移动网点定位英文翻译.docx

移动网点定位英文翻译.docx

《移动网点定位英文翻译.docx》由会员分享，可在线阅读，更多相关《移动网点定位英文翻译.docx（31页珍藏版）》请在冰豆网上搜索。

移动网点定位英文翻译

无线传感器网MonteCarlo移动节点定位算法

AlineBaggioandKoenLangendoen

（{A.G.Baggio,K.G.Langendoen}@tudelft.nl）

摘要：

定位是无线传感器网络许多应用中的关键。

在本文中，我们提出了一系列移动无线传感器网基于MonteCarlo的非测距的锚节点定位算法。

我们专注于提高定位的精度和效率以便更好地利用传感节点收集的信息和更快地抽取必要的位置样本。

为了实现它，我们通过建立一个覆盖多个锚节点无线电范围重叠的区域，从抽取样本中提取出这个区域。

这个区域是在传感节点已定位的部署区域。

仿真结果表明，定位精度提高了至少4%，最高达到73%，平均为30%，考虑到至少有三个锚节点的情况下，则需要节点速度不相同。

范围同时受到速度的强烈的影响，其改善的范围从3%到55%，平均为22%。

最后，在同样定位精度的情况下处理时间减少了93%。

关键词：

分布式定位算法，无线传感器网，移动性，MonteCarlo定位，仿真

1引言

许多应用都需要定位，定位人或物。

大部分的情况，只有当数据和位置相联系时从无线传感器记录的数据才有意义，例如，记录一个给定机房或冷库的温度。

同样，许多用户程序都是位置感知，例如人们想找到最近的公共汽车站或邮盒子，和定位需要救援人员的紧急服务。

下面，我们以带有无线节点的人，物或计算机为参考来定位一个未知的节点。

在普通计算机和无线传感网（WSN）中，定位已引起相当大的重视。

这两个领域的主要区别在于其计算设备的能力。

和无线传感器设备相比，普通计算机如笔记本电脑和掌上电脑的功能相当强大。

传感器节点不仅有一个非常有限的内存空间和CPU功率，而且能源的提供大部分的时间是靠一个小电池–资源非常有限。

因此，无论是在计算和功率消耗上，无线传感网的定位算法必须高效的。

普通计算机和无线传感器网络之间的另一个区别是，笔记本电脑和掌上电脑经常被认为是移动的，而在无线传器网现有的实验中，大多数集中在传感器的静态网络中。

目前，着眼于通过传感器的移动来精心设计一些低成本的定位算法。

如今，确定移动节点的位置最简单的现成的机制是使用全球定位系统（GPS）[18]。

在至少四颗卫星的基础上，GPS提供了直观实现的3D定位，达到了三米之内的高精确度。

然而，GPS的一些局限性使急需可替代的定位方法。

首先，全球定位系统目前在室内，混乱的城市地区和茂密的树林地带几乎不可用。

第二，虽然GPS设备的成本多年来一直在下降，但它仍旧是不适合大量生产的廉价传感器板，手机和甚至掌上电脑。

第三，GPS设备要求的硬件空间和能源，这是阻碍它进行小型化传感器板集成的两个限制性因素。

为了克服GPS的局限性，研究者们已经开发了完整的GPS定位节点的技术以及技术在几个节点，通常称为锚节点，使用GPS来确定自己的位置，通过无线传输，帮助其他节点计算自己的位置而不使用GPS。

本文特别着眼于移动网点的设计，提出了一种无线传感网定位算法。

一个重要的因素是让无线传感器受益于流动性而不仅仅是受它影响。

文献[4，6，20，21，23，28]表明，在静态无线传感网络中使用移动锚节点有助于提高定位算法的精度，为了使更多的节点可以从锚节点位置的无线电中获取信息，那么每个节点都可以获得更多的位置信息。

