在無線感測網路一種用來追蹤物件有效率的位置預測方法

行政院國家科學委員會補助專題研究計畫

□ 成 果 報 告

■期中進度報告

在無線感測網路一種用來追蹤物件有效率的位置預測方法

計畫類別：

■

個別型計畫 □ 整合型計畫

計畫編號：NSC 98-2218-E-151-007-MY2

執行期間： 98 年 11 月 1 日至 99 年 7 月 31 日

計畫主持人：劉炳宏 助理教授

計畫參與人員： 侯柏宇、周達均

成果報告類型(依經費核定清單規定繳交)：

■

精簡報告 □完整報告

本成果報告包括以下應繳交之附件：

□赴國外出差或研習心得報告一份

□赴大陸地區出差或研習心得報告一份

□出席國際學術會議心得報告及發表之論文各一份

□國際合作研究計畫國外研究報告書一份

處理方式：除產學合作研究計畫、提升產業技術及人才培育研究計畫、

列管計畫及下列情形者外，得立即公開查詢

□涉及專利或其他智慧財產權，□一年□二年後可公開查詢

執行單位： 國立高雄應用科技大學電子工程系

中 華 民 國 99 年 5 月 10 日

行政院國家科學委員會專題研究計畫期中進度報告

在無線感測網路一種用來追蹤物件有效率的位置預測方法 (1/2)

Message-Efficient Location Prediction Method for Object

Tracking in Wireless Sensor Networks

計畫編號：NSC 98-2218-E-151-007-MY2

執行期限：98 年 11 月 1 日至 99 年 7 月 31 日

計畫主持人：劉炳宏 國立高雄應用科技大學電子工程系

一、中文摘要 在此計畫中，我們致力於開發一個適 用在無線感測網路有效率的位置預測方 法—高斯-馬可夫參數估計法，此估計法將 被設計以較少的訊息通信費用需求來估計 高斯-馬可夫參數。在本年度計畫中，我們 建置了無線感測網路追蹤系統之模擬器， 並使用最大似然法(Maximum Likelihood） 來推導並設計一個估計高斯-馬可夫參數 的遞迴式方法，最後整合模擬器進行相關 方法效能分析評估研究。 關鍵詞：無線感測網路，高斯-馬可夫移 動模型，高斯-馬可夫參數估計，物件追 蹤，有效率位置預測。 Abstract

In this project, we aim to develop a message-efficient location prediction method, a Gauss-Markov parameter estimator, for wireless sensor networks. This method will be designed to estimate Gauss-Markov parameters with few requirements in terms of message communication overhead. In the first year, we developed the simulator for

likelihood method is used to estimate the Gauss-Markov parameters, which is designed to be a recursive function. Finally, the performance evaluation is made by using our simulator to compare our proposed method with other methods.

Keywords: Wireless sensor network, Gauss-Markov mobility model, Gauss-Markov parameter estimation, object tracking, message-efficient location prediction. 二、緣由與目的 在無線感測網路中，感測器通常處於 睡眠狀態，以便減少能量消耗，進而延長 網路壽命。無線感測網路中的物件追蹤系 統通常由三個要素組合而成：1) 監控機制 （Monitoring Mechanism），2) 預測模型 （Prediction Model），以及 3) 恢復機制 （Recovery Mechanism）[2][5][6]。監控機 制負責喚醒指定的感測器以便監控以及收 集移動物件的位置資訊。一旦此物件遠離 這些被喚醒的感測器時，其中的一個主要 感測器將會使用預測模型去預測此物件的 下一個位置，並喚醒適當的感測器，以便

如預測失敗以致於無法追蹤此物件時，恢 復機制則會喚醒額外的感測器以便重新獲 得此物件的位置。由此可知，一個較好的 預測模型可以讓較少的感測器被喚醒，因 此可以較有效地減少能量消耗。 在現行的研究中，很多預測物件軌道 的方法已經被提出來。在[4]、[9]、以及[7] 中 分 別 使 用 了 Kalman filters 、 extended Kalman filters 以及 sequential Monte Carlo filters 去預測物件軌道。然而這些方法都需 要儲存大量的參數，包括所測量到的物件 位置、速度、以及加速度等，以便用來預 測物件的下一個位置。由此可知，如果這 些方法被用在無線感測網路的追蹤系統上 時，大量參數（訊息)會在主要感測器間做 傳遞並導致大量的能量消耗，因此不適合 在追蹤系統上使用。此外，在[6]中提出了 幾個只需消耗少量訊息傳遞的方法，分別 是 instant prediction model 、 average prediction model、以及 exponential average prediction model，雖然這些方法在追蹤系統 中只需要使用極少訊息傳遞，這些方法在 較複雜的移動模型（Mobility Model)下較 難有好的預測結果。

