CN106851821B - 一种基于无线通信基站的室内三维定位方法 - Google Patents

Abstract

本发明涉及一种基于无线通信基站的室内三维定位方法，主要解决现有技术中存在的定位结果为估计值，定位结果不准确，实时性低的技术问题。本发明通过采用基站加权投票估值模型、测量值拆分模型、机器学习度量微调模型和精确三维定位模型，具体为TOA测量数据预处理，然后LS算法消除多路径误差，分离噪声函数和去干扰点影响，最后使用基于稀疏的机器学习算法，通过加权投票算法来完成多点三维精确定位，之后为了满足实际应用中实时性的要求，通过衡量基站所测数据的精度筛选定位基站，利用有限数量的基站完成精确定位的技术方案，较好的解决了该问题，可用于室内三维定位中。

Description

一种基于无线通信基站的室内三维定位方法

技术领域

本发明涉及室内定位领域，特别涉及到一种基于无线通信基站的室内三维定位方法。

背景技术

无线通信的室内定位精度问题涉及到从设备到软件系统的各个层面，终端设备的定位可能由于许多不可测因素的影响而变得难以稳定。尤其在各种复杂的场景下，终端位置的跳变、信号强度衰退造成的较大误差和时差往往是服务供应商和服务应用者无法接受的。

现有的基于无线基站的室内三维定位方法采用Chan算法解决TOA定位，TOA算法是基于所述基站和终端的通信时间t作为主要参数。每个基站位置为中心，半径为ct_i，坐标的移动终端的位置是由以基站构造多个交叉的坐标的圆形基础结构的测定。现有技术能够在视距(LOS)传播环境下获得较高的定位精度，但因为在实际生活中移动通信环境比较复杂，电波传播中的终端和基站大部分是非视距，大多数情况下主要在反射，折射和传播的散射，这样的信号传播时间比理想的视线传播条件所用的时间长。现有技术未考虑传播环境中存在的噪声与干扰对传播时延的影响存在以下技术问题：定位结果为估计值，未考虑基站距终端距离不同所对结果影响也不相同；未考虑传播环境中非视距传播的影响，造成定位结果不准确。因此，提供一种能够满足非视距传输、定位精度高的室内三维定位方法就很有必要。

发明内容

本发明所要解决的技术问题是现有技术中存在的定位结果为估计值，未考虑基站距终端距离不同所对结果影响也不相同；未考虑传播环境中非视距传播的影响，造成定位结果不准确的技术问题。提供一种新的基于无线通信基站的室内三维定位方法，该方法具有实时性高、精确度高的技术特点。

为解决上述技术问题，本发明采用的技术方案如下：

一种基于无线通信基站的室内三维定位方法，包括根据CHAN算法进行三维室内粗定位，得到TOA数据，预处理TOA数据，根据LS算法消除多路径误差，还包括：(1)建立基站投票加权估值模型，确定各基站定位时权重；(2)将TOA模型进行拆分预处理，拆分建立真实时延模型，噪声时延模型及干扰时延模型；噪声时延是在同一场景中由大量数据融合的平均误差时延值，噪声时延模型分布满足高斯模型；干扰时延模型是所有不可控因素造成的较大偏差时延值；(3)建立机器学习度量微调模型，用于优化TOA数据，建立机器学习度量微调模型对噪声时延模型及干扰时延模型进行稀疏表达，剥离真实时延、噪声时延及干扰时延；

(4)建立精确多点三维定位模型，根据所述精确多点三维定位模型计算终端精确坐标，完成室内三维定位。

上述方案中，为优化，进一步地，所述步骤(1)包括：

(A)根据所述TOA数据，估计各个基站的定位区域；

(B)计算各个基站定位区域坐标，依据各基站定位区域交叉程度定义定位区域权值；

(C)保存所定位区域权值，进入步骤(2)。

进一步地，所述步骤(2)中建立真实时延模型包括：

(a)建立概率密度函数：

(b)根据步骤(a)，得到支路附加时延的概率密度分布模型：

所述支路信号附加时延τ_i(i＝1,2,…,n)为一组相互独立的指数分布随机变量；

(c)根据步骤(b)建立τ_min的概率密度函数：

(d)计算实际到达时间为表示τ₀+τ_i中的最小值τ₀+τ_min；

其中，τ_ms均方根延迟扩展，T为τ_ms在d＝1km的中值,d为终端到基站的直线距离,ε是0.5到1的指数分量，ξ为均值为零、标准差σ_ξ为4～6bB的对数正态分布随机变量，n为发送所述信号端对应的传播路径数量，τ₀为视距波到达接收端的时间,τ_max为时延最大的支路信号的到达时间，τ_min＝min(τ₁…τ_n)，τ_msi为基站i的均方根延迟扩展。