同样，移动传感器有机会得到比在完全静态环境中更多详细信息。

然而，挑战是如果所有的节点是移动的，移动无线传感网的信息失效就更迅速了。

在文献[10]中，HuandEvans引入了一个处理这些不同的特点的定位算法。

他们的方法是在MonteCarlo定位算法的基础上，应用机器人技术来定位移动机器人。

在本篇中，我们改善了HuandEvans的节点定位算法来取得更好的精度和较低的计算成本。

本文剩下的组织如下。

第2节介绍了一些在静态和移动无线传感网定位的背景信息。

第3节介绍了我们的定位算法和它的基础-HuandEvans的定位算法。

第4节给出该算法直观的定位准确性和和效率。

第5节提出了一些今后的工作方向。

最后，第6节总结。

2WSNs中的定位

目前有几个定位协议专为移动无线传感器网络设计。

本节介绍了不同团队的工作，目的是在传感器网络和移动Ad-hoc网络实现定位以及移动支持。

静态无线传感网定位算法：

静态无线传感网定位算法通常分为几个轴。

一些算法有不基于测距的和基于测距的，还有一些使用锚节点，要么一阶锚节点要么多阶锚节点。

第一个区别是不同定位算法之间对锚节点使用的处理。

锚节点是用来作为其他需要定位的节点的辅助设备，也是一个在无线传感器网络中引进静态节点作为辅助定位的方法。

在没有锚节点的情况下，网络中的节点通常是建立自己的的相对位置，也有可能建立他们自己坐标系。

一般情况下，锚节点越多，位置估计的精度越高。

然而，设置锚节点是一个单调乏味的任务，而且已被证明是提高算法的定位精度相当昂贵的方式。

基于测距的定位算法所使用的技术，如无线电信号强度指示器（RSSI）[9，22]无线电和超声波到达角（AOA）[15，17]或到达时间差（TDOA）[25，26]，来测量从锚节点到本地独立节点的距离。

