CN111308420A - 一种基于声信号时延估计及到达频率的室内非视距定位方法 - Google Patents

Abstract

本发明公开了位置的服务技术领域的一种基于声信号时延估计及到达频率的室内非视距定位方法，基于距离量测以及频率到达信息中所包含的目标相对运动速度量测来对目标的位置进行求解，目标设备对信标节点发出的声音信号采集，得到原始声音信号，对来自各信标节点的声信号进行探测及分割，依靠距离量测计算目标在定位时的初始位置估计，结合声信号的时延估计及到达频率估计对目标当前位置进行估计，进而在不依赖于其它传感器的前提下，仅通过定位声信号所包含的时延信息及多普勒信息即可增加目标定位所需的信息量，使得对目标设备进行精确定位所需的视距信标节点数量要求变为≥2个，在仅有1个视距信标节点时，实际定位效果也优于其它定位算法。

Description

一种基于声信号时延估计及到达频率的室内非视距定位方法

技术领域

本发明属于基于位置的服务技术领域，具体涉及一种基于声信号时延估计及到达频率的室内非视距定位方法。

背景技术

基于位置信息(Location Based Services，LBS)的服务在民用、工业和军事领域均有着重要的应用，是空间地理信息的基本参量和智能手机的基本功能，也是未来智能系统发展与推广的基石。在室外空间，基于卫星的定位技术，如北斗、GPS、伽利略及格洛纳斯卫星定位系统，其技术的成熟及普适性推动了LBS应用的迅速发展，为人们的出行和生活带来了诸多便利，并催生出许多具有广阔市场前景的应用，如高德地图导航、滴滴出行、大众点评等服务。而伴随着国家城市化的进程，室内空间总面积急剧增长，机场、高铁站、大型交通枢纽站、博物馆、购物中心等大型建筑的内部空间也变得越来越复杂和庞大，使得基于卫星的定位技术在室内场景中受到极大限制，定位与位置服务“最后一公里”问题日益突出。

当前针对智能移动终端的室内高精度定位潜在的解决方案包括：蓝牙技术、WiFi技术、超宽带技术(Ultra-Wideband，UWB)、行人航迹推算(Pedestrian Dead Reckoning，PDR)技术、以及声音技术等。基于声音技术的室内定位系统，其定位精度高、成本低、与智能手机完全兼容、且主要元器件均能够国产化，是智能移动终端高精度室内定位与导航的最有潜力解决方案。正是这些特性引起了国内外的学者和专家的关注，并在过去几年间做出了许多开拓性的研究。

基于声音的室内定位系统所使用的定位技术包括基于距离、角度、指纹匹配等。根据微软室内定位大赛个技术的评测性能对比来看，基于距离量测的三角定位方法的定位精度最高。该类技术通过预设数个信标节点，基于信号的时延估计(Time of Arrival，TOA)获得目标的位置信息，而影响该类技术定位性能主要为TOA的量测误差。如图1所示的场景为典型的基于TOA的室内定位系统架构，该场景中共有4个信标节点(也称锚节点、定位基站，本说明书中统一称之为信标节点)。在实际场景中，由于障碍物及多径传播现象的存在，非视距现象(也称作遮挡现象)往往会给距离量测结果引入较大的正向偏差，进而给位置估计带来较大偏差，甚至失效。如何在强遮挡环境中对目标设备进行精确定位，无论是在无线定位领域还是在声学定位领域，均面临着巨大挑战。

如图2所示为当前文献中主要基于TOA的遮挡定位方法总结。其估计器大都基于最大似然估计与最小二乘估计，基于对量测非视距(遮挡)不同类型的假设，辅以不同类型的处理手段，会得到不同的非视距定位方法。以非视距(遮挡)量测偏差假设以及非视距(遮挡)分布假设的算法，由于需要足够数量的数据基础作为统计计算的基础，在某些场景下会不适用。而M估计器计算量较大且性能不稳定，因此无法在计算能力受限的平台上应用，比如：嵌入式平台以及主频较低的智能手机等。最小中值二乘的方法在强遮挡环境中的性能较差。