进一步地，所述步骤(2)建立干扰时间模型包括：

(A)在系统误差和错误信道环境中，建立一个基站时信号到达时间

(B)求解任意两个基站i，j到达时间差为：

i,j＝1,2,…,m.；

(C)建立类正态分布函数：

(D)根据步骤(C)的类正态分布函数，利用最小二乘法拟合随机指数分布的信道环境误差(τ_imin,τ_jmin)，取

时，类正态分布密度曲线是指数分布密度曲线在最小二乘意义下的最优拟合，得到信道环境误差(τ_imin,τ_jmin)为

(E)根据TDOA中系统误差μ⁰和信道环境误差μ_ij，计算出i基站与j基站信号到达时间差为：

所述系统误差μ₀和信道环境误差μ_ij具有相同的高斯分布μ～N(0,σ²)，方差

其中，m为基站数量，

为理想条件下信号到达两基站的时间差，

为由基站i及基站j检测设备引起的系统误差，t₀＝cd为视线信号传播时间，c是电波空气中的传播速度，d为终端到基站的直线距离，τ⁰为系统误差,

(τ_imin,τ_jmin)为服从指数分布的信道环境误差；

进一步地，所述步骤(2)中建立噪声时延模型包括：

根据噪声强度对基站所测区域进行划分，分析判断噪声强度为曾区域分布，根据噪声强度做出等高线图，得出在所测量区域由区域中心向边缘发散分布的噪声强度。

进一步地，所述步骤(3)中建立机器学习度量微调模型包括稀疏表达，用于将真实时延与噪声时延及干扰时延进行剥离，具体过程为：

定义长度为N的任意离散信号

使用基于训练的学习方法，根据ψ及S求解

其中，X＝[x₁,x₂...,x_n]是TOA数据集，S＝[s₁,s₂,...,s_n]稀疏表达，ψ为一组基向量{ψ_i}，θ为信号在正交基下展开的系数。

进一步地，所述步骤(4)所述建立精确多点三维定位模型包括：

Step1：利用全基站投票加权估值模型计算基站的权值；

Step2：利用当前场景下噪声时延和干扰时延模型移出所测数据噪声时延和干扰时延；

Step3：利用机器学习算法模型对所测数据进行进一步的优化微调；

Step4：利用最终精确测量数据和TOA定位算法计算终端精确坐标。

进一步地，所述室内三维定位方法还包括：

建立定位精度与参数关系的模型，用于量化分析定位精度与参数关系变化；

依据所述定位精度与参数关系模型建立精确三维定位优化模型；

将所述精确三维定位优化模型应用于所述精确多点三维定位模型，优化所述终端精确坐标；

优化过程包括求解完成最优三维定位精度的最小基站数量。

本发明建立新的TOA模型，将TOA拆解为真实时延、噪声时延和干扰时延。噪声时延是在同一场景中由大量数据融合的平均误差时延值，其分布大致满足高斯模型；而干扰时延是所有不可控因素造成的较大偏差时延值。进行全基站加权投票，大量基站投票的重叠区域具有很高的权值，最终加权平均后的值就是我们接下来迭代的初始点。根据机器学习的思想对所有的噪声时延和干扰时延进行稀疏表达，将真实时延和前者进行剖离，即处理后的TOA数据在消去误差后的值具有很高的一致性，而被消去的误差值是相对稀疏的。本发明在1米的欧氏距离偏差范围内能达到96.3％的定位成功率。

进一步地，通过去掉噪声时延及干扰时延较大的基站，剩下最少的可以满足定位精度的基站。依据加权投票判定的方式，在每一次迭代中对基站的贡献进行排序，能够保证原1/6的基站获得原1.5倍的定位误差代价，能够满足1米内的定位精度。

本发明的有益效果：

效果一，提高了移动终端定位的稳定性；

效果二，提高了定位精度；

效果三，减少了基站数量，提高了利用率。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1，TOA算法原理示意图。

图2，实施例1中室内三维定位方法示意图。

图3，典型的信道环境近似的参数基准值示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1,

本实施例提供一种基于无线通信基站的室内三维定位方法。如图2所示，根据CHAN算法进行三维室内粗定位，得到TOA数据，预处理TOA数据，根据LS算法消除多路径误差，还包括：(1)建立基站加权投票估值模型；(2)将所述TOA模型进行拆分预处理，拆分建立真实时延模型，噪声时延模型及干扰时延模型；(3)建立机器学习度量微调模型，用于优化TOA数据；(4)建立精确多点三维定位模型，根据所述精确多点三维定位模型计算终端精确坐标，完成室内三维定位。

