CN103491627B - 一种集成多种算法的近距离实时精确定位方法 - Google Patents

Abstract

本发明涉及一种集成多种算法的近距离实时精确定位方法，步骤为：矿下布置一个综合接入基站，在关键部位部署具有超声波测距功能的综合接入基站；在地面控制中心初始化综合接入基站的位置；定位标签把定位数据通发送给综合接入基站；综合接入基站计算定位标签到本综合接入基站的距离d；综合接入基站把计算出来的距离连同综合接入基站的Id、定位标签的Id传递给智能异构物联网网关；智能异构物联网网关重新确定定位标签的精确位置；将定位标签信息数据和位置数据传递给地面控制中心；地面控制中心对定位标签位置进行过滤和修正得到精确的位置信息。本发明方法能够精确测定定位标签的位置，提高了定位精度，节省了成本。

Description

一种集成多种算法的近距离实时精确定位方法

技术领域

本发明涉及一种无线定位技术，具体的说是一种集成多种算法的近距离实时精确定位方法。

背景技术

近年来，国家经济的飞速发展，煤矿以及金矿都得到了蓬勃的发展，但是重大、特大矿井事故却是越来越多，目前普遍存在对矿下人员管理的困难，无法实时监控施工人员的具体位置。

现有技术中一些人员定位系统的不足如下：

(1)目前的Zigbee定位技术，定位精度比较差，使用RSSI定位模型，当每50m均匀部署固定信号获取装置时定位最高精度一般只能达到7m～10m，远远达不到精确定位的要求；

(2)目前定位精度高的技术是UWB技术，一套小范围UWB定位设备约在10万元左右，价格昂贵，成本高；但是由于井下环境需要大面积部署定位系统，使用UWB定位系统会大大增加企业的成本。

(3)应用RFID技术在矿井的井口或者一些关键的地方，对路过人员进行标记，这种方法的问题是，抗干扰能力差，漏检率高，并且不能对人员的位置进行实时跟踪。

发明内容

针对现有技术中的无线定位技术无法实现精确定位、不能对人员的位置进行实时跟踪等不足之处，本发明要解决的技术问题是提供一种定位精度高、成本低、实时性好的集成多种算法的近距离实时精确定位方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明一种集成多种算法的近距离实时精确定位方法包括以下步骤：

矿下每相隔规定距离布置一个综合接入基站，在关键部位部署具有超声波测距功能的综合接入基站；

在定位系统的设备部署完毕后，会在上地面控制中心初始化相应的综合接入基站的位置；

定位标签把定位数据通过无线网络向外发送给综合接入基站；

综合接入基站根据接收到的定位数据计算定位标签到本综合接入基站的距离d；

综合接入基站把计算出来的距离连同综合接入基站的Id、定位标签的Id传递给智能异构物联网网关；

智能异构物联网网关通过对相应定位标签的Id和定位标签的距离数据和综合接入基站的位置进行综合运算，重新确定定位标签的精确位置；

智能异构物联网网关将相应的定位标签信息数据和定位标签的位置数据传递给地面控制中心；

地面控制中心通过卡尔曼滤波定位算法会对定位标签位置进行过滤和修正得到精确的位置信息。

所述综合接入基站根据接收到的定位数据计算定位标签到本综合接入基站的距离包括以下步骤：

建立链路质量衰减二次关系模型得到各参数；

利用上述各参数计算定位标签到本综合接入基站的距离。

所述链路质量衰减二次关系模型为：

RSSI＝A_RSSId_RSSI ²+B_RSSId_RSSI+C_RSSI (1)

LQI＝A_LQId_LQI ²+B_LQId_LQI+C_LQI (2)

其中，RSSI为信号强度，LQI为链路质量，A_RSSI、B_RSSI、C_RSSI、A_LQI、B_LQI、C_LQI为二次模型的参数，d_RSSI是RSSI计算出的距离，d_LQI是LQI计算出的距离。

所述计算定位标签到本综合接入基站的距离公式为：

d＝r_RSSId_RSSI+r_LQId_LQI (3)

其中，d为计算的距离，r_RSSI是RSSI计算出距离所占的比例，d_RSSI是RSSI计算出的距离，r_LQI是LQI计算出距离所占的比例，d_LQI是LQI计算出的距离。

