CN111601381B - 一种基于决策-预测的uwb的井下人员定位方法和系统 - Google Patents

一种基于决策-预测的uwb的井下人员定位方法和系统 Download PDF

Info

Publication number
CN111601381B
CN111601381B CN202010454491.2A CN202010454491A CN111601381B CN 111601381 B CN111601381 B CN 111601381B CN 202010454491 A CN202010454491 A CN 202010454491A CN 111601381 B CN111601381 B CN 111601381B
Authority
CN
China
Prior art keywords
distance data
positioning
neural network
twr
tdoa
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.)
Active
Application number
CN202010454491.2A
Other languages
English (en)
Other versions
CN111601381A (zh
Inventor
李起伟
陈伟
陈浩
邵甜甜
王子龙
韩阳
孟庆勇
苗可彬
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.)
CCTEG China Coal Research Institute
Original Assignee
CCTEG China Coal Research Institute
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 CCTEG China Coal Research Institute filed Critical CCTEG China Coal Research Institute
Priority to CN202010454491.2A priority Critical patent/CN111601381B/zh
Publication of CN111601381A publication Critical patent/CN111601381A/zh
Application granted granted Critical
Publication of CN111601381B publication Critical patent/CN111601381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
    • E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
    • E21F17/18—Special adaptations of signalling or alarm devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0257—Hybrid positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Geology (AREA)

Abstract

本申请涉及一种基于决策‑预测的UWB的井下人员定位方法和系统,根据TDOA算法和TWR算法分别测得一组距离数据，并将测得的距离数据通过决策树进行分析，确定可靠性距离数据，然后将可靠性距离数据作为输入，通过神经网络预测井下人员位置信息。本发明通过采用决策—预测双机制,确保定位数据准确、完整,保障定位数据的连续性与可靠性,避免错误的定位数据影响定位精度。

