CN110650435B - 基于UWB定位和ZigBee定位的机器学习融合方法 - Google Patents

Abstract

本发明公开了一种基于UWB定位和ZigBee定位的机器学习融合方法，本发明首先利用基于ZigBee技术的TDOA算法计算距离，通过TOF算法计算标签到各基站的距离，将TODA得到的四组数据和TOF‑TWF得到四组数据通过机器学习的方法一一融合，再通过Fang算法得到标签的坐标值，再进行滤波，最终输出的定位坐标，本发明减小了测量数据误差，利用机器学习的方法减小了由于不同环境下噪声影响测量结果导致的融合权值不确定，在计算时削减了误差的影响，本发明方法简洁，计算量小，对硬件的要求较低，节约成本，适合批量生产。

Description

基于UWB定位和ZigBee定位的机器学习融合方法

技术领域

本发明属于室内定位技术领域，涉及到一种用于工地安防的基于UWB定位和ZigBee定位技术的机器学习融合方法。

背景技术

传统基于全球定位系统(GPS)的定位技术应用，已在室外环境下为人们提供了许多便利。随着近年来人们生活水平的不断提高，大众对定位的诉求已不在只限于室外，在智慧商场、企业人员智能管理、工地安全防护项目等场景，尤其是工地安全防护项目，近年来，工地安防越来越受到社会各界的关注，工地安全防护项目要求对工人进行定位监测，而传统的GPS定位精确度有限，在工地这一特殊场景已无法使用。本文设计了一种用于工地安防的基于UWB定位和ZigBee定位技术的机器学习融合方法，运用ZigBee的TDOA(到达时间差)及UWB的SDS-TWR-TOF(飞行时间测距),以及机器学习回归的融合方法，利用高精度的定位来保证工人的生命安全。

发明内容

本发明针对现有技术的不足，提出了一种用于工地安防的基于UWB定位和ZigBee定位技术的机器学习融合方法。

该方法具体包括以下步骤：

步骤1，测出标签到两基站的到达时间差，利用基于ZigBee技术的TDOA算法计算距离，具体为：

ZigBee定位系统由四个ZigBee模块组建而成，其中一个为协调器，作为标签，另外三个为终端设备，并作为主基站，网络拓扑结构为星形结构；

过程：

(1)测出两基站接收到的信号到达时间差；

(2)将时间差转换为距离，并代入双曲线方程，三组基站与标签形成双曲线方程组；

设两个基站为A和B，标签到两基站的距离之差为：

d₂₁＝d₂-d₁＝(t₂-t₀)C-(t₁-t₀)C＝(t₂-t₁)C

式中，d₁为标签到基站A的距离，d₂为标签到基站B的距离，t₁为达到基站A的时间，t₂为达到基站B的时间，C为光速，x_b和y_b为B在所建坐标系的位置，x_m和y_m为标签MS的位置；

将代入可得

式中，

将式展开得，

同理，对于C基站有下式：

式中，d₃为标签到基站C的距离，d₃₁标签到A基站和C的距离之差，x_b和y_b为在C所建坐标系的位置，

再写成两个方程写出矩阵形式：

H·x＝d₁C+r

式中，

则可得

x＝d₁H^-1C+H^-1r

这时候，考虑实际误差，如

e_j(t)＝|x_real(t)-x(t)|，j＝0，1，2，…，i

e_j(t)为误差值，x_real(t)为真实的距离，i为现在得到的值，考虑到人正常行走的速度，进行均值滤波，即：

其中x_out为最后的输出数据，x_i为得到TODA值，得到三组TODA测量数据；TODA测量数据，发到主基站上；

步骤2，通过TOF算法计算标签到各基站的距离，具体为：

UWB定位系统由四个基站及一个标签组成，通过标签给基站连续发送数据包，然后基站记录下数据包到达的时间，通过探测数据包的飞行时间来得到标签到基站的距离，

过程：

(1)节点A向节点B发出数据；

(2)节点B向节点A发出数据；

(3)通过数据包达到的时间以及本身的运算时间，计算出双边飞行的时间，从而计算距离；

设：T_roundA为节点A发出POLL数据包到接收到Ack数据包用的时间；T_replyB为节点B收到POLL数据包到发出Ack包所用的时间；T_roundB为节点B发出POLL数据包到接收到Ack数据包用的时间；T_replyA为节点A收到Poll数据包到发出Ack包所用的时间误差项：设节点A的频率偏差为F_dA，节点B的频率偏差为F_dB；

