无线传感器网络的WiME系统路由设计

　　引 言

　　随着微机电技术、低功耗嵌入式技术和通信技术的飞速发展，具有感知能力、计算能力和无线通信能力的微型传感器得到了广泛的应用。这些由无线微型传感器组成的传感器网络能够协作地实时监测、感知和采集网络分布区域内的各种环境或检测对象的信息，并对这些信息进行处理，传送到需要这些信息的用户。这便是被美国商业周刊认定的21世纪最具影响力的21项技术之一——无线传感器网络(Wireless Sensor Network，WSN)。

　　在一个20层楼高、有着上千个房间的庞大医院中，一位刚进入大楼的坐在智能车中的老年人或残障病人，如何可以轻松地到达自己要去的房间?我们正在尝试为这样的需求提供一种不需要外界干预的“室内自动导航系统”——称为“无线复眼系统(Wireless MOSaic Eyes，WiME)”。概括地讲，它是一个基于生物行为启发的无线传感器网络，通过空中大量分布的无线节点对智能车提供行为控制，因此是一个采用无线传感器网络实现的机器人导航系统。

　　WiME涉及两个路由问题：一个是在地理空间的机器人路径规划，另一个是在分散的通信节点之间的信息通信路由。复眼可以作为机器人导航过程中的电子灯塔；无线复眼网络可以被认为是描述地理空间的一个拓扑图、地理路径规划，也可以被简化为一个网络拓扑图中的路径规划。因此在WiME中，空间路径规划和信息通信路由可以以完全相同的方式工作，而路径规划将根据各分散节点的语义定义为基础。

　　为了在WiME这样一个采用无线传感器网络技术的系统的节点上实现完整地图的机器人导航，本设计使用一种单步方向查询的路径存储和查询系统。为了进一步减小资源有限的无线传感器节点中的路径信息的数据量，在WiME的设计中对每一个分组使用Bloom Filter来压缩存储。另外，由于路径信息可能是动态建立的，为了满足频繁修改的要求，将每个子表设计为计数型Bloom Filter。

　　2 WiME系统

　　2.1 WiME的生物启发

　　自主机器人通常都配备有传感器，能够感知环境并自主移动，其配备的传感器可以认为是机器人的器官，它们所感知到的信息由机载电脑集中处理。这种集中构架面临如下三大问题：传感器处理过程在真实环境中不鲁棒；在动态环境中，处理算法的计算量大；在非结构化的环境中理解场景十分困难。

　　然而，与脊椎动物的眼睛相比，更低级的昆虫的眼睛是极具创造性和多样性的。生物学研究发现，一些昆虫可以用很小的神经系统来处理上万只小眼的信息。狼蛛复眼中的单眼功能不尽相同，一些用以提供前向视觉，而其他的则用来探测和提供周边的视觉信息，这些视觉信号传递到大脑后可以融合并完成移动检测、距离估计、运动控制等。因此，通过分布式功能划分和适当的传感器路由，复眼的信息处理机制的效率可以很高。

　　受此启发，建立WiME这样一个基于无线复眼网络的智能环境。其中，各单眼将由低分辨率的视觉传感器节点构成，通过IEEE 802.15.4协议通信并组织形成环境神经系统；通过探索仿生技术和算法，以支持无线复眼系统的智能信息处理(包括路径规划、行为协调、传感器融合和路由等)以及视觉伺服。在WiME中，每个单眼都提供有明确的语义(定位信息和行为集)，而它们的拓扑连接将采用行为网络来隐式建立；行为将通过能量累积所产生的事件进行激发。节点之间的连接包含了信息融合和路由的条件概率信息；机器人的导航将建立在具有明确语义的传感器拓扑图的基础之上，而不是建立在非结构的地理环境之上。

　　2.2 WiME的设计目标

　　(1)基于无线通信的分布式复眼

　　以无线传感器网络为连接机制，将具有高运算量和大数据量特征的局部视觉信息以具有明确语义概念的形式实现通信连接，完成低通信带宽的视觉协同。

　　(2)基于语义和信息全息的路由算法

　　该算法是一个针对用户询问的最优路径搜索算法。路由算法应充分考虑查询语义，采用信息全息编码方式压缩可能查询和全局路由表，最终实现快速寻优。这也是昆虫复眼信息流分布的具体体现。

