CN109270489B - 基于uwb的nlos隧道环境下的实时连续定位方法 - Google Patents

Abstract

本发明公开了一种基于UWB的NLOS隧道环境下的实时连续定位方法，包括：每个标签节点与所有邻近的锚点不断通信，测量出从自己到锚点的距离，采用最小二乘法预测标签节点的位置，然后采用基于贪心的聚类算法来估算标签节点的位置，最后根据预测位置和估算位置确定标签节点的最终位置。本发明方法使得定位更加准确，满足了隧道人员和车辆定位的需要。

Description

基于UWB的NLOS隧道环境下的实时连续定位方法

技术领域

本发明涉及一种基于UWB的NLOS隧道环境下的实时连续定位方法，属于室内定位技术领域。

背景技术

定位在我们的生活中扮演着重要的角色，并被广泛应用于不同的应用领域，如导航，天气报告，目标搜索。全球定位系统(Global Positioning System,GPS)和北斗导航系统(Beidou Navigation System,BDNS)是典型的室外应用系统，可以实现米级定位精度。但是，当我们需要定位建筑物内的移动设备时、隧道等封闭环境下，卫星的信号强度很弱，无法通过室外定位技术找出其位置。

近年来，超宽带(Ultra-wideband,UWB)定位正在成为室内场景中一种有前途的技术。理论上，它可以提供厘米级的精度，这比户外定位技术的精度要高得多。但是，如果有阻碍，这可能会阻挡视线传输信号，从而显着降低测量精度。而且，传输距离是可能降低准确度的另一个因素。通常情况下，当距离大于100米时，精度会降低。现今，减少测量过程中的误差已成为一个热门研究课题，可采用参数选取的不同来减少定位中的误差诸如信号强度(Received Signal Strength,RSS)，到达角(Angle of Arrival,AOA)，TOA(到达时间)和到达时间(Time of Arrival,TOA)。

由于室内无线电波受到严重的多径干扰和阴影效应干扰，导致RSS和AOA测量误差大于TOA。所以，在室内定位中常用的测量值是TOA。在室内环境下，由于墙壁、天花板或其他物体，导致视距传播路径很弱或者不存在。在这种情况下，将导致严重的TOA误差。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于UWB的NLOS隧道环境下的实时连续定位方法，应用最小二乘法对未知节点的位置进行主动预测，在确定锚点集之后，基于贪心的聚类算法来估计标签节点的位置，通过预测位置和测量位置共同确定最终位置，达到了厘米级定位精度，满足了隧道人员和车辆定位的需要。

为实现上述目的，本发明所采用的技术方案如下：

基于UWB的NLOS隧道环境下的实时连续定位方法，包括以下步骤：

1)预先部署若干个锚点，两个锚点之间的间隔为50米，隧道的宽度是10米，在隧道中设若干个标签节点，每个标签节点配备一个LORA通信模块，标签节点计算出与锚点的距离后，用LORA信道将距离的值发送到隧道外的LORA基站，LORA基站通过有线电缆直接连接到定位服务器，在定位服务器中执行定位算法；

2)每个标签节点与所有邻近的锚点不断通信，测量出从自己到锚点的距离，通过距离异常值滤波法消除孤立点；

3)定位服务器通过过去某一时刻T与在时刻T时标签节点的测量位置Y，使用最小二乘法进行曲线的拟合，预测标签节点的位置；

4)定位服务器执行基于贪心的聚类算法来估算标签节点的位置，得到标签节点的测量位置；

5)通过预测位置和测量位置共同确定最终位置，然后定位服务器在缓冲表中更新相应的位置，最后传送到标签节点。

前述的定位服务器为提供统一的接口，一旦收到位置请求，定位服务器就会将结果发送给请求者。

前述的距离异常值滤波法具体过程为：

假设有m个样本x₁,x₂,…,x_m，x_j表示第j次测量的标签节点与锚点之间的距离，j＝1,2,……,m，m个样本的平均距离

表示为：

然后计算样本的方差σ：

最后，判断每个测量距离与平均距离的差的绝对值，如果该绝对值大于3σ，则为异常值，则消除该样本点，

前述的时刻T与在时刻T时标签节点的测量位置Y呈线性关系：

Y＝β₀+γ₁T

其中，β₀和β₁为未知的参数；

确定成本函数P如下：

其中，y_i为第i个标签节点所测量的自己的位置，n为标签节点个数，t_i表示时刻；

以最小化成本函数，求解β₀和β₁的值：

在使用Cramer法则后，得到：

最终确定标签节点的预测位置。

前述的在实际计算过程中，分别拟合标签节点x坐标与时间的拟合曲线，得到标签节点的x轴预测位置x_a，拟合标签节点y坐标与时间的拟合曲线，得到标签节点的y轴预测位置y_a，最终得到标签节点的预测位置(x_a,y_a)；所有的标签节点都得到其预测位置。