这些距离，也就是范围，对误差反应比较灵敏，即不准确的测量范围往往依赖于额外的硬件。

为了独立于硬件和计数范围的错误，研究人员开发不基于测距的方法，这只依赖于唯一的信息–位置，阶数–节点从它的邻居，锚节点或普通节点接收的信息。

大多数的不基于测距的算法是使用数学[13，14，16，27]或几何[8，12]计算一个未定位的节点定位的技术。

质心[13]是一个最简单不基于测距的定位算法。

未知节点以所有在其通信范围内的锚节点的X和Y坐标各自的平均值作为自己的估计位置。

在这篇文章中，我们主要关注使用锚节点来计算未知节点位置的不基于测距的算法。

在静态无线传感器网络中移动锚节点使用：

为了减少硬件和部署工作两方面的成本需要，研究人员建议使用移动锚节点来帮助定位节点[4，6，20，21，23，28]。

一个移动锚节点执行与一个静态锚节点相同的任务–传递自身准确的位置信号–但可以采取戴着掌上电脑的人或机器人的形式进行。

在文献[19]中，ParkerandLangendoen提出结合移动锚节点与基于统计的定位算法。

他们的结果表明，运动中的锚节点提高了在较少锚节点且资源匮乏网络中的准确性。

如果使锚节点移动，未知节点接收锚节点的信息百分比通常也在增加。

因此一个移动锚节点代表许多虚拟静态锚节点。

研究的另一方面，当使用移动锚节点来决定最佳路径时，锚节点要最大限度的提高位置估计的精度。

粒子滤波器：

在文献[10]中，HuandEvans介绍了基于时序MonteCarlo算法来对移动传感器网络进行不基于测距的定位算法[3，7]。

MonteCarlo方法已广泛应用于机器人技术[1，29]，机器人根据运动来估计自己的位置，对于环境感知或许预知下一位置。

HuandEvans拓展了的MonteCarlo方法，将其应用于机器人技术来支持开放、未标注的地形的传感器定位。

作者假设一个传感器，它对自己的运动没有控制和相关信息的返回，与机器人正好相反。

他们的目标是在一个没有硬件的环境来获取测距信息，网络的拓扑结构是未知，而且很有可能是不规则，锚节点密度低并且锚节点和传感器节点在不可控的情况下移动。

唯一的假设是，已知传感器或锚节点的最大速度，无线电范围是传感器和锚节点共有的–或与其他信息一起分布的。

然而这一点，不是作者所描述的。

运用时序MonteCarlo定位（MCL），HuandEvans想利用移动的优势来提高定位精度和减少网络中所需锚节点的数量。

时序MonteCarlo定位的关键思想是使用一组加权样本集来验证节点之后可能的位置分布。

定位有两个步骤，首先是预测步骤，选择一组样本能代表关于自己位置的节点的可信度。

在预测步骤中，一个节点挑选任意位置，在部署区域内，容许其以最大速度为限制或以前位置的样本。

第二，滤波步骤的目的是从样本集中去除不可能的位置。

滤波是通过使用从环境中获得的信息，如在传感器节点情况下锚节点的位置或者在移动机器人的情况下地标的探测。

重复这个过程，传感器或机器人、才能更新它的位置估计。

在文献[2]中，Dilandal.最近提出了一种基于测距的MCL算法版本在文献[10]中介绍。

通过使用至少从锚节点一阶和两阶距离远的未知节点的信息，作者表明，他们可以提高（约）6%到10%的定位精度。

在后者的情况下，只有连接良好的节点可以考虑，也就是说需要三或更多的锚节点。

在模拟网络中，当只考虑的锚节点距离未知节点一阶和两阶的时候，节点连接良好的比例为65%。

然而，精度方面的改善，节点需要消耗更多的能量和其他节点通信来获得下一个锚节点的位置。

3移动无线传感器网络定点

除了MonteCarlo定位实验，目前有几个定位协议特别着眼于设计移动无线传感器。

大多数的论文提出的定位算法表明，支持移动性可以通过一段时间间隔后，不论是静态还是自适应的，再次执行定位算法。

虽然在某些情况下不是最佳的但却是可行的，使用来自遥远节点或者迭代方法获得信息的全部类算法将遭受严重的信息衰减。

在信息到达一个遥远的节点并使用它时，整个网络的配置极有可能已经改变了。

因此节点计算的总是其不准确的位置，而这并不是由于缺乏信息造成的也不是它所使用的固有计算方法的不准确，而是它定位算法收集此信息的方法原因。

移动性为定位算法引进了一种实时组件。

无线传感器网络通常被认为是延迟容忍的[5，20]。

与此相反，移动性使传感器网络不容许延迟：

信息收集和定位计算应及时出现，这依赖于节点和锚节点的速度。

这意味着，在一个移动无线传感器网络，全局知识中如计算阶数或与所有锚节点的距离的方法是可以省略的。

同样，不论节点何时从网络获得多么多的信息，移动节点都不能真正受益于经过改良的位置估计的迭代定位技术。

除了可能的信息衰减，部署在移动无线传感器网络中的定位算法应该能够应付锚节点的临时缺少。

换句话说，在这种情况下，当应用层有需要时，该算法应该能够给出一个位置估计。

在这种情况下，该位置估计很容易被标记为不确定，此时就要给应用层提供一个估计定位算法结果可信度的方法。

我们相信，设计新的定位算法时，移动性必须考虑到。

无线传感器应受益于流动性和利用它来提高定位的效率或得到一个更好的位置估计精度。

基于MonteCarlo定位算法提供了这样的保证。

接下来，我们在HuandEvans的不基于测距的MonteCarlo定位算法的基础上建立一个算法，介绍通过提高使用锚节点信息的方法，从而我们可以同时提高算法的精度和效率。

3.1MonteCarlo定位

在文献[10]中，HuandEvans定位算法的定义如下。

时间被分为离散的区间。

传感器节点在每个时间间隔内重新定位。

在定位算法的初始化阶段，传感器选择一组随机的N个样本集

，即在所属区域内随机分布。

从这开始，两个步骤，预测和滤波，一直重复。

在时间t的预测步骤内，传感器节点在前一组样本

的基础上生成一套新的样本

。

在实践中，从

中给出一个位置

，随机位置

在是以

为中心以

为半径的圆盘上，

是一个节点的最大速度。

在滤波阶段，

这些不可能的位置将从是从新的样品

中移除。

当从一阶或两阶锚节点中取得位置信息后进行滤波。

一阶锚节点组是指由传感器直接接收到的锚节点组成的。

假设这些锚节点在传感器节点的无线电范围r内。

两阶锚节点组由传感器节点一阶锚节点的相邻锚节点组成的。

这些锚节点被假定在传感器节点2r半径内，但又大于r的圆环内。

换句话说，MCL利用了负面信息。

请注意，通常在无障碍的情况下这样做能够使定位精度改善，

但部署区域却有很高的风险（见第4.7.3）。

通过使用从它的邻居得到的信息从而获得不能直接获取信息的锚节点，一个传感器可以了解其无线电范围意外的锚节点。

初始化：

首先，一个节点对自己的位置一无所知。

N是一个常数，表示一个集中所能保持的最大样本数。

是样本的初始值；

是初始锚节点盒子；

是观测资料初始值，

和

是部署区域最大的X和Y坐标，分别：

Fi

步骤：

在

的基础上计算出一个新的可能的位置集

，可能位置的值来自前一个时间步长t-1和新的观测值

，位置信息从时间t−1和时间t之间的一阶和两阶锚节点获得。

图1:

MonteCarlo盒定位

注意滤波步骤之后，集合中样本的个数可能会比预期的要少。

所以预测和滤波的处理会重复直到达到预期的样本数。

在时间t的传感器位置估计是样本集Lt中所有可能位置的平均值。

3.2的MonteCarlo盒定位

先不谈很高的准确性，MCL的效率特别是在低锚节点设置情况下也能改善。

抽取样本是一个漫长而乏味的过程，而且很容易消耗传感器节点大量的能量。

此外，MCL利用锚节点信息的方法仍有改进的余地。

我们时序MonteCarlo定位的版本称为MonteCarlo盒定位（MCB），其使用类似MCL的步骤。

主要的区别在于我们使用锚节点信息和抽取新的样本的的方法。

图1提供了MCB的定位算法综述。

原来的MCL算法只在滤波的时候使用一阶和两阶锚节点的信息，来屏蔽不可能的样本。

在MCB，我们使用抽取样本的限制区域内的锚节点所收到的信息，就是下面我们要解释的方法。

减少采样面积有两个结果。

首先，我们更容易抽取好的样本，从而更快抽取。

抽取到好的样品意味着我们必须在滤波阶段屏蔽较少的样本，从而减少最后为了填补完整样本集而进行迭代算法的次数。

第二个结果是依赖于实现的好坏。

不像在[10]所示的伪代码，MCL的实现设置了一个权限，就是如果一个节点的样本集还没有达到要求的个数，它可以抽取样本的次数。

这要归结于为了避免如果没有有效的样品可供抽取来匹配给定的设置而导致算法循环不止。

在[10]，HuandEvans选择了一个N为50的样本集。

一个节点最多抽取样本两次，每次10,000次。

在严格的速度条件下，这种情况发生一次，从旧样本中最大半径为Vmax的圆盘内抽取新样本，第二次是在比较自由的速度条件下，从旧样本中最大半径为Vmax+delta的圆盘内抽取新样本。