当前解决目标鲁棒定位的方法大都采用多传感器信息融合的策略和方法，通过引入其它传感器的数据(如惯性导航模块等)来增加信息量，以提高目标的定位精度。但由于各类硬件平台的器件和传感器性能千差万别，使得该类方法的适用性和通用性较差。综上所述，在强遮挡环境中，或信标节点(也称锚节点、定位基站)部署密度较低的场合中，实现高精度定位成为急需解决的难题。

发明内容

为了解决了现有技术中存在的问题，本发明公开了一种基于声信号时延估计及到达频率的室内非视距定位方法，结合了距离量测以及频率到达信息中所包含的目标相对运动速度量测来对目标的位置进行求解。

为了实现上述目的，本发明采用的技术方案是，一种基于声信号时延估计及到达频率的室内非视距定位方法，结合距离量测以及频率到达信息中所包含的目标设备相对运动速度测量来对目标设备的位置进行定位，具体包括以下步骤：

S10，目标设备对信标节点发出的声音信号采集，得到原始声音信号，并将原始声音信号发送至计算单元或计算中心；

S20，从S10所发送的原始声信号中对来自各信标节点的声信号进行探测及分割，获得增强后的声信号片段及互相关结果片段；

S30，结合声信号的时延估计及到达频率估计对目标当前位置进行估计，记当前为第k次定位，k≥0，则位置估计结果为

具体包括以下步骤：

S31，对S20所得声信号片段进行声信号片段进行非视距识别，通过估计声信道相对增益-时延分布，并对其提取特征值，结合机器学习对其进行分类识别，来判断声信号是否为非视距特性；

S32，根据S31判断出声信号片段的视距特性和非视距特性，对声信号片段进行分组后获得视距声信号集合以及非视距声信号集合；若视距声信号集合中的信号数量≤1，则从非视距声信号集合中寻找距离目标设备最近的两个信标节点的声信号数据，将其添加至视距声信号集合中；

S33，对S32所得视距声信号集合的声信号进行时延估计及频率到达估计，分别获得视距声信号集合的声信号的TOA估计值及FOA估计值；

S34，对S33所得视距声信号集合的声信号的TOA估计值及FOA估计值所对应的信标节点进行匹配，更新信标节点的坐标信息和目标设备到各信标节点的距离，以及目标设备到各信标节点的相对运动速度信息；

S35，根据S34所得信标节点的坐标信息和目标设备到各信标节点的距离，以及目标设备到各信标节点的相对运动速度信息，计算目标位置估计

S10中，所述的目标设备包括但不限于笔记本电脑、智能平板电脑、手机、无人车以及机器人；所述的计算单元或计算中心是指具有计算能力或进行数据处理和运算的芯片、模组、模块、计算机、服务器或云端服务器。

S20具体包括以下步骤：

S21，对S10所得原始声信号x[n]进行滤波与增强，获得增强后的声信号x′[n]；

S22，构造参考信号r[n]并用参考信号r[n]对增强后的声信号x′[n]进行互相关计算，获得互相关信号R_x′r[τ]；

S23，在互相关信号R_x′r[τ]中，对来自各信标节点的声音信号进行探测，并将其进行分割提取，获得互相关结果片段，记第i个信标声信号的互相关结果片段为R_i[τ]，并记录有效信号的下标索引idx_s及idx_e，idx_s为第i个信标声信号的互相关结果片段的开始，idx_e第i个信标声信号的互相关结果片段的结尾；

S24，从增强后的声信号x′[n]中截取增强后的声信号片段x′_i[n]，即x′_i[n]＝x′[idx_s:idx_e]。

S21中的滤波与增强，是指通过能对信号进行带通滤波和噪声抑制的硬件电路或信号处理算法对信号进行带通滤波和噪声抑制。

S23中的有效性探测方法，是指通过对来自各信标节点的声音信号波形特征进行提取和判断来确定当前声音数据是否含有有效信号，以及信号所处在声信号序列中的位置。

结合声信号的时延估计及到达频率估计对目标当前位置进行估计包括以下步骤：

S31，对S20所得增强后的声信号片段进行非视距识别：通过估计声信道相对增益-时延分布，并对其提取特征值，结合机器学习对其进行分类识别，来判断其中的声信号是否为非视距特性；

