1 CC2430芯片介绍

CC2430芯片具有性能高、功耗低、接收灵敏度高、抗干扰性强、硬件CSMA/CA支持、数字化RSSI/LQI支持、DMA支持等特点，支持无线数据传输率高达250 kbps.

2 TinyOS系统与nesC语言

由于无线传感器网络的特殊性，需要操作系统能够高效地使用传感器节点的有限内存、低功耗处理器、多样传感器、有限的电源，并且能对各种特定应用提供最大的支持。

基于此，UC Berkeley研究人员专为嵌入式无线传感器网络开发出TinyOS系统，目前已经成为无线传感器网络领域事实上的标准平台。 TinyOS系统具有组件化编程、事件驱动模式、轻量级线程技术、主动消息通信技术等特点。TinyOS采用组件架构方式，快速实现各种应用，组件包括网络协议、分布式服务、传感器驱动以及数据获取工具等，一个完整的应用系统通过组合不同的组件来实现。采用事件驱动的运行模型，可以处理高并发性的事件，并实现节能。

TinyOS应用程序通常由顶层配件、核心处理模块和其它组件构成。每个应用程序有且仅有一个顶层配件，组件间通过接口进行连接通信，下层组件提供接口，通过provideinterface interfaceName来声明，上层组件使用接口，通过useinterface interfaceName来声明。接口提供两类函数，分别是命令（command）函数与事件（event）函数，上层组件向下层组件发出命令，启动下层组件的功能：下层组件完成相应的功能后向上层组件报告事件。应用程序总体框架如图1所示。

TinyOS系统本身以及应用程序都是采用nesC语言编写，nesC语言是对C语言的扩展，具有类似于C语言的语法，但支持TinyOS的并发模型，同时具有组件化机制，能够与其他组件连接在一起从而形成一个鲁棒性很好的嵌入式系统。nesC语言把组件化/模块化的编程思想和基于事件驱动的执行模型紧密结合起来。应用nesC语言能够更快速方便地编写基于TinyOS的应用程序。

3 RSSI定位原理

RSSI全称Received Signal Strength Indicator（接收信号强度指示），是一种基于距离的定位算法。RSSI原理是已知发射节点的发射信号强度，接收节点根据接收信号的强度，计算出信号在传播过程中的损耗，利用理论和经验模型将传输损耗转化为距离，再根据接收节点的已知位置利用三边测量法计算出发射节点的位置。由于该方法不需要额外的硬件设备，是一种低功耗廉价的测距技术，因此在很多项目中得到了广泛的应用。

本文在RSSI定位基础上使用质心算法提高定位精度，如图2所示，最后求得的盲节点坐标为点D、E和F组成的三角形的质心。

4 定位算法在TinyOS中的实现

根据RSSI测距原理，要确定盲节点的位置，至少需要三个锚节点（已知位置的接收节点），并需要一个汇聚节点来传输各锚节点的RSSI寄存器值到PC机，最终通过串口调试助手来显示结果并进一步定位盲节点坐标。下面分别介绍移动盲节点、静态锚节点以及汇聚节点的实现流程。

4.1 盲节点

盲节点的主要任务是向所有锚节点广播信息，具体的流程如图3所示。

Tiny OS程序顶层配件主体如下：

4.2 静态锚节点

锚节点主要功能是接收盲节点的广播信息，然后提取RSSI寄存器中的值，通过路由层发送接口转发给汇聚节点，或转发其它锚节点的数据给汇聚节点。主要实现流程如图4所示。

锚节点的组件连接如下：

静态锚节点通过CC2420Packet接口来获取RSSI值，具体函数如下：

rssi=（（int）call CC2420Paeket.getRssi（msg））；

4.3 汇聚节点

汇聚节点，也称为基站，主要负责接收各锚节点发送的接收表信息，包括锚节点ID、DSN和RSSI,并将这些数据包通过串口转发到PC机。具体流程如图5所示。

汇聚节点组件连接如下：

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。