所述智能异构物联网网关通过对相应定位标签的Id和定位标签的距离数据和综合接入基站的位置进行综合运算的公式为：

$x=x1+r1-\frac{r1+r2-(x2-x1)}{r1+r2}r2---\left(4\right)$

其中，X为目标节点的横坐标，x1为一个阅读器的位置P1点的横轴坐标、x2为另一个阅读器的位置P2点的横轴坐标，r1、r2分别为两个阅读器到目标节点的距离。

所述地面控制中心通过卡尔曼滤波定位算法会对定位标签位置进行过滤和修正建立以下人员位置移动数学模型：

X(k)＝AX(k-1)+BU(k)+W(k) (5)

Z(k)＝X(k)+V(k) (6)

其中X(k)是k时刻的系统状态，x_k，y_k和分别为k时刻人员在坐标系中的x，y俩个方向上的位移和速度估计值，A为系统矩阵，U(k)是k时刻对系统的控制量，U(k)＝0，B为系统矩阵，W(k)和V(k)分别为状态噪声和观测噪声。

本发明具有以下有益效果及优点:

1.本发明方法采用以RSSI和LQI为主、超声波测距为辅的技术手段，来精确测定定位标签的位置，大大提高了定位精度。

2.本发明方法采用多种技术的结合，相比于UWB大大节省了成本。

3.本发明把人员定位算法的实现放在智能异构网联网网关和综合接入基站上，也大大提高了定位的实时性。

4.本发明在地面控制中心运用卡尔曼滤波算法，在提高定位精度的同时过滤了一些由于外部环境影响带来的错误的不符合实际情况的位置数据。

附图说明

图1为本发明方法应用于矿下人员定位系统拓扑图；

图2为本发明方法流程图。

具体实施方式

如图1所示，本发明使用的定位系统包括：定位标签、综合接入基站、智能异构物联网网关以及地面控制中心。

如图2所示，本发明集成多种算法的近距离实时精确定位方法包括以下步骤：

第一步：矿下每相隔规定距离(100m左右)部署一个综合接入基站，在关键地点如矿井的井口或巷道口部署具有超声波测距功能的综合接入基站；

第二步：在定位系统的设备部署完毕后，初始化综合接入基站相应位置的坐标，之后在地面控制中心初始化相应的综合接入基站的位置；

第三步：定位标签把定位数据通过无线网络向外发送给综合接入基站；

第四步：综合接入基站根据接收到的定位数据计算定位标签到本综合接入基站的距离d；

第五步：综合接入基站把计算出来的距离连同综合接入基站的Id、定位标签的Id和计算后的定位标签到综合接入基站的距离传递给智能异构物联网网关；

第六步：智能异构物联网网关通过对相应定位标签的Id和定位标签的距离数据和综合接入基站的位置进行综合运算，重新确定定位标签的精确位置；

第七步：智能异构物联网网关将相应的定位标签数据和定位标签的位置数据传递给地面控制中心；

第八步：地面控制中心通过卡尔曼滤波定位算法会对定位标签位置数据进行过滤和修正得到精确的位置信息。

所述综合接入基站根据接收到的定位数据计算定位标签到本综合接入基站的距离包括以下步骤：

建立链路质量衰减二次关系模型得到各参数；

利用上述各参数计算定位标签到本综合接入基站的距离。

所述的定位标签与综合接入基站之间是用无线信号进行通信，定位标签会周期性的把自身Id和无线信号发送出去，无线信号随着传输距离的增加其信号强度(RSSI)和链路质量(LQI)随之衰减，距离不同衰减程度也会不同，本算法重建其衰减二次关系模型如下：

RSSI＝A_RSSId_RSSI ²+B_RSSId_RSSI+C_RSSI (1)

LQI＝A_LQId_LQI ²+B_LQId_LQI+C_LQI (2)

其中A_RSSI、B_RSSI、C_RSSI、A_LQI、B_LQI、C_LQI为二次模型的参数，具体的数值由现场环境的实际测量值来确定。

所述综合接入基站会接收到定位标签传过来的信号；综合接入基站首先会使用接收到标签的信号强度(RSSI)和链路质量(LQI)根据相应的衰减模型计算出相应定位标签与本综合接入基站的距离；其次综合接入基站会把自身的Id、定位标签的Id和计算出来的距离发给智能异构物联网网关。

把两种测距方式结合得出定位标签到综合接入基站的距离d，其中r_RSSI是RSSI计算出距离所占的比例，d_RSSI是RSSI计算出距离，同理r_LQI是LQI计算出距离所占的比例，d_LQI是LQI计算出距离，当距离越近是RSSI所占的比例应该越大，LQI所占的比例越小；当距离越远是RSSI所占的比例应该越小，LQI所占的比例越大。

d＝r_RSSId_RSSI+r_LQId_LQI (3)

