CN102692241A - 一种无线定位系统的误差补偿方法 - Google Patents

Abstract

本发明涉及误差补偿技术领域，公开了一种无线定位系统的误差补偿方法，该方法充分考虑现有定位技术容易受到定位场景、环境因素等影响的特点，通过参考点在线采集系统定位误差信息作为训练数据集中的数据，利用支持向量回归方法训练该训练数据集得到系统定位误差的回归估计模型。当场景或环境改变时，更新训练数据集得到新的系统定位误差回归估计模型，最后基于该模型进行自适应误差补偿，以此提高系统的环境自适应能力和系统定位精度。

Description

一种无线定位系统的误差补偿方法

技术领域

本发明涉及误差补偿技术领域，主要适用于无线定位系统的误差补偿方法。

背景技术

随着无线通讯技术的飞速发展，其在各领域中的应用越来越广泛。特别是在定位服务领域，无线定位系统的研究是一个热门的研究课题。一直以来，传统的GPS定位系统占据着定位服务的主要市场，但其无线信号由于受到建筑物、墙壁等阻隔的影响，所以不能在室内或狭窄的街道环境工作。为此，国外许多科学家推出了基于各种无线测量技术的室内无线定位系统，如：BAT定位系统、Active badges定位系统、Cricket定位系统等，这些无线定位系统是对传统GPS定位系统一个重要补充。特别近些年来，随着无线局域网的普及，为基于802.11的无线定位系统提供了良好的基础设施，因而其有着良好的应用前景。

对于无线定位系统而言，系统的定位精度是衡量一个定位系统质量最重要的指标，而且随着这些系统在各应用领域的推广，对系统的定位精度越来越高，如：在精密测量领域，其要求系统的定位精度达到厘米级，甚至毫米级。但限于无线测量技术的限制，部分无线系统定位精度容易随着环境、场景等因素的改变而改变。如：基于超声波技术的无线定位系统（如：BAT定位系统、Cricket定位系统等），由于超声波在传输过程中衰减明显，而且超声波对周围环境温度、湿度的变化非常敏感，因而该类无线定位系统定位精度随环境温度、湿度、场景的改变而改变；基于射频识别技术的无线定位系统（如：SpotON定位系统），由于室内环境复杂、射频信号多径传播、随机噪声干扰等，因而这类系统对环境依赖很大；基于红外技术的无线定位系统由于红外信号在传输过程中容易受到障碍物阻挡，射程短，而且容易受到环境光的干扰，因而系统定位精度对环境的变化也非常敏感。所有的这些问题都会对无线定位系统的定位精度产生影响。特别是当环境场景改变时，系统的定位精度会受到相应环境场景的影响，这成为了影响这些无线定位系统推广使用一个桎梏。

解决这些问题的一个重要方法是误差补偿。目前无线定位系统误差补偿的方法都只能在特定的条件下提高无线定位系统的定位精度，缺乏对某些影响因素本身无法测量、环境随时间而改变等问题的考虑，故无线定位系统的环境自适应能力差、系统定位精度随环境的变化而变化。

