車聯(lián)網(wǎng)定位方法與機制*

王 群，錢煥延

（1.南京理工大學 計算機科學與技術學院，江蘇南京 210094;2.江蘇警官學院 公安科技系，江蘇南京 210031）

0 引言

車聯(lián)網(wǎng)（Internet of vehicles，IoV）概念的提出，使智能交通系統(tǒng)（intelligent transport system，ITS）的輪廓逐漸變得清晰，已成為物聯(lián)網(wǎng)（Internet of things，IoT）領域一個重要分支。車聯(lián)網(wǎng)即車輛物聯(lián)網(wǎng)，是以行駛中的車輛為信息感知對象，使人與車、車與車、車與道路基礎設施之間實現(xiàn)高效的信息交換與共享，從而對人、車、路和交通設施進行智能管控，進而改善道路交通狀況、提高出行效率、延伸信息化應用范圍的綜合信息服務與智能決策系統(tǒng)［1］。

綜合了無線移動自組網(wǎng)（mobile Ad Hoc networks，MANET）和無線傳感器網(wǎng)絡（wireless sensor networks，WSNs）的通信特征，車輛節(jié)點通常有序地分布在道路交通環(huán)境中執(zhí)行各種監(jiān)測、通信和控制任務，以開放的無線自組織方式協(xié)調工作。與MANET相比，車聯(lián)網(wǎng)具有自治性、多跳路由、網(wǎng)絡拓撲動態(tài)變化、網(wǎng)絡帶寬受限等MANET所具有的各種特點，但節(jié)點的密集分布、道路通信環(huán)境的限制、節(jié)點的高速移動等特點是傳統(tǒng)的MANET不具備的。車聯(lián)網(wǎng)是在道路交通環(huán)境下使用的一種特殊的WSNs，它在沿襲了路由協(xié)議、MAC協(xié)議、拓撲控制、定位技術、時間同步、安全技術、數(shù)據(jù)融合與管理等WSNs所具有的成熟技術的同時，在較大程度上克服了傳統(tǒng)WSNs節(jié)點存在的能耗、處理能力、存儲能力、通信能力等方面的限制性。

車聯(lián)網(wǎng)是一種特殊的MANET，也是一種在特定環(huán)境下使用的WSNs，還是一種特殊用途的物聯(lián)網(wǎng)。為此，對于車聯(lián)網(wǎng)這一新技術的研究，需要在充分考慮網(wǎng)絡環(huán)境、節(jié)點移動規(guī)律、應用背景等特殊性的前提下，充分繼承和借鑒已有的成果。其中，定位是車聯(lián)網(wǎng)的關鍵技術之一，沒有具體位置信息的車輛感知數(shù)據(jù)是沒有實際意義和應用價值的。誠然，也可以通過為每一個車輛人工安裝全球定位系統(tǒng)（global positioning system，GPS）或北斗衛(wèi)星接收機的方式來實現(xiàn)車輛的實時定位，但GPS或北斗衛(wèi)星系統(tǒng)的定位精度以及車輛行駛在城市高樓之間、林蔭大道、隧道等特殊路段時接收機無法正常工作等問題，使GPS或北斗系統(tǒng)無法直接應用到車聯(lián)網(wǎng)每個車輛的實時定位中，必須采用一定的機制與算法來解決相關的問題。

本文在綜述MANET和WSNs中定位技術基本理論的基礎上，針對車聯(lián)網(wǎng)中車輛自身的定位要求，對比分析了適合車輛定位的理論與算法，并結合車聯(lián)網(wǎng)技術的研究現(xiàn)狀和發(fā)展趨勢，對每一種算法在車聯(lián)網(wǎng)中的應用特點給出了參考。

1 車聯(lián)網(wǎng)定位方法與機制

1.1 基于測距技術的定位方法

1）RSSI:基于RSSI的定位原理是利用RSSI來判斷節(jié)點間的距離。無線信號發(fā)射功率（PT）與接收功率（PR）之間的關系可以表示為PR=PT/dn，其中，d為收發(fā)單元之間的距離，n為與信號傳播環(huán)境相關的傳播因素。經對數(shù)運算，可得到PR=A-10nlgd，其中，常數(shù)A表示信號傳輸1m距離時接收信號的功率。A和n都是經驗值，與具體使用的硬件和無線信號傳播環(huán)境有關。

