CN111294731A - Uwb室内定位方法、装置、电子设备及存储介质 - Google Patents

Uwb室内定位方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111294731A
CN111294731A CN202010049564.XA CN202010049564A CN111294731A CN 111294731 A CN111294731 A CN 111294731A CN 202010049564 A CN202010049564 A CN 202010049564A CN 111294731 A CN111294731 A CN 111294731A
Authority
CN
China
Prior art keywords
neural network
network model
distance value
sub
uwb
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010049564.XA
Other languages
English (en)
Other versions
CN111294731B (zh
Inventor
董明珠
赵杰磊
卢军志
仝磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202010049564.XA priority Critical patent/CN111294731B/zh
Publication of CN111294731A publication Critical patent/CN111294731A/zh
Application granted granted Critical
Publication of CN111294731B publication Critical patent/CN111294731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本申请涉及一种UWB室内定位方法、装置、电子设备及存储介质，所述方法包括：通过待定位标签发送定位请求信号；接收多个UWB定位基站发送的响应于定位请求信号的响应信号；获取响应信号中携带的时间戳；根据时间戳以及信号传播速度，确定待定位标签和所述UWB定位基站之间的距离值；将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。本申请利用训练好的RBF径向基函数神经网络模型，将测量得到的待定位标签与UWB定位基站之间的距离值作为RBF径向基函数神经网络模型的输入向量，来优化测量得到的距离值，从而可以去除各种不符合高斯分布的误差引入量，提高定位精度。

Description

UWB室内定位方法、装置、电子设备及存储介质
技术领域
本申请涉及室内定位技术领域，尤其涉及一种UWB室内定位方法、装置、电子设备及存储介质。
背景技术
目前在基于超宽带技术的无线定位算法研究中，基于机器学习的智能算法以其在非线性优化领域无可比拟的优势已渐渐应用于定位解算算法。现有的基于BP(backpropagation，反向传播)神经网络的定位算法由于具有庞杂的算法复杂度以及容易陷入局部最优值等缺点，在实际工程应用中很少有人采用。
基于这一现状，并针对当前UWB(超宽带，Ultra Wide Band)定位技术中基于到达时间差(Time Deference of Arrival，TDOA)的定位模型精度不高，多径传播误差、非视距(Non-Line of sight,NLOS)误差等造成的定位精度不高的问题，本申请提出了一种基于改进的RBF(Radial Basis Function，径向基函数)神经网络模型的定位算法。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
为了解决上述技术问题，本申请提供了一种UWB室内定位方法、装置、电子设备及存储介质。
有鉴于此，第一方面，本申请提供了一种UWB室内定位方法，所述方法包括以下步骤：
通过待定位标签发送定位请求信号；
接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号；
获取所述响应信号中携带的时间戳；
根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值；
将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。
结合第一方面，在第一方面第一种可能的实施方式中，所述RBF神经网络模型通过以下方式进行训练：
获取所述待定位标签和所述UWB定位基站之间的历史距离值，其中，所述历史距离值为通过测量工具测量得到；
将所述历史距离值作为训练样本输入初始的RBF神经网络模型，以使所述初始的RBF神经网络模型输出初始距离值；
若所述初始距离值与所述历史距离值的相似度大于设定的相似度阈值，则所述初始的RBF神经网络模型训练成功，得到所述训练好的RBF神经网络模型；
