0 引　言

在海上交通领域中，船舶舱室内船员的位置估计是保障船舶正常运行、避免发生船舶事故的重要手段^[1]，对航行安全非常重要。目前，无线传感器网络技术广泛应用于各种室内定位领域^[2-3]，而船舶舱室内的环境较为复杂，阻碍了舱室内位置估计的发展，因此，如何提高舱室内位置估计的精度具有重要的意义。

一些学者对此问题进行了研究，张沛朋等^[4]提出基于MCMC的位置估计算法；方省等^[5]提出一种基于高斯混合模型的位置估计算法。但是这2种方法在实际操作时会受到外界因素的干扰，计算结果存在一定的误差。

无线传感器网络具有信号采集和传输的功能，可实现舱室内的监测工作，且传感器的体积较小，利用成本较低。因此，本文提出基于无线传感器网络的舱室内船员位置估计算法设计，以提升船舶在航行过程中的安全性。

1 船舶舱室内船员位置估计算法 1.1 基于无线传感器网络的位置估计架构

基于无线传感器网络的舱室内船员位置估计总体架构如图1所示，通过网关节点进行舱室内的合理规划，建立无线传感器网络，在舱室内船员处放置定位节点，将其自身位置坐标发送给参考节点，参考节点再将信息发送给舱的主机中心，结合以太网设计了舱室内船员位置估计架构。

1）网关节点。具体工作内容是控制舱室内的整个网络并起到协调的作用，依据无线的方式接收和发送数据并构建网络，是信息传输的重要途径。该节点也被称作协调器，是构建舱室内无线传感器网络的重要组成部分。

2）参考节点。具体工作内容是辅助网关节点的工作，并将自身的位置坐标和信号强度发送给定位节点，起到中转网络的作用，也是辅助定位节点进入舱室内网络的桥梁，该节点也被称作路由器。

3）定位节点。该节点也被称作终端节点。该节点集成一些传感器节点，并依据需求设置特别功能。该节点将放置于舱室内船员的身上，可以在参考节点能够测到的区域内进行活动，同时，将该节点的定位请求持续传送给参考节点，当该节点收到参考节点的坐标位置和信号强度时，便可以采用定位算法获取舱室内船员的准确位置。该节点的工作流程如图2所示。

1.2 基于RSSI的测距方法

依据基于无线传感器网络的船舶室内船员位置估计算法架构，通过接收信息强度指示（RSSI）定位算法测量参考节点和定位节点之间的间距，从而进一步完成船舶室内船员位置估计。RSSI的测距原理是依据发送节点的信号强度，接收节点的接收信号强度与信号传输途径损耗模型求出参考节点与定位节点之间的距离，再通过三边定位算法得出定位节点的位置。通常情况下，采用信号衰减模型信道传输损耗模型进行距离计算：

$ PL(d) = PL({d_0}) + 10n\lg \left(\frac{d}{{{d_0}}}\right) + S。$

(1)

式中：PL(d)为船舶室内发送节点和接收节点之间距离为d时的信道路径传输损耗；PL(d₀)为舱室内发送节点和接收节点之间距离为d₀时的信道路径传输损耗；n为信号传输路径损耗系数；S为高斯噪声。

舱室内接收节点的接收信号强度可表达为：

$ RS S I = {P_t} - PL(d) ，$

(2)

其中，P_t为信号发射功率。

结合式（1）和式（2），可以得出：

$ RS S I = {P_t} - RL({d_0}) - 10n\lg \left(\frac{d}{{{d_0}}}\right) - S 。$

(3)

一般情况下，d₀=1，设 $ A = {P_t} - PL({d_0}) $ ，表示接收的信号功率，选取多次测量接收信号强度RSSI的平均值，发送节点和接收节点之间距离d受RSSI值、环境A和n的影响，影响了测距精度。为此，将进一步对RSSI值进行平滑处理。

1.3 基于高斯滤波的RSSI数据平滑预处理

由于在舱室内中，船员走动等因素会影响无线信号，使接收的信号强度指示值不具稳定性。而基于RSSI的位置估计算法，获取RSSI的精准度非常重要，因此，需要对RSSI值进行平滑处理。具体操作为：在舱室内布置参考节点，在其可以发送信号的区域内发送信号，在定位节点处接收信号，对定位节点进行多次的RSSI测量，并取平均值，再将测得的多次RSSI值和平均值进行减法运算，使差值比平均值得到各个比值，将其比值与阈值进行对比，去除失真的RSSI，提升距离估计的准确度。为了进一步提升RSSI数据的准确度，采用高斯滤波的方式将去除失真后的RSSI数据进行处理。若测得的每个RSSI都是独立的，便可以将RSSI作为正态分布，采用高斯滤波便可以获取平滑的RSSI，去除噪声，增强RSSI的精度。设RSSI为正态分布模型，并且符合均值 $ \mu $ 和标准差 $ \sigma $ 的高斯分布，针对任意一个RSSI，测得它的密度函数，获取RSSI的高斯分布之后，再计算RSSI的均值，完成RSSI的平滑处理，为后续实现舱室内船员位置估计提供支持。

