CN110927666A - 一种基于LoRa信号的非接触式检测定位方法及系统 - Google Patents

Abstract

本发明涉及被动式感知领域，公开了一种基于LoRa信号的非接触式检测定位方法及系统。本发明基于大范围穿墙检测技术通过接收端接收信号，对信号进行幅度化处理，经过自相关和傅里叶变换计算最大峰值频率，最后通过最大峰值频率判断活动目标是否存在，然后建立定位模型，联立方程，使用粒子群算法和全局最优搜索求解方程，最后计算得到活动目标的位置。本发明相较于传统的定位追踪方法主要有系统结构简单易部署、定位范围大且在同等范围量级的情况下精度高、对环境和多径干扰不敏感、不需要提前机器学习、适用于非已知场景、成本低廉的优点。

Description

一种基于LoRa信号的非接触式检测定位方法及系统

技术领域

本发明涉及被动式感知领域，具体涉及一种基于LoRa信号的非接触式检测定位方法及系统。

背景技术

近年来，无线通信有了很大的发展，无线信号不仅仅用于数据传输，还被应用于传感，并使得新的应用成为可能，如室内导航、卫生保健以及人机交互等，现有的被动式定位方法主要分为以下3类：

第一类：基于光学的感知定位方法。该方法主要是利用摄像头对检测区域进行监控，通过对视频流的每一帧图像进行处理分析，从而对目标区域进行实时的感知以及目标定位。然而这种基于光学的方法对光照强度有较高的要求，另一方面非透明的障碍物会严重影响其系统的工作效果，故该方法不适用于光线条件差遮蔽物较多的场景。

第二类：基于声学信号的感知定位方法。由于声音信号的传播速度与电磁波相比慢上很多，在定位上付出较小的代价就可得到较高的定位精度。声呐系统就是一个被广泛应用的典型的基于声学信号的感知定位系统。但是声音信号受环境影响严重，室内中信号衰减使得其感知定位距离严重受限。同时我们也很难准确的获得声音信号的相位信息，它会受到环境中的随机噪声的影响。

第三类：基于射频信号的感知定位方法。现有的可用于感知定位的无线信号有很多如RFID、UWB、WiFi、ZigBee等。研究最广泛的方法就是通过分析 RSSI、CSI或利用原始信号进行参数估计获取其空间谱以此来实现感知与定位。如TOA基于信号到达时间的定位方法，它是通过测量收、发天线间直达波的传播时间来测距，进而利用相关算法实现定位。但系统大多受限于复杂的多径环境，穿透性，感知定位距离受限。为解决虚影问题必须引入多套收发设备，对收发端需要进行高代价的信号同步。

综上所述，现有的被动式感知定位测技术在成本和感知定位范围等方面存在不足，因此需要拥有更高可行性的被动式感知定位技术。

发明内容

本发明的目的在于提供一种基于LoRa信号的非接触式大范围穿墙感知方法，用以解决现有技术中的被动式感知定位测技术在成本和感知定位范围等方面存在不足的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于LoRa信号的非接触式检测定位方法，包括如下步骤：

步骤1：采用轮询的方式切换信号的接收模式接收信号，得到第一模式信号、第二模式信号和第三模式信号；

步骤2：对当前时间段的任一模式信号进行采样、低通滤波和幅值化处理得到幅度序列A，对A进行分段获得Q个目标窗口，然后对包含Q个目标窗口的序列A中进行自相关和傅里叶变换后得到序列F，选取F每个目标窗口的最大峰值频率得到峰值频率集合

表示第q个目标窗口的最大峰值频率q∈[1,Q]且Q为正整数；

步骤3：将

与目标存在阈值δ进行比较；

若

则当前时间段内在当前接收模式下检测到活动目标，将

存入存在目标的峰值频率集合

判断当前

中元素的个数，若个数大于等于4 则执行步骤4，否则令q＝q+1返回执行步骤3；

若

当前时间段内在当前接收模式下没有检测到活动目标，切换至其他接收模式下的信号，返回执行步骤2；

步骤4：根据步骤3得到的

计算当前目标窗口时目标所在位置，按照步骤4.1到4.3执行：

步骤4.1：根据式Ⅰ建立当前目标窗口的目标定位模型；

其中，L表示发送端Tx与接收端Rx之间连线的长度，λ表示LoRa信号的波长，v表示目标的运动速度，d_m表示第m个目标窗口时目标与L的垂线，θ_Rm表示第m个目标窗口时目标反射到Rx的连线与目标运动方向的夹角，θ_Tm表示第m个目标窗口时Tx到目标的连线与目标运动方向的夹角，θ_0m表示第m 个目标窗口时目标运动方向与d_m的夹角，