若所述初始距离值与所述历史距离值的相似度小于或等于设定的相似度阈值，则通过调整所述初始的RBF神经网络模型中的参数，继续对所述初始的RBF神经网络模型进行训练，直至所述初始的RBF神经网络模型训练成功。
结合第一方面，在第一方面第二种可能的实施方式中，所述通过调整所述初始的RBF神经网络模型中的参数，继续对所述初始的RBF神经网络模型进行训练，包括：
利用并行遗传算法对所述初始的RBF神经网络模型中的参数执行种群的初始化操作和编码操作；
将所述种群划分为多个子种群，并为所述子种群设置权重矩阵；
从所述子种群中查找最优适应度所对应的子种群；
对查找到的所述子种群执行解码操作，并根据所述子种群所对应的权重矩阵得到所述参数的调整值。
结合第一方面，在第一方面第三种可能的实施方式中，在从所述子种群中查找最优适应度所对应的子种群之前，所述方法还包括：
获取所述子种群在的迭代次数；
当所述子种群的迭代次数小于设定的最大迭代次数时，分别在所述子种群内根据适应度选择优秀的子种群，进行交叉、变异和到位操作；
当操作次数达到设定的门限值时，执行所述从所述子种群中查找最优适应度所对应的子种群的操作；
当操作次数未达到设定的门限值时，继续对所述子种群执行交叉、变异和到位操作；
当所述子种群的迭代次数大于或等于设定的最大迭代次数时，直接执行所述从所述子种群中查找最优适应度所对应的子种群的操作。
结合第一方面，在第一方面第四种可能的实施方式中，所述方法还包括：
获取在当前帧所测量得到的所述距离值的数量；
当所述距离值的数量大于设定的阈值时，构建TOF定位方程组：
Figure BDA0002370637960000031
其中，R1、R2、R3分别为UWB定位基站1、UWB定位基站2、UWB定位基站3与待定位标签之间的直线距离，(Xi，Yi)为UWB定位基站i的坐标，(x,y)为待定位标签的坐标；
利用加权最小二乘算法求解所述待定位标签与所述UWB定位基站1、UWB定位基站2、UWB定位基站3之间的距离值；
根据所述距离值构建TDOA双曲线定位方程组：
Figure BDA0002370637960000041
其中，R2，1为UWB定位基站2和UWB定位基站1之间的距离；R3，1为UWB定位基站3和UWB定位基站1之间的距离；Ri，1为UWB定位基站i与UWB定位基站1之间的距离。
第二方面，本申请提供了一种UWB室内定位装置，所述装置包括：
信号发送单元，用于通过待定位标签发送定位请求信号；
信号接收单元，用于接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号；
时间戳获取单元，用于获取所述响应信号中携带的时间戳；
距离值确定单元，用于根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值；
距离值优化单元，用于将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。
结合第二方面，在第二方面第一种可能的实施方式中，所述装置还包括用于对所述RBF神经网络模型进行训练的模型训练单元，所述模型训练单元包括：
历史距离值获取子单元，用于获取所述待定位标签和所述UWB定位基站之间的历史距离值，其中，所述历史距离值为通过测量工具测量得到；
输入子单元，用于将所述历史距离值作为训练样本输入初始的RBF神经网络模型，以使所述初始的RBF神经网络模型输出初始距离值；
训练成功确定子单元，用于若所述初始距离值与所述历史距离值的相似度大于设定的相似度阈值，则所述初始的RBF神经网络模型训练成功，得到所述训练好的RBF神经网络模型；
参数调整子单元，用于若所述初始距离值与所述历史距离值的相似度小于或等于设定的相似度阈值，则通过调整所述初始的RBF神经网络模型中的参数，继续对所述初始的RBF神经网络模型进行训练，直至所述初始的RBF神经网络模型训练成功。
结合第二方面，在第二方面第二种可能的实施方式中，所述参数调整子单元包括：
执行子模块，用于利用并行遗传算法对所述初始的RBF神经网络模型中的参数执行种群的初始化操作和编码操作；
种群划分子模块，用于将所述种群划分为多个子种群，并为所述子种群设置权重矩阵；
查找子模块，用于从所述子种群中查找最优适应度所对应的子种群；
解码子模块，用于对查找到的所述子种群执行解码操作，并根据所述子种群所对应的权重矩阵得到所述参数的调整值。
第三方面，本申请提供了一种电子设备，所述电子设备包括：至少一个处理器、存储器、至少一个网络接口和用户接口；
所述至少一个处理器、存储器、至少一个网络接口和用户接口通过总线系统耦合在一起；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如第一方面所述的UWB室内定位方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的UWB室内定位方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例提供的一种UWB室内定位方法、装置、电子设备及存储介质，该UWB室内定位方法通过待定位标签发送定位请求信号；接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号；获取所述响应信号中携带的时间戳；根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值；将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。本申请实施例针对距离测量结果不准确的问题，利用训练好的RBF径向基函数神经网络模型，将测量得到的待定位标签与UWB定位基站之间的距离值作为RBF径向基函数神经网络模型的输入向量，来优化测量得到的距离值，从而可以去除各种不符合高斯分布的误差引入量，提高定位精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用场景示意图；