所述的综合接入基站会串联起来，最后接入智能异构物联网网关。

所述的智能异构物联网网关接收综合接入基站的数据：智能异构物联网网关会根据定位标签的Id和定位标签与综合结合基站的距离通过人员定位算法计算出来定位标签的精确位置。

针对隧道的特定环境，人员的位置往往会处在一个直线当中，本发明设计了一种一维定位方法。方法如下。二维定位方法则采用通用的三边定位方法。

假设2个阅读器的位置P1(x1，0)、P2(x2，0)，其中x1为P1点的横轴坐标，x2为P2点的横轴坐标，假设x1<x2,两个阅读器之间的距离为(x2-x1),阅读器到目标节点的距离分别是r1、r2，标签距离阅读器越近测量精度越高，这里进行加权处理。得出目标节点的坐标如下表示

$(x1+r1-\frac{r1+r2-(x2-x1)}{r1+r2}r2,0)---\left(4\right)$

所述的具有超声波测距功能的综合接入基站在危险区域或者重要位置部署，超声波的测距精度可以达到毫米级，但是成本比较高，所以只是在关键位置才会部署，并且测距的距离在3m—4m左右。当人员靠近这些带有超声波测距功能的综合接入基站时会触发综合接入基站进行测距。此时人员与综合接入基站的距离就是超声波测距得到的数据。

最后智能异构物联网网关会把计算出的人员位置传给地面控制中心。控制中心会运用卡尔曼滤波进行人员位置的过滤和修正。

人员位置移动的建模过程为：

1)离散控制过程的系统方程

X(k)＝AX(k-1)+BU(k)+W(k) (5)

Z(k)＝X(k)+V(k) (6)

X(k)是k时刻的系统状态，x_k，y_k和分别为k时刻人员在坐标系中的x，y俩个方向上的位移和速度估计值，A为系统矩阵，U(k)是k时刻对系统的控制量在人员定位中即U(k)＝0，B为系统矩阵。观测向量Z(k)为观测的人员定位信息， 分别为k时刻观测的在坐标系中的两个方向位移的观测值，W(k)和V(k)分别为状态噪声和观测噪声，并且W(k)和V(k)是相互独立的零均值噪声序列，即满足E[W(k)]＝E[V(k)]＝0，E[W(k)W(k)^T]＝Q，E[T(k)T(k)^T]＝R。

中t为观测时间。

2)预测过程公式为：

X(k|k-1)＝AX(k-1|k-1) (7)

P(k|k-1)＝AP(k-1|k-1)A^T+Q (8)

X(k|k-1)为预测状态值，X(k-1|k-1)为上一时刻的修正后的状态值，Q是系统的协方差。

3)校正公式为：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-X(k|k-1)) (9)

Kg(k)＝P(k|k-1)[(P(k|k-1)+R)]^-1 (10)

P(k|k)＝(I-Kg(k))P(k|k-1) (11)

X(k|k)为本时刻修正后的状态值，Kg为卡尔曼增益，P(k|k-¹)是X(k|k-¹)对应的协方差。

本发明提出一种适合矿井下人员定位系统，基于近距离无线通信技术，采用了多种物联网技术相结合的方式，通过对RSSI和LQI和超声测距的结合进行测距，并且使用了卡尔曼滤波等算法和改进的人员定位方法，大大提高的人员定位精度的同时，大大节省了成本，提高了上层监管部门对井下或者隧道中的实时监管能力。

Claims (5)

1.一种集成多种算法的近距离实时精确定位方法，其特征在于包括以下步骤：

矿下每相隔规定距离布置一个综合接入基站，在关键部位部署具有超声波测距功能的综合接入基站；

在定位系统的设备部署完毕后，在地面控制中心初始化相应的综合接入基站的位置；

定位标签把定位数据通过无线网络向外发送给综合接入基站；

所述综合接入基站接收到定位标签传过来的信号；综合接入基站首先使用接收到标签的信号强度(RSSI)和链路质量(LQI)根据相应的衰减模型计算出相应定位标签与本综合接入基站的距离；其次综合接入基站把自身的Id、定位标签的Id和计算出来的距离发给智能异构物联网网关；

把两种测距方式结合得出定位标签到综合接入基站的距离d，其中r_RSSI是RSSI计算出距离所占的比例，d_RSSI是RSSI计算出距离，同理r_LQI是LQI计算出距离所占的比例，d_LQI是LQI计算出距离，当距离越近是RSSI所占的比例应该越大，LQI所占的比例越小；当距离越远是RSSI所占的比例应该越小，LQI所占的比例越大；

d＝r_RSSId_RSSI+r_LQId_LQI (3)