发明内容

本发明所要解决的技术问题是提供一种无线定位系统的误差补偿方法，它提高了系统定位精度和系统对环境、场景的动态自适应能力。

为解决上述技术问题，本发明提供了一种无线定位系统的误差补偿方法，包括下述步骤：

步骤一：通过分析影响无线定位系统定位精度的影响因素，得到一组影响因素集V_F：={x₁，x₂，x₃，…，x_P}；

步骤二：在无线定位系统的场景中布置至少P个已知坐标的参考点；其中，P为影响因素集V_F中影响因素的个数；

步骤三：将待定位位置置于所述参考点的位置，并对所述待定位位置坐标进行定位，采集系统定位误差数据以初始化训练数据集D：={(x_i,y_i)}^N _i=1；

其中，x_i为所述影响因素集V_F中元素所组成的向量，y_i为误差向量，N为训练数据集的大小；

步骤四：通过训练所述训练数据集D，得到相应的误差回归估计模型；

步骤五：由所述误差回归估计模型得到误差估计结果；具体方法如下：

若环境有改变，则采集参考点的V_F数据作为误差回归估计模型的输入，得到相应的误差估计结果；

若环境没有改变，则采集待定位位置的V_F数据作为误差回归估计函数的输入，得到相应的误差估计结果；

步骤六：根据所述得到的误差估计结果进行误差补偿；

步骤七：判断定位位置是否是参考点；

如果是，则跳到步骤九，否则跳到步骤八；

步骤八：定位是否结束；

如果结束，则终止，否则跳到步骤五；

步骤九：对补偿效果进行评估；

如果补偿效果好，则跳到步骤八，否则跳到步骤三。

进一步的，在所述步骤一中，分析影响无线定位系统定位精度的影响因素后，通过实验对所述影响因素进行验证。

进一步的，在所述步骤一中，通过实验对所述影响因素进行验证包括：

先选取影响系统定位精度的所有因素，再依次改变其中一个因素并保持其他因素不变，然后重复定位某一个已知的参考点；如果系统定位误差随着该影响因素的改变而改变，则把该影响因素加入所述影响因素集V_F。

进一步的，在所述步骤三中，将待定位位置置于所述参考点的位置的

具体方法为：

设参考点的位置坐标为{X，Y，Z}，同时在无线定位系统中，设待定位位置为待定位设备无线信号接收天线连接该设备的连接点，坐标为{x，y，z}，使得：

$\sqrt[2]{{(X-x)}^2+{(Y-y)}^2+{(Z+z)}^2}\≤\mathrm{\ϵ}$

其中：ε趋近于0。

进一步的，所述步骤三中，在初始化所述训练数据集D时，进行无补偿定位。

进一步的，在所述步骤三中，所述系统定位误差数据为：参与定位坐标计算的距离误差、参与定位的信号强度误差或定位坐标误差。

进一步的，在所述步骤四中，通过支持向量回归算法训练所述训练数据集D。

进一步的，所述支持向量回归算法指加权支持向量回归（W-SVR）方法；其中，加权因子μ_i的确定方法为：

通过主成分分析法确定影响系统定位精度的V_F数据集中第一主成分M；设M_i为训练数据集D上第i个数据元组的的第一主成分，则

${\mathrm{\&mu;}}_i=\left\{\begin{array}{cc}\frac{M_i-M_{\min }}{M_{\max }-M_{\min }}& M_{\min }\&le;M_i\&le;M_{\max }\\ 1& M_i>M_{\max }\\ 0& M_i<M_{\min }\end{array}\right.$

其中，M_min为训练数据集D中所有记录第一主成份的最小值，M_max为训练数据集D中所有记录第一主成份的最大值。

进一步的，所述误差回归估计模型为：

$y=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(a_i-a_{i^{\&prime;}})k(x,x_i)+b$

其中，a_i、a_i’为拉格朗日乘数，k(x,x_i)为核函数，b为常量。

进一步的，在所述步骤九中，对所述补偿效果进行评估的方法为：

设参考点的位置坐标为{X，Y，Z}，误差补偿后的定位位置坐标为{x,y,z},则有：

$\mathrm{Error}=\sqrt[2]{{(X-x)}^2+{(Y-y)}^2+{(Z+z)}^2}$

如果Erro r≤λ，则可认为补偿定位效果好；

如果Error>λ，则认为补偿效果不佳，应该更新训练数据集D；

其中，λ为一常值参数，据系统定位精度而定。

本发明通过将系统定位误差数据作为训练数据集中的数据，生成系统定位误差回归估计模型，并进行在线误差补偿，以此提高系统定位精度和系统对环境、场景的动态自适应能力。

附图说明

图1为本发明提出的无线定位系统的误差补偿方法的流程图。

具体实施方式

为进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的无线定位系统的误差补偿方法的具体实施方式及工作原理进行详细说明。