在本研究計畫中，我們發現高斯-馬可 夫移動模組（Gauss-Markov Mobility Model) 是描述物件軌道最好的移動模組之一，此 移動模組除了可以獲得在各時間點物件速 度的相關性外，它還可以利用不同的高斯-馬可夫參數，去複製由其他普遍使用的移 動模組所產生出來的物件移動樣本，如 random walk mobility model 、 fluid flow mobility model 、 以 及 random waypoint mobility model 等[1][3][8]，由此可知，估 計高斯-馬可夫參數對於能否正確地預測 物件軌道而言是相當重要的。在[1]及在 [3][8] 中 分 別 利 用 了 遞 迴 最 小 平 方 法 （recursive least square estimation)及自相 關算法（autocorrelation technique)來估計高 斯-馬可夫參數，然而這些方法皆需要物件 的大量歷史移動資訊，因此需要相當大的 訊息通信費用，對功率敏感的無線網路而 言是相當大的負擔，由此可知，這些方法 皆不適合在無線感測網路中用來估計高斯 -馬可夫參數。就我們現今所了解到的知識 而言，尚未有人提出僅需較少訊息通信費 用而能在無線感測網路中用來精確估計高 斯-馬可夫參數的方法，因此，本計畫期望 能研究出適用在無線感測網路中有效率的 位置預測方法—僅需較少訊息通信費用並 精確估計高斯-馬可夫參數的方法，以期能 大幅減少無線感測網路中物件追蹤所需消 耗的能量。 本年度計畫主要任務為建置無線感測 網路追蹤系統之模擬器，以及提出有效率 的位置預測方法—僅需較少訊息通信費用 並精確估計高斯-馬可夫參數的方法。本計 畫預定參照現有的研究，以便完成追蹤系 統模擬器之建置與設定。此外，本計畫利 用物件歷史移動軌道的相關性，設計出一 個精準估計高斯-馬可夫參數的遞迴式方 法，以便減少大量訊息通信費用，並透過 模擬器的實驗來比較各方法間的差異程 度。 三、研究方法 本年度無線感測網路追蹤系統之模擬 器的建置與設定，包括建立無線感測網路 佈置模型、物件移動模型、監控機制、預 測模型、恢復機制、誤差估計模型、訊息 通信費用暨能量消耗計算模型等。模擬器 所需開發模組的細部介紹如下： 1. 無線感測網路佈置： 我 們 佈 置 無 線 感 測 網 路 的 方 法 有 三 種，分別為 1) 將感測器放置在邊長為 A ( A 為實驗參數)的六邊形區域中心部位，如圖 一(a)，2) 將感測器放置在邊長為 A 的正方 形區域中心部位，如圖一(b)，以及 3) 將感 測器隨意放置在邊長為A 的正方形區域 內，如圖一(c)。 2. 物件移動模型：