Description

一种基于决策-预测的UWB的井下人员定位方法和系统
技术领域
本申请属于超宽带通信技术领域，特别涉及煤矿井下的人员定位，尤其涉及一种基于决策-预测的UWB的井下人员定位方法和系统。
背景技术
根据煤矿事故救援与防治要求,井下人员定位系统作为煤矿主要安全系统之一,在保障井下人员安全生产,应急事故救援方面起到了十分重要的作用。目前,随着技术的不断更新迭代,以射频技术(RFID),WIFI技术,蓝牙技术的定位方法逐步被淘汰,超宽带技术(UWB)具有良好的应用性和实用性。
超宽带(Ultra Wide Band，UWB)技术是一种无载波的通信技术，它利用纳秒级或纳秒以下的极窄脉冲信号来传输数据，这使得超宽带信号有着很高的时间分辨率，进而能够实现很高的定位精度，而且其功耗低、抗多径效果好、安全性高、系统复杂度低，能够基本弥补上述技术的缺点，从而成为室内定位的优先选择之一。
UWB相对于其他技术而言,定位精度高,可达到厘米级,定位距离较远。而射频技术,WIFI技术,蓝牙技术的定位精度较低,定位距离较近,且井下单一巷道距离长度可达到百米,这些技术的从定位精度和距离来讲,都不适用于井下高精度人员定位,现有的UWB技术以TDOA,TOA,TOF算法为主要定位算法,但由于井下部分巷道弯曲,倾斜,从而使非视距(NLOS)误差较大,单纯的定位算法不能满足定位连续,可靠,高精度等要求,造成了定位情况不理想,导致定位精度不高等问题。
发明内容
本发明要解决的技术问题是：为解决基于UWB定位的现有定位算法在井下应用时，无法满足定位连续、可靠的要求，且定位精度低的问题。
本发明采用了一种基于决策-预测的UWB的井下人员定位方法,本发明运用TDOA(到达时间差)与TWR(双向测距)的双向定位法，基于决策树和预测网络进行高精度一维定位,确保井下人员的生命安全,同时满足煤矿事故应急与救援的要求。
本发明解决其技术问题所采用的技术方案是：
本发明第一方面提供了一种基于决策-预测的UWB的井下人员定位方法，沿巷道一侧间隔设定距离布置TDOA定位分站，沿巷道另一侧间隔设定距离布置TWR定位分站，井下人员随身携带定位卡；
所述井下人员定位方法包括：
根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树是根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策所述可靠性距离数据；
将所述可靠性距离数据作为输入，通过预先建立的神经网络模型预测井下人员的位置信息，得到井下人员的最终目标位置。
本发明第二方面提供了一种基于决策-预测的UWB的井下人员定位装置，包括：
TDOA测距模块，用于根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
TWR测距模块，用于根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
决策模块，用于根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树为根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策可靠性距离数据；
预测模块，用于将所述可靠性距离数据作为输入，通过预先建立的神经网络模型预测井下人员的位置信息，得到井下人员的最终目标位置。
本发明第三方面提供一种基于决策-预测的UWB的井下人员双向定位系统，沿巷道一侧间隔设定距离布置的TDOA定位分站，沿巷道另一侧间隔所述设定距离布置的TWR定位分站，井下人员随身携带的定位卡，以及上位机；
所述TDOA定位分站内设置有TDOA测距模块，用于根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
所述TWR定位分站内设置有TWR测距模块，用于根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
所述上位机内设置有决策模块，用于根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树为根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策可靠性距离数据；
所述上位机内设置有预测模块，用于将所述可靠性距离数据作为输入，通过预先建立的神经网络模型预测井下人员的位置信息，得到井下人员的最终目标位置。
本发明的有益效果是：本发明采用了决策—预测双机制,确保定位数据准确、完整,保障定位数据的连续性与可靠性,避免错误的定位数据影响定位精度,不单纯依靠卡尔曼滤波或神经网络进行错误数据优化,提升效率，满足井下人员定位的精度要求。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的定位方法流程图；