图2为本申请实施例提供的一种UWB室内定位方法的流程示意图；
图3为本申请实施例提供的另一种UWB室内定位方法的流程示意图；
图4为本申请实施例提供的一种UWB室内定位装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
现在将参考附图描述实现本发明各个实施例的服务器。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
如图1所示，为本申请实施例提供的一种应用场景示意图，应用于二维定位，将多个(至少多于三个)UWB定位基站均匀布局于使用环境四周，待定位标签的活动范围限制在UWB定位基站所在平面之内，该申请易于实现，可行性高。
本申请实施例提供了一种UWB室内定位方法，如图2所示，该方法可以包括以下步骤：
S201、通过待定位标签发送定位请求信号。
通过待定位标签向所在空间发射一帧定位请求信号。
S202、接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号。
各UWB定位基站在接收到定位请求信号后，在一定时间间隔内发射响应信号，待定位标签接收响应信号。
S203、获取所述响应信号中携带的时间戳。
待定位标签提取响应信号中携带的响应时间戳、发送定位请求信号的时间戳以及接收响应信号的时间戳。
S204、根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值。
待定位标签根据提取到的响应时间戳、发送定位请求信号的时间戳、接收响应信号的时间戳以及信号传播速度(即电磁波在空间中的传播速度)，计算待定位标签和所述UWB定位基站之间的距离值。
可选的，待定位标签统计距离值的数量，如果三个以上的距离值是有效的，则组成一帧定位帧发送给上位机。
S205、将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。
可选的，在UWB定位基站侧，UWB定位基站休眠并等待定位请求信号，判断是否接收到定位请求信号，如果没有接收到，则继续等待，如果接收到定位请求信号，则记录接收到定位请求信号的时间戳，并响应该定位请求信号，发送响应信号给待定位标签，并记录发送响应信号的时间戳，继续等待待定位标签发送的下一次发送的定位请求信号。
可选的，RBF神经网络模型通过以下方式进行训练：
获取所述待定位标签和所述UWB定位基站之间的历史距离值，其中，所述历史距离值为通过测量工具测量得到，同时将历史距离值上传给上位机；
将所述历史距离值作为训练样本输入初始的RBF神经网络模型，以使所述初始的RBF神经网络模型输出初始距离值；
若所述初始距离值与所述历史距离值的相似度大于设定的相似度阈值，则所述初始的RBF神经网络模型训练成功，得到所述训练好的RBF神经网络模型；
若所述初始距离值与所述历史距离值的相似度小于或等于设定的相似度阈值，则通过调整所述初始的RBF神经网络模型中的参数，继续对所述初始的RBF神经网络模型进行训练，直至所述初始的RBF神经网络模型训练成功。
本申请在数据获取的源头针对时间戳获取精度不够造成的测距不准问题，利用测量到的距离值作为RBF神经网络模型训练的输入向量，通过测量工具测量得到的UWB定位基站与待定位标签之间的距离作为输出向量，在实际测量中利用RBF神经网络模型来优化测量的距离值，达到去除各种不符合高斯分布的误差引入量，提到定位的精度。
为了便于理解本申请实施例，下面通过具体的实施例对本申请进行描述。
可选的，如图3所示，本申请实施例提供了另一种UWB室内定位方法，该方法包括：
S301、利用并行遗传算法对所述初始的RBF神经网络模型中的参数执行种群的初始化操作和编码操作。
S302、将所述种群划分为多个子种群，并为所述子种群设置权重矩阵。
S303、获取所述子种群在的迭代次数。
S304、判断所述子种群在的迭代次数是否小于设定的最大迭代次数，如果是，则执行步骤S305；否则，执行步骤S307。
S305、分别在所述子种群内根据适应度选择优秀的子种群，进行交叉、变异和到位操作。
S306、判断操作次数是否达到设定的门限值，如果是，则执行步骤S307；否则，执行步骤S305。
S307、从所述子种群中查找最优适应度所对应的子种群。
S308、对查找到的所述子种群执行解码操作，并根据所述子种群所对应的权重矩阵得到所述参数的调整值。