数据包在空中传递的实际时间为

加上误差后，数据包的传递时间为

其中c为光速，T为往返总时间，D为两者距离；

这时候，考虑实际误差，如

e_j(t)＝|D_real(t)-D(t)|，j＝0，1，2，…，i

e_j(t)为误差值，D_real(t)为真实的距离，D(t)为现在得到的值，j为迭代值，考虑到人正常行走的速度，进行均值滤波，即：

其中D_out为最后的输出数据，D_i为得到TOF值，得到TOF的四组测距数据；

步骤3，将TODA得到的四组数据和TOF-TWF得到四组数据分别一一融合，具体为：

利用ZigBee系统和UWB系统协同工作，用数据融合实现对未知位置的精准定位，数据融合的方法源于机器学习中的回归，通过在工地环境下，事先进行特定实验训练模型，并且实现精确定位；

过程：

(1)在实际环境下，搭建一个实验平台，使得标签以一个固定速度运动；

(2)利用测出的值来训练模型；

这里以一组基站到标签的数据为例，设UWB定位的值为x_u，ZigBee定位的值为x_z，w₀，w₁，w₂为融合系数，h_w(x_i)为融合输出，则有：

h_w(x_i)＝w₀+w₁x_u+w₂x_z

写成矩阵为，

h_w(x_i)＝W^TX

其中

整理下式得：

XW＝h_w(x_i)

假设有训练数据，

D＝{(X_z1，X_u1，_y1)，((X_z2，X_u2，_y2))，...，(X_zn，X_un，_yn)}

式中，X_z1...X_zn和X_u1...X_un为实验中步骤1和步骤2得到数据，y₁...y_n为实验过程中给出得训练值，n为有训练的总量；

均方误差是回归任务中最常用的性能度量，让均方误差J(W)最小化，可得损失函数，

接下来用梯度下降法求解损失函数得最小值：

(1)首先对W赋值，

(2)改变W的值，使得J(W)按梯度下降的方向进行减少；

对损失函数求偏导数得，

之后是更新的过程，也就是w_i会向着梯度最小的方向进行减少；w_i

表示更新之前的值，α表示步长，

再使用矩阵表示E＝X-y，

得到

最终得到模型的局部最优解，使用训练的模型来融合ZigBee和UWB的四对定位数据；

步骤4，Fang算法得到标签的坐标值，具体为：

在三维直角坐标系中，设定定位目标的位置坐标为(x，y，z)，主传感器的位置坐标为(x₁，y₁，z₁)，从传感器的位置坐标为(x_i，y_i，z_i)，定位目标与从传感器和与主传感器的距离差为R_i，其中i＝1，2，3，4；由此得到：

若其中的i＝1，得

可得，

式中：x_i.1＝x_i-x₁，y_i.1＝y_i-y₁，z_i，1＝z_i-z₁；

如果把(x，y，z)作为未知数，那么式子则为线性方程；通过4个从传感器列4个方程，从而求解方程组得到目标位置(x，y，z)的值；设定主传感器的位置为(0，0，0)，从传感器的位置分别为(x₁，0，0)，(x₃，y₃，0)，(x₄，y₄，z₄)；此时可以得到解出x的值，再把x代入求得_y，z的值；故只要知道主从传感器的位置(x_i，y_i，z_i)以及相应的距离R_i，最终就得到工人的位置坐标；

步骤5.最终输出的定位坐标会因为各种原因导致数据跳动，所以必须对数据采用滑动平均滤波算法进行滤波，滤波公式如下：

式中M为滑动窗长度，y_i为第i组测量数据；k≥M，k为整数本发明的有益效果：1)减小了测量数据误差，利用机器学习的方法减小了由于不同环境下噪声影响测量结果导致的融合权值不确定。2)在计算时削减了误差的影响。3)方法简洁，计算量小，对硬件的要求较低，节约成本，适合批量生产。