图2是本申请实施例的测距算法示意图；
图3是本申请实施例建立的决策树示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例1
本实施例提供一种基于决策-预测的UWB的井下人员定位方法，如图2所示，沿巷道一侧间隔设定距离布置TDOA定位分站，沿巷道另一侧间隔所述设定距离布置TWR定位分站，井下人员随身携带定位卡；
如图1所示，本实施例的井下人员定位方法具体包括：
S1:根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
S2:根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
S3:根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树是根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策所述可靠性距离数据；
S4:将所述可靠性距离数据作为输入，通过预先建立的神经网络模型井下人员的位置信息，得到井下人员的最终目标位置。
如图2所示，本实施例的定位方法中，定位卡由井下人员随身携带，存储有所属待定位井下人员的身份识别信息。沿巷道的一侧每间隔设定距离在巷道壁上布置TDOA定位分站，沿巷道的另一侧每间隔所述设定距离在巷道壁上布置TWR定位分站，各定位分站均存储有自身位置信息和标识信息，其中，TDOA定位分站用于实现TDOA定位，TWR定位分站用于实现TWR定位。
本实施例的定位方法首先需要通过定位算法获取定位分站到定位卡的距离信息，本实施例通过TDOA算法和TWR算法，分别获取两组距离数据，即由TDOA定位分站根据TDOA算法测量得到的第一距离数据，和由TWR定位分站根据TWR算法测量得到的第二距离数据。然后，根据预先建立的决策树分析两组数据的可靠性，并将获得的可靠性距离数据作为神经网络的输入，预测定位卡的位置信息。
对于TDOA算法，定位卡在固定时隙内发送超宽带定位信号，对应的TDOA定位分站接收所述超宽带信号，调用TDOA测距算法，获得与定位卡的距离。根据TDOA算法获取第一距离数据的过程为：
TDOA定位分站SN1记录超宽带定位信号的到达时间tSN1，所述的到达时间由定位分站SN1的本地时钟记录；
根据所述的到达时间，即可得到定位卡到巷道一侧相邻的两TDOA定位分站(SN1-1、SN1)的距离差△d，即：△d＝c(tSN1-ts(N1-1))，其中c为光速；
求定位卡到定位分站的距离，得到定位卡到定位分站的第一距离数据，即dPN1，具体计算方法如下：
Figure BDA0002508711140000071
其中，d(N1-1)N1为相邻的两TDOA定位分站SN1-1、SN1间的距离，d(N1-)N1通过实际测量得出；dP(N1-1)、dtN1分别表示TDOA算法测得的定位卡P到两相邻TDOA定位分站SN1-1、SN1的距离。
对于TWR算法，由TWR定位分站发送超宽带定位信号，然后再接收定位卡返回的信号，记录从TWR定位分站发出超宽带定位信号到接收到定位卡返回的信号的时间，并记录定位卡的延迟时间，然后计算TWR定位分站到定位卡的距离，即：
Figure BDA0002508711140000072
其中，dPN2为TWR算法测得的定位卡P到TWR定位分站SN2的距离，TPN2为超宽带定位信号从TWR定位分站SN2到定位卡再返回定位分站的往返时间，TP为定位卡延迟时间。
根据上述方法，即可计算出定位卡到每个定位分站的距离信息，得到第二距离数据dPN2。
在得到第一距离数据和第二距离数据之后，发送至上位机进行分析，根据预设的决策树判定第一距离数据和第二距离数据的可靠性，并选择可靠性距离数据作为神经网络的输入。
在选择好可靠性距离数据之后，将其输入神经网络中，预测井下人员的位置信息。
本发明采用了决策—预测双机制,确保定位数据准确、完整,保障定位数据的连续性与可靠性,避免错误的定位数据影响定位精度,不单纯依靠卡尔曼滤波或神经网络进行错误数据优化,提升效率，满足井下人员定位的精度要求。
可选的是，本实施例S3中，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据的步骤包括：
S31:当所述第一距离数据和第二距离数据的差值小于设定值时，若当前定位分站位于主巷道，则判定第一距离数据为可靠性距离数据，否则，判定第二距离数据为可靠性距离数据；
S32:当所述第一距离数据和第二距离数据的差值大于设定值时，则判定所述第一距离数据和第二距离数据均为不可靠距离数据。