表示

中第m个目标窗口的最大峰值频率，m∈[1,M]且M≥4；

步骤4.2：根据式Ⅰ获取第(m+1)、(m+2)、...、(m+i)、...和(m+I)共I 个目标窗口对应的目标定位模型，其中，i∈[1,I]且I≥3，将当前目标窗口的目标定位模型与当前目标窗口后的I个目标窗口对应的目标定位模型联立，再根据式II获得θ_T(m+i)与θ_Tm、d_m+i与d_m和θ_R(m+i)与θ_Rm的关系，然后通过粒子群算法和全局最优搜索算法对联立的目标定位模型进行求解，得到d_m、v、θ_Tm、θ_Rm和θ_0m；

其中，Δθ_T和Δθ_R表示夹角变化增量；

步骤4.3：根据d_m、v、θ_Tm、θ_Rm和θ_0m获得当前目标窗口时目标所在位置。

进一步的，步骤2中幅值化处理为：

对滤波后的信号求模，然后将求模后的信号划分为等长窗口，对每个窗口内所有采样点的幅度取平均值，得到幅度序列A。

进一步的，步骤4.3中根据定位模型计算当前目标窗口时目标所在位置 (x_m,y_m)，其中，x_m＝y_Tx+d_m，y_m＝x_Tx+d_mtan(θ_Tm-θ_0m)，x_Tx和y_Tx表示Tx 的横纵坐标。

进一步的，步骤3中δ＝0.1。

进一步的，所述目标窗口的窗宽等于4000倍幅度窗口窗宽。

一种基于LoRa信号的非接触式检测定位系统，包括发送端Tx和接收端 Rx；

所述Tx包括LoRa节点，用于向检测区域发射信号；

所述Rx包括可重构天线和信号处理机，所述可重构天线用于采用轮询的方式切换信号的接收模式接收信号，得到第一模式信号、第二模式信号和第三模式信号，所述信号处理机包括预处理模块、目标检测模块和目标定位模块；

所述预处理模块用于通过对当前时间段的任一接收模式下的信号进行采样、低通滤波和幅值化处理得到幅度序列A，对A进行分段获得Q个目标窗口，然后对包含Q个目标窗口的序列A中进行自相关和傅里叶变换后得到序列F，选取F每个目标窗口的最大峰值频率得到峰值频率集合

表示第q 个目标窗口的最大峰值频率q∈[1,Q]且Q为正整数；

所述目标检测模块用于将预处理模块得到的

与目标存在阈值δ进行比较；若

则当前时间段内在当前接收模式下检测到活动目标，将

存入存在目标的峰值频率集合

判断当前

中元素的个数，若个数大于等于4 则将

输入目标定位模块，否则令q＝q+1在目标检测模块继续比较；若

当前时间段内在当前接收模式下没有检测到活动目标，切换至其他接收模式下的信号输入至预处理模块；

所述目标定位模块包括采集模块和处理模块；

所述采集模块用于采集发送端Tx与接收端Rx之间连线L的长度和LoRa 信号的波长λ；

所述处理模块用于根据式Ⅰ建立目标定位模型，并利用采集模块的数据结合目标定位模型得到获得当前目标窗口时目标所在位置；

其中，L表示发送端Tx与接收端Rx之间连线的长度，λ表示LoRa信号的波长，v表示目标的运动速度，d_m表示第m个目标窗口时目标与L的垂线，θ_Rm表示第m个目标窗口时目标反射到Rx的连线与目标运动方向的夹角，θ_Tm表示第m个目标窗口时Tx到目标的连线与目标运动方向的夹角，θ_0m表示第m 个目标窗口时目标运动方向与d_m的夹角，

表示

中第m个目标窗口的最大峰值频率，m∈[1,M]且M≥4；

根据式Ⅰ获取第(m+1)、(m+2)、...、(m+i)、...和(m+I)共I个目标窗口对应的目标定位模型，其中，i∈[1,I]且I≥3，将当前目标窗口的目标定位模型与当前目标窗口后的I个目标窗口对应的目标定位模型通过粒子群算法和全局最优搜索算法进行联合求解，得到d_m、v、θ_Tm、θ_Rm和θ_0m，然后获得当前目标窗口时目标所在位置。

进一步的，预处理模块中幅值化处理为：

对滤波后的信号求模，然后将求模后的信号划分为等长窗口，对每个窗口内所有采样点的幅度取平均值，得到幅度序列A。

进一步的，处理模块中根据定位模型计算当前目标窗口时目标所在位置 (x_m,y_m)，其中，x_m＝y_Tx+d_m，y_m＝x_Tx+d_mtan(θ_Tm-θ_0m)，x_Tx和y_Tx表示Tx 的横纵坐标。