前述的步骤4)中，基于贪心的聚类算法，具体如下：

41)任何2个锚点都能够根据距离计算少于2个潜在的位置，然后将这些位置添加到位置候选集S中；

42)根据位置候选集，生成一个无向图G＝(V,E)，其中，无向图G代表一个标签节点的所有潜在位置，V代表潜在位置的点集，E代表点之间有关联的边集，权重w代表两节点之间的距离；

43)如果一个聚类中没有任何节点，即为空集，则从E中选择一条权重最小的边(v,w)加入该聚类，并且从E中将(v,w)删除；其中，v,w表示构成边(v,w)的两个点；

44)如果边(v,u)存在与当前聚类C_i相连接的边，则更新点v,u到当前聚类C_i中，即C_i＝(C_i,v,w)；否则构建一个新聚类C_j＝{u,v}；

45)如果一个聚类中达到了k个点，则计算聚类中k个点的横、纵坐标之和：

x1＝x1+v.x；

y1＝y1+v.y；

其中，v.x代表节点v的横坐标，x1＝x1+v.x代表k个节点之间横坐标的叠加；v.y代表节点v的纵坐标，y1＝y1+v.y代表k个节点之间纵坐标的叠加；

46)最终得到标签节点坐标为：x_b＝x1/k，y_b＝y1/k。

前述的步骤5)中，最终位置确定如下：

定义权重α、β，然后用下面的方程计算得到标签节点的最终位置(x,y)：(x,y)＝α(x_a,y_a)+β(x_b,y_b)，

权重满足：α+β＝1。

与现有技术相比，本发明具有如下有益效果：

采用UWB定位技术提供了一种去除异常值的方法以减少非视距传输的影响。此外，应用最小二乘法对未知节点的位置进行主动预测，在确定锚点集之后，提出了一种基于贪心的聚类算法来估计标签节点的位置，通过预测位置和测量位置共同确定最终位置，使得定位更加准确，满足了隧道人员和车辆定位的需要。

附图说明

图1为本发明应用场景的网络体系结构。

图2为本发明实施例中最小二乘法的x坐标与时间的拟合曲线。

图3为实施例中标签节点的可能位置。

图4为实施例中本发明方法所计算的标签节点的具体位置。

图5为实施例中本发明方法所计算的标签节点位置与标签节点实际位置的差距。

图6为实施例中普通定位方法的定位结果。

图7为实施例中本发明方法的定位结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的网络拓扑结构细节描述如下：

如图1中所示，预先部署6个锚点，两个锚点之间的间隔为50米，隧道的宽度是10米，锚点的作用是控制点或者参考点，其天线的位置和姿态是固定的，其位置用其它手段精确测量出来，输入到系统中作为参考点。此外，还有2个标签节点，标签节点是需要定位的目标，标签节点与所有邻近的锚不断通信，测量出从自己到锚点的距离。为了避免布线的麻烦，每个标签节点都配备了一个LORA通信模块。标签节点计算出与锚点的距离后，用LORA信道将距离的值发送到隧道外的LORA基站。LORA基站通过有线电缆直接连接到定位服务器，在定位服务器中执行定位算法。在计算出最新的二维位置后，定位服务器将在缓冲表中更新相应的位置。定位服务器为其他应用程序提供统一的接口，一旦收到位置请求，定位服务器就会将结果发送给请求者。