如图3所示为本实施例建立的决策树，如果上位机接收到了两组距离数据，那么，在所述第一距离数据和第二距离数据的差值小于设定值的情况下，需要判断对应TWR定位分站、TDOA定位分站的位置信息，因为TWR算法在非视距环境下较TDOA算法的精度较好，所以，如果当前TWR定位分站、TDOA定位分站位于主巷道，则将TDOA算法计算得到的第一距离数据作为可靠性距离数据输入神经网络；如果当前TWR定位分站、TDOA定位分站位于分巷道，则将TWR算法计算得到的第二距离数据作为可靠性距离数据输入神经网络。
如果定位分站测量得到了两组距离数据，在所述第一距离数据和第二距离数据的差值大于设定值的情况下，则认为测得的第一距离数据和第二距离数据为不可靠数据，上位机处于等待状态，等待再次上传的第一距离数据和第二距离数据，直到接收到的第一距离数据和第二距离数据的差值小于设定值。
进一步可选的是，本实施例S3中，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据的步骤还可以包括：
S33:如果仅测得所述第一距离数据或者仅测得所述第二距离数据，则将测得的所述第一距离数据或第二距离数据作为可靠性距离数据。
定位卡由于遮挡，多径效应，环境影响(粉尘，巷道环境)等各方面因素，定位分站有可能存在接收信息不全的情况(例如中间数据跳动，从定位190米位置后不上传数据，220米开始重新上传数据的情况)，因此，TWR定位分站、TDOA定位分站有可能会在某一时刻或某一时间段内接收不到定位卡的信息，无法测得距离数据。
如图3，如果上位机只收到了其中一个定位分站测得的一组距离数据，则可以以测得的一组数据为准，输入神经网络预测。例如，若测得的是第一距离数据，将第一距离数据作为输入神经网络的可靠性距离数据；若测得的是第二距离数据，则将第二距离数据作为输入神经网络的可靠性距离数据。
如果其中一个定位分站(TWR定位分站或TDOA定位分站)在预设时间内一直没有上传距离数据，则说明该定位分站可能存在故障的情况，此时，可以根据其中一组距离数据预测得到的定位值，发出相应位置处的TWR定位分站或TDOA定位分站故障的报警信息，提醒工作人员及时处理。
可选的是，本实施例S3中，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据的步骤还可以包括：
S34:如果第一距离数据和第二距离数据均未测得，则默认第一距离数据和第二距离数据为0，直到预设时间内测得第一距离数据和/或第二距离数据时，确定输入神经网络的可靠性距离数据。
本实施例通过调用如图3所示的决策树，如果TWR定位分站、TDOA定位分站均没有测得距离数据，则默认距离数据为0，此时得到的距离数据不输入神经网络，上位机处于等待状态，直到再次接收到第一距离数据和/或第二距离数据时，根据步骤S31-S33确定出用于输入神经网络的可靠性距离数据。
如果TWR定位分站、TDOA定位分站超过预设时间依然没有测得距离数据，则由定位分站发出信息给定位卡，提示定位卡报警。
更进一步可选的是，本实施例中，当开始测距定位时，定位卡会向上位机发送入网消息，上位机收到定位卡的入网消息后，调用预先建立的决策树，执行步骤S31-S34。
本实施例中如果上位机没有收到定位卡的入网消息，则可以认为定位卡或定位分站有可能故障(例如，硬件问题:物理连接错误，定位卡故障定位分站故障等；软件问题：定位测试软件设置有误，端口有误等)，这时，可以发送报警信息提示或检查是否存在上述故障。
可选的是，本实施例还包括构建神经网络模型的步骤，包括：
S41:根据定位卡到对应TDOA定位分站或TWR定位分站的距离数据及其对应的井下人员位置数据，构建训练集和测试集；
本实施例针对定位卡到TDOA定位分站或TWR定位分站的不同距离数据(D1、D2、…、DM)，确定其对应的井下人员位置(P1、P2、…、PM)，构成定位数据集{D1-P1、D2-P2、…、DM-PM}，将数据集中的2/3作为训练集，其中的1/3作为测试集。
S42:将训练集中的距离数据作为输入，井下人员位置数据作为输出，训练神经网络，更新神经网络的权值和阈值，直到误差函数的输出值小于设定阈值时，停止训练，并保存训练好的神经网络模型；
本实施例采用的误差函数为：
Figure BDA0002508711140000111
其中，E表示误差函数的值，Pj表示定位实际值,Yj表示神经网络输出值，j表示神经网络的输出节点。
本实施例的神经网络可以是RNN循环神经网络。
S43:采用测试集测试所述训练好的神经网络模型的准确度，通过迭代运算，调整所述训练好的训练模型的相关网络参数，直到训练好的循环神经网络的准确度达到预设值，得到优化后的神经网络模型；
训练好神经网络模型后，采用测试集数据测试神经网络模型的准确度，并迭代运算，更新网络参数，当准确度达到要求时，得到优化后的神经网络模型。
本实施例将决策树分析得到的可靠性距离数据输入优化后的神经网络模型中，预测井下人员位置信息。
实施例2：
本实施例提供一种基于决策-预测的UWB的井下人员定位装置，包括：