如图1所示，TOA算法使用CHAN算法，基于所述基站和终端的通信时间t作为主要参数。每个基站位置为中心，半径为ct_i，坐标的移动终端的位置是由以基站构造多个交叉的坐标的圆形基础结构的测定。

建立目标终端基站的位置为原点建立坐标系，获得以下方程：

其中，(x，y)为待定的终端位置的坐标，(xi，yi)是基站i的坐标，ti为终端和基站1之间的信号传播测量时间，c是恒定光速，n为基站的数量。Chan算法用于非线性方程组TOA定位算法的求解，过程是通过二次最小方差LS估计公式的最优解。

首先在第一LS里假定的x，y，k是三个独立的未知数，求解线性方程组；假定第二LS，与x，y，k是未知的，重建一组方程以获得最终终端的定位估计，得到：

其中K＝x²+y²，

R_i＝ct_i。

其中，当n＞2时，方程中未知数个数小于方程的个数，即为非线性的超定方程组，由于干扰噪声，测量误差等因素，G_aZ_a＝h的n个方程相交于一点而无法获得解，但能满足方程解族，其中：

假设矩阵三个未知数，彼此独立的，第二个LS是使用三个未知数是内在联系的构成方程，进行第一个LS估计，得到

Z_a′G_a′＝h′其中：

ψ＝4BQB；

B＝diag(R₁,R₂,...,R_n)；

n＝diag(n₁,n₂,...,n_n)；

Q＝E[nn^T]；

n_i为R_i所对应的误差量；

进行第二次LS估计

根据终端的估计位置为

的最终解作为一组的TOA定位算法的位置估计。

所述步骤(1)包括：

(A)根据所述TOA数据，估计各个基站的定位区域；

(B)计算各个基站定位区域坐标，依据各基站定位区域交叉程度定义定位区域权值；

(C)保存所定位区域权值，进入步骤(2)。

如图3所示，为典型的信道环境近似的参数基准值，在实际应用中，对于特定的信道环境，必须通过对数据进行统计分析来测定，以确定各参数的特定值。图书中统计模型未考虑到信号传播信道的环境影响，表示单一基站无线电信号路径的信号传播延迟NLOS的统计规律指数分布，但不能反映多路径传播延迟的情况下各分支分布规律。因此，基于NLOS传播附加时延服从指数分布的特性，多径信号传输延迟，建立真实时延模型包括：

(a)建立概率密度函数：

(b)根据步骤(a)，得到支路附加时延的概率密度分布模型：

所述支路信号附加时延τ_i(i＝1,2,…,n)为一组相互独立的指数分布随机变量；

(c)根据步骤(b)建立τ_min的概率密度函数：

(d)计算实际到达时间为表示τ₀+τ_i中的最小值τ₀+τ_min；

其中，τ_ms均方根延迟扩展，T为τ_ms在d＝1km的中值,d为终端到基站的直线距离,ε是0.5到1的指数分量，ξ为均值为零、标准差σ_ξ为4～6bB的对数正态分布随机变量，n为发送所述信号端对应的传播路径数量，τ₀为视距波到达接收端的时间,τ_max为时延最大的支路信号的到达时间，τ_min＝min(τ₁…τ_n)。

由于多径的存在下，基站可以在(τ₀,τ_max)时间间隔内检测到相同的信号的独立分量，每个分量的到达时间τ₀+τ_i。TDOA定位，利用信号的到达时间差解双曲线定位方程组时，每个基站的信号到达时间越接近，得到的位置处的终端所获得的实际位置的坐标越接近于终端的真实的位置。该信号的到达TOA时，将多径支路中最早到达基站的信号的到达时间作为信号的实际到达时间，为τ₀+τ_i中的最小值τ₀+τ_min。

传播过程中信号传输和多路径效应的主要原因是误差信号到达时间,基站信号检测过程中存在随机误差系统，随机误差系统包括精密测试设备和测试方法。因此,检测信号到达时间包含两个方面的误差：系统误差和错误信道环境中，所述步骤(2)建立干扰时间模型包括：