以自由的速度约束抽取样本只发生在如果样本集在第一次10000次抽取后还不完整的情况下。

经过20000次的抽取，样本集可能仍然是不完整的，只有小于50个好的样品。

MCL将不再尝试进一步填补样本集。

在MCB，我们确保样本集在抽取样本时尽可能完整，因此就不必滤波和要求重新抽取。

在大多数情况下，样本集在1000次重取前已经很完整了。

实验表明，100次的抽取是足够完全填满样本的。

通过确保样本在抽取50到100次之间已完整，一个节点可以节省宝贵的电池功率。

填补完整样本集对最后定位的精确性也有一个积极的作用。

用于约束MCB抽样区域的方法如下。

有一个节点收到锚节点–一阶或两阶锚节点–建立一个覆盖锚节点无线电范围重叠区域的盒子。

换句话说，这个盒子就是节点定位部署范围的区域。

我们称这样的盒子为锚节点盒子。

图2是一个例子，三个一阶锚节点都能收到时组成的锚节点盒子（阴影区）。

每收到个一阶锚节点，节点建立一个边长2r的正方形，三个正方形集中在锚节点的位置，r就是无线电范围。

建锚节点盒子只主要计算如下坐标（Xmin，Xmax）和（Ymin，Ymax）：

（Xj，Yj）是锚节点j的坐标和n是锚节点所能收到的总数。

当考虑两阶锚节点时，我们把上式中的r用2r替换。

此外，在仿真中，建盒子算法时我们关心不一致或范围之外的盒子。

换句话说，在盒子子里的最小值Xmin或Ymin大于其各自的最大值Xmax或Ymax，盒子不是复位到只有一阶锚节点，就是部署的整个区域。

在值分布于部署区域外的情况下，例如Xmin是负的，我们重置边界的坐标，在我们的样本0中。

一旦锚节点盒子建立，一个节点只需抽取样盒子覆盖区域的样本。

既然锚节点盒子是锚节点的无线电范围的无限趋近，在原来的MCL中，我们加了一个滤波步骤。

在原来的MCL中，预测和滤波步骤不断重复直到样本集完整或达到抽取样本的最大次数。

上面描述的建锚节点盒子是在样本集为空的情况下使用的，例如在初始化时。

在我们已经有了样本的情况下，限制盒需要一个额外的约束来建立，即样本集

每个老样本

里，下面我们以旧样本为中心额外建立一个大小

的正方形：

是样本

的坐标。

更新的盒子，我们称之为样品盒。

限制每个旧样本中节点在一个时间间隔内以最大速度能够移动的区域。

当一个节点有一个初始化样本集，但是收不到锚节点，我们在节点最大速度和就样本基础上建立了唯一的样本盒。

盒子的建立仍然是一个连续的过程，其中的锚节点盒子是首先建立的–并被保存作后来使用–并为每个旧样本独立更新，从而在新样本被有效抽取时新建新的样本盒子。

除了为抽取新样本建锚节点盒子和样品盒外，MCB同时试图尽最大可能利用一个节点接收到的所有信息。

这在两个方面影响定位算法。

首先，在初始化阶段或当样本集为空时，MCB允许节点使用两阶锚节点即使它没有听到一阶锚节点信息。

而在原来的MCL中，在滤波阶段只有与一阶锚节点信息相结合时使用两阶锚节点，MCB允许节点同时在预测和滤波截断都可以使用所有它收到的所有信息。

这意味着，一个节点，只收到只有两阶锚节点仍然可以抽取样本并使用这些产生一个位置估计。

第二，当一个节点收到锚节点并且已经有初始化样本集但未能用新的样品填满（完全），MCB从锚节点盒子将其恢复到唯一抽取的新样本。

在换句话说，样品盒不再使用。

无法填补完整样本集的情况发生在当太多的旧样本当前无法连接和速度限制的时候。

针对旧样本不准确和抽取新有效样本，该算法需要让节点移动一段很长的距离，即比时间间隔内以最大速度覆盖的区域更大，最后能达到连接限制。

在这种情况下，MCL试图用一种宽松限制的速度（Vmax+delta）来抽取样本。

在MCB中抽取唯一样本等同于放宽速度。

然而，优势就是没有预先把delta作为允许速度的增加差值，而这个MCL却要限制。

4评价

这个部分介绍一些MCL、MCB的性能比较。

我们还提供了MCB两个不同版本的比较和一个非常简单的标准：

质心。

性能测量是通过模拟实施的。

本部分，我们提出我们的算法，仿真程序，提供我们使用的无线传感器网络详细的的特点，最后是我们研究的各种参数详细的结果。

4.1仿真算法

下面是我们五个定位算法的仿真结果。

我们使用并拓展了文献[10]中的模拟器。

首先，我们根据文献[10]中指定的MCL进行运算，上面已介绍。

在第3节中描述MCB并执行。

为了与原来的MCL作进一步比较，我们对MCB的两个版本进行仿真。

第一个，简称MCF，对两阶锚节点的使用进行了一些限制。

只在滤波阶段使用，和MCL是一样的。

在实验中，这意味着MCF构造它的锚节点盒子唯一基于其锚节点盒子的一阶锚节点（如果有的话）。

它随后从样本盒抽取样本和像MCB一样根据一阶锚节点和时可以使用的信息。

我们测试的附加版本二MCB，简称MCX，在滤波和建锚节点盒子时像MCB一样利用两阶锚节点。

然而，两阶锚节点不是单独使用，仅与一阶锚节点组合使用（如果有的话）。

MCL也是这样的。