TDOA测距模块，用于根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
TWR测距模块，用于根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
决策模块，用于根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树为根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策可靠性距离数据；
预测模块，用于将所述可靠性距离数据作为输入，通过预先建立的神经网络模型预测井下人员的位置信息，得到井下人员的最终目标位置。
可选的是，所述决策模块包括：
第一判断单元，用于当所述第一距离数据和第二距离数据的差值小于设定值时，若对应的TDOA定位分站、TWR定位分站位于主巷道，则判定第一距离数据为可靠性距离数据，否则，判定第二距离数据为可靠性距离数据；
第二判断单元，用于当所述第一距离数据和第二距离数据的差值大于设定值时，判定所述第一距离数据和第二距离数据均为不可靠距离数据。
可选的是，所述决策模块还包括：
第三判断单元，用于如果仅测得所述第一距离数据或者仅测得所述第二距离数据，则将测得的所述第一距离数据或第二距离数据作为可靠性距离数据；
第四判断单元，用于如果第一距离数据和第二距离数据均未测得，则可靠性距离数据判定为0。
可选的是，所述预测模块还包括神经网络建模单元，用于：
根据定位卡到TDOA定位分站或TWR定位分站的距离数据及其对应的井下人员位置数据，构建训练集和测试集；
将训练集中的距离数据作为输入，井下人员位置数据作为输出，训练神经网络，更新神经网络的权值和阈值，直到误差函数的输出值小于设定阈值时，停止训练，并保存训练好的神经网络模型；
采用测试集测试所述训练好的神经网络模型的准确度，通过迭代运算调整网络参数，直到训练好的循环神经网络的准确度达到预设值时，得到优化后的神经网络模型。
本实施例各个模块的实现，以及具体的工作原理，请参阅实施例1。
实施例3：
本实施例提供一种基于决策-预测的UWB的井下人员双向定位系统，沿巷道一侧间隔设定距离布置的TDOA定位分站，沿巷道另一侧间隔所述设定距离布置的TWR定位分站，井下人员随身携带的定位卡，以及上位机；
所述TDOA定位分站内设置有TDOA测距模块，用于根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
所述TWR定位分站内设置有TWR测距模块，用于根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
所述上位机内设置有决策模块，用于根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树为根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策可靠性距离数据；
所述上位机内设置有预测模块，用于将所述可靠性距离数据作为输入，通过预先建立的神经网络模型预测井下人员的位置信息，得到井下人员的最终目标位置。
本实施例中TDOA测距模块、TWR测距模块、决策模块、预测模块的实现，请参阅实施例1和实施例2。
进一步优化地，在仅测得一组距离数据的情况下，例如，上位机仅收到TDOA定位分站测得的第一距离数据，则以第一距离数据作为可靠性距离数据输入神经网络进行位置预测。
如果上位机在预设时间内一直没有收到TWR定位分站上传的第二距离数据，则判定TWR定位分站可能存在故障的情况，此时，可以根据第一距离数据预测得到的定位值，发出相应位置处的TWR定位分站故障的报警信息，提醒工作人员及时处理。
进一步优化地，本实施例通过调用如图3所示的决策树，如果TWR定位分站、TDOA定位分站均没有测得距离数据，则默认距离数据为0，此时得到的距离数据不输入神经网络，上位机处于等待状态，直到再次接收到第一距离数据和/或第二距离数据时，根据本发明实施例1中步骤S31-S33确定出用于输入神经网络的可靠性距离数据。
如果TWR定位分站、TDOA定位分站超过预设时间依然没有测得距离数据，则由定位分站发出信息给定位卡，提示定位卡报警。
更进一步可选的是，本实施例中，当开始测距定位时，定位卡会向上位机发送入网消息，上位机收到定位卡的入网消息后，调用预先建立的决策树，执行本发明实施例1中的步骤S31-S34。
本实施例中如果上位机没有收到定位卡的入网消息，则可以认为定位卡或定位分站有可能故障(例如，硬件问题:物理连接错误，定位卡故障定位分站故障等；软件问题：定位测试软件设置有误，端口有误等)，这时，可以发送报警信息提示或检查是否存在上述故障。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (8)