附图说明

图1为于ZigBee技术的TDOA及基于UWB技术的TOF的机器学习融合方法执行流程图；

图2为基于ZigBee技术的TDOA过程描述图；

图3为基于UWB技术的TOF过程描述的上图；

图4为基于UWB技术的TOF过程描述的下图；

具体实施方式

如图1所示，本发明的一种基于多模融合递归迭代的室内定位方法，具体包括以下步骤：

步骤1，首先在机房里使用上位机程序设定四个UWB基站的坐标位置以及工地危险区的坐标范围；

步骤2，如图2所示，测出标签到两基站的到达时间差，利用基于ZigBee技术的TDOA算法计算距离：

x＝d₁H^-1C+H^-1r

式中，

得到三组TODA测量数据。TODA测量数据，发到主基站上(能与上位机通信的基站)

步骤3，如图3所示，通过TOF算法计算标签到各基站的距离，即：

其中c为光速，T为往返总时间，D为两者距离。

得到四组TOF的数据

步骤4，在主基站上，将TODA得到的四组数据和TOF-TWF得到四组数据分别一一融合，通过在工地环境下，事先进行特定实验训练模型，在实际定位中，将值传入模型，得到融合数据，在实验时进行梯度下降法训练模型：

使用矩阵表示E＝X-y，

得到

其中

步骤5，Fang算法得到标签的坐标值，具体为：

设定工人的位置坐标为(x，y，z)，主传感器的位置坐标为(x₁，y₁，z₁)，从传感器的位置坐标为(x_i，y_i，z_i)，定位目标与从传感器和与主传感器的距离差为R_i，其中i＝1，2，3，4。有

式中：x_i.1＝x_i-x₁，y_i.1＝y_i-y₁，z_i.1＝z_i-z₁。

通过4个从传感器列4个方程，从而求解方程组可以得到目标位置(x，y，z)的值。设定主传感器的位置为(0，0，0)，从传感器的位置分别为(x₁，0，0)，(x₃，y₃，0)，(x₄，y₄，z₄)。此时可以得到解出x的值，再把x代入求得y，z的值。故只要知道主从传感器的位置(x_i，y_i，z_i)以及相应的距离R_i，最终就可以得到工人的位置坐标。

步骤6，滑动平均滤波算法对Fan_g得到的数据进行滤波，滤波公式如下：

式中，

为最终得到的坐标值y，，M为滑动窗长度，y_i为第i组测量数据；k≥M，k为整数；

步骤7.将工人位置坐标和危险区坐标区比对，如果坐标在危险区内，标签蜂鸣器长鸣给工人报警，并且发送信号给上位机提醒工作人员。

Claims (1)

1.基于UWB定位和ZigBee定位的机器学习融合方法，其特征在于，该方法具体包括以下步骤：

步骤1，测出标签到两基站的到达时间差，利用基于ZigBee技术的TDOA算法计算距离，具体为：

ZigBee定位系统由四个ZigBee模块组建而成，其中一个为协调器，作为标签，另外三个为终端设备，并作为主基站，网络拓扑结构为星形结构；

过程：

(1)测出两基站接收到的信号到达时间差；

(2)将时间差转换为距离，并代入双曲线方程，三组基站与标签形成双曲线方程组；

设两个基站为A和B，标签到两基站的距离之差为：

d₂₁＝d₂-d₁＝(t₂-t₀)C-(t₁-t₀)C＝(t₂-t₁)C

式中，d₁为标签到基站A的距离，d₂为标签到基站B的距离，t₁为达到基站A的时间，t₂为达到基站B的时间，C为光速，x_b和y_b为B在所建坐标系的位置，x_m和y_m为标签MS的位置；