由图1可知，本发明提供的无线定位系统的误差补偿方法，包括下述步骤：

步骤一：通过分析影响无线定位系统定位精度的影响因素，并通过实验对影响因素进行验证，得到一组影响因素集V_F：={x₁，x₂，x₃，…，x_P}；其中，影响因素为环境因素，包括：系统环境温度，环境湿度，压强等。通过实验对影响因素进行验证包括：先选取影响系统定位精度的所有环境因素，再依次改变其中一个因素并保持其他因素不变，然后重复定位某一个已知的参考点。如果系统定位误差随着该影响因素的改变而改变，则把该因素加入影响因素集V_F。

步骤二：在无线定位系统的场景中布置至少P个已知坐标的参考点；其中，P为影响因素集V_F中影响因素的个数。

步骤三：将待定位位置置于参考点的位置，并对待定位位置的位置坐标进行定位，采集系统定位误差数据以初始化训练数据集D：={(x_i,y_i)}^N _i=1；

其中，x_i为影响因素集V_F中元素所组成的向量，y_i为误差向量，N为训练数据集的大小；

优选的，系统定位误差数据为：参与定位坐标计算的距离误差、参与定位的信号强度误差或定位坐标误差。

步骤四：通过训练训练数据集D，得到相应的误差回归估计模型；

步骤五：由误差回归估计模型得到误差估计结果；具体方法如下：

若环境有改变，则采集参考点的V_F数据作为误差回归估计模型的输入，得到相应的误差估计结果；

若环境没有改变，则采集待定位位置的V_F数据作为误差回归估计函数的输入，得到相应的误差估计结果；

步骤六：根据得到的误差估计结果进行误差补偿；

步骤七：判断定位位置是否是参考点；

如果是，则跳到步骤九，否则跳到步骤八；

步骤八：定位是否结束；如果结束，则终止，否则跳到步骤五；

步骤九：对补偿效果进行评估；如果补偿效果好，则跳到步骤八，否则跳到步骤三。

优选的，在步骤三中，将待定位位置置于参考点的位置的具体方法为：

设参考点的位置坐标为{X，Y，Z}，同时在无线定位系统中，设待定位位置为待定位设备无线信号接收天线连接该设备的连接点，坐标为{x，y，z}，使得：

$\sqrt[2]{{(X-x)}^2+{(Y-y)}^2+{(Z+z)}^2}\&le;\mathrm{\&epsiv;}$

其中：ε趋近于0。

再优选的，在步骤四中，通过支持向量回归算法训练训练数据集D。支持向量回归算法为加权支持向量回归（W-SVR）算法；具体方法为：

对于给定的一个训练数据集D：={(x_i,y_i)}^N _i＝1，其中，x_i为输入向量，y_i为对应的输出，N为数据集的大小，通过函数将原始数据输入空间X非线性映射到高维特征空间，从而在该特征空间中产生一个线性模型：

其中：

为将输入空间X映射到高维特征空间的映射函数，W，b分别为支持向量权重和偏置，W^T为W的转置。

假设当将输入空间X映射到高维特征空间时，非线性回归模型转变为线性回归模型，W，b可以通过使如下风险函数取最小值得到：

$R\left(w\right)=\frac{1}{2}{w}^{T}w+\mathrm{\&lambda;}{\mathrm{\&Sigma;}}_{i=1}^N{|y_i-f(X,W)|}_{\mathrm{\&epsiv;}}---\left(2\right)$

其中：

ε、λ为经验参数，X为输入向量，W为权重向量，W^T为W的转置。

当引入两个松弛变量ξ_i，ξ_i’等价于下列优化问题：使得

$R\left(w\right)=\frac{1}{2}{w}^{T}w+C\left({\mathrm{\&Sigma;}}_{i=1}^N({\mathrm{\&xi;}}_i+{{\mathrm{\&xi;}}_i}^{,})\right)---\left(3\right)$