1.一种基于决策-预测的UWB的井下人员定位方法，其特征在于，沿巷道一侧间隔设定距离布置TDOA定位分站，沿巷道另一侧间隔所述设定距离布置TWR定位分站，井下人员随身携带定位卡；
所述井下人员定位方法包括：
根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树是根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策所述可靠性距离数据；
将所述可靠性距离数据作为输入，通过预先建立的神经网络模型预测井下人员的位置信息，得到井下人员的最终目标位置；
通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据的步骤包括：
当所述第一距离数据和第二距离数据的差值小于设定值时，若对应的TDOA定位分站、TWR定位分站位于主巷道，则判定第一距离数据为可靠性距离数据，否则，判定第二距离数据为可靠性距离数据；
当所述第一距离数据和第二距离数据的差值大于设定值时，则判定所述第一距离数据和第二距离数据均为不可靠距离数据。
2.根据权利要求1所述的基于决策-预测的UWB的井下人员定位方法，其特征在于，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据的步骤还包括：
如果仅测得所述第一距离数据或者仅测得所述第二距离数据，则将测得的所述第一距离数据或第二距离数据作为可靠性距离数据。
3.根据权利要求2所述的基于决策-预测的UWB的井下人员定位方法，其特征在于，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据的步骤还包括：
如果第一距离数据和第二距离数据均未测得，则所述第一距离数据和第二距离数据默认为0，直到预设时间内测得第一距离数据和/或第二距离数据时，确定输入神经网络的可靠性距离数据。
4.根据权利要求1所述的基于决策-预测的UWB的井下人员定位方法，其特征在于，还包括构建神经网络模型的步骤，包括：
根据定位卡到对应TDOA定位分站或TWR定位分站的距离数据及对应的井下人员位置数据，构建训练集和测试集；
将训练集中的距离数据作为输入，井下人员位置数据作为输出，训练神经网络，更新神经网络的权值和阈值，直到误差函数的输出值小于设定阈值时，停止训练，并保存训练好的神经网络模型；
采用测试集测试所述训练好的神经网络模型的准确度，通过迭代运算，调整所述训练好的训练模型的相关网络参数，直到训练好的循环神经网络的准确度达到预设值，得到优化后的神经网络模型。
5.一种基于决策-预测的UWB的井下人员定位装置，其特征在于，包括：
TDOA测距模块，用于根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
TWR测距模块，用于根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
决策模块，用于根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树为根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策可靠性距离数据；
预测模块，用于将所述可靠性距离数据作为输入，通过预先建立的神经网络模型预测井下人员的位置信息，得到井下人员的最终目标位置；
所述决策模块包括：
第一判断单元，用于当所述第一距离数据和第二距离数据的差值小于设定值时，若对应的TDOA定位分站、TWR定位分站位于主巷道，则判定第一距离数据为可靠性距离数据，否则，判定第二距离数据为可靠性距离数据；