本申请利用并行遗传算法(Parallel Genetic Algorithm，PGA)的最优搜索能力，在特定区间内优化了RBF神经网络模型的各项初始化参数优，提高RBF神经网络模型的学习能力并保证其能快速收敛，从而提高RBF神经网络模型的非线性逼近能力，有效地消除UWB信号传播过程引入的多径误差与非视距NLOS误差。
可选的，所述方法还包括：
获取在当前帧所测量得到的所述距离值的数量；
当所述距离值的数量大于设定的阈值(例如，阈值设置为3)时，构建TOF定位方程组：
Figure BDA0002370637960000111
其中，R1、R2、R3分别为UWB定位基站1、UWB定位基站2、UWB定位基站3与待定位标签之间的直线距离，(Xi，Yi)为UWB定位基站i的坐标，(x,y)为待定位标签的坐标；
利用加权最小二乘算法求解所述待定位标签与所述UWB定位基站1、UWB定位基站2、UWB定位基站3之间的距离值；
根据所述距离值构建TDOA双曲线定位方程组：
Figure BDA0002370637960000112
其中，R2，1为UWB定位基站2和UWB定位基站1之间的距离；R3，1为UWB定位基站3和UWB定位基站1之间的距离；Ri，1为UWB定位基站i与UWB定位基站1之间的距离。
可选的，为扩展信号接收范围，UWB定位基站有三个天线平均分布在周围，即每两个天线间隔为120°，而发射和接收信号时，每个天线各对应一个UWB信道，分别发射与接收。
本申请利用飞行时间(TOF)法获取到的时间值构建TDOA双曲线定位方程组，消除了由于原始TDOA定位模型中时钟漂移、基站与标签之间时间不同步造成的测距误差，从而提高了测量的距离值的精度，保证了数据的可靠性。
可选的，如图4所示，本申请实施例还提供了一种UWB室内定位装置，所述装置包括：
信号发送单元41，用于通过待定位标签发送定位请求信号；
信号接收单元42，用于接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号；
时间戳获取单元43，用于获取所述响应信号中携带的时间戳；
距离值确定单元44，用于根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值；
距离值优化单元45，用于将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。
可选的，所述装置还包括用于对所述RBF神经网络模型进行训练的模型训练单元，所述模型训练单元包括：
历史距离值获取子单元，用于获取所述待定位标签和所述UWB定位基站之间的历史距离值，其中，所述历史距离值为通过测量工具测量得到；
输入子单元，用于将所述历史距离值作为训练样本输入初始的RBF神经网络模型，以使所述初始的RBF神经网络模型输出初始距离值；
训练成功确定子单元，用于若所述初始距离值与所述历史距离值的相似度大于设定的相似度阈值，则所述初始的RBF神经网络模型训练成功，得到所述训练好的RBF神经网络模型；
参数调整子单元，用于若所述初始距离值与所述历史距离值的相似度小于或等于设定的相似度阈值，则通过调整所述初始的RBF神经网络模型中的参数，继续对所述初始的RBF神经网络模型进行训练，直至所述初始的RBF神经网络模型训练成功。
可选的，所述参数调整子单元包括：
执行子模块，用于利用并行遗传算法对所述初始的RBF神经网络模型中的参数执行种群的初始化操作和编码操作；
种群划分子模块，用于将所述种群划分为多个子种群，并为所述子种群设置权重矩阵；
查找子模块，用于从所述子种群中查找最优适应度所对应的子种群；
解码子模块，用于对查找到的所述子种群执行解码操作，并根据所述子种群所对应的权重矩阵得到所述参数的调整值。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如各方法实施例所述的UWB室内定位方法的步骤，例如包括：
通过待定位标签发送定位请求信号；
接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号；
获取所述响应信号中携带的时间戳；
根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值；
将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。
图5是本发明另一个实施例提供的电子设备的结构示意图。图5所示的电子设备500包括：至少一个处理器501、存储器502、至少一个网络接口504和其他用户接口503。电子设备500中的各个组件通过总线系统505耦合在一起。可理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。
其中，用户接口503可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(ProgrammableROM，PROM)、可擦除可编程只读存储器(ErasablePROM，EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(StaticRAM，SRAM)、动态随机存取存储器(DynamicRAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM，DRRAM)。本文描述的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器502存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统5021和应用程序5022。
