基于TInyOS的CC2430定位方案

　　4.4 程序移植与实验结果

　　本实验在Cygwin平台下进行编译与移植，编译过程如图6所示。

图6 TinyOS编译流程图

　　进入Cygwin环境，切换到TinyOS定位程序目录下，输入编译移植命令：

　　make cc2430em install NID=0x GRP=00

　　其中NID是节点号，是节点的身份标识，同一网络中的节点号必须惟一；GRP是网络号，同一网络中所有节点的网络号必须一致。

　　在所有节点的TinyOS移植完毕后，启动所有节点，应用串口调试助手显示汇聚节点发送到PC机的RSSI数据，数据结构如图7所示，其中1~7个字节数据为信息包的包头，8~9两字节为中继锚节点的节点号，10~11两字节为源锚节点的节点号，12~13字节为源锚节点到汇聚节点的跳数，14~15字节为盲节点的节点号，21~22两字节数据为锚节点的RSSI值。

图7 锚节点RSSI值

　　在确定PC机能够正确接收各锚节点的RSSI值后，还需要选取合适的RSSI测距信号衰减模型，将RSSI值转化为距离。本实验中采用在无线信号传输中应用广泛的对数--常态模型，如式（1）所示：

　　RSSI=-（10n·lg（d）+A）+45 （1）

　　其中A为盲节点与锚节点相距1米时RSSI的绝对值，本实验中测得A≈40,n为无线信号传播指数，一般取2~4,经过多次试验取3.0较为合适。将本模型应用在所测得的RSSI中，并对比实际距离得到如表1和图8所示结果：表1中d为RSSI理论模型所得距离，D为实际测量结果。

表1 RSSI值与距离的转换

图8 RSSI测距模型验证

　　在实验室环境下布置了4个锚节点、1个汇聚节点和1个盲节点，4个锚节点分布在4.8x3.6 m2矩形的4个点，盲节点位于矩形区域内，汇聚节点在矩形区域外。

　　读取如图7所示的各锚节点RSSI值，在Matlab环境下通过对数--常态传播模型将RSSI值转变为距离，最后通过质心算法对盲节点进行定位，计算出盲节点的坐标。在实验中采用10次测量取平均值来减小定位误差，并计算对比盲节点理论坐标与实际坐标的误差，得到如图9所示的定位结果。

图9 RSSI定位结果

　　通过定位算法计算出的盲节点坐标为（2.483 1,1.018 5），实际盲节点坐标为（2.4,1.2），误差为0.199 6 m,基本实现了对盲节点的定位。

　　5 结论

　　本文在TinyOS操作系统下实现了基于CC2430模块的RSSI定位，分析了盲节点、锚节点和汇聚节点的工作流程，确定了实验室条件下无线传输模型Shadowing模型参数，最后利用Matlab计算出盲节点坐标。定位结果显示，通过定位算法所得的盲节点坐标与实际坐标误差为0.199 6 m,可满足大多数无线传感器网络对节点定位的要求。