局位置数据的方法，该移动节点偶尔确定其绝对位置。对于复杂的仿真场景可能不能成功地应用公知的方法。根据本发明的方法的大优点是，不必有永久可供使用的锚节点或路标。

以下再一次总结了，图1至7示出了哪些仿真结果：

图1示出了在420s的仿真时间之后的准确的节点位置(用三角形表示)的布置和节点的被估计的位置(用点表示)。

图2涉及相对坐标系并且示出了节点间距离的平均误差的动态特性。

图3涉及外部坐标系或全局坐标系并且示出平均定位误差的动态特性以及最大和最小定位误差，平均定位误差用粗线表示，最大和最小定位误差分别用细线表示。

图4示出了被估计的节点速度。上部断断续续的曲线与第一移动节点相对应；在其下方的曲线与其它节点相对应。

图5示出了相对坐标系到绝对坐标系的被估计的变换，其中应用了数量变得更大的、距参考节点的绝对位置(即上升数目的绝对参考位置或相对和绝对坐标的坐标对。图5a示出了变换矩阵Mt的分量，图5b示出了位移向量的分量。

图6示出了根据距参考节点的绝对位置的数目或位置对的数目的绝对定位的误差。位置对的数目与所测量的位置的数目相对应，所测量的位置不仅在相对坐标而且在绝对坐标中是已知的。图6中的路标示出了标准偏差。统计数字覆盖了10个不同的节点布置。

图7示出了平均定位误差(粗线)的自由动态特性、以及最大和最小定位误差(上方的和下方的细线)。在此，在第一200s中执行了10次用于确定绝对位置的测量。