将代入可得

式中，

将式展开得，

同理，对于C基站有下式：

式中，d₃为标签到基站C的距离，d₃₁标签到A基站和C的距离之差，x_b和y_b为C在所建坐标系的位置，

再写成两个方程写出矩阵形式：

H·x＝d₁C+r

式中，

则可得

x＝d₁H^-1C+H^-1r

这时候，考虑实际误差，如

e_j(t)＝|x_real(t)-x(t)|，j＝0，1，2，…，i

e_j(t)为误差值，x_real(t)为真实的距离，x(t)为现在得到的值，j为迭代值，考虑到人正常行走的速度，进行均值滤波，即：

其中x_out为最后的输出数据，x_i为得到TDOA值，得到四组TDOA测量数据；TDOA测量数据，发到主基站上；

步骤2，通过TOF算法计算标签到各基站的距离，具体为：

UWB定位系统由四个基站及一个标签组成，通过标签给基站连续发送数据包，然后基站记录下数据包到达的时间，通过探测数据包的飞行时间来得到标签到基站的距离，

过程：

(1)节点A向节点B发出数据；

(2)节点B向节点A发出数据；

(3)通过数据包达到的时间以及本身的运算时间，计算出双边飞行的时间，从而计算距离；

设：T_roundA为节点A发出POLL数据包到接收到Ack数据包用的时间；T_replyB为节点B收到POLL数据包到发出Ack包所用的时间；T_roundB为节点B发出POLL数据包到接收到Ack数据包用的时间；T_replyA为节点A收到Poll数据包到发出Ack包所用的时间误差项：设节点A的频率偏差为F_dA，节点B的频率偏差为F_dB；

数据包在空中传递的实际时间为

加上误差后，数据包的传递时间为

其中c为光速，T为往返总时间，D为两者距离；

这时候，考虑实际误差，如

e_j(t)＝|D_real(t)-D(t)|，j＝0，1，2，…，i

e_j(t)为误差值，D_real(t)为真实的距离，D(t)为现在得到的值，j为迭代值，考虑到人正常行走的速度，进行均值滤波，即：

其中D_out为最后的输出数据，D_i为得到TOF值，得到TOF的四组测距数据；

步骤3，将TDOA得到的四组数据和TOF-TWF得到四组数据分别一一融合，具体为：

利用ZigBee系统和UWB系统协同工作，用数据融合实现对未知位置的精准定位，数据融合的方法源于机器学习中的回归，通过在工地环境下，事先进行特定实验训练模型，并且实现精确定位；

过程：

(1)在实际环境下，搭建一个实验平台，使得标签以一个固定速度运动；

(2)利用测出的值来训练模型；

这里以一组基站到标签的数据为例，设UWB定位的值为x_u，ZigBee定位的值为x_z，w₀，w₁，w₂为融合系数，h_w(x_i)为融合输出，则有：

h_w(x_i)＝w₀+w₁x_u+w₂x_z

写成矩阵为，

h_w(x_i)＝W^TX

其中

整理下式得：

XW＝h_w(x_i)

假设有训练数据，

D＝{(X_z1，X_u1，y₁)，((X_z2，X_u2，y₂))，...，(X_zn，X_un，y_n)}

式中，X_z1...X_zn和X_u1...X_un为实验中步骤1和步骤2得到数据，y₁...y_n为实验过程中给出的训练值，n为有训练的总量；

均方误差是回归任务中最常用的性能度量，让均方误差J(W)最小化，可得损失函数，

接下来用梯度下降法求解损失函数的最小值：

(1)首先对W赋值，

(2)改变W的值，使得J(W)按梯度下降的方向进行减少；

对损失函数求偏导数得，

之后是更新的过程，也就是w_i会向着梯度最小的方向进行减少；w_i表示更新之前的值，α表示步长，

再使用矩阵表示E＝X-y，

得到

最终得到模型的局部最优解，使用训练的模型来融合ZigBee和UWB的四对定位数据；

步骤4，Fang算法得到标签的坐标值，具体为：

在三维直角坐标系中，设定定位目标的位置坐标为(x，y，z)，主传感器的位置坐标为(x₁，y₁，z₁)，从传感器的位置坐标为(x_i，y_i，z_i)，定位目标与从传感器和与主传感器的距离差为R_i，其中i＝1，2，3，4；由此得到：

若其中的i＝1，得

可得，

式中：x_i.1＝x_i-x₁，y_i.1＝y_i-y₁，z_i，1＝z_i-z₁；

如果把(x，y，z)作为未知数，那么式子则为线性方程；通过4个从传感器列4个方程，从而求解方程组得到目标位置(x，y，z)的值；设定主传感器的位置为(0，0，0)，从传感器的位置分别为(x₁，0，0)，(x₃，y₃，0)，(x₄，y₄，z₄)；此时可以得到解出x的值，再把x代入求得y，z的值；故只要知道主从传感器的位置(x_i，y_i，z_i)以及相应的距离R_i，最终就得到工人的位置坐标；

步骤5.最终输出的定位坐标会因为各种原因导致数据跳动，所以必须对数据采用滑动平均滤波算法进行滤波，滤波公式如下：

式中M为滑动窗长度，y_i为第i组测量数据；k≥M，k为整数。

Images