所述的智能异构物联网网关接收综合接入基站的数据：智能异构物联网网关会根据定位标签的Id和定位标签与综合结合基站的距离通过人员定位算法计算出来定位标签的精确位置；

假设2个阅读器的位置P1(x1，0)、P2(x2，0)，其中x1为P1点的横轴坐标，x2为P2点的横轴坐标，假设x1<x2,两个阅读器之间的距离为(x2-x1),阅读器到目标节点的距离分别是r1、r2，标签距离阅读器越近测量精度越高，这里进行加权处理，得出目标节点的坐标如下表示：

$\left(\begin{array}{cc}x1+r1-\frac{r1+r2-(x2-x1)}{r1+r2}r2,& 0\end{array}\right)---\left(4\right)$

最后智能异构物联网网关会把计算出的人员位置传给地面控制中心；控制中心会运用卡尔曼滤波进行人员位置的过滤和修正；

人员位置移动的建模过程为：

1)离散控制过程的系统方程

X(k)＝AX(k-1)+BU(k)+W(k) (5)

Z(k)＝X(k)+V(k) (6)

X(k)是k时刻的系统状态，x_k，y_k和分别为k时刻人员在坐标系中的x，y俩个方向上的位移和速度估计值，A为系统矩阵，U(k)是k时刻对系统的控制量在人员定位中即U(k)＝0，B为系统矩阵；观测向量Z(k)为观测的人员定位信息， 分别为k时刻观测的在坐标系中的两个方向位移的观测值，W(k)和V(k)分别为状态噪声和观测噪声，并且W(k)和V(k)是相互独立的零均值噪声序列，即满足E[W(k)]＝E[V(k)]＝0，E[W(k)W(k)^T]＝Q，E[T(k)T(k)^T]＝R；

中t为观测时间；

2)预测过程公式为：

X(k|k-1)＝AX(k-1|k-1) (7)

P(k|k-1)＝AP(k-1|k-1)A^T+Q (8)

X(k|k-1)为预测状态值，X(k-1|k-1)为上一时刻的修正后的状态值，Q是系统的协方差；

3)校正公式为：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-X(k|k-1)) (9)

Kg(k)＝P(k|k-1)[(P(k|k-1)+R)]^-1 (10)

P(k|k)＝(I-Kg(k))P(k|k-1) (11)

X(k|k)为本时刻修正后的状态值，Kg为卡尔曼增益，P(k|k-1)是X(k|k-1)对应的协方差。

2.按权利要求1所述的集成多种算法的近距离实时精确定位方法，其特征在于：所述综合接入基站根据接收到的定位数据计算定位标签到本综合接入基站的距离包括以下步骤：

建立链路质量衰减二次关系模型得到各参数；

利用上述各参数计算定位标签到本综合接入基站的距离。

3.按权利要求2所述的集成多种算法的近距离实时精确定位方法，其特征在于：所述计算定位标签到本综合接入基站的距离公式为：

d＝r_RSSId_RSSI+r_LQId_LQI (3)

其中，d为计算的距离，r_RSSI是RSSI计算出距离所占的比例，d_RSSI是RSSI计算出的距离，r_LQI是LQI计算出距离所占的比例，d_LQI是LQI计算出的距离。

4.按权利要求1所述的集成多种算法的近距离实时精确定位方法，其特征在于：所述智能异构物联网网关通过对相应定位标签的Id和定位标签的距离数据和综合接入基站的位置进行综合运算的公式为：

$x=x1+r1-\frac{r1+r2-(x2-x1)}{r1+r2}r2---\left(4\right)$

其中，X为目标节点的横坐标，x1为一个阅读器的位置P1点的横轴坐标、x2为另一个阅读器的位置P2点的横轴坐标，r1、r2分别为两个阅读器到目标节点的距离。

5.按权利要求1所述的集成多种算法的近距离实时精确定位方法，其特征在于：所述地面控制中心通过卡尔曼滤波定位算法会对定位标签位置进行过滤和修正建立以下人员位置移动数学模型：

X(k)＝AX(k-1)+BU(k)+W(k) (5)

Z(k)＝X(k)+V(k) (6)

其中X(k)是k时刻的系统状态，X(k)＝[x_k,y_k,V_k ^x,V_k ^y]^T，x_k，y_k和分别为k时刻人员在坐标系中的x，y俩个方向上的位移和速度估计值，A为第一系统矩阵，U(k)是k时刻对系统的控制量，U(k)＝0，B为第二系统矩阵，W(k)和V(k)分别为状态噪声和观测噪声；Z(k)为观测向量。