第二判断单元，用于当所述第一距离数据和第二距离数据的差值大于设定值时，判定所述第一距离数据和第二距离数据均为不可靠距离数据。
6.根据权利要求5所述的基于决策-预测的UWB的井下人员定位装置，其特征在于，所述决策模块还包括：
第三判断单元，用于如果仅测得所述第一距离数据或者仅测得所述第二距离数据，则将测得的所述第一距离数据或第二距离数据作为可靠性距离数据；
第四判断单元，用于如果第一距离数据和第二距离数据均未测得，则所述第一距离数据和第二距离数据默认为0，直到预设时间内测得第一距离数据和/或第二距离数据时，确定输入神经网络的可靠性距离数据。
7.根据权利要求5所述的基于决策-预测的UWB的井下人员定位装置，其特征在于，所述预测模块还包括神经网络建模单元，用于：
根据定位卡到TDOA定位分站或TWR定位分站的距离数据及对应的井下人员位置数据，构建训练集和测试集；
将训练集中的距离数据作为输入，井下人员位置数据作为输出，训练神经网络，更新神经网络的权值和阈值，直到误差函数的输出值小于设定阈值时，停止训练，并保存训练好的神经网络模型；
采用测试集测试所述训练好的神经网络模型的准确度，通过迭代运算调整网络参数，直到训练好的循环神经网络的准确度达到预设值时，得到优化后的神经网络模型。
8.一种基于决策-预测的UWB的井下人员双向定位系统，其特征在于，包括：
沿巷道一侧间隔设定距离布置的TDOA定位分站，沿巷道另一侧间隔所述设定距离布置的TWR定位分站，井下人员随身携带的定位卡，以及上位机；
所述TDOA定位分站内设置有TDOA测距模块，用于根据TDOA算法，测量井下人员携带的定位卡到对应TDOA定位分站的第一距离数据；
所述TWR定位分站内设置有TWR测距模块，用于根据TWR算法，测量井下人员携带的定位卡到对应TWR定位分站的第二距离数据；
所述上位机内设置有决策模块，用于根据测得的所述第一距离数据和第二距离数据，通过预先建立的决策树，确定用于输入神经网络进行人员位置预测的可靠性距离数据，所述决策树为根据第一距离数据与第二距离数据的距离值的差值大小及对应TDOA定位分站、TWR定位分站的位置信息，决策可靠性距离数据；
所述上位机内设置有预测模块，用于将所述可靠性距离数据作为输入，通过预先建立的神经网络模型预测井下人员的位置信息，得到井下人员的最终目标位置；
所述决策模块包括：
第一判断单元，用于当所述第一距离数据和第二距离数据的差值小于设定值时，若对应的TDOA定位分站、TWR定位分站位于主巷道，则判定第一距离数据为可靠性距离数据，否则，判定第二距离数据为可靠性距离数据；
第二判断单元，用于当所述第一距离数据和第二距离数据的差值大于设定值时，判定所述第一距离数据和第二距离数据均为不可靠距离数据。
CN202010454491.2A 2020-05-26 2020-05-26 一种基于决策-预测的uwb的井下人员定位方法和系统 Active CN111601381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010454491.2A CN111601381B (zh) 2020-05-26 2020-05-26 一种基于决策-预测的uwb的井下人员定位方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010454491.2A CN111601381B (zh) 2020-05-26 2020-05-26 一种基于决策-预测的uwb的井下人员定位方法和系统