其中，C是对与回归估计函数的误差大于ε的训练数据集D上数据点的惩罚，C越大表示对这些数据点的惩罚越大。

利用W-SVR算法将式（3）改写为：

$R\left(w\right)=\frac{1}{2}{w}^{T}w+C\left({\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&mu;}}_i({\mathrm{\&xi;}}_i+{{\mathrm{\&xi;}}_i}^{,})\right)---\left(4\right)$

其中，μ_i为对待训练数据集上第i个数据点误差的态度，μ_i越大表明该数据点越重要。

可以构造如下拉格朗日函数：

其中，ɑ、ɑ’、t、t’为拉格朗日乘数；当其取得极值时，必满足：

$\frac{\&PartialD;L(w,{\mathrm{\&xi;}}_i,{{\mathrm{\&xi;}}_i}^{,},\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{,},t,t^{,})}{\&PartialD;{\mathrm{\&xi;}}_i}=t_i-(C{\mathrm{\&mu;}}_i-{\mathrm{\&alpha;}}_i)---\left(7\right)$

$\frac{\&PartialD;L(w,{\mathrm{\&xi;}}_i,{{\mathrm{\&xi;}}_i}^{,},\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{,},t,t^{,})}{\&PartialD;{{\mathrm{\&xi;}}_i}^{,}}={t_i}^{,}-(C{\mathrm{\&mu;}}_i-{{\mathrm{\&alpha;}}_i}^{,})---\left(8\right)$

将（6）（7）（8）代入（5）得到对应的对偶优化问题，使得

取最大值，并满足：

$\left\{\begin{array}{c}{\mathrm{\&Sigma;}}_{i=1}^N({\mathrm{\&alpha;}}_i-{{\mathrm{\&alpha;}}_i}^{\&prime;})=0\\ 0\&le;{\mathrm{\&alpha;}}_i\&le;C{\mathrm{\&mu;}}_i\\ 0\&le;{{\mathrm{\&alpha;}}_i}^{\&prime;}\&le;C{\mathrm{\&mu;}}_i\\ i=1,.....N\end{array}\right.\&CenterDot;\&CenterDot;\left(10\right)$

通过学习可以得到回归估计函数：

$y={\mathrm{\&Sigma;}}_{i=1}^N({\mathrm{\&alpha;}}_i-{{\mathrm{\&alpha;}}_i}^{\&prime;})K(x,x_i)+b\&CenterDot;---\left(11\right)$

其中，k(x,x_i)为核函数，b为常数。

利用高斯函数构造核： $K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{\mathrm{\&sigma;}}^2})\&CenterDot;\&CenterDot;\left(12\right)$

σ为标准差。

其中，加权因子μ_i的确定方法为：

通过主成分分析法确定影响系统定位精度的V_F数据集中第一主成分M。设M_i为训练数据集D上第i个数据元组的第一主成分，

对于训练数据集D,记因素集{x₁，x₂，x₃，…，x_P}均数分别为

标准差为S₁，S₂，…，S_p。

首先作标准化变换

然后计算相关系数矩阵，对应的特征值λ₁，λ₂，...，λ_p(按从大到小排列)及其对应的特征向量：

其中：

计算λ₁对应的特征向量

{e₁，e₂，...e_p}

再计算主成分贡献率及累计贡献率：

第i个主成分的贡献率为：

其中：i=1，2，…，P。

第i个主成分的累计贡献率为：

取累计贡献率到达85%—95%，λ₁，λ₂，...，λ_m分别对应第一、第二、第m个主成分。

再取第一主成分，再计算相应误差影响因素在第一主成分上的载荷。

其中：

i=1，2，…，P；

为第i个因素的载荷。

因而有：

设M_min为数据集D中所有记录第一主成份的最小值，M_max为-数据集D中所有记录第一主成份的最大。

则

${\mathrm{\&mu;}}_i=\left\{\begin{array}{cc}\frac{M_i-M_{\min }}{M_{\max }-M_{\min }}& M_{\min }\&le;M_i\&le;M_{\max }\\ 1& M_i>M_{\max }\\ 0& M_i<M_{\min }\end{array}\right.$

进一步优选的，在步骤九中，对补偿效果进行评估的方法为：

设参考点的位置坐标为{X,Y,Z}，误差补偿后的定位位置坐标为{x,y,z}，则有：

$\mathrm{Error}=\sqrt[2]{{(X-x)}^2+{(Y-y)}^2+{(Z+z)}^2}$

如果Error≤λ则可认为补偿定位效果好；

如果Error>λ则认为补偿效果不佳，应该更新训练数据集D；

其中，λ为一常值参数，据系统定位精度而定。

这里需要说明的是，在步骤三中，在初始化数据集D时，必须进行无补偿定位。

通过本发明提出的无线定位系统的误差补偿方法对基于超声波传感器的无线定位系统进行补偿的步骤如下：

步骤一：在整个场景中设置8个锚节点；

步骤二：分析影响无线定位系统定位精度的影响因素，并通过实验对影响因素进行验证，得到一组影响因素集V_F：={Cricket节点对之间的距离(d)，Cricket节点对之间相互形成的角度(θ)，系统环境温度，环境湿度}；

步骤三：在无线定位系统的场景中布置25个已知坐标的参考点；

步骤四：将待定位位置置于参考点的位置，并对待定位位置的位置坐标进行定位，采集系统定位误差数据以初始化训练数据集D：={(x_i,y_i)}^N _i=1；

其中，x_i=（d，θ，系统环境温度，环境湿度），y_i=d_Error，d_Error为锚节点与接收节点的距离误差。故本实施例中，在对无线定位系统进行补偿时，主要对引起该系统定位误差的接收节点和锚节点之间的所测距离d进行补偿，从而提高定位精度；

步骤五：利用支持向量回归算法训练数据集D，得到与d_Error相对应的误差回归估计模型；

步骤六：若在定位场景中持续出现噪声影响，即环境有改变，则采集参考点的V_F数据作为误差回归估计模型的输入，得到相应的误差估计结果；

若环境没有改变，则采集待定位位置的V_F数据作为误差回归估计函数的输入，得到相应的误差估计结果；

步骤七：根据得到的误差估计结果进行误差补偿；

步骤八：判断定位位置是否是参考点；

如果是，则跳到步骤十，否则跳到步骤九；

步骤九：定位是否结束；

如果结束，则终止，否则跳到步骤六；

步骤十：对补偿效果进行评估；

如果补偿效果好，则跳到步骤九，否则跳到步骤四实时更新训练数据集D。

本发明通过将系统定位误差数据作为训练数据集中的数据，生成系统定位误差回归估计模型，并进行在线误差补偿，以此提高系统定位精度和系统对环境、场景的动态自适应能力。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种无线定位系统的误差补偿方法，其特征在于，包括下述步骤：