进一步的，目标检测模块中δ＝0.1。

进一步的，所述目标窗口的窗宽等于4000倍幅度窗口窗宽。

本发明与现有技术相比具有以下技术特点：

(1)本发明系统上采用了单发单收的设计，就能对活动目标进行检测和追踪，比起阵列天线或多发多收的系统，本系统更加轻便易部署，既可以静止放置，又可以由无人机搭载，且不必须由专业人士进行部署；

(2)本发明采用LoRa信号，其调制解调方式具有传输距离远、误码率低的特点，因此比先前的非接触式定位追踪方法如WiFi、RFID等能探测到更远的范围，且与同等范围量级设备比较，由于所创新的定位模型的优越性可以比同等量级的其它模型如动态MUSIC在丰富多径等干扰情况下更加精准；

(3)本发明不需要提前对环境有已知信息，不需要机器学习提前采集数据，可在未知环境中使用，且可以穿墙感知探测，使用了抗多径手段，对多径干扰不敏感，可在四周反射物丰富多径复杂的场景下使用，同时设计时就考虑了无人机搭载使用的场景，因此对无人机的轻微晃动干扰不敏感；

(4)本发明所设计的系统采用商用LoRa节点发送，采用低成本的SDR 设备接收，只需要单对收发设备，不需要天线阵列和移相器，相比于同级别的 UWB、FMCW雷达等设备具有价格低廉的优点；

(5)本发明采用自行设计的可重构天线，在每一个模式下能够减小聚焦范围，减小非检测目标的干扰，同时三个模式的覆盖范围又比喇叭状定向天线的覆盖范围更大，同时实现了抗干扰和扩大范围的效果。

附图说明

图1为本发明的工作流程图；

图2为可重构天线参数属性示意图；

图3为不同情况下F序列示意图；

图4为存在干扰源情况下F序列变化以及与Dynamic-music对比示意图；

图4(a)为检测场景示意图；

图4(b)为图4(a)设置下含有来自A处多径信号的“功率谱密度(PSD)”图；

图4(c)为图4(a)设置下含有来自B处多径信号的“功率谱密度(PSD)”图；

图4(d)为不同方法的估计精度示意图；

图5为无多径和有多径定位模型场景示意图；

图5(a)为无多径定位模型场景示意图；

图5(b)为无多径定位模型场景示意图；

图6为检测到活动目标(左)和未检测到活动目标(右)时的时频图；

图7为系统原理示意图；

图8实验/应用场景示意图；

图9为本方法(左)与动态music算法(右)对比的定位示意图

图10为不同LoS下的最远可检测距离示意图；

图11为三种天线不同LoS下最远检测距离与可检测区域面积示意图；

图12为不同LoS下三种检测场景的系统穿墙能力示意图；

图13为两种场景下的定位误差示意图；

图14为不同运动轨迹的定位示意图；

图15为运动目标不同速度对检测能力和定位误差的影响示意图；

图16为无人机实验场景示意图；

图17为无人机飞行速度对检测精度的影响示意图；

图18为与Dynamic-MUSIC方法对比定位误差示意图；

图19为无人机实验部署图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

实施例1

本实施例公开了一种基于LoRa信号的非接触式检测定位方法，包括如下步骤：

步骤1：采用轮询的方式切换信号的接收模式接收信号，得到第一模式信号、第二模式信号和第三模式信号；

步骤2：对当前时间段的任一模式信号进行采样、低通滤波和幅值化处理得到幅度序列A，对A进行分段获得Q个目标窗口，然后对包含Q个目标窗口的序列A中进行自相关和傅里叶变换后得到序列F，选取F每个目标窗口的最大峰值频率得到峰值频率集合

表示第q个目标窗口的最大峰值频率q∈[1,Q]且Q为正整数；(分段方式为：采样点以1s宽每次滑动0.25s的窗口分一段)

步骤3：将

与目标存在阈值δ进行比较；

若

则当前时间段内在当前接收模式下检测到活动目标，将

存入存在目标的峰值频率集合

判断当前

中元素的个数，若个数大于等于4 则执行步骤4，否则令q＝q+1返回执行步骤3；

若

当前时间段内在当前接收模式下没有检测到活动目标，切换至其他接收模式下的信号，返回执行步骤2；

步骤4：根据步骤3得到的

计算当前目标窗口时目标所在位置，按照步骤4.1到4.3执行：

步骤4.1：根据式Ⅰ建立当前目标窗口的目标定位模型；

其中，L表示发送端Tx与接收端Rx之间连线的长度，λ表示LoRa信号的波长，v表示目标的运动速度，d_m表示第m个目标窗口时目标与L的垂线，θ_Rm表示第m个目标窗口时目标反射到Rx的连线与目标运动方向的夹角，θ_Tm表示第m个目标窗口时Tx到目标的连线与目标运动方向的夹角，θ_0m表示第m 个目标窗口时目标运动方向与d_m的夹角，

表示

中第m个目标窗口的最大峰值频率，m∈[1,M]且M≥4；

步骤4.2：根据式Ⅰ获取第(m+1)、(m+2)、...、(m+i)、...和(m+I)共I 个目标窗口对应的目标定位模型，其中，i∈[1,I]且I≥3，将当前目标窗口的目标定位模型与当前目标窗口后的I个目标窗口对应的目标定位模型联立，再根据式II获得θ_T(m+i)与θ_Tm、d_m+i与d_m和θ_R(m+i)与θ_Rm的关系，然后通过粒子群算法和全局最优搜索算法对联立的目标定位模型进行求解，得到d_m、v、θ_Tm、θ_Rm和θ_0m；

其中，Δθ_T和Δθ_R表示夹角变化增量且为固定值；

式Ⅰ中除L、λ和

为收发间距可以事先测得外，其余5个变量未知，由于滑动窗口时每一个窗口的起始位置相距0.25s，可以认为目标运动速读在此间隔内近似恒定，式I所示方程由每一个峰值频率可以对应一组，选取一组4 个连续采到的峰值频率对方程组进行联立，然后将每两个窗口对应的Δθ_T和Δθ_R近似为一个恒定的增量，将连续的4个式I所示式子和上式联立，可以解出5个未知量；

步骤4.3：根据d_m、v、θ_Tm、θ_Rm和θ_0m获得第m个目标窗口时目标所在位置。

具体的，步骤2中幅值化处理为：

对滤波后的信号求模，然后将求模后的信号划分为等长窗口，对每个窗口内所有采样点的幅度取平均值，得到幅度序列A。

具体的，步骤4.3中根据定位模型计算当前目标窗口时目标所在位置 (x_m,y_m)，其中，x_m＝y_Tx+d_m，y_m＝x_Tx+d_mtan(θ_Tm-θ_0m)，x_Tx和y_Tx表示Tx 的横纵坐标。

具体的，步骤3中δ＝0.1。

具体的，所述目标窗口的窗宽等于4000倍幅度窗口窗宽。

实施例2

本实施例公开了一种基于LoRa信号的非接触式检测定位系统，包括发送端Tx和接收端Rx；

所述Tx包括LoRa节点，用于向检测区域发射信号；

所述Rx包括可重构天线和信号处理机，所述可重构天线用于采用轮询的方式切换信号的接收模式接收信号，得到第一模式信号、第二模式信号和第三模式信号，所述信号处理机包括预处理模块、目标检测模块和目标定位模块；

所述预处理模块用于通过对当前时间段的任一接收模式下的信号进行采样、低通滤波和幅值化处理得到幅度序列A，对A进行分段获得Q个目标窗口，然后对包含Q个目标窗口的序列A中进行自相关和傅里叶变换后得到序列F，选取F每个目标窗口的最大峰值频率得到峰值频率集合

表示第q 个目标窗口的最大峰值频率q∈[1,Q]且Q为正整数；其中，A＝{a_n}，a_n表示A 中第n个幅度窗口的采样点平均幅度且n∈[1,N]且N为正整数；

所述目标检测模块用于将预处理模块得到的

与目标存在阈值δ进行比较；若

则当前时间段内在当前接收模式下检测到活动目标，将

存入存在目标的峰值频率集合

判断当前

中元素的个数，若个数大于等于4 则将

输入目标定位模块，否则令q＝q+1在目标检测模块继续比较；若

当前时间段内在当前接收模式下没有检测到活动目标，切换至其他接收模式下的信号输入至预处理模块；

所述目标定位模块包括采集模块和处理模块；

所述采集模块用于采集发送端Tx与接收端Rx之间连线L的长度和LoRa 信号的波长λ；

所述处理模块用于根据式Ⅰ建立目标定位模型，并利用采集模块的数据结合目标定位模型得到获得当前目标窗口时目标所在位置；

其中，L表示发送端Tx与接收端Rx之间连线的长度，λ表示LoRa信号的波长，v表示目标的运动速度，d_m表示第m个目标窗口时目标与L的垂线，θ_Rm表示第m个目标窗口时目标反射到Rx的连线与目标运动方向的夹角，θ_Tm表示第m个目标窗口时Tx到目标的连线与目标运动方向的夹角，θ_0m表示第m 个目标窗口时目标运动方向与d_m的夹角，

表示

中第m个目标窗口的最大峰值频率，m∈[1,M]且M≥4；

根据式Ⅰ获取第(m+1)、(m+2)、...、(m+i)、...和(m+I)共I个目标窗口对应的目标定位模型，其中，i∈[1,I]且I≥3，将当前目标窗口的目标定位模型与当前目标窗口后的I个目标窗口对应的目标定位模型联立，再根据式II 获得θ_T(m+i)与θ_Tm、d_m+i与d_m和θ_R(m+i)与θ_Rm的关系，然后通过粒子群算法和全局最优搜索算法对联立的目标定位模型进行求解，得到d_m、v、θ_Tm、θ_Rm和θ_0m；

其中，Δθ_T和Δθ_R表示夹角变化增量；然后获得当前目标窗口时目标所在位置。

具体的，预处理模块中幅值化处理为：

对滤波后的信号求模，然后将求模后的信号划分为等长窗口，对每个窗口内所有采样点的幅度取平均值，得到幅度序列A。

具体的，处理模块中根据定位模型计算当前目标窗口时目标所在位置 (x_m,y_m)，其中，x_m＝y_Tx+d_m，y_m＝x_Tx+d_mtan(θ_Tm-θ_0m)，x_Tx和y_Tx表示Tx 的横纵坐标。

具体的，目标检测模块中δ＝0.1。

具体的，所述目标窗口的窗宽等于4000倍幅度窗口窗宽。

具体的，将收发设备按照图19所示方式部署于检测区域前，接收端Rx (Receiver)为LimeSDR-mini，其接收天线为自制可重构天线，发送端 (Transmitter)为LoRa节点，将LoRa节点设置为连续发包模式；

具体的，将可重构天线的接收贴片与馈线相连接，将与电阻和电感相连的寄生贴片与Arduino控制的恒压直流电连接，用Arduino控制板控制直流电的通断，以此控制天线的辐射方向图，使得天线在不同的模式间切换。接收机以 2倍信号的带宽为采样率对信号进行采样，经过低通滤波去除高频信号的影响，而后对滤波后的信号进行幅值化处理得到幅度序列A；如图3所示为检测目标在不同情况下处理得到的

序列，图3左边的图为检测目标走动的情况，图3中间的图为检测目标静止挥手的情况，图3右边的图为检测目标静止的情况；

为了评估非接触式大范围穿墙感知技术的检测与定位能力，主要从天线能力和空旷场景、地下车库、高楼层三种场景下的评估系统的检测定位能力，另一方面在不同场景中评估测试系统的穿墙能力。

为证明实验效果，进行以下实验：

实验设置：使用商用LoRa节点(SX1276芯片，下层嵌套Arduino开发板进行控制)作为Tx处发送节点，节点设置为连续发包模式，发送频率为915M，发送功率为20dbm，Rx端使用LimeSDR-mini进行信号采集,接收天线为自制可重构天线，可重构天线通过Arduino开发板进行模式控制，由手机对Lime 与天线进行同步控制，并对采集的数据进行处理，实验中所用设备图8所示，实验场景分别在广场a、地下室b以及17层高的楼的中间楼层c内三种场景下进行实验。

用不同天线实验的对比如下：

与同频率喇叭定向天线相比，如表1所示，我们的可重构天线波束更为集中，尺寸更小，同时可以实现三个方向上的扫频。单个方向上的信号能量更为集中，与其他天线相比检测效果更好。可重构天线单方向上进行信号采样，减小其他方向上的信号对该方向上的检测信号的干扰。另一方面，该天线在单个方向上的信号波束更为集中，可以增强信号的检测效果。

表1

频率值

对比

由于实际会存在多径，如图4(a)所示，若实际目标P的位置在B处， A为干扰源，步骤三中处理后得到的PSD会存在多个峰值如图4(b)所示，若实际目标P的位置在B处，A为干扰源步骤三中处理后得到的PSD效果如图4(c)所示。这样多个峰值存在就会干扰最终峰值频率

的获取，我们对一次处理的多个峰值计算，对这些峰值频率取均值作为该次采样计算得到的频率值

如图4(d)为动态music算法与本发明方法的在计算频率

时的对比。可以发现本发明使用方法在有干扰的情况下的估计结果与实际情况更为匹配。

如图9所示，当干扰源在B处，检测目标在A处时，动态music算法方法的估计误差为5.1m，本发明的估计误差为1m。

不同LoS距离下系统可检测距离实验结果如下：

图10是在广场中进行的活动目标检测实验，在不同Rx与Tx间距下测试了系统的检测能力，LoS(视距距离)从1m到59m，步长为2m，系统检测最远距离如图所示，系统最远可检测距离为53m。对于每个LoS距离下我们要求目标从随机选择的位置开始沿收发器对的垂直平分线走100次，每次走动距离为3m。每次都将起点从收发器对中移开，直到无法从该点检测到用户为止。如果能够在90％以上的时间正确识别该位置的用户，则认为该位置是可检测的。计算每个可检测位置与收发器对中点之间的距离，以找到给定设置的最大可能检测距离。

本实验旨在评估天线系统在人类目标检测中的性能，将发明中的可重构天线与使用尺寸相似的全向和喇叭式(RFMAX)天线的两种替代设计进行比较。测试区域是一个开放空间，大小为42×48m2，实验场景广场a，测试时将测试区域划分为224个块的网格，每个块为3×3m²。像先前的实验一样，要求人类目标选择任何块，然后自然地在块内移动。并且确保每个块至少测试一次。

如图11所示，在此实验中，大多数检测区域不在收发器LoS的垂直平分线上。当将视距长度增加到36m以上时，可以发现可检测块的数量有所减少。这主要是由于接收天线的方向性。虽然喇叭定向天线RFMAX达到了第二高的检测精度，但它可以检测到的区域最少。另一方面，全向天线可以覆盖更多的块，但是由于其对周围干扰的敏感性，它实现了最差的检测精度。本发明的天线实现的可检测块的数量与全向天线相距不远，但是它为所有LoS设置提供了更高的检测精度。本发明的天线检测精度主要归因于其较窄的光束，这反过来又导致了避免来自非目标物体的推断的更好的能力。

穿透实验：

为了评估系统的穿透墙壁的能力，分别在在地下车库和测试大楼的第二层中进行了实验。评估包括四个设置-目标和收发器对之间没有墙壁和由钢筋混凝土制成的墙壁，且墙壁的厚度不同(三种分别为26、52和94cm)。在穿墙实验中，将收发器对放置在距墙壁1.5m的位置。实验结果如下图所示。不出所料，目标和收发器对之间的障碍越薄，WIDESEE越能成功检测到目标。我们观察到目标的活动对可检测距离也有重要影响。如果目标正在行走或挥舞，本发明可以成功分别检测到目标多达15个和13个。本发明还可以通过呼吸检测出静止的目标。但是，检测距离是有限的，并且取决于壁的厚度。这并不奇怪，因为活动越小且壁越厚，接收信号强度将越弱。在我们的实验中，壁厚增加20cm会导致接收信号强度降低29dbm左右。尽管如此，结果表明本发明可以准确地检测到在建筑物内部深处移动或挥手的人类目标。

不同多径环境下的定位精度：

评估环境是广场a和地下停车场b。地下室由许多支柱支撑，因此具有丰富的多路径。两种环境中的测试区域大小相同(10×25m2)，实验中将视距长度设置为10m，测试区域划分为125个块，其中每个块的大小为2×1m2。在每个块内，要求目标沿着可以具有0°，30°，45°，60的预定直线行走与视线方向成1度或90度的夹角。对于每条线，测试目标从检测区域的中心开始走大约2步。如图13所示，显示了125个试验中定位误差的累积分布函数(CDF)。该图表明，超过50％的检测，在广场a和地下室停车场b中的定位误差分别在2.1m和2.7m之内。

在较小区域内的跟踪精度。该实验是在位于建筑物中的较小房间中进行的。房间的大小为8×10m2。在此实验中，LoS长度设置为6m。目标被要求沿着五个字母“BCIMO”的轨迹走动。恢复的轨迹(点)和真实的行走轨迹(实线)一起显示在图14中。WIDESEE的中位定位误差为52cm，可与 IndoTrack(具有最新技术的WiFi跟踪系统)实现的32cm的误差相媲美。该实验表明，本发明能够在小型环境中以更高的精度跟踪目标。

目标移动速度的影响对定位的影响：

该实验研究了目标步行速度对检测和定位的影响。主要考虑了三种步行速度：慢速(0.5±0.2m/s)，正常(1±0.2m/s)和快速(2±0.2m/s)。实验设置在图9所示的空旷区域进行实验。实验结果如图15示，可以发现目标的移动速度对目标检测几乎没有影响，但确实会影响定位精度。当目标分别以慢速，平均和快速移动时，可以观察到定位误差分别为1.7m，2m和2.5m。这主要归因于身体运动(例如，手臂摆动)–步行速度越快，身体运动就越剧烈–身体运动越剧烈，就越难满足用于定位的条件。