本发明的基于UWB的NLOS隧道环境下的实时连续定位方法，包括以下步骤：

1、每个标签节点与所有邻近的锚点不断通信，通过距离异常值滤波法消除孤立点，更加精确测量到锚点的距离。距离异常值滤波法步骤如下：

假设有m个样本x₁,x₂,…,x_m，x_j表示第j次测量的标签节点与锚点之间的距离，j＝1,2,……,m,平均距离可以用下面的方程来计算：

其中，

表示样本的平均距离。

然后，得到样本的方差σ：

最后，判断每个测量距离与平均距离的差的绝对值，如果该绝对值大于3σ，则为异常值，则消除该样本点，

2、定位服务器通过过去某一时刻T与在时刻T时标签节点的实际位置Y使用最小二乘法进行曲线的拟合，从而预测标签节点位置。拟合步骤如下：

在很短的时隙中，T与实际位置Y呈近似线性关系：

Y＝β₀+β₁T

为了计算β₀和β₁，应用β₀和β₁应该使计算的函数曲线和测量值之间的差值之和最小化的规则，描述如下：

其中，y_ie为标签节点位置基于函数曲线的预测值，y_i为标签节点所测量的自己的位置，n为标签节点个数。

根据过去某一时刻T与在时刻T时标签节点的实际位置Y呈线性关系Y＝β₀+β₁T，则：

y_ie＝β₀+β₁t_i

t_i表示第i个标签节点的过去某一时刻。

在确定了成本函数之后可以得到解决方案，成本函数如下：

以最小化成本函数，求解β₀和β₁的值：

在使用Cramer法则后，可以得到以下方程：

根据上式，可以计算出β₀和β₁的估计值，然后可以得到标签节点的预测位置。

在实际计算过程中，分别拟合标签节点x坐标与时间的拟合曲线，得到标签节点的x轴预测位置x_a，拟合标签节点y坐标与时间的拟合曲线，得到标签节点的y轴预测位置y_a，最终得到标签节点的预测位置(x_a,y_a)。

3、定位服务器执行基于贪心的聚类算法来估算标签节点的位置。基于贪心的聚类算法如下：

每个标签节点可以测量到多个锚点的距离，多个锚点接收标签节点的距离测量信号。任何2个锚点都可以根据距离计算少于2个潜在的位置，然后将这些位置添加到位置候选集S中。

根据位置候选集，生成一个无向图G＝(V,E)。其中，无向图G代表一个标签节点的所有潜在位置，V代表潜在位置的点集，E代表点之间有关联的边集，权重w代表两节点之间的距离。聚类过程如下：

1)如果一个聚类中没有任何其它成员节点，即为空集，则从E中选择一条权重最小的边(v,w)加入该聚类，并且从E中将(v,w)删除；其中，v,w表示点；

2)如果边(v,u)存在与当前聚类C_i相连接的边，则更新点v,u到当前聚类C_i中，即C_i＝(C_i,v,w)；否则构建一个新聚类C_j＝{u,v}；

3)如果一个聚类中达到了k个点，则计算聚类中k个点的横、纵坐标之和：

x1＝x1+v.x；

y1＝y1+v.y；

其中，v.x代表节点v的横坐标，x1＝x1+v.x代表k个节点之间横坐标的叠加；v.y代表节点v的纵坐标，y1＝y1+v.y代表k个节点之间纵坐标的叠加；

得到标签节点坐标为：x_b＝x1/k，y_b＝y1/k。

4、通过预测位置和测量位置共同确定最终位置，定位服务器将在缓冲表中更新相应的位置，最后传送到标签节点。通过预测位置和测量位置共同确定最终位置的方法如下：

根据步骤2得到预测位置为(x_a,y_a)，根据步骤3得到测量位置为(x_b,y_b)。

在实际中定义两个位置的不同的权重α、β，然后用下面的方程计算得到最终的位置：(x,y)＝α(x_a,y_a)+β(x_b,y_b),

α+β＝1。

实施例

在实验台上，有四个固定的锚，由5米乘4米的矩形区域组成，标签节点被部署到该区域，标签节点不断地测量到锚节点的距离，然后通过Lora将计算出的距离发送到服务器。在实验中，选取了25个标签节点来评估静态定位精度。图2给出了基于最小二乘法的x坐标与时间的拟合曲线，线性方程为f(t)＝7.899t+39.25，置信度为95％。用相似的方法可以得到y坐标与时间的拟合曲线。然后，可以获得预测位置。

在图3中，黑色圆点代表实验中标签节点的可能位置，采用本发明中提出基于贪心的聚类算法，得到估算位置如图4中所示，中间大圆点为本发明所提出的定位算法得到的位置。

在图5中，小的实心圆点是指标签节点的实际位置，大的空心圆点是指位置服务器计算出的位置，图中，长度指的是测量误差，本实施例中，平均误差d为20.48厘米。

其中，x_b(i)，y_b(i)为标签节点的测量位置，x_r(i)，y_r(i)为标签节点的实际位置。

将图6和图7进行对比可知，图7中的离散点波动性更小，可控范围更精确，因此本发明所提出的方法能够获得更准确地定位。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.基于UWB的NLOS隧道环境下的实时连续定位方法，其特征在于，包括以下步骤：