其中，操作系统5021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序5022，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序5022中。
在本发明实施例中，通过调用存储器502存储的程序或指令，具体的，可以是应用程序5022中存储的程序或指令，处理器501用于执行各方法实施例所提供的方法步骤，例如包括：
通过待定位标签发送定位请求信号；
接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号；
获取所述响应信号中携带的时间戳；
根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值；
将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecificIntegratedCircuits，ASIC)、数字信号处理器(DigitalSignalProcessing，DSP)、数字信号处理设备(DSPDevice，DSPD)、可编程逻辑设备(ProgrammableLogicDevice，PLD)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种UWB室内定位方法，其特征在于，所述方法包括以下步骤：
通过待定位标签发送定位请求信号；
接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号；
获取所述响应信号中携带的时间戳；
根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值；
将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。
2.根据权利要求1所述的方法，其特征在于，所述RBF神经网络模型通过以下方式进行训练：
获取所述待定位标签和所述UWB定位基站之间的历史距离值，其中，所述历史距离值为通过测量工具测量得到；
将所述历史距离值作为训练样本输入初始的RBF神经网络模型，以使所述初始的RBF神经网络模型输出初始距离值；
若所述初始距离值与所述历史距离值的相似度大于设定的相似度阈值，则所述初始的RBF神经网络模型训练成功，得到所述训练好的RBF神经网络模型；
若所述初始距离值与所述历史距离值的相似度小于或等于设定的相似度阈值，则通过调整所述初始的RBF神经网络模型中的参数，继续对所述初始的RBF神经网络模型进行训练，直至所述初始的RBF神经网络模型训练成功。
3.根据权利要求2所述的方法，其特征在于，所述通过调整所述初始的RBF神经网络模型中的参数，继续对所述初始的RBF神经网络模型进行训练，包括：
利用并行遗传算法对所述初始的RBF神经网络模型中的参数执行种群的初始化操作和编码操作；
将所述种群划分为多个子种群，并为所述子种群设置权重矩阵；
从所述子种群中查找最优适应度所对应的子种群；
对查找到的所述子种群执行解码操作，并根据所述子种群所对应的权重矩阵得到所述参数的调整值。
4.根据权利要求3所述的方法，其特征在于，在从所述子种群中查找最优适应度所对应的子种群之前，所述方法还包括：
获取所述子种群在的迭代次数；
当所述子种群的迭代次数小于设定的最大迭代次数时，分别在所述子种群内根据适应度选择优秀的子种群，进行交叉、变异和到位操作；
当操作次数达到设定的门限值时，执行所述从所述子种群中查找最优适应度所对应的子种群的操作；
当操作次数未达到设定的门限值时，继续对所述子种群执行交叉、变异和到位操作；
当所述子种群的迭代次数大于或等于设定的最大迭代次数时，直接执行所述从所述子种群中查找最优适应度所对应的子种群的操作。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取在当前帧所测量得到的所述距离值的数量；
当所述距离值的数量大于设定的阈值时，构建TOF定位方程组：
Figure FDA0002370637950000031
其中，R1、R2、R3分别为UWB定位基站1、UWB定位基站2、UWB定位基站3与待定位标签之间的直线距离，(Xi，Yi)为UWB定位基站i的坐标，(x,y)为待定位标签的坐标；
利用加权最小二乘算法求解所述待定位标签与所述UWB定位基站1、UWB定位基站2、UWB定位基站3之间的距离值；
根据所述距离值构建TDOA双曲线定位方程组：
Figure FDA0002370637950000032
其中，R2，1为UWB定位基站2和UWB定位基站1之间的距离；R3，1为UWB定位基站3和UWB定位基站1之间的距离；Ri，1为UWB定位基站i与UWB定位基站1之间的距离。
6.一种UWB室内定位装置，其特征在于，所述装置包括：
信号发送单元，用于通过待定位标签发送定位请求信号；