1.4 基于三边定位算法的舱室内船员位置估计

三边定位算法是以3个参考节点的位置作为圆心，以1.3节测量得到的参考节点与定位节点的距离为半径，实现3个圆两两相交于一点，该点即为定位节点，如图3所示。

在图4中，a、b、c分别为舱室内3个参考节点，其坐标可表示为 $ ({x}_{a},{y}_{a})、({x}_{b},{y}_{b})、({x}_{c},{y}_{c}) $ ，依据测量的3个参考节点和定位节点Q的距离分别为 $ {d}_{1}、{d}_{2}、{d}_{3}$ ，若定位节点的坐标为 $ (x,y) $ ，则有：

$ \left\{ \begin{gathered} \sqrt {{{(x - {x_a})}^2} + {{(y - {y_a})}^2}} = {d_1} ，\\ \sqrt {{{(x - {x_b})}^2} + {{(y - {y_b})}^2}} = {d_2}，\\ \sqrt {{{(x - {x_c})}^2} + {{(y - {y_c})}^2}} = {d_3}。\\ \end{gathered} \right. $

(4)

依据式（6）求出定位节点的位置坐标，公式为：

$ \begin{split} \left[ \begin{gathered} x \\ y \\ \end{gathered} \right] = &{\left[ \begin{gathered} 2({x_a} - {x_c})\mathop {}\nolimits_{}^{} 2({y_a} - {y_c}) \\ 2({x_b} - {x_c})\mathop {}\nolimits_{}^{} 2({y_b} - {y_c}) \\ \end{gathered} \right]^{ - 1}}\times \\ & \left[ \begin{gathered} x_a^2 - x_c^2 + y_a^2 - y_c^2 + d_3^2 - d_1^2 \\ x_b^2 - x_c^2 + y_b^2 - y_c^2 + d_3^2 - d_2^2 \\ \end{gathered} \right] 。\end{split} $

(5)

由于定位节点放置于舱室内船员的身上，因此，可实现舱室内船员的位置估计。

2 实验结果分析

以某船舶为实验对象，其重量为510 t，长度为58 m，宽度为9 m，深度为4 m。设置6位装有定位节点的船员在舱室内进行移动，将3个参考节点在二维空间内分别放置在坐标为（55 m，3.2 m）、（17 m，8.2 m）以及（36 m，6.8 m）的位置，分别在t₁时刻和t₂时刻估计6位船员的位置，该实验的二维空间节点分布如图4所示，估计结果如表1所示。由图4的船员实际位置和表1的船员位置估计结果可以看出，通过本文设计的舱室内船员位置估计算法对6位船员在不同时刻的位置进行估计，得到的船员位置与船员实际位置完全一致，证明本文算法能够实现舱室内6位船员的精准定位，满足监控人员对舱室内船员的定位需求。

为了验证本文算法的舱室内船员位置的数据处理能力，采用Mtalab软件进行仿真实验。在舱室内定位节点处测量收集RSSI，利用二维空间的节点分布图计算全部定位节点的初始RSSI，再对初始RSSI进行数据处理，将数据处理后的RSSI在二维空间的节点分布图中标记，如图5所示。可以看出，在没有对RSSI处理时，初始RSSI的波动幅度较大，具有较多的严重失真数据。采用本文算法对初始RSSI的严重失真数据进行处理后，可以显著看出，本文算法能够有效去除严重失真的数据，获取的RSSI数据更加平稳，并且提高了RSSI的准确性。

为了进一步验证本文设计的舱室内船员位置估计算法，将文献[4]基于MCMC的目标定位算法和文献[5]基于高斯混合模型的目标定位算法作为本文算法的对比方法，通过对比3种算法的有效距离、穿透力和测距精度，进行舱室内船员位置与传感器的测距，对比结果如表2所示。可以看出，通过文献[4]算法对舱室内船员位置与参考节点之间进行测距，能够计算出的有效距离较短，穿透力较弱，并且测距精度比较低，说明该算法的测距技术较差；相较于文献[4]算法，文献[5]算法对舱室内船员位置与参考节点之间的测距效果有所提升。而采用本文算法进行舱室内船员位置与参考节点之间的测距，能够测得的有效距离较长，具有较高的穿透力，并且提升了测距精度。

3 结　语

本文通过在舱室内和船员身上放置参考节点和定位节点，建立无线传感器网络，并结合RSSI测距算法和三边定位算法实现了舱室内船员位置估计。结果表明，本文设计的舱室内船员位置估计算法能够实现舱室内6位船员的精准定位，能够平滑RSSI数据，提升测距精度，满足管理人员对舱室内船员的定位需求。