(A)在系统误差和错误信道环境中，建立一个基站时信号到达时间

(B)求解任意两个基站i，j到达时间差为：

i,j＝1,2,…,m.；

(C)建立类正态分布函数：

(D)根据步骤(C)的类正态分布函数，利用最小二乘法拟合随机指数分布的信道环境误差(τ_imin,τ_jmin)，取

时，类正态分布密度曲线是指数分布密度曲线在最小二乘意义下的最优拟合，得到信道环境误差(τ_imin,τ_jmin)为

(E)根据TDOA中系统误差μ⁰和信道环境误差μ_ij，计算出i基站与j基站信号到达时间差为：

所述系统误差μ⁰和信道环境误差μ_ij具有相同的高斯分布μ～N(0，σ²)，方差

其中，m为基站数量，

为理想条件下信号到达两基站的时间差，

为由基站i及基站j检测设备引起的系统误差，t₀＝cd为视线信号传播时间，c是电波空气中的传播速度，d为终端到基站的直线距离，τ⁰为系统误差,

(τ_imin,τ_jmin)为服从指数分布的信道环境误差。

i基站与j基站信号到达时间差

为TDOA定位信号到达时间差误差分布模型。分析误差分布模型，任何两个基站的到达时间差误差服从是随机变量高斯分布，所示高斯分布具有零均值，所述方差是由系统检测设备的精度和移动通信环境所决定。

所述步骤(2)中建立噪声时延模型包括：

根据噪声强度对基站所测区域进行划分，分析判断噪声强度为曾区域分布，根据噪声强度做出等高线图，得出在所测量区域由区域中心向边缘发散分布的噪声强度。

通过步骤(1)级步骤(2)对度量值拆分模型的改进，在一定程度上消除了TOA数据由于时延，噪声等引起的误差。建立了机器学习度量微调模型进行优化。

所述步骤(3)中建立机器学习度量微调模型，包括稀疏表达，用于将真实时延与噪声时延及干扰时延进行剥离，进一步提高定位精确度。一个降维的具有稀疏性的矩阵集合包含重构原始信号的足够信息，用于实现重建三维定位真实值，具体过程为：

定义长度为N的任意离散信号

使用基于训练的学习方法，根据ψ及S求解

其中，X＝[x₁,x₂...,x_n]是TOA数据集，S＝[s₁,s₂,...,s_n]稀疏表达，ψ为一组基向量{ψ_i}，θ为信号在正交基下展开的系数。

机器学习使用归纳、综合，包括研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。基于稀疏性的机器学习方法具有减少计算复杂度，提高原方法性能。通过基于稀疏性的机器学习能有效地提高三维定位的精确程度。

通过上述TOA测量数据预处理、LS算法消除多路径误差和分离噪声等步骤后，提高了信号定位的准确率。但多个基站定位一个终端时，仍然存在不可避免的误差。

所述步骤(4)所述建立精确多点三维定位模型包括：

Step1：利用全基站投票加权估值模型计算基站的权值；

Step2：利用噪声时延和干扰时延模型移出所测数据噪声时延和干扰时延；

Step3：利用机器学习算法模型对所测数据进行进一步的优化微调；

Step4：利用最终精确测量数据和TOA定位算法计算终端精确坐标。

本实施例利用机器学习的思想通过深入解析TOA数据，获得亚米级的精准3D定位，并对干扰场景进行建模，识别出终端可能受到的持续干扰，保证了移动终端定位的稳定性。经过计算，本实施例在1米的欧氏距离偏差范围内能达到96.3％的定位成功率。

实施例2

本实施例在实施例1的基础上进一步优化，使用更少的基站数量来精确定位终端坐标。

一种基于无线通信基站的室内三维定位方法，还包括优化，建立定位精度与参数关系的模型，用于量化分析定位精度与参数关系变化；依据所述定位精度与参数关系模型建立精确三维定位优化模型；将所述精确三维定位优化模型应用于所述精确多点三维定位模型，优化所述终端精确坐标。所述优化过程为求解完成最优三维定位精度的最小基站数量。

优化过程能够提高实时性，用尽可能少的基站数量来精确定位终端坐标，实现近似最优的三维定位精度。包括根据干扰时延，噪声时延，无线电信号在室内、室外各自传播的特性以及分析采集数据集。本实施例相对于实施例1，采用实施例1中1/6的基站数量获得1.5倍的定位误差代价，能够满足1米内的定位精度。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (7)

1.一种基于无线通信基站的室内三维定位方法，包括，根据CHAN算法进行三维室内粗定位，得到TOA数据，预处理TOA数据，根据LS算法消除多路径误差，其特征在于，所述方法还包括：