Publications (2)

Publication Number Publication Date
CN111601381A CN111601381A (zh) 2020-08-28
CN111601381B true CN111601381B (zh) 2022-01-28

Family

ID=72190641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010454491.2A Active CN111601381B (zh) 2020-05-26 2020-05-26 一种基于决策-预测的uwb的井下人员定位方法和系统

Country Status (1)

Country Link
CN (1) CN111601381B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111970760B (zh) * 2020-10-23 2021-02-02 南京北路智控科技股份有限公司 一种基于uwb技术ds-twr的井下精确定位方位判定方法及系统
CN112533163B (zh) * 2020-11-24 2021-09-14 厦门大学 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法
CN115984027B (zh) * 2023-03-20 2023-06-06 长沙迪迈数码科技股份有限公司 基于uwb的井下人员聚集预警方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101998628A (zh) * 2009-08-19 2011-03-30 北京三星通信技术研究有限公司 移动台定位方法、系统和定位计算单元
CN104270814A (zh) * 2014-09-30 2015-01-07 南京沃旭通讯科技有限公司 一种基于TDOA和ToF混合的定位方法及系统
CN108535687A (zh) * 2018-03-20 2018-09-14 西安电子科技大学 基于tof和rssi信息融合的室内无线定位方法
CN109541529A (zh) * 2018-10-23 2019-03-29 北京凯乐比兴科技有限公司 一种基于uwb的idc机房的外来人员定位系统及方法
CN110087308A (zh) * 2019-04-29 2019-08-02 中国矿业大学(北京) 一种基于rss和toa互补的矿井移动目标定位方法
WO2019188348A1 (ja) * 2018-03-29 2019-10-03 パナソニックＩｐマネジメント株式会社 距離情報取得装置、マルチパス検出装置およびマルチパス検出方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110007271A (zh) * 2019-04-19 2019-07-12 中国矿业大学(北京) 一种矿井人员精确定位方法及误差判定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101998628A (zh) * 2009-08-19 2011-03-30 北京三星通信技术研究有限公司 移动台定位方法、系统和定位计算单元
CN104270814A (zh) * 2014-09-30 2015-01-07 南京沃旭通讯科技有限公司 一种基于TDOA和ToF混合的定位方法及系统
CN108535687A (zh) * 2018-03-20 2018-09-14 西安电子科技大学 基于tof和rssi信息融合的室内无线定位方法
WO2019188348A1 (ja) * 2018-03-29 2019-10-03 パナソニックＩｐマネジメント株式会社 距離情報取得装置、マルチパス検出装置およびマルチパス検出方法
CN109541529A (zh) * 2018-10-23 2019-03-29 北京凯乐比兴科技有限公司 一种基于uwb的idc机房的外来人员定位系统及方法
CN110087308A (zh) * 2019-04-29 2019-08-02 中国矿业大学(北京) 一种基于rss和toa互补的矿井移动目标定位方法

Also Published As

Publication number Publication date
CN111601381A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111601381B (zh) 一种基于决策-预测的uwb的井下人员定位方法和系统
Gomez-de-Gabriel et al. Monitoring harness use in construction with BLE beacons
US8633853B2 (en) Method and apparatus for location detection using GPS and WiFi/WiMAX
EP2222053B1 (en) System and method for predicting future meetings of wireless users
EP2769233B1 (en) Time of arrival based wireless positioning system
US20100127853A1 (en) Method and apparatus for locating and tracking objects in a mining environment
CN101483805A (zh) 一种视距和非视距混合环境下的无线定位方法
US10240995B2 (en) Construction of a surface of best GPS visibility from passive traces using SLAM for horizontal localization and GPS readings and barometer readings for elevation estimation
CN103152826A (zh) 一种基于nlos状态检测补偿的移动目标追踪方法
US20100026570A1 (en) Method and apparatus for intermittent location reporting
EP3492868A1 (en) Mobile device localization based on spatial derivative magnetic fingerprint
CN105095617A (zh) 构建对象的目标运动轨迹的缺失部分的方法和设备
JP2018041447A (ja) コンテナ群の中のコンテナの位置を特定するための方法及びシステム
CN113137967A (zh) 一种机器人定位方法、装置、机器人和可读存储介质
CN116567531A (zh) 基于粒子滤波算法的传感器融合室内定位方法及系统
CN106255198B (zh) 采集施工定位系统和方法
US20160063407A1 (en) Computing behavioral group performance characteristics
CN108776700A (zh) 一种基于物联网技术的森林生态站数据处理系统
JP2007024773A (ja) 航跡相関統合装置
KR102036442B1 (ko) 딥 러닝 기반 사용자 단말 위치 추정 장치 및 방법
JP6541044B2 (ja) モバイルコンピューティング装置の位置検出方法、及びこれを行うモバイルコンピューティング装置
CN102829796A (zh) 一种可相互定位的计步器
CN109484434A (zh) 列车综合定位装置与方法
US20150211845A1 (en) Methods and Systems for Applying Weights to Information From Correlated Measurements for Likelihood Formulations Based on Time or Position Density
KR102046875B1 (ko) 실내 측위 장치 및 방법

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