S32，依据S31中对声信号片段的视距和非视距特性判断结果，对其进行分组后获得视距声信号集合X_los＝{x′_i[n]|i∈[1,N]}以及非视距声信号集合X_nlos＝{x′_j[n]|j∈[1,N],j≠i}；若X_los集合中的信号数量≤1，则从X_nlos中寻找距离目标设备最近的两个信标节点的声信号数据，将其添加至X_los中；对X_los集合中的声信号进行时延估计及频率到达估计，分别获得X_los集合中的声信号的TOA估计值τ_ki及FOA估计值f_ki，i∈[1,N]；

S33，对S32所得X_los集合中的声信号的TOA估计值以及FOA估计值所对应的信标节点进行匹配，τ_ki→a_j，j∈[1,M]，其中M为所部署的信标节点总数量，且a_j＝[x_j,y_j]^T，分别获得视距声信号集合的声信号的TOA估计值及FOA估计值；

S34，更新信标节点的坐标信息和目标设备到各信标节点的距离

其中c为声速；以及目标设备到各信标节点的相对运动速度信息，

其中，γ为修正因子，f₀为原始起始频率或中心频率；

S38，计算目标位置估计

即求解

其中J(p)为目标函数，表示为

其中Δt为第k次定位与第k-1次定位的时间间隔，单位为秒。

S32中，对声信号片段进行非视距识别，具体包括以下步骤：

S321，通过对声信道进行相对增益-时延分布进行估计，获得{Γ_a,Γ_τ}；

S322，从{Γ_a,Γ_τ}中提取时延特征、波形特征、莱斯K系数、频数的时延特征以及频数的波形特征，记作特征集F^z，其中z为特征集的维度，即所提取和使用的特征值种类数量；

S323，基于特征集F^z，使用有监督的机器学习方法对信号x′_i[n]进行非视距分类和识别。

S33中使用S31的方法获得TOA估计值τ_ki，采用直接探测方法、频谱方法、最大似然估计方法或最小二乘方法估计声信号片段x′_i[n]的实际起始频率或中心频率，即FOA估计值f_ki。

与现有技术相比，本发明至少具有以下有益效果：

本发明结合了距离量测以及频率到达信息中所包含的目标相对运动速度量测来对目标的位置进行求解，在不依赖于其它传感器的前提下，通过充分挖掘声信号中所包含的目标运动速度信息，将目标运动所引起的信号多普勒频移量引入目标的非视距定位，信息量的增加会显著提高目标的定位精度及稳定性；增加目标定位所需的信息量，使得对目标设备进行精确定位，所需的视距信标节点数量要求变为≥2个；同时在仅有1个视距信标节点的情况下，本发明的实际定位效果也优于其它定位算法，这就对所要求的视距量测数量有了极大地放宽，在室内严重遮挡复杂环境下的精确定位具有很大的优势。

附图说明

图1为本发明视距及非视距现象简图；

图2为现有遮挡定位方法示意图；

图3为本发明非视距识别流程图；

图4为测试场景的平面图及运动路线图；

图5为基于参数空间数值搜索的最小二乘算法的定位效果；

图6为基于识别与丢弃的最小二乘算法的定位效果；

图7为基于节点选择的线性最小二乘算法的定位效果；

图8为残差最小Rwgh算法的定位效果；

图9为本发明所公开算法的定位效果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在传统的非视距定位方法中，最为有效的方法有两类，即基于识别与丢弃策略的定位方法，以及基于参数空间数值搜索的残差最小Rwgh算法。该两类算法在实际评测过程中的表现相对较好，但都需要目标设备所能接收到的视距信标节点的数量≥3个。若该条件不满足，则定位性能会急剧下降。