如果一个节点没有收到一阶锚节点但有收到两阶锚节点，信息将不能使用。

最后，为了与一个著名，简单而有效的定位算法进行比较，我们选择在仿真中运行质心算法。

质心通过估算所有收到的锚节点的x和y坐标的平均值来计算未知节点的位置。

4.2评价阶段

选定的定位算法已经在模拟的移动无线传感器网络中测试了。

下面，我们假设一定数量的节点和锚节点被部署在500x500的无障碍单元。

我们从而让所有的算法使用消极的信息。

节点和锚节点都是移动的。

锚节点预先知道他们的位置，例如通过使用GPS。

无线电范围r被设置为距锚节点和节点100单位。

仿真运行包括给模拟器一些参数的设置，如网络中节点的个数，锚节点的个数，他们移动的最大速度，设置无线电通信使用的不规则程度。

在模拟器中，时间是离散的。

一个节点的速度代表每个“时间单位”节点在“单位”中移动的距离。

在我们的案例20中，对于每个选定的最大速度，模拟器产生一些随机网络的配置。

每个不同的网络配置，我们模拟了200个时间单位。

前100个单位，节点无定位移动。

随后的每时间单位，节点定位后移动。

换句话说，时间冻结了，我们使用快照定位整个网络。

当定位节点时，不做任何移动。

这意味着消息传递是瞬时的，当一个节点接收到信息时，锚节点定位信息仍然是准确的。

因此，由于持续不断的运动，通信延迟，信息丢失或碰撞，或其他锚节点定位错误（即GPS误差），当这些都没有让不准确的信息出现，仿真结果代表了最好的方案。

在文献[10]，我们使用一种改进的随机位点移动模型[30]，在这个模型中，每个节点在到达其目的地之前可以在每一个时间间隔内改变其速度。

暂停时间设定0、最小的节点速度设置为0.1以避免速度衰减[31]。

平均节点速度接近于Vmax/2。

下面，速度表示为无线电范围r的倍数。

最后，像[10]中一样，我们使用50个位置估计的样本集。

分析仿真结果，我们使用以下标准。

首先，我们分析定位误差。

和文献[10]一样的做法，定位误差是由测量节点的实际位置和位置估计之间的距离计算的。

第二，我们考虑了不同算法的范围，这是可以计算位置估计的节点的百分比。

第三，我们比较了处理时间，这对于完全运行每个算法很有必要，从而排除收集锚节点位置时潜在的通信。

4.3网络特性

下面，除非另有说明，我们使用总共320个节点，被分为288个普通节点和32个锚节点。

理论上邻居节点平均数是40。

我们还实验性的确定了听到的锚节点和邻居节点的平均数。

这些值随着速度增加而下降（见图4）。

图3到6显示了一些网络特性。

在图3中，我们可以看到，节点平均速度比Vmax／2稍慢。

这种效应是由于在模拟器中移动模型的使用，为每个节点选择一个遥远的目的地，让节点在一个又一个时间间隔内以一个随机选择的速度接近这个目标。

在大多数情况下，最后一步，即在移动的最后一部分，以比它的其余部分更低的速度运行，由于距目的地的距离小于一个节点在最高速度行驶下达到的最大距离。

在许多情况下，最后的距离都很段。

图4显示了所观察到的锚节点和邻居节点密度。

平均观察到的锚节点密度，即节点可以侦听的在速度2r的4.43和速度0.1r的5.08之间变化的一阶锚节点个数。

平均观察到的节点密度，即一个节点可以听到的在速度2r的39.92和速度0.1r的44.91之间变化的普通节点数量，在这之间速度的增加会使数量略有下降。

图5显示了速度影响节点侦听到锚节点的几率。

我们在图4中看到，锚节点侦听到的数目是相当稳定的相对于节点的最大速度。

这转译为如下：

在速度0.05r，节点将保持在平均16.03个连续的时间间隔没有锚节点。

在速度2R，这个平均数下降到2.23个连续的时间间隔。

在4.4中，可以看到没有锚节点的时间间隔越多，定位不准确性越高。

最后，图6显示了连接良好的节点的平均数，即至少听到三个一阶锚节点。

平均而言，78.29%的节点连接良好。

这个范围从速度0.05r时的79.78%到速度2r的74.96%。

4.4的定位误差

最初，我们扩展的模拟器（见文献[10]）考虑了定位的和不能定位的节点共同的定位误差。

不能定位的节点被放置在部署区域的中间。

图7显示了包括不能定位节点定位误差。

此外，我们还考虑到排除不能定位的节点的定位误差（图9）和连接良好的节点定位误差，就是听到三个一阶锚节点或更多的节点（图10）。

4.4.1包括不能定位节点的定位误差

图7显示了包括不能定位节点的定位误差，即包括在部署区域中间的节点，因为他们不能够计算位置估计。

节点不能定位的几个原因。

首先，他们听不到锚节点。

质心算法通常情况下如果没有听到锚节点不能产生一个位置估计。

在MonteCarlo定位案例中，如果之前没有建立一个样本集，这个情况就可能在部署的开始发生。

第二，在MonteCarlo定位的情况下，有时已经听到锚节点，一个节点还是不能定位。

这个发生在算法不能够及时填补样品的情况下：

随机抽取已达到最大值和新的样本集仍然是空的。

这就是在此