在車聯(lián)網(wǎng)的具體實現(xiàn)算法中，根據(jù)RSSI測得的值，再利用三邊測量法或極大似然估計法來對未知節(jié)點進行定位。因為計算接收到RSSI是商用無線芯片的基本功能，所以，基于RSSI的定位成本低，技術成熟，易于實現(xiàn)。但由于道路交通環(huán)境多變，信號具有較強的時變特性，經驗值的確定較為復雜，導致基于RSSI的定位技術精度較低。為此，單一的RSSI定位方法在車聯(lián)網(wǎng)中尚不適合使用。

2）TOA:TOA的定位原理是已知信號的傳播速度，根據(jù)測量信號的傳播時間來計算錨節(jié)點與未知節(jié)點之間的距離，未如節(jié)點在測得多個鄰居節(jié)點（錨節(jié)點）的距離后，利用三邊測量法或極大似然估計法計算出自身的位置?；赥OA技術的定位精度高，但對節(jié)點間的時間同步要求較高。目前，在車輛定位中使用的射頻識別（radio frequency identification，RFID）定位技術就使用了TOA定位原理。

3）TDOA:TDOA的定位原理是通過計算2種不同傳播速度的無線信號到達未知節(jié)點的時間差，來計算未知節(jié)點與錨節(jié)點間的距離。基于TDOA技術的定位算法很多，例如:AHLos（Ad Hoc localization system）［7］利用極大似然估計法，通過迭代計算，逐步對未知節(jié)點進行定位。另外，TDOA技術還可以與AOA，F(xiàn)DOA，TOA等技術結合，形成功能更加強大、應用更加廣泛的定位方法。

TDOA技術具有抗干擾能力強，易于實現(xiàn)及定位精度較高等特點，在車聯(lián)網(wǎng)定位中具有明顯的優(yōu)勢。與TOA定位一樣，應用環(huán)境對測距、定位精度的影響較大，這為在車聯(lián)網(wǎng)中的具體應用帶來了一定的困難。為此，如果建立基于TDOA技術的適應不同道路交通環(huán)境的數(shù)學分析模型，是推動TDOA技術在車聯(lián)網(wǎng)中應用的一個方向。

4）AOA:AOA的定位原理是通過在接收節(jié)點（未知節(jié)點）上設置天線陣列或一組超聲波接收機，用來感知發(fā)射節(jié)點（錨節(jié)點）信號的到達方向，計算節(jié)點之間的相對方位或角度，再通過三角測量法計算出未知節(jié)點的位置。

AOA定位可以同時確定節(jié)點的坐標和相對方位，在視距（line of sight，LOS）傳播時的效果較好，但在非視距（NLOS）條件下，由于AOA測量值誤差較大，定位效果不佳。

5）FDOA:FDOA的定位原理是利用移動節(jié)點上的2部無線信號接收機所偵測到信號的頻率差來確定未知節(jié)點的位置。當2個節(jié)點之間存在相對運動時便會產生多普勒移頻，它攜帶有移動節(jié)點的航向和速度信息，利用這些信息便可以實現(xiàn)對移動節(jié)點的定位和跟蹤。

FDOA定位技術具有無模糊區(qū)、精度高等優(yōu)點，它可以與TDOA等定位技術結合，實現(xiàn)更加完善的定位功能，成為車聯(lián)網(wǎng)定位技術的一個發(fā)展方向。

基于測距技術的定位誤差主要取決于節(jié)點之間的測量精度，就某一種具體測量方法而言其測量精度多與環(huán)境因素有關。在車聯(lián)網(wǎng)具體應用中，單純使用某一種定位方法都存在應用上的局限性，一般可通過多個定位方法的融合、多次測量求均、循環(huán)定位求精等方法提高定位精度，優(yōu)化算法在具體應用過程中的可定位性。

1.2 基于非測距技術的定位方法

基于非測距技術的定位無需測量節(jié)點間的絕對距離或角度，通過對未知節(jié)點和錨節(jié)點之間距離的估算后，再利用三邊測量法、三角測量法或極大似然估計法來對未知節(jié)點定位;也可以通過在網(wǎng)絡中劃定包含未知節(jié)點的虛擬區(qū)域，然后通過質心算法來確定未知節(jié)點的坐標。