本发明提供一种技术方案：一种基于声信号时延估计及到达频率的室内非视距定位方法，结合距离量测以及频率到达信息中所包含的目标相对运动速度测量来对目标的位置进行求解。进而在不依赖于其它传感器的前提下，增加目标定位所需的信息量，使得对目标设备进行精确定位，所需的视距信标节点数量要求变为≥2个；同时在仅有1个视距信标节点的情况下，本发明的实际定位效果也优于其它定位算法，以如图1所示的具有预设信标节点的定位系统为平台，各信标节点按照固定时序发送线性调频信号，即

t＝[0，T]，其中f₀为起始频率，b₀为调频斜率，为信号的时域带宽。TOA估计方法，是指基于互相关结果片段的信号第一径成分到达时刻检测方法，或是基于时频分布的TOA估计方法；

参考图3，本发明的具体步骤如下：

S1，信号采集：目标设备以采样频率f_s对声音信号采集，得到原始声音信号x[n]，将原始声音信号x[n]发送至计算单元或计算中心；

S2，对S1所得原始声信号x[n]进行探测及分割：

从S1所得的原始声信号x[n]中，对来自各信标节点的声信号进行探测及分割，获得增强后的声信号片段x′_i[n]及互相关结果片段R_i[τ]，i＝1,2,…N_b，N_b为设备所接收到的信标节点所广播信号的总数量。

首先对信号x[n]进行滤波和增强，通过x′[n]＝IFFT FFT x[n] w[n]获得，其中w[n]为窗函数，本实例使用矩形窗与布莱克曼窗组成复合窗函数，矩形窗的长度

来对信号进行带通滤波；根据s(t)的先验知识，构造参考信号r[n]，用参考信号r[n]对信号x′[n]进行互相关计算，获得结果

其中N为x′[n]的长度。

随后，针对R_x′r[τ]进行序贯检测，以确定有效信号的下标索引号；设定信号片段的长度为50ms，记作T_s＝0.05f_s，序贯装载信号片段为seg[τ]＝R_x′r[τ_s]，其中τ_s＝[(i-1)T_s+1:iT_s]，那么seg[τ]中包含有效信号的判定方式为K{seg[τ]}≥thd，其中thd为判定阈值，K{·}为波形峰度计算符；如果seg[τ]中包含有效信号，则依据信标节点的广播时序将信号片段及互相关结果片段与信标节点的ID进行匹配，结果记为a_i；计算互相关结果中的最大峰值位置，记作

截取声信号及互相关结果片段的下标索引为：

包含信标节点a_i声信号的信号片段x′_i[n]＝x′[idx_s:idx_e]，互相关结果片段R_i[τ]＝R_x′r[idx_s:idx_e]，随后依次截取和存储所有信标节点的声信号片段及互相关结果片段。

S3，目标设备位置的更新：记当前为第k次定位(k>0)，则位置估计结果为

如图4所示，每次定位开始时，都会利用S1所述方法采集当前次定位的原始声音信号，并将其发送至计算单元或计算中心，再用S2所述方法对其进行探测及分割，获得增强后的声信号片段x′_i[n]及互相关结果片段。

首先对声信号进行非视距识别，通过对声信道进行相对增益-时延分布进行估计，获得{Γ_a,Γ_τ}，表示为：

再中分别提取时延特征、波形特征、莱斯K系数、频数的时延特征和频数的波形特征值，记作特征集F^z，其中z为特征集的维度，即所提取和使用的特征值种类的数量；

随后，将特征集F^z输入已经训练好的基于径向基函数的支持向量机分类器(SVM)，判断信号x′_i[n]是视距还是非视距量测，SVM的输出为1时表示非视距量测，依据声信号x′_i[n]属于视距和非视距量测的不同，对其进行分组；分别记视距声信号集合为X_los＝{x′_i[n]|i∈[1,N]}以及非视距声信号集合为X_nlos＝{x′_j[n]|j∈[1,N],j≠i}；若X_los集合中的信号数量≤1，则从X_nlos中寻找距离设备最近的两个信标节点的声信号数据，将其添加至X_los中，以保证后续算法可解析；