无人机实验设置：(建筑内活动目标检测)

在这个实验中，本发明将与无人驾驶飞机配合使用(图19以执行建筑规模的传感，场景设置图16示。实验目标是检测并跟踪位于17层建筑结构第9 层的活动目标，检测空间大小为20×42×85m3。进行实验的建筑为新楼无人居住，建筑的混凝土墙和玻璃窗的厚度分别为40cm和5cm。在此实验中，收发器对由无人机携带。发射机和接收机之间的距离(即LoS长度)为2m。

实验中有10名志愿者，依次作为检测对象。志愿者被分为三组，分别进行固定位置呼吸(2名)，挥手(4名)，步行(4名)活动，他们都位于于同一楼层的几个房间中。我们手动将无人机控制在第9层的初始位置，对目标区域进行检测。

活动目标检测：

图17了每个走路和挥手的人类目标的检测精度。当无人机以1±0.2m/s 的速度进行低速飞行时，本发明方法方法可以成功检测到的98％的行走目标和96％的挥舞活动目标。正如预期的那样，检测精度会随着无人机速度的增加而降低，但是本发明方法方法仍然可以在目标行走或挥动的大部分时间内检测到目标。当设备放在无人机上且目标与设备之间的距离很远(>5m)且中间有一堵40cm厚的墙时，本发明方法方法无法检测到该目标(呼吸)。

定位精度比较：

当检测到有移动目标存在时，将无人机悬停2秒钟以收集目标移动信息，并应用上述定位算法来估计目标位置。如图18所示，本发明方法方法的定位误差与最新的本地化Dynamic-MUSIC进行了比较。从图可以看出，本发明方法方法比Dynamic-MUSIC具有更好的定位精度。对于90％以上的测试用例，它可以将定位误差从8m降低到4.6m。

Claims (10)

1.一种基于LoRa信号的非接触式检测定位方法，其特征在于，包括如下步骤：

步骤1：采用轮询的方式切换信号的接收模式接收信号，得到第一模式信号、第二模式信号和第三模式信号；

步骤2：对当前时间段的任一模式信号进行采样、低通滤波和幅值化处理得到幅度序列A，对A进行分段获得Q个目标窗口，然后对包含Q个目标窗口的序列A中进行自相关和傅里叶变换后得到序列F，选取F每个目标窗口的最大峰值频率得到峰值频率集合

表示第q个目标窗口的最大峰值频率q∈[1,Q]且Q为正整数；

步骤3：将

与目标存在阈值δ进行比较；

若

则当前时间段内在当前接收模式下检测到活动目标，将

存入存在目标的峰值频率集合

判断当前

中元素的个数，若个数大于等于4则执行步骤4，否则令q＝q+1返回执行步骤3；

若

当前时间段内在当前接收模式下没有检测到活动目标，切换至其他接收模式下的信号，返回执行步骤2；

步骤4：根据步骤3得到的

计算当前目标窗口时目标所在位置，按照步骤4.1到4.3执行：

步骤4.1：根据式Ⅰ建立当前目标窗口的目标定位模型；

其中，L表示发送端Tx与接收端Rx之间连线的长度，λ表示LoRa信号的波长，v表示目标的运动速度，d_m表示第m个目标窗口时目标与L的垂线，θ_Rm表示第m个目标窗口时目标反射到Rx的连线与目标运动方向的夹角，θ_Tm表示第m个目标窗口时Tx到目标的连线与目标运动方向的夹角，θ_0m表示第m个目标窗口时目标运动方向与d_m的夹角，

表示

中第m个目标窗口的最大峰值频率，m∈[1,M]且M≥4；

步骤4.2：根据式Ⅰ获取第(m+1)、(m+2)、...、(m+i)、...和(m+I)共I个目标窗口对应的目标定位模型，其中，i∈[1,I]且I≥3，将当前目标窗口的目标定位模型与当前目标窗口后的I个目标窗口对应的目标定位模型联立，再根据式II获得θ_T(m+i)与θ_Tm、d_m+i与d_m和θ_R(m+i)与θ_Rm的关系，然后通过粒子群算法和全局最优搜索算法对联立的目标定位模型进行求解，得到d_m、v、θ_Tm、θ_Rm和θ_0m；