(1)建立基站投票加权估值模型，确定各基站定位时权重；

(2)将TOA模型进行拆分预处理，拆分建立真实时延模型，噪声时延模型及干扰时延模型；

噪声时延是在同一场景中由大量数据融合的平均误差时延值，噪声时延模型分布满足高斯模型；干扰时延模型是所有不可控因素造成的较大偏差时延值；

(3)建立机器学习度量微调模型，用于优化TOA数据，建立机器学习度量微调模型对噪声时延模型及干扰时延模型进行稀疏表达，剥离真实时延、噪声时延及干扰时延；

(4)建立精确多点三维定位模型，根据所述精确多点三维定位模型计算终端精确坐标，完成室内三维定位；

所述步骤(4)所述建立精确多点三维定位模型包括：

Step1：利用全基站投票加权估值模型计算基站的权值；

Step2：利用噪声时延和干扰时延模型移出所测数据噪声时延和干扰时延；

Step3：利用机器学习算法模型对所测数据进行进一步的优化微调；

Step4：利用最终精确测量数据和TOA定位算法计算终端精确坐标。

2.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(1)包括：

(A)根据所述TOA数据，估计各个基站的定位区域；

(B)计算各个基站定位区域坐标，依据各基站定位区域交叉程度定义定位区域权值；

(C)保存所定位区域权值，进入步骤(2)。

3.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(2)中建立真实时延模型包括：

(a)建立概率密度函数：

(b)根据步骤(a)，得到支路附加时延的概率密度分布模型：

所述支路信号附加时延τ_i(i＝1,2,…,n)为一组相互独立的指数分布随机变量；

(c)根据步骤(b)建立τ_min的概率密度函数：

(d)计算实际到达时间为表示τ₀+τ_i中的最小值τ₀+τ_min；

其中，τ_ms均方根延迟扩展，T为τ_ms在d＝1km的中值,d为终端到基站的直线距离,ε是0.5到1的指数分量，ξ为均值为零、标准差σ_ξ为4～6bB的对数正态分布随机变量，n为发送所述信号端对应的传播路径数量，τ₀为视距波到达接收端的时间,τ_max为时延最大的支路信号的到达时间，τ_min＝min(τ₁…τ_n)，τ_msi为基站i的均方根延迟扩展。

4.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(2)建立干扰时延模型包括：

(A)在系统误差和错误信道环境中，建立一个基站时信号到达时间

(B)求解任意两个基站i，j到达时间差为：

i,j＝1,2,…,m.；

(C)建立类正态分布函数：

(D)根据步骤(C)的类正态分布函数，利用最小二乘法拟合随机指数分布的信道环境误差(τ_imin,τ_jmin)，取

时，类正态分布密度曲线是指数分布密度曲线在最小二乘意义下的最优拟合，得到信道环境误差(τ_imin,τ_jmin)为

(E)根据TDOA中系统误差μ⁰和信道环境误差μ_ij，计算出i基站与j基站信号到达时间差为：

所述系统误差μ⁰和信道环境误差μ_ij具有相同的高斯分布μ～N(0，σ²)，方差

其中，m为基站数量，

为理想条件下信号到达两基站的时间差，

为由基站i及基站j检测设备引起的系统误差，t₀＝cd为视线信号传播时间，c是电波空气中的传播速度，d为终端到基站的直线距离，τ⁰为系统误差,

(τ_imin,τ_jmin)为服从指数分布的信道环境误差。

5.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(2)中建立噪声时延模型包括：

根据噪声强度对基站所测区域进行划分，分析判断噪声强度为曾区域分布，根据噪声强度做出等高线图，得出在所测量区域由区域中心向边缘发散分布的噪声强度。

6.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(3)中建立机器学习度量微调模型包括稀疏表达，用于将真实时延与噪声时延及干扰时延进行剥离，具体过程为：

定义长度为N的任意离散信号

使用基于训练的学习方法，根据ψ及S求解

其中，X＝[x₁,x₂...,x_n]是TOA数据集，S＝[s₁,s₂,...,s_n]稀疏表达，ψ为一组基向量{ψ_i}，θ为信号在正交基下展开的系数。

7.根据权利要求1-6任一所述的室内三维定位方法，其特征在于：所述室内三维定位方法还包括：

建立定位精度与参数关系的模型，用于量化分析定位精度与参数关系变化；

依据所述定位精度与参数关系模型建立精确三维定位优化模型；

将所述精确三维定位优化模型应用于所述精确多点三维定位模型，优化所述终端精确坐标；

优化过程包括求解完成最优三维定位精度的最小基站数量。

Images