然后，对X_los集合中的声信号x′_i[n]进行时延估计及频率到达估计，分别获得TOA估计值τ_ki及FOA估计值f_ki，i∈[1,N]，针对TOA的估计方法同样是基于互相关结果的阈值检测法，而FOA的估计则使用基于似然搜索的方法，表示为：

则，初始频率f_ki则为：

对各时延信息所对应的信标节点进行匹配，τ_ki→a_j，j∈[1,M]，其中M为所部署的信标节点总数量，且a_j＝[x_j,y_j]^T，并更新各信标节点的坐标信息；更新设备到各信标节点的距离

其中c为声速；以及设备到各信标节点的相对运动速度信息，

其中γ为修正因子，f₀为原始起始频率或中心频率。

最后对目标位置

进行估计，即求解

其中J(p)为目标函数，表示为

其中，Δt为第k次定位与第k-1次定位的时间间隔，单位为秒。

通过在如图4所示的场景中进行实验测试来对本发明的实际定位效果进行展示测试场景的平面图及运动路线图。在该空间中部署5个信标节点，以人手持智能手机的形式在场景内按固定轨迹移动，进而对比不同定位算法的性能；图5所示为基于参数空间数值搜索的最小二乘算法的定位效果；图6所示为基于识别与丢弃的最小二乘算法的定位效果；图7所示为基于节点选择的线性最小二乘算法的定位效果；图8所示为残差最小Rwgh算法的定位效果；图9所示为本发明所公开算法的定位效果；通过直观对比可以看出，本发明的算法具有最佳的定位效果和稳定性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于声信号时延估计及到达频率的室内非视距定位方法，其特征在于，结合距离量测以及频率到达信息中所包含的目标设备相对运动速度测量来对目标设备的位置进行定位，具体包括以下步骤：

S10，目标设备对信标节点发出的声音信号采集，得到原始声音信号，并将原始声音信号发送至计算单元或计算中心；

S20，从S10所发送的原始声信号中对来自各信标节点的声信号进行探测及分割，获得增强后的声信号片段及互相关结果片段；

S30，结合声信号的时延估计及到达频率估计对目标当前位置进行估计，记当前为第k次定位，k≥0，则位置估计结果为

具体包括以下步骤：

S31，对S20所得声信号片段进行声信号片段进行非视距识别，通过估计声信道相对增益-时延分布，并对其提取特征值，结合机器学习对其进行分类识别，来判断声信号是否为非视距特性；

S32，根据S31判断出声信号片段的视距特性和非视距特性，对声信号片段进行分组后获得视距声信号集合以及非视距声信号集合；若视距声信号集合中的信号数量≤1，则从非视距声信号集合中寻找距离目标设备最近的两个信标节点的声信号数据，将其添加至视距声信号集合中；

S33，对S32所得视距声信号集合的声信号进行时延估计及频率到达估计，分别获得视距声信号集合的声信号的TOA估计值及FOA估计值；

S34，对S33所得视距声信号集合的声信号的TOA估计值及FOA估计值所对应的信标节点进行匹配，更新信标节点的坐标信息和目标设备到各信标节点的距离，以及目标设备到各信标节点的相对运动速度信息；

S35，根据S34所得信标节点的坐标信息和目标设备到各信标节点的距离，以及目标设备到各信标节点的相对运动速度信息，计算目标位置估计

2.根据权利要求1所述的基于声信号时延估计及到达频率的室内非视距定位方法，其特征在于，S10中，所述的目标设备包括但不限于笔记本电脑、智能平板电脑、手机、无人车以及机器人；所述的计算单元或计算中心是指具有计算能力或进行数据处理和运算的芯片、模组、模块、计算机、服务器或云端服务器。