其中，Δθ_T和Δθ_R表示夹角变化增量；

步骤4.3：根据d_m、v、θ_Tm、θ_Rm和θ_0m获得当前目标窗口时目标所在位置。

2.如权利要求1所述的基于LoRa信号的非接触式检测定位方法，其特征在于，步骤2中幅值化处理为：

对滤波后的信号求模，然后将求模后的信号划分为等长窗口，对每个窗口内所有采样点的幅度取平均值，得到幅度序列A。

3.如权利要求1所述的基于LoRa信号的非接触式检测定位方法，其特征在于，步骤4.3中根据定位模型计算当前目标窗口时目标所在位置(x_m,y_m)，其中，x_m＝y_Tx+d_m，y_m＝x_Tx+d_mtan(θ_Tm-θ_0m)，x_Tx和y_Tx表示Tx的横纵坐标。

4.如权利要求1所述的基于LoRa信号的非接触式检测定位方法，其特征在于，步骤3中δ＝0.1。

5.如权利要求1所述的基于LoRa信号的非接触式检测定位方法，其特征在于，所述目标窗口的窗宽等于4000倍幅度窗口窗宽。

6.一种基于LoRa信号的非接触式检测定位系统，其特征在于，包括发送端Tx和接收端Rx；

所述Tx包括LoRa节点，用于向检测区域发射信号；

所述Rx包括可重构天线和信号处理机，所述可重构天线用于采用轮询的方式切换信号的接收模式接收信号，得到第一模式信号、第二模式信号和第三模式信号，所述信号处理机包括预处理模块、目标检测模块和目标定位模块；

所述预处理模块用于通过对当前时间段的任一接收模式下的信号进行采样、低通滤波和幅值化处理得到幅度序列A，对A进行分段获得Q个目标窗口，然后对包含Q个目标窗口的序列A中进行自相关和傅里叶变换后得到序列F，选取F每个目标窗口的最大峰值频率得到峰值频率集合

表示第q个目标窗口的最大峰值频率q∈[1,Q]且Q为正整数；

所述目标检测模块用于将预处理模块得到的

与目标存在阈值δ进行比较；若

则当前时间段内在当前接收模式下检测到活动目标，将

存入存在目标的峰值频率集合

判断当前

中元素的个数，若个数大于等于4则将

输入目标定位模块，否则令q＝q+1在目标检测模块继续比较；若

当前时间段内在当前接收模式下没有检测到活动目标，切换至其他接收模式下的信号输入至预处理模块；

所述目标定位模块包括采集模块和处理模块；

所述采集模块用于采集发送端Tx与接收端Rx之间连线L的长度和LoRa信号的波长λ；

所述处理模块用于根据式Ⅰ建立目标定位模型，并利用采集模块的数据结合目标定位模型得到获得当前目标窗口时目标所在位置；

其中，L表示发送端Tx与接收端Rx之间连线的长度，λ表示LoRa信号的波长，v表示目标的运动速度，d_m表示第m个目标窗口时目标与L的垂线，θ_Rm表示第m个目标窗口时目标反射到Rx的连线与目标运动方向的夹角，θ_Tm表示第m个目标窗口时Tx到目标的连线与目标运动方向的夹角，θ_0m表示第m个目标窗口时目标运动方向与d_m的夹角，

表示

中第m个目标窗口的最大峰值频率，m∈[1,M]且M≥4；

根据式Ⅰ获取第(m+1)、(m+2)、...、(m+i)、...和(m+I)共I个目标窗口对应的目标定位模型，其中，i∈[1,I]且I≥3，将当前目标窗口的目标定位模型与当前目标窗口后的I个目标窗口对应的目标定位模型通过粒子群算法和全局最优搜索算法进行联合求解，得到d_m、v、θ_Tm、θ_Rm和θ_0m，然后获得当前目标窗口时目标所在位置。

7.如权利要求6所述的基于LoRa信号的非接触式检测定位方法，其特征在于，预处理模块中幅值化处理为：

对滤波后的信号求模，然后将求模后的信号划分为等长窗口，对每个窗口内所有采样点的幅度取平均值，得到幅度序列A。

8.如权利要求6所述的基于LoRa信号的非接触式检测定位方法，其特征在于，处理模块中根据定位模型计算当前目标窗口时目标所在位置(x_m,y_m)，其中，x_m＝y_Tx+d_m，y_m＝x_Tx+d_mtan(θ_Tm-θ_0m)，x_Tx和y_Tx表示Tx的横纵坐标。

9.如权利要求6所述的基于LoRa信号的非接触式检测定位方法，其特征在于，目标检测模块中δ＝0.1。

10.如权利要求6所述的基于LoRa信号的非接触式检测定位方法，其特征在于，所述目标窗口的窗宽等于4000倍幅度窗口窗宽。

Images