1）質心算法:質心是指多邊形的幾何中心。質心算法的實現(xiàn)原理是網(wǎng)絡中的錨節(jié)點周期性地廣播用于標識節(jié)點自身身份和坐標位置的分組，當未知節(jié)點接收到的錨節(jié)點的分組達到一個門限值時，或接收錨節(jié)點分組的時間達到預設值時，將由這些錨節(jié)點組成一個多邊形，該多邊形的質心便是該未知節(jié)點的坐標。

質心算法本身是一個近似算法，其誤差主要與無線信號的傳播模型、分組數(shù)門限值或接收分組的時間、錨節(jié)點密度及分布等因素有關。例如:錨節(jié)點密度超高、分布越均勻，定位誤差則越小。

2）凸規(guī)劃定位估計（convex position estimation）算法［8，9］:凸規(guī)劃定位算法是一種根據(jù)與錨節(jié)點的接近度（proximity）作為度量依據(jù)的粗粒度定位技術，它將節(jié)點間的通信連接視為節(jié)點位置的幾何約束，進而把整個網(wǎng)絡模型化為一個凸集，從而將節(jié)點定位問題轉化為凸約束優(yōu)化問題，然后使用線性規(guī)劃（LP）和半定規(guī)劃（SDP）方法得到一個全局優(yōu)化的解決方案，確定未知節(jié)點的位置。如圖1所示，未知節(jié)點存在于多個錨節(jié)點信號覆蓋范圍所形成的交集中（圖中陰影部分），由該交集得到相應的矩形區(qū)域，然后利用質心算法計算該矩形的質心，便得到未知節(jié)點的位置。

圖1 凸規(guī)劃定位估計算法示意圖Fig 1 Diagram of convex positioning estimation algorithm

凸規(guī)劃定位算法的實現(xiàn)完全依賴于錨節(jié)點的信號覆蓋范圍與地理分布。理想狀態(tài)下，算法的實現(xiàn)既要易于形成圖中的陰影部分，又希望陰影部分的區(qū)域最小，這就要求在算法的具體設計中要充分考慮道路交通環(huán)境狀態(tài)。在具體實施中，可將道路兩側的RSU作為錨節(jié)點，實現(xiàn)對車輛的準確、快速定位。

3）DV-Hop［10］:DV-Hop定位算法借鑒了傳統(tǒng)網(wǎng)絡中距離矢量（distance vector）路由協(xié)議的原理來估算未知節(jié)點與錨節(jié)點之間的距離，然后利用三邊測量法或極大似然估計法對未如節(jié)點進行定位。DV-Hop定位算法的具體實現(xiàn)可分為3個階段:第1階段，通過傳統(tǒng)的距離適量路由協(xié)議使網(wǎng)絡中的所有節(jié)點獲得到網(wǎng)絡中不同錨節(jié)點的位置信息和最小跳數(shù)（hops）;第2階段，每個錨節(jié)點利用第1階段中獲得的數(shù)據(jù)，通過下式估算平均每跳的距離

其中，（xi，yi），（xj，yj）分別為錨節(jié)點Si，Sj的坐標，hj為錨節(jié)點Si與Sj之間的最小跳數(shù)。每個錨節(jié)點將HopDisti值以泛洪方式在網(wǎng)絡中廣播，并使絕大多數(shù)節(jié)點從最近的錨節(jié)點接收HopDisti值。未知節(jié)點Sd根據(jù)收到的HopDisti值和到錨節(jié)點Si（xi，yi）之間的最小跳數(shù)hopsi，通過下式便可計算到該錨節(jié)點之間的距離distd→i