步骤一：通过分析影响无线定位系统定位精度的影响因素，得到一组影响因素集V_F：={x₁，x₂，x₃，…，x_P}；

步骤二：在无线定位系统的场景中布置至少P个已知坐标的参考点；其中，P为影响因素集V_F中影响因素的个数；

步骤三：将待定位位置置于所述参考点的位置，并对所述待定位位置坐标进行定位，采集系统定位误差数据以初始化训练数据集D：={(x_i,y_i)}^N _i=1；

其中，x_i为所述影响因素集V_F中元素所组成的向量，y_i为误差向量，N为训练数据集的大小；

步骤四：通过训练所述训练数据集D，得到相应的误差回归估计模型；

步骤五：由所述误差回归估计模型得到误差估计结果；具体方法如下：

若环境有改变，则采集参考点的V_F数据作为误差回归估计模型的输入，得到相应的误差估计结果；

若环境没有改变，则采集待定位位置的V_F数据作为误差回归估计函数的输入，得到相应的误差估计结果；

步骤六：根据所述得到的误差估计结果进行误差补偿；

步骤七：判断定位位置是否是参考点；

如果是，则跳到步骤九，否则跳到步骤八；

步骤八：定位是否结束；

如果结束，则终止，否则跳到步骤五；

步骤九：对补偿效果进行评估；

如果补偿效果好，则跳到步骤八，否则跳到步骤三。

2.如权利要求1所述的无线定位系统的误差补偿方法，其特征在于，在所述步骤一中，分析影响无线定位系统定位精度的影响因素后，通过实验对所述影响因素进行验证。

3.如权利要求2所述的无线定位系统的误差补偿方法，其特征在于，在所述步骤一中，通过实验对所述影响因素进行验证包括：

先选取影响系统定位精度的所有因素，再依次改变其中一个因素并保持其他因素不变，然后重复定位某一个已知的参考点；如果系统定位误差随着该影响因素的改变而改变，则把该影响因素加入所述影响因素集V_F。

4.如权利要求1所述的无线定位系统的误差补偿方法，其特征在于，在所述步骤三中，将待定位位置置于所述参考点的位置的具体方法为：

设参考点的位置坐标为{X，Y，Z}，同时在无线定位系统中，设待定位位置为待定位设备无线信号接收天线连接该设备的连接点，坐标为{x，y，z}，使得：

$\sqrt[2]{{(X-x)}^2+{(Y-y)}^2+{(Z+z)}^2}\&le;\mathrm{\&epsiv;}$

其中：ε趋近于0。

5.如权利要求1所述的无线定位系统的误差补偿方法，其特征在于，所述步骤三中，在初始化所述训练数据集D时，进行无补偿定位。

6.如权利要求1所述的无线定位系统的误差补偿方法，其特征在于，在所述步骤三中，所述系统定位误差数据为：参与定位坐标计算的距离误差、参与定位的信号强度误差或定位坐标误差。

7.如权利要求1所述的无线定位系统的误差补偿方法，其特征在于，在所述步骤四中，通过支持向量回归算法训练所述训练数据集D。

8.如权利要求7所述的无线定位系统的误差补偿方法，其特征在于，所述支持向量回归算法指加权支持向量回归（W-SVR）方法；其中，加权因子μ_i的确定方法为：

通过主成分分析法确定影响系统定位精度的V_F数据集中第一主成分M；设M_i为训练数据集D上第i个数据元组的的第一主成分，则

${\mathrm{\&mu;}}_i=\left\{\begin{array}{cc}\frac{M_i-M_{\min }}{M_{\max }-M_{\min }}& M_{\min }\&le;M_i\&le;M_{\max }\\ 1& M_i>M_{\max }\\ 0& M_i<M_{\min }\end{array}\right.$

其中，M_min为训练数据集D中所有记录第一主成份的最小值，M_max为训练数据集D中所有记录第一主成份的最大值。

9.如权利要求1所述的无线定位系统的误差补偿方法，其特征在于，所述误差回归估计模型为：

$y=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(a_i-a_{i^{\&prime;}})k(x,x_i)+b$

其中，a_i、a_i’为拉格朗日乘数，k(x,x_i)为核函数，b为常量。

10.如权利要求1-9中任意一项所述的无线定位系统的误差补偿方法，其特征在于，在所述步骤九中，对所述补偿效果进行评估的方法为：

设参考点的位置坐标为{X，Y，Z}，误差补偿后的定位位置坐标为{x,y,z},则有：

$\mathrm{Error}=\sqrt[2]{{(X-x)}^2+{(Y-y)}^2+{(Z+z)}^2}$

如果Error≤λ，则可认为补偿定位效果好；

如果Error>λ，则认为补偿效果不佳，应该更新训练数据集D；

其中，λ为一常值参数，据系统定位精度而定。

Images