在我們的實驗中，我們以高斯-馬可夫 移動模組為主，在高斯-馬可夫移動模 組中，n個高斯-馬可夫方程式被用來 描述物件在n維空間的移動行為，在每 一維空間中，物件在時間 t 的速度(我們 稱作v ）可以用下面所提到的高斯-馬_t 可夫方程式所表示： 2 1 (1 ) 1 1 t t t v =αv₋ + −α μ+ −α X ₋ ， 在此方程式中，X_t−1是從平均值為 0 且 標 準 偏 差 為σ 的 常 態 分 布 (Normal Distribution）中所挑選出來第t−1個隨 機 變 數 (Random Variable ） ， α (0≤ ≤α 1）則是被用來變化上述方 程式隨意性的參數，μ則是代表當時間 t 趨近於無窮大時平均速度的參數，以 及σ 則是用來表示當時間 t 趨近於無窮 大時速度標準偏差的參數。在此，μ、 σ 、以及α 被稱作高斯-馬可夫參數。 此外，我們參考其他不同的移動模組， 包括 random walk mobility model、fluid flow mobility model 、 以 及 random waypoint mobility model 等[1][3][8]，並 將之整合到模擬器裡，以增強模擬器功 3. 監控機制： 我們以[6]裡的監控機制為主，此監控機 制將負責喚醒指定的感測器，以便監控 以及收集移動物件的位置資訊，一旦物 件遠離這些被喚醒的感測器時，其中的 一個主要感測器將會使用預測模型去 預測此物件的下一個位置，並喚醒適當 的感測器，以便繼續監控此物件。 4. 預測模型： 預測模型包括了僅需消耗少量訊息傳 遞 的 方 法 ， 分 別 是 instant prediction model、average prediction model、以及 exponential average prediction model[6]，更包括了較複雜但需消耗大 量訊息傳遞的預測方法，分別是利用了 遞 迴 最 小 平 方 法 [1] 以 及 自 相 關 算 法 [3][8]來估計高斯-馬可夫參數。 5. 恢復機制： 我們以[6]裡的恢復機制為主。當預測失 敗以致於無法追蹤移動物件時，此恢復 機制則負責喚醒物件可能經過路徑的 部份感測器，以便繼續捕捉移動物件現 行的蹤影。 6. 誤差估計模型： 我 們 以 常 用 來 估 計 移 動 軌 道 誤 差 的 圖一：無線感測器佈置方法。

Multiple Coefficient of Determination (R2 ) [9]，以增強模擬 器功能。 7. 訊息通信費用暨能量消耗計算模型： 我們以[6]裡所制定的封包以及能量消 耗計算為主。 此外，在估算高斯-馬可夫參數μ 、 σ 、以及α 上，我們分別利用遞迴函數來 表示μ、σ 、以及α ，其中，以μ及σ 為 例，μ及σ 在時間t 時分別以 1 1 t t i i v t μ = =

∑

及 2 1 1 ( ) t t i t i v t σ μ = =

∑

− 來估算，其中v 代表在時_i 間 t 時的速度，其遞迴式子為如下所示： 1 1 1 ; 1 1 , for 2. t t t v t v t t t μ μ μ₋ = − = + ≥ 以及

(

)

1 2 2 2 1 0; 1 1 , for 2. 1 t t t t t v t t t σ σ σ₋ μ = − = + − ≥ − ， 此 外 ，α 則 是 以 最 大 似 然 法 (Maximum Likelihood）去估算並以類似於上面的遞 迴方式表示之。 四、結果與討論 在本年度計畫中，我們建置了無線感 測網路追蹤系統之模擬器，並利用最大似 然法來推導並設計一個估計高斯-馬可夫 參數的遞迴式方法，最後整合模擬器進行 相關方法效能分析評估研究。 在建置無線感測網路系統之模擬器的 過程中，我們發現模擬器的準確性及可靠 性可能由兩方面因素所影響，分別為人為 因素以及系統參數設定因素。對於人為因 素而言，我們在建置模擬器的過程中，以 嚴謹的態度去設計每一個函式模組，並力 求做最嚴謹的測試，以大幅降低人為因素 所造成的不良後果。至於對於系統參數設 定而言，由於一般發表出來的研究結果通 常不會做太詳細的研究設定說明，因此， 我們採用實驗的方式，反覆模擬先前研究 所做的實驗並比較其數據差異，一方面幫 助我們找出實驗設計不合理地方，另一方 面則讓我們調整實驗參數以達到實驗的準 確性與可靠性。 在估計高斯-馬可夫參數方面，對於高 斯-馬可夫參數μ、σ 、以及α 而言，最大 的難度是如何利用物件歷史移動軌道資訊 來估計參數α ，在參考完先前研究所提出 來的自相關算法以及遞迴最小平方法，我 們利用最大似然法(Maximum Likelihood） 來推導並設計一個估計高斯-馬可夫參數 的遞迴式方法(GMPE model)，此外，我們 並搭配各種不同的實驗，來說明此推論結 果是符合預期的。 為了比較所提方法(GMPE model)與其 他方法的優劣，我們使用 Root Mean Square Error (RMSE)來評估移動軌道誤差，RMSE 的值越接近 0 代表預測值越準確。圖二描 述了 GMPE model 與其他方法在高斯-馬可 夫移動模組中的比較結果，其中，與 GMPE model 比 較 的 預 測 方 法 包 括 了 instant prediction model (Instant) 、 average prediction model (Avg)、以及 exponential average prediction model (Exp_Avg)。由圖 二可知，GMPE model 在高斯-馬可夫移動 模組中比其他三種預測方法有較好的預測 結果，此外，時間 t 越長，GMPE model 的 預測結果越好，而這主要是因為當時間越 長，高斯-馬可夫參數μ、σ 、以及α 估算 的越準。

圖二：GMPE model 與 Instant、Avg、Exp_Avg prediction models 在高斯-馬可夫移動模 組中的準確性分析。

此外，我們也提供在其他移動模組中 的比較分析。圖三描述了 GMPE model 與 Instant、Avg、Exp_Avg prediction models 在 random walk mobility model 及在 random waypoint mobility model 中的準確性比較結 果。由此結果可知，我們所提出的 GMPE model 在其他移動模組下也有非常好的表 現。 五、計畫成果自評 本研究已達成預定第一年的計畫 目 標，在本年度的主要貢獻有： (1) 完成物件追蹤系統論文研讀及整理工 供研究參考，並讓研究團隊於無線感測 網路物體追蹤領域的知識與技術與世 界同步， (2) 完成追蹤系統模擬器之建置與設定，以 提供追蹤系統的發展平台。研究團隊可 藉由此平台發展相關無線感測網路追 蹤系統技術，以期能加速追蹤系統技術 的發展。 (3) 設計一個精準估計高斯-馬可夫參數的 遞迴式方法，以減少大量訊息通信費用 並達到有效追蹤物體的目的。此外，並 透過模擬器的實驗來比較各方法間的 優劣程度，以期能提供學術界及產業界 圖三：GMPE model 與 Instant、Avg、Exp_Avg prediction models 在 (a) random walk mobility model 及在 (b) random waypoint mobility model 中的準確性分析。

六、參考文獻

[1] K.T. Feng, C.H. Hsu, and T.E. Lu, “Velocity-assisted predictive mobility and location-aware routing protocols for mobile ad hoc networks,” IEEE Trans.

on Vehicular Technology, vol. 57, no. 1,

pp. 448–464, 2008.

[2] Z. Guo, M. Zhou, and L. Zakrevski, “Optimal tracking interval for predictive tracking in wireless sensor network,”

IEEE Communications Letters, vol. 9,

no. 9, pp. 805–807, 2005.

[3] B. Liang and Z.J. Haas, “Predictive distance-based mobility management for multidimensional PCS networks,”

IEEE/ACM Trans. on Networking, vol.

11, no. 5, pp. 718–732, 2003.

[4] M. McGuire and K.N. Plataniotis, “Dynamic model-based filtering for mobile terminal location estimation,”

IEEE Trans. on Vehicular Technology,

vol. 52, no. 4, pp. 1012–1031, 2003. [5] Y.C. Tseng, S.P. Kuo, H.W. Lee, and C.F.

Huang, “Location tracking in a wireless sensor network by mobile agents and its data fusion strategies,” Computer

Journal, vol. 47, no. 4, pp. 448–460,

2004.

[6] Y. Xu, J. Winter, and W.C. Lee, “Prediction-based strategies for energy saving in object tracking sensor networks,” IEEE MDM 2004, pp. 346–357, 2004.

[7] Z. Yang and X. Wang, “Joint mobility tracking and handoff in cellular networks via sequential Monte Carlo filtering,” IEEE Trans. on Signal

Processing, vol. 51, no. 1, pp. 269–281,

2003.

[8] W.L. Yeow, C.K. Tham, andW.C.Wong, “Energy efficient multiple target tracking in wireless sensor networks,”

IEEE Trans. on Vehicular Technology,

vol. 56, no. 2, pp. 918–928, 2007.

[9] Z.R. Zaidi and B.L. Mark, “Real-time mobility tracking algorithms for cellular networks based on Kalman filtering,”

IEEE Trans. on Mobile Computing, vol.