　　(3)生物启发的分布式行为协调

　　由于本研究将众多运动行为分布在整个复眼系统中，机器人导航控制将面临如何和谐地组织与激发行为。本研究将由生物神经网络为启发，探索脉冲(spike)激励的动作组织方式，以实现具有目标驱动和及时响应特性的行为控制网络。

　　2.3 无线复眼系统中的单视神经元的设计

　　①基础运动检测器(EMD)。以生物视觉所特有的基础运动检测器(EMD)为蓝图，将低分辨率并可随机读取的CMOS视觉传感器作为视网膜，与无线模块连接构成系统单眼。

　　②低分辨率图像的语义提取。实时图像语义提取的内容包括：低分辨率的特征提取，包括颜色、纹理和区域形状；融合纹理、颜色和形状特征并给出解释；区域分割和空间分析。这部分将采用降分辨率技术，通过并行运算与FPGA实现相结合，减少计算代价并把算法应用到分布式视觉融合中。

　　③对象跟踪和模式识别。

　　④无线传感器节点。节点一方面通过外围电路与EMD相连，另一方面通过IEEE 802.15.4协议的接收器与其他复眼及机器人进行通信，从而提供复眼神经系统的信道；同时，复眼信息的融合与行为序列的产生这样的运算也要在节点上完成。

　　3 路由方式的选择

　　所有的机器人导航都需要解决这样的一个问题：机器人如何获知通往目的地的道路。在无线传感器网络中，无线节点之间的信息通信路由也是一个首先要解决的问题。如前所述，由于地理信息固定，在WiME中空间路径规划和信息通信路由完全可以以相同的方式工作。因此下面以路径规划来说明这样一个路由存储和查询方式的选择问题。
　
　　在无线传感器网络中，无线节点由于能量受限，采用的是低功耗嵌入式处理器，其计算能力和存储空间都有限。WiME也不例外，一般无法直接存储路径信息或者将地图信息存储在节点上从而在需要时计算出最优路径。为此，首先考虑下面的4种方法。

　　方法1：作为一种常用的方法，可以查询整个地图的路径信息。由于房间数n众多(认为n不小于1000)，路径数据巨大(存在n(n-1)／2条路径)，这样的地图可以由1台或多台主服务器提供。任何一个无线节点或邻近的有限多个节点都满足不了这样的存储量。一个自然的方法是将全局地图存储到服务器上，机器人终端在必要时从服务器上下载路径信息。这类似于GPS设备的工作方式。

　　方法2：根据使用的广播式无线路由通信协议，建立一条到目标点的无线通信链路，并利用建立的这条通信线路作为地理导航线路。

　　方法3：利用动态路径规划的思想，每个节点存储与自身相关的一定范围内的地理信息，并生成最优路径信息。

　　方法4：每个节点存储全局节点分布的地理信息和连接关系，在需要时与临近的节点协同计算出最优路径。这是借鉴了计算机网络中分布式计算的概念。

　　每种方法各有其优劣。第1种方法修改容易，增加或删除节点只需要在主服务器端更新。第2种方法不需要事先知道节点的地理位置信息，整个路径信息是动态建立和修改的。第3种方法可以随着道路情况动态调整最优路径。由于节点能够实时观察到道路信息，可以引入参数来反映当前周边道路状况，比如道路的堵塞程度，并由此动态维护这样一个包含自身及临近区域的最优路径表。但是这3种方法都是在多跳通信的情况下完成的，返回完整的路径信息需要较多的通信带宽和较长的通信延时，这对通信协议的鲁棒性提出了挑战。第4种方法的存储量相对要小，与节点个数同数量级，但是多节点协同的最优路径的实时分布式计算对于无线传感器节点无疑是一个困难的问题。毕竟当前的分布式计算仍然局限在计算机网络领域。如何将分布式计算和最新的网格计算的思想运用到无线传感器网络上，可能会成为嵌入式系统领域的下一个方向。