3.根据权利要求1所述的基于声信号时延估计及到达频率的室内非视距定位方法，其特征在于，S20具体包括以下步骤：

S21，对S10所得原始声信号x[n]进行滤波与增强，获得增强后的声信号x'[n]；

S22，构造参考信号r[n]并用参考信号r[n]对增强后的声信号x'[n]进行互相关计算，获得互相关信号R_x'r[τ]；

S23，在互相关信号R_x'r[τ]中，对来自各信标节点的声音信号进行探测，并将其进行分割提取，获得互相关结果片段，记第i个信标声信号的互相关结果片段为R_i[τ]，并记录有效信号的下标索引idx_s及idx_e，idx_s为第i个信标声信号的互相关结果片段的开始，idx_e第i个信标声信号的互相关结果片段的结尾；

S24，从增强后的声信号x'[n]中截取增强后的声信号片段x'_i[n]，即x'_i[n]＝x'[idx_s:idx_e]。

4.根据权利要求1所述的基于声信号时延估计及到达频率的室内非视距定位方法，其特征在于，S21中的滤波与增强，是指通过能对信号进行带通滤波和噪声抑制的硬件电路或信号处理算法对信号进行带通滤波和噪声抑制。

5.根据权利要求1所述的基于声信号时延估计及到达频率的室内非视距定位方法，其特征在于，S23中的有效性探测方法，是指通过对来自各信标节点的声音信号波形特征进行提取和判断来确定当前声音数据是否含有有效信号，以及信号所处在声信号序列中的位置。

6.根据权利要求1所述的基于声信号时延估计及到达频率的室内非视距定位方法，其特征在于，结合声信号的时延估计及到达频率估计对目标当前位置进行估计包括以下步骤：

S31，对S20所得增强后的声信号片段进行非视距识别：通过估计声信道相对增益-时延分布，并对其提取特征值，结合机器学习对其进行分类识别，来判断其中的声信号是否为非视距特性；

S32，依据S31中对声信号片段的视距和非视距特性判断结果，对其进行分组后获得视距声信号集合X_los＝{x'_i[n]|i∈[1,N]}以及非视距声信号集合X_nlos＝{x'_j[n]|j∈[1,N],j≠i}；若X_los集合中的信号数量≤1，则从X_nlos中寻找距离目标设备最近的两个信标节点的声信号数据，将其添加至X_los中；对X_los集合中的声信号进行时延估计及频率到达估计，分别获得X_los集合中的声信号的TOA估计值τ_ki及FOA估计值f_ki，i∈[1,N]；

S33，对S32所得X_los集合中的声信号的TOA估计值以及FOA估计值所对应的信标节点进行匹配，τ_ki→a_j，j∈[1,M]，其中M为所部署的信标节点总数量，且a_j＝[x_j,y_j]^T，分别获得视距声信号集合的声信号的TOA估计值及FOA估计值；

S34，更新信标节点的坐标信息和目标设备到各信标节点的距离

其中c为声速；以及目标设备到各信标节点的相对运动速度信息，

其中，γ为修正因子，f₀为原始起始频率或中心频率；

S38，计算目标位置估计

即求解

其中J(p)为目标函数，表示为

其中Δt为第k次定位与第k-1次定位的时间间隔，单位为秒。

7.根据权利要求6所述的基于声信号时延估计及到达频率的室内非视距定位方法，其特征在于，S32中，对声信号片段进行非视距识别，具体包括以下步骤：

S321，通过对声信道进行相对增益-时延分布进行估计，获得{Γ_a,Γ_τ}；

S322，从{Γ_a,Γ_τ}中提取时延特征、波形特征、莱斯K系数、频数的时延特征以及频数的波形特征，记作特征集F^z，其中z为特征集的维度，即所提取和使用的特征值种类数量；

S323，基于特征集F^z，使用有监督的机器学习方法对信号x'_i[n]进行非视距分类和识别。

8.根据权利要求6所述的基于声信号时延估计及到达频率的室内非视距定位方法，其特征在于，S33中使用S31的方法获得TOA估计值τ_ki，采用直接探测方法、频谱方法、最大似然估计方法或最小二乘方法估计声信号片段x'_i[n]的实际起始频率或中心频率，即FOA估计值f_ki。

Images