信号接收单元，用于接收多个UWB定位基站发送的响应于所述定位请求信号的响应信号；
时间戳获取单元，用于获取所述响应信号中携带的时间戳；
距离值确定单元，用于根据所述时间戳以及信号传播速度，确定所述待定位标签和所述UWB定位基站之间的距离值；
距离值优化单元，用于将所述距离值输入到训练好的RBF径向基函数神经网络模型，以使所述RBF神经网络模型输出优化后的距离值。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括用于对所述RBF神经网络模型进行训练的模型训练单元，所述模型训练单元包括：
历史距离值获取子单元，用于获取所述待定位标签和所述UWB定位基站之间的历史距离值，其中，所述历史距离值为通过测量工具测量得到；
输入子单元，用于将所述历史距离值作为训练样本输入初始的RBF神经网络模型，以使所述初始的RBF神经网络模型输出初始距离值；
训练成功确定子单元，用于若所述初始距离值与所述历史距离值的相似度大于设定的相似度阈值，则所述初始的RBF神经网络模型训练成功，得到所述训练好的RBF神经网络模型；
参数调整子单元，用于若所述初始距离值与所述历史距离值的相似度小于或等于设定的相似度阈值，则通过调整所述初始的RBF神经网络模型中的参数，继续对所述初始的RBF神经网络模型进行训练，直至所述初始的RBF神经网络模型训练成功。
8.根据权利要求7所述的装置，其特征在于，所述参数调整子单元包括：
执行子模块，用于利用并行遗传算法对所述初始的RBF神经网络模型中的参数执行种群的初始化操作和编码操作；
种群划分子模块，用于将所述种群划分为多个子种群，并为所述子种群设置权重矩阵；
查找子模块，用于从所述子种群中查找最优适应度所对应的子种群；
解码子模块，用于对查找到的所述子种群执行解码操作，并根据所述子种群所对应的权重矩阵得到所述参数的调整值。
9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器、存储器、至少一个网络接口和用户接口；
所述至少一个处理器、存储器、至少一个网络接口和用户接口通过总线系统耦合在一起；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至5中任意一项所述的UWB室内定位方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的UWB室内定位方法的步骤。
CN202010049564.XA 2020-01-16 2020-01-16 Uwb室内定位方法、装置、电子设备及存储介质 Active CN111294731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010049564.XA CN111294731B (zh) 2020-01-16 2020-01-16 Uwb室内定位方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010049564.XA CN111294731B (zh) 2020-01-16 2020-01-16 Uwb室内定位方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111294731A true CN111294731A (zh) 2020-06-16
CN111294731B CN111294731B (zh) 2020-12-01

Family

ID=71029909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010049564.XA Active CN111294731B (zh) 2020-01-16 2020-01-16 Uwb室内定位方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111294731B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111970641A (zh) * 2020-07-28 2020-11-20 国网上海市电力公司 一种基于tdoa的定位追踪方法
CN112165731A (zh) * 2020-09-29 2021-01-01 北京明略昭辉科技有限公司 用于设备定位的方法、装置和系统
CN112947544A (zh) * 2021-01-26 2021-06-11 北京京东乾石科技有限公司 飞行器的控制方法、装置、系统及存储介质
CN113395528A (zh) * 2021-06-09 2021-09-14 珠海格力电器股份有限公司 一种直播方法、装置、电子设备及存储介质
CN113395762A (zh) * 2021-04-18 2021-09-14 湖南财政经济学院 超宽带定位网络中位置校正方法及装置
CN113891271A (zh) * 2021-09-18 2022-01-04 珠海格力电器股份有限公司 定位方法、装置及系统，通信设备和计算机可读存储介质