第3階段，當未知節(jié)點Sd得到3個或以上到不同錨節(jié)點的距離時，利用三邊測量法或極大似然估計法計算自身的位置Sd（xd，yd）。

除DV-Hop定位算法之外，文獻［10］中基于距離矢量路由協(xié)議和 GPS的定位原理，提出了 DV-distance，Euclidean，DV-coordinate，DV-Bearing 和 DV-Radial定位算法，將這6種定位算法統(tǒng)稱為APS（Ad Hoc positioning system）。例如:在DV-distance定位算法中利用RSSI測量相鄰節(jié)點之間的距離，算法的其他環(huán)節(jié)與 DV-Hop相同;再如，在Euclidean定位算法中，未如節(jié)點需要同時與3個或以上的錨節(jié)點分別建立相隔2跳的關系，再通過RSSI或距離矢量路由算法確定鄰居節(jié)點之間的距離，之后再通過計算未知節(jié)點到錨節(jié)點之間的距離，最后利用三邊測量法或極大似然估計法來計算自身的位置。如圖2所示，未知節(jié)點A分別與錨節(jié)點L，M，N建立了相隔2跳的關系，現(xiàn)以A與L之間的計算為例，其中節(jié)點B和C位于L的信號覆蓋范圍內，且利用距離矢量路由算法或RSSI算法已經確定了AC，AB，BC，BL和CL的距離，即在?ABLC中，已知四條邊的長度和一條對角線的長度，根據(jù)三角形的性質可以得到AL的長度當節(jié)點A獲得了AL，AM，AN及更多與錨節(jié)點之間的距離時，就可以利用三邊測量法或極大似然估計法來計算自身的位置。

圖2 Euclidean定位算法示意圖Fig 2 Diagram of Euclidean localization algorithm

基于APS的定位方法在車聯(lián)網(wǎng)中具有廣泛的應用前景，只要能夠合理地規(guī)劃錨節(jié)點的位置和數(shù)量，就可以獲得較好的定位效果。但受城市道路交通環(huán)境的影響，如何使基于APS的定位算法適應各向異性網(wǎng)絡的要求，還需要對算法進行相應的改進。

4）AHLos定位算法［7］:AHLos是一種基于 TDOA等測距技術的分布式定位算法，該算法實現(xiàn)的核心思想是通過迭代過程將未知節(jié)點不斷升級為錨節(jié)點，新升級的錨節(jié)點從下一輪開始參與對其他未知節(jié)點的定位運算。AHLos定義了3種定位算法:原子多邊（atomic multilateration，AM）算法、協(xié)作多邊（collaboration multiateration，CM）算法和迭代多邊（iterative multilateration，IM）算法。

AM算法即極大似然估計法，當未知節(jié)點的鄰居節(jié)點中有3個及以上的錨節(jié)點時，可直接通過AM算法確定其坐標;CM算法是指當一個節(jié)點可以獲得足夠多的信息來形成一個由多個方程式組成并擁有唯一解的超定（over-determined）或適定（well-determined）系統(tǒng)時，就可以實現(xiàn)對同時連接多個節(jié)點的一組未知節(jié)點的定位。未知節(jié)點3和4的3個鄰居節(jié)點中的錨節(jié)點都小于3，無法利用AM算法或三邊測量法進行定位，但根據(jù)拓撲中的5條邊可以建立擁有4個未知數(shù)（節(jié)點3和4的坐標）的5個二次方程，利用節(jié)點間協(xié)作計算出節(jié)點3和4的位置;IM算法是一個迭代過程，是指當鄰居節(jié)點中的錨節(jié)點數(shù)小于3時，進入迭代過程:每一輪開始時首先通過AM算法和CM算法實現(xiàn)對未知節(jié)點的定位，隨即將其升級為錨節(jié)點，并將此節(jié)點升級信息告知給鄰居節(jié)點。每一輪操作結束后，未知節(jié)點的數(shù)量將下降，而錨節(jié)點的數(shù)量將上升。如此迭代，直到所有未知節(jié)點都被定位或沒有符合AM算法和CM算法條件的節(jié)點存在時為止。

AHLos定位算法的最大優(yōu)勢是緩解了網(wǎng)絡中錨節(jié)點密度較低時的節(jié)點定位問題，非常適合于車聯(lián)網(wǎng)中信息基礎設施不足或分布不均勻時的定位需求。例如:在郊外道路信息基礎設施不夠完善時，AHLos算法可發(fā)揮其定位優(yōu)勢。不過，迭代過程同時涉及到誤差的累積，即產生累積誤差，降低了整體的定位精度。同時，AHLos算法中并沒有給出一組節(jié)點能否執(zhí)行CM算法的充分條件，當執(zhí)行CM算法時，節(jié)點x的解并不唯一。