1)预先部署若干个锚点，两个锚点之间的间隔为50米，隧道的宽度是10米，在隧道中设若干个标签节点，每个标签节点配备一个LORA通信模块，标签节点计算出与锚点的距离后，用LORA信道将距离的值发送到隧道外的LORA基站，LORA基站通过有线电缆直接连接到定位服务器，在定位服务器中执行定位算法；

2)每个标签节点与所有邻近的锚点不断通信，测量出从自己到锚点的距离，通过距离异常值滤波法消除孤立点；

3)定位服务器通过过去某一时刻T与在时刻T时标签节点的测量位置Y，使用最小二乘法进行曲线的拟合，预测标签节点的位置；

4)定位服务器执行基于贪心的聚类算法来估算标签节点的位置，得到标签节点的测量位置；

5)通过预测位置和测量位置共同确定最终位置，然后定位服务器在缓冲表中更新相应的位置，最后传送到标签节点。

2.根据权利要求1所述的基于UWB的NLOS隧道环境下的实时连续定位方法，其特征在于，所述定位服务器为请求者应用程序提供统一的接口，一旦收到位置请求，定位服务器就会将结果发送给请求者。

3.根据权利要求1所述的基于UWB的NLOS隧道环境下的实时连续定位方法，其特征在于，所述距离异常值滤波法具体过程为：

假设有m个样本x₁,x₂,…,x_m，x_j表示第j次测量的标签节点与锚点之间的距离，j＝1,2,……,m，m个样本的平均距离

表示为：

然后计算样本的方差σ：

最后，判断每个测量距离与平均距离的差的绝对值，如果该绝对值大于3σ，则为异常值，则消除该样本点，

4.根据权利要求1所述的基于UWB的NLOS隧道环境下的实时连续定位方法，其特征在于，时刻T与在时刻T时标签节点的测量位置Y呈线性关系：

Y＝β₀+β₁T，

其中，β₀和β₁为未知的参数；

确定成本函数P如下：

其中，y_i为第i个标签节点所测量的自己的位置，n为标签节点个数，t_i表示时刻；

以最小化成本函数，求解β₀和β₁的值：

在使用Cramer法则后，得到：

最终确定标签节点的预测位置。

5.根据权利要求4所述的基于UWB的NLOS隧道环境下的实时连续定位方法，其特征在于，在实际计算过程中，分别拟合标签节点x坐标与时间的拟合曲线，得到标签节点的x轴预测位置x_a，拟合标签节点y坐标与时间的拟合曲线，得到标签节点的y轴预测位置y_a，最终得到标签节点的预测位置(x_a,y_a)；所有的标签节点都得到其预测位置。

6.根据权利要求5所述的基于UWB的NLOS隧道环境下的实时连续定位方法，其特征在于，所述步骤4)中，基于贪心的聚类算法，具体如下：

41)任何2个锚点都能够根据距离计算少于2个潜在的位置，然后将这些位置添加到位置候选集S中；

42)根据位置候选集，生成一个无向图G＝(V,E)，其中，无向图G代表一个标签节点的所有潜在位置，V代表潜在位置的点集，E代表点之间有关联的边集，权重w代表两节点之间的距离；

43)如果一个聚类中没有任何节点，即为空集，则从E中选择一条权重最小的边(v,w)加入该聚类，并且从E中将(v,w)删除；其中，v,w表示构成边(v,w)的两个点；

44)如果边(v,u)存在与当前聚类C_i相连接的边，则更新点v,u到当前聚类C_i中，即C_i＝(C_i,v,w)；否则构建一个新聚类C_j＝{u,v}；

45)如果一个聚类中达到了k个点，则计算聚类中k个点的横、纵坐标之和：

x1＝x1+v.x；

y1＝y1+v.y；

其中，v.x代表节点v的横坐标，x1＝x1+v.x代表k个节点之间横坐标的叠加；v.y代表节点v的纵坐标，y1＝y1+v.y代表k个节点之间纵坐标的叠加；

46)最终得到标签节点坐标为：x_b＝x1/k，y_b＝y1/k。

7.根据权利要求6所述的基于UWB的NLOS隧道环境下的实时连续定位方法，其特征在于，所述步骤5)中，最终位置确定如下：

定义权重α、β，然后用下面的方程计算得到标签节点的最终位置(x,y)：

(x,y)＝α(x_a,y_a)+β(x_b,y_b)，

权重满足：α+β＝1。

Images