CN113992267A (zh) * 2020-07-10 2022-01-28 Oppo广东移动通信有限公司 通信控制方法、装置、电子设备及存储介质
CN114339607A (zh) * 2020-09-29 2022-04-12 Oppo广东移动通信有限公司 测距方法、装置及存储介质
CN114415113A (zh) * 2022-01-14 2022-04-29 深圳锦沃科技有限公司 室内定位方法、装置、计算机设备及存储介质
CN114697860A (zh) * 2022-03-28 2022-07-01 广东电网有限责任公司广州供电局 一种基于神经网络的多功能定位装置
CN116471604A (zh) * 2023-05-04 2023-07-21 乾位智通(深圳)技术有限公司 组网系统、方法、装置、uwb定位基站和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102213755A (zh) * 2011-04-02 2011-10-12 中国矿业大学(北京) 煤矿井下超宽带定位方法及系统
CN103561463A (zh) * 2013-10-24 2014-02-05 电子科技大学 一种基于样本聚类的rbf神经网络室内定位方法
CN104267377A (zh) * 2014-06-20 2015-01-07 林伟 一种标签主动向锚节点发出信号实现定位的方法
CN105657668A (zh) * 2016-03-16 2016-06-08 南通大学 一种基于uwb的室内移动机器人定位与导航控制方法
CN108844543A (zh) * 2018-06-08 2018-11-20 南通大学 基于uwb定位及航位推算的室内agv导航控制方法
CN109459040A (zh) * 2019-01-14 2019-03-12 哈尔滨工程大学 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法
CN110392425A (zh) * 2019-08-20 2019-10-29 核芯互联科技(青岛)有限公司 一种室内定位方法、装置、系统及存储介质
CN110488222A (zh) * 2019-08-19 2019-11-22 杭州电子科技大学 一种nlos条件下svm与重心坐标相结合的uwb定位方法
US20200005487A1 (en) * 2018-06-28 2020-01-02 Ubtech Robotics Corp Ltd Positioning method and robot using the same

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102213755A (zh) * 2011-04-02 2011-10-12 中国矿业大学(北京) 煤矿井下超宽带定位方法及系统
CN103561463A (zh) * 2013-10-24 2014-02-05 电子科技大学 一种基于样本聚类的rbf神经网络室内定位方法
CN104267377A (zh) * 2014-06-20 2015-01-07 林伟 一种标签主动向锚节点发出信号实现定位的方法
CN105657668A (zh) * 2016-03-16 2016-06-08 南通大学 一种基于uwb的室内移动机器人定位与导航控制方法
CN108844543A (zh) * 2018-06-08 2018-11-20 南通大学 基于uwb定位及航位推算的室内agv导航控制方法
US20200005487A1 (en) * 2018-06-28 2020-01-02 Ubtech Robotics Corp Ltd Positioning method and robot using the same
CN109459040A (zh) * 2019-01-14 2019-03-12 哈尔滨工程大学 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法
CN110488222A (zh) * 2019-08-19 2019-11-22 杭州电子科技大学 一种nlos条件下svm与重心坐标相结合的uwb定位方法
CN110392425A (zh) * 2019-08-20 2019-10-29 核芯互联科技(青岛)有限公司 一种室内定位方法、装置、系统及存储介质

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113992267A (zh) * 2020-07-10 2022-01-28 Oppo广东移动通信有限公司 通信控制方法、装置、电子设备及存储介质
CN113992267B (zh) * 2020-07-10 2023-02-28 Oppo广东移动通信有限公司 通信控制方法、装置、电子设备及存储介质
CN111970641B (zh) * 2020-07-28 2022-06-14 国网上海市电力公司 一种基于tdoa的定位追踪方法
CN111970641A (zh) * 2020-07-28 2020-11-20 国网上海市电力公司 一种基于tdoa的定位追踪方法