在AHLos定位算法的基礎上，作者又提出了n-hop multilateration primitive定位算法［11］，不僅給出了決定節(jié)點是否能夠參與CM算法的條件，而且采用了卡爾曼濾波技術循環(huán)定位來減小累積誤差，提高定位精度。

5）MDS-MAP定位算法［12］:MDS-MAP定位算法的實現(xiàn)采用了一種源自于心理測量學和精神物理學的數(shù)據(jù)分析技術——多維定標（multidimensional scaling，MDS）技術。

MDS技術利用各實體之間的相似（異）性來構造多維空間上點的相對坐標圖。構造的多維空間上的點與各實體之間一一對應，通過實體的相似程度來反映空間上點的距離信息。MDS技術常用于探索性數(shù)據(jù)分析或信息可視化，現(xiàn)已成為一種通用的數(shù)據(jù)分析技術。

MDS-MAP定位算法由以下3個步驟組成:（1）在確定的網(wǎng)絡區(qū)域內計算所有節(jié)點間的最短路徑，利用最短路徑構建MDS的距離矩陣。首先，生成整個網(wǎng)絡的拓撲連通圖，并為圖中每條邊賦予距離值。當節(jié)點間基于測距方式工作時，所賦值為實際測距結果;當節(jié)點間基于非測距方式工作時，節(jié)點間僅擁有連通性信息，所賦值均為1。然后，使用傳統(tǒng)網(wǎng)絡中的Dijkstra或Floyd最短路徑算法生成節(jié)點間矩陣;（2）對距離矩陣應用MDS技術，通過保留最初的2個或3個特殊值和特殊向量，生成二維或三維的用于定位每個節(jié)點的相對坐標系統(tǒng);（3）當錨節(jié)點的數(shù)量達到一定值時（二維至少3個，三維至少4個），使用線性變換，將相對坐標系統(tǒng)轉換為絕對坐標系統(tǒng)，實現(xiàn)對節(jié)點的準確定位。

MDS-MAP是一種集中式定位算法，根據(jù)需要可在range-free和range-based 2種情況下運行，并可根據(jù)具體要求實現(xiàn)相對定位和絕對定位，可以實現(xiàn)車聯(lián)網(wǎng)中車與車或車與道路設施之間的定位。MDS-MAP適合車聯(lián)網(wǎng)應用的另一個優(yōu)勢是當錨節(jié)點密度或網(wǎng)絡連通度較小時，能夠實現(xiàn)對車輛節(jié)點的準確定位。

6）Cricket系統(tǒng)［13］:Cricket原本是用來確定移動或靜止節(jié)點在建設物內部具體位置的空間定位系統(tǒng)，是一種典型的符號定位系統(tǒng)。在Cricket系統(tǒng)中，錨節(jié)點周期性地同時發(fā)射RF信號和超聲波信號，其中RF信號中包含該錨節(jié)點的位置信息和節(jié)點ID，未知節(jié)點通過TDOA技術測量到錨節(jié)點之間的距離。當未知節(jié)點同時獲得3個及以上的到不同錨節(jié)點的距離時，便可使用三邊測量法確定自身的位置。

Cticket系統(tǒng)通過分布式定位方式提供了針對空間位置的符號定位功能，該系統(tǒng)對建設物內部具體空間位置（如房間號）的定位較為高效和準確，可應用于立體停車場的管理中，也可應用到具體的道路交通環(huán)境中。

2 綜合分析與展望

雖然現(xiàn)在車聯(lián)網(wǎng)中的絕大部分定位技術和算法都來自于WSNs，但由于應用環(huán)境和功能的特殊性，有部分在WSNs中已成熟應用的協(xié)議卻不符合車聯(lián)網(wǎng)的應用。例如:APIT（approximation point-in-triangulation test）［14］算法是 WSNs中一種典型的非距離式定位方法，它首先確定多個包含要定位的未知節(jié)點的三角形區(qū)域，再確定由這些三角形的交集所構成的多邊形區(qū)域，最后計算這個多邊形區(qū)域的質心，即為未知節(jié)點的位置。APIT算法的關鍵在于三角形區(qū)域的檢測與融合，其定位精度在很大程度上取決于融合區(qū)域的大小，但受城市道路交通環(huán)境的約束，融合區(qū)域的形成較為困難，所以，APIT算法在車聯(lián)網(wǎng)中的應用受到很大的限制。此類算法較多，不再一一列出。

雖然現(xiàn)在的基于WSNs的定位算法較多，但相當一部分是在本文已介紹的典型的定位算法的基礎上的改進。例如:SHARP（simple hybrid absolute relative positioning）［15］算法綜合了MDS-MAP和DV-distance算法的優(yōu)點，它利用了MDS-MAP在確定參考節(jié)點相對坐標時具有的較高精度，并避免了計算所有節(jié)點組成的距離矩陣，同時借鑒了DV-distance算法的高效性。所以，在相同條件下，SHARP算法的精度要高于MDS-MAP和DV-distance;再如，MBAL（mobile beacon assisted localization）［16］算法的實現(xiàn)是利用一個安裝有GPS接收機的可移動錨節(jié)點實現(xiàn)對網(wǎng)絡中未知節(jié)點的定位。移動錨節(jié)點不斷泛洪廣播代表自身ID和位置的信息，當未知節(jié)點檢測到3個或以上與該移動錨節(jié)點在不同位置的距離信息時，便可以利用三邊測量法確定自身的位置。MBAL算法可在空曠區(qū)域或某些應急環(huán)境中對車輛進行定位，發(fā)揮其技術優(yōu)勢。另外，RFID，GSM，CDMA等定位技術也是基于本文所介紹的基本定位原理和算法的具體應用。

本文所分析的定位算法基本上針對的是二維平面系統(tǒng)，但在復雜的交通環(huán)境尤其是目前大量出現(xiàn)的立體交通系統(tǒng)中，必須研究適用于車聯(lián)網(wǎng)環(huán)境的三維定位方法。目前，在WSNs領域針對三維定位算法的研究也非?；钴S，也取得了一定的研究成果，如 Landscape-3D［17］，Constrained 3D［18］，SBL［19］等。不過，在目前的研究成果中，絕大部分三維定位只是在二維定位基礎上的算法改進，完全獨創(chuàng)的算法較少。例如:在Landscape-3D算法中，作為錨節(jié)點的定位輔助裝置（location assistant，LA）周期性地廣播其自身的位置信息，網(wǎng)絡中未知節(jié)點通過接收到的位置信息以及RSSI來計算與LA之間的距離，再利用三邊測量法等基礎定位原理來確定自身位置。

車聯(lián)網(wǎng)的定位技術源于MANET和WSNs，但長期制約MANET和WSNs應用的能耗、計算能力、通信能力、存儲能力等問題在車聯(lián)網(wǎng)中卻成為非主要問題，這為車聯(lián)網(wǎng)定位技術的研究和應用去除了一些限制。但車聯(lián)網(wǎng)定位技術的研究不僅僅是解決車輛自身的定位問題，而是在此基礎上解決人與車、車與車、車與路之間的協(xié)調通信，進而實現(xiàn)車輛安全行駛等實質問題。為此，在車聯(lián)網(wǎng)中需要同時加強對絕對定位和相對定位技術的研究，以及對定位數(shù)據(jù)的融合和動態(tài)分析。

3 結束語

WSNs是近年來一個研究的熱點和重點，大量的定位技術和算法不斷涌現(xiàn)，然而現(xiàn)有大量定位算法都是基于基本的定位原理的應用或對典型定位算法的改進。改進也是一種創(chuàng)新，其創(chuàng)新思路和方法在車聯(lián)網(wǎng)定位技術的研究中也值得借鑒。在車聯(lián)網(wǎng)應用中，基于測距技術的定位方法雖然誤差較小，但相對較低的定位效率與車聯(lián)網(wǎng)部分應用要求的快速響應時間之間存在一定的矛盾?；诜菧y距技術的定位方法，雖然定位精度相對較低，但卻能夠滿足車聯(lián)網(wǎng)定位的一些要求，具有廣泛的研究和應用前景。車聯(lián)網(wǎng)雖然是一個全新的概念和應用，但與之相關的理論研究和技術應用可以在已有成果的基礎上加以深入和創(chuàng)新。然而，目前對于WSNs和MANET的研究尚處于起步階段，為此，對于車聯(lián)網(wǎng)的研究還有大量的已知問題去解決和未知問題去探求。

［1］王 群，錢煥延.車聯(lián)網(wǎng)體系結構及感知層關鍵技術研究［J］.電信科學，2012，28（12）:1-9.

［2］Bahl P，Padm anabhan V.Radar:An in-building RF-based user location and tracking system［C］//Proceedings of INFOCOM'2000，Israel，2000:775-784.

［3］Girod L，Estrin D.Robust range estmiation using acoustic and multmiodal sensing［C］//Proceedings IEEE/RSJ Int'1 Conf on Intelligent Robots and Systems（IROS'01），Hawaii:USA，2001:1312-1320.

［4］Ho K，Sun M.Passive source localization using time differences of arrival and gain ratios of arrival［J］.IEEE Transactions on Signal Processing，2008，56（2）:464-477.

［5］Yu H G，Huang G M，Gao J，et al.Practical constrained leastsquare algorithm for moving source location using TDOA and FDOA measurements［J］.Journal of Systems Engineering and Electronics，2012，23（4）:488-494.

［6］Gregoire D G，Singletary G B.Advanced ESM AOA and location techniques［C］//Proceedings of IEEE 1989 National AES Conference，Dayton:USA，1989:917-924.

［7］Savvides A，Han C C，Srivastava M B.Dynamic fingegrained localization in Ad Hoc networks of sensors［C］//Proceedings of 7th Annual Int'1 Conf on Mobile Computing and Networking（Mobi-Com），Rome:Italy，2001:166-179.

［8］Doherty L，Pister K S J，Ghaoui L E.Convex position estimation in wireless sensor networks［C］//Proceedings of the IEEE INFOCOM 2001，Anchorage:IEEE Computer and Communications Societies，2001:1655-1663.

［9］王福豹，史 龍，任豐原.無線傳感器網(wǎng)絡中的自身定位系統(tǒng)和算法［J］.軟件學報，2003，16（5）:857-868.

［10］Niculescu D，Nath B.DV-based positioning in Ad Hoc networks［J］.Telecommunication Systems，2003，22（1-4）:267-280.

［11］Savvides A，Park H，Srivastava M B.The bits and flops of the N-hop multilateration primitive for node localization problems［C］//Proceesings of the lst ACM Int'1 Workshop on Wireless Sensor Networks and Applications，Atlanta:Georgia，USA，ACM，2002:112-121.

［12］Shang Y，Ruml W，Zhang Y.Localization from mere connectivity［C］//Proceedings of the 4th ACM International Smposium on Mobile Ad Hoc Networking ＆ Computing，Annapolis，Maryland:USA，ACM ，2003:201-212.

［13］Priyantha N B，Chakraborty A，Balakrishnan H.The cricket location-support system［C］//Proceedings of the 6th ACM International Conference on Mobile Computing and Networking（ACM MOBICOM），Boston:USA，ACM，2000:32-43.

［14］He T，Huang C，Brian M，et al.Range-free localization schemes for large scale sensor networks［C］//Proceedings of the 9th Annual Int'1 Conference on Mobile Computing and Networking（MobiCom'03），San Diego，USA，2003:81-95.

［15］Ahmed A A，Hongchi S，Shang Y.SHARP:A new approach to relative localization in wireless sensor networks［C］//Proceeding of 25th International Conference on Distributed Computing Systems Workshops，ICDCS 2005 Workshops，Columbus，OH，USA，2005:892-898.

［16］Kim K，Lee W.MBAL:A mobile beacon-assisted localization scheme for wireless sensor networks［C］//Proceedings of the 16th International Conference on Computer Communications and Networks（IC3N），2007:57-62.

［17］Hady S.Stephan O.A 3D-localization and terrain modeling technique for wireless sensor networks［C］//Proceedings of the 2nd ACM International Workshop on Foundations of Wireless Ad Hoc and Sensor Networking and Computing（FOWANC'09），New Orleans，Louisiana，USA:ACM，2009:37-46.

［18］Liang J，Shao J，Xu Y，et al.Sensor network localization in constrained 3D Spaces［C］//Proceedings of the 2006 IEEE International Conference on Mechatronics and Automation，Luoyang，Henan，China，2006:49-54.

［19］Yedavalli K，Krishnamachari B.Sequence-based localization in wireless sensor networks［J］.IEEE Transactions on Mobile Computing，2008，7（1）:81-94.