CN114339607A (zh) * 2020-09-29 2022-04-12 Oppo广东移动通信有限公司 测距方法、装置及存储介质
CN112165731A (zh) * 2020-09-29 2021-01-01 北京明略昭辉科技有限公司 用于设备定位的方法、装置和系统
CN114339607B (zh) * 2020-09-29 2023-07-18 Oppo广东移动通信有限公司 测距方法、装置及存储介质
CN112947544A (zh) * 2021-01-26 2021-06-11 北京京东乾石科技有限公司 飞行器的控制方法、装置、系统及存储介质
CN113395762A (zh) * 2021-04-18 2021-09-14 湖南财政经济学院 超宽带定位网络中位置校正方法及装置
CN113395528A (zh) * 2021-06-09 2021-09-14 珠海格力电器股份有限公司 一种直播方法、装置、电子设备及存储介质
CN113891271A (zh) * 2021-09-18 2022-01-04 珠海格力电器股份有限公司 定位方法、装置及系统，通信设备和计算机可读存储介质
CN114415113A (zh) * 2022-01-14 2022-04-29 深圳锦沃科技有限公司 室内定位方法、装置、计算机设备及存储介质
CN114697860A (zh) * 2022-03-28 2022-07-01 广东电网有限责任公司广州供电局 一种基于神经网络的多功能定位装置
CN116471604A (zh) * 2023-05-04 2023-07-21 乾位智通(深圳)技术有限公司 组网系统、方法、装置、uwb定位基站和存储介质

Also Published As

Publication number Publication date
CN111294731B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN111294731B (zh) Uwb室内定位方法、装置、电子设备及存储介质
CN108738357B (zh) 信息处理装置、便携式装置以及系统
US20150133143A1 (en) Mobile device positioning system
CN103220777A (zh) 一种移动设备定位系统
CN108834077B (zh) 基于用户移动特性的跟踪区划分方法、装置及电子设备
CN110798886B (zh) 一种定位方法及装置
CN113518301B (zh) 一种定位参考信号配置方法、lmf、终端及基站
CN103957505A (zh) 一种基于ap的行为轨迹检测分析与服务提供系统及方法
JP2013045319A (ja) 情報処理装置、情報処理方法、およびプログラム
CN108732559B (zh) 一种定位方法、装置、电子设备及可读存储介质
CN103913680A (zh) 基于时延误差随机模拟与统计分析的局部放电定位方法
CN105911539A (zh) 一种到达时间差的误差补偿值确定方法及装置
CN105519140A (zh) 一种定位ap的方法和装置
US20170339236A1 (en) System and method for measuring position
CN103607772A (zh) 一种基于lmbp神经网络的泰勒定位算法
CN102833671A (zh) 一种机器人视觉定位的方法及系统
CN110260863B (zh) 一种基于动态指纹库的匹配定位方法及系统
CN109492068B (zh) 预定区域中的对象定位方法、装置和电子设备
JP6640309B1 (ja) 位置推定装置、プログラム、位置推定方法、情報処理装置、及び情報処理方法
CN104080166A (zh) 基于智能无线路由器的室内定位方法
Jiang et al. Competitive agglomeration based KNN in indoor WLAN localization environment
US11803580B2 (en) Apparatus and method for machine-learning-based positioning database creation and positioning of uncollected points using matching feature with wireless communication infrastructure
CN114222238B (zh) 定位方法、装置和计算机可读存储介质
US20220091220A1 (en) Method and apparatus for estimating position of signal source
Cho LTE signal propagation model-based fingerprint DB generation for positioning in emergency rescue situation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant