CN111970641A - 一种基于tdoa的定位追踪方法 - Google Patents

一种基于tdoa的定位追踪方法 Download PDF

Info

Publication number
CN111970641A
CN111970641A CN202010736789.2A CN202010736789A CN111970641A CN 111970641 A CN111970641 A CN 111970641A CN 202010736789 A CN202010736789 A CN 202010736789A CN 111970641 A CN111970641 A CN 111970641A
Authority
CN
China
Prior art keywords
data
tdoa
base station
rnn
tdoa data
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
CN202010736789.2A
Other languages
English (en)
Other versions
CN111970641B (zh
Inventor
申富饶
梅鸿远
李骏
吴剑敏
王威
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.)
Nanjing University
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Nanjing University
State Grid Shanghai Electric Power 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 Nanjing University, State Grid Shanghai Electric Power Co Ltd filed Critical Nanjing University
Priority to CN202010736789.2A priority Critical patent/CN111970641B/zh
Publication of CN111970641A publication Critical patent/CN111970641A/zh
Application granted granted Critical
Publication of CN111970641B publication Critical patent/CN111970641B/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
    • H04W4/029—Location-based management or tracking services
    • 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
    • G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems
    • 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
    • G01S5/12—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 by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于TDOA的定位追踪方法，包括：步骤1，输入基站数据，边界范围，标准化基站数据；步骤2，设定阶数、长度；步骤3，生成模拟TDOA数据；步骤4，训练RNN；步骤5，读取实际TDOA数据；步骤6，RNN运算；步骤7，反标准化坐标；步骤8，该条数据处理完毕，回到步骤5，读取下一条数据。

Description

一种基于TDOA的定位追踪方法
技术领域
本发明涉及室内定位技巧，特别是涉及一种基于TDOA的定位追踪方法。
背景技术
随着无线通信技术的快速发展，以及物联网应用的迅速成熟，对快速精确地获取用户或者设备位置的方法提出了巨大的需求。对于室外环境的定位，全球定位系统(GPS)已经获得了广泛的应用。GPS系统具有全天候可用，快速、高效、低成本等优点，但由于建筑物对无线信号的阻挡，GPS在室内环境难以发挥有效作用。此外，室内环境通常更加狭小、障碍物和人员更加密集，因此室内的无线信号传输更容易受到多径效应、非视距传输(NLOS)等问题的影响，环境的动态变化也更加频繁，这些都使得精确而高效的室内定位更加困难。由此，室内定位已经成为目前的一个热点研究项目。
目前，已有多种信号测量和定位方法得到了广泛的研究和应用，包括RSSI(Received Signal Strength Indicator)，CSI(Channel State Information)，指纹，AoA(Angle of Arrival)，ToF(Time of Flight)，TDoA(Time Difference of Arrival)等。其中，TDoA具有时间同步的要求更低的独特优势。
传统的TDoA定位方法通常以TDoA的计算公式列出方程，并以优化方法进行求解。由于方程存在非线性性，在优化方法求解之前，往往还需要对方程进行变形，或是宽松处理。计算结果的精确度很大程度受到所选的宽松方法的影响，设计困难。同时通用的求优化方法解的算法存在复杂度高、时间开销大的问题。文献：Zafari F,Gkelias A,Leung K K.Asurvey of indoor localization systems and technologies[J].IEEE CommunicationsSurveys&Tutorials,2019,21(3):2568-2599.
循环神经网络(RNN)是人工神经网络的一种。和一般的人工神经网络一样，经过训练的RNN可以作为一种通用的问题求解方法被应用于TDoA定位。RNN将状态在自身网络中循环传递，因此可以接受时间序列作为输入，被应用于室内目标的定位追踪并得到更为平滑的轨迹。RNN进行解算时的时间开销较传统方法具有较大优势，但对其进行训练需要大量训练数据，在实际环境中采集足够的数据非常困难。文献：Rumelhart D E,Hinton G E,Williams R J.Learning representations by back-propagating errors[J].nature,1986,323(6088):533-536.
发明内容
发明目的：以RNN代替传统方法的结算过程以解决传统TDoA(到达时间差，TimeDifference of Arrival，TDOA)定位算法设计困难，计算复杂度高、时间开销大的问题。通过生成模拟轨迹与TDoA数据解决RNN训练数据采集困难的问题。最终得到一个可以快速进行定位运算的神经网络，实现更高效的定位追踪。
为了解决上述技术问题，本发明公开了一种基于TDOA的定位追踪方法，该方法可以用于机器人导航、实时室内监控等应用中，包括如下步骤：
步骤1，输入基站数据和边界数据，标准化基站数据；
步骤2，设定参数；
步骤3，生成模拟轨迹曲线并生成TDOA数据；
步骤4，训练循环神经网络(Recurrent Neural Network，RNN)；
步骤5，读取TDOA数据并进行预处理；
步骤6，将TDOA数据输入循环神经网络RNN进行运算；
步骤7，将循环神经网络RNN的输出反标准化为坐标；
步骤8，当前TDOA数据处理完毕，回到步骤5，读取下一条TDOA数据。
步骤1中，输入的基站数据形式为：(x0_，y0_，z0_)，(x1_，y1_，z1_)……(xm_，ym_，zm_)，其中(xi_，yi_，zi_)表示第i个基站的三维坐标，基站总数为m+1；
边界数据形式为(xmin，ymin，zmin，xmax，ymax，zmax)，xmin，ymin，zmin表示定位区域三维坐标的最小值和最大值，xmax，ymax，zmax表示定位区域三维坐标的最大值。
步骤1中，采用如下方法进行标准化基站数据：
对i＝0，1……m，
xi＝(xi_-xmin)/(xmax-xmin)，
yi＝(yi_-ymin)/(ymax-ymin)，
zi＝(zi_-zmin)/(zmax-zmin)。
步骤2中，设定如下参数：生成曲线最高阶数rmax，生成曲线采样数t，生成曲线数量n。
步骤3包含如下步骤：
步骤3-1，第k条曲线，k＝1…n，随机取正整数r，使得1<＝r<＝rmax；
步骤3-2，随机取r+1个坐标(px0，py0，pz0)，(px1，py1，pz1)……(pxr，pyr，pzr)，其中(pxi，pyi，pzi)表示第i个参考点的坐标，并且0<＝pxi，pyi，pzi<＝1；
步骤3-3，令采样点集合为S＝{(sx0，sy0，sz0)，(sx1，sy1，sz1)……(sxt，syt，szt)},其中下标x、y、z分别代表x、y、z坐标，1…t表示采样的序号，sxt，syt，szt分别表示第t个采样点的x、y、z坐标；初始化令sx0＝0，sy0＝0，sz0＝0，sx1＝0，sy1＝0，sz1＝0……sxt＝0，syt＝0，szt＝0；
对i＝0，1……r，
参数c＝comb(r，i)，comb表示组合数；
对j＝0，1……t，
sxj＝sxj+c*(j/t)^i*(1-j/t)^(r-i)*pxi，
syj＝syj+c*(j/t)^i*(1-j/t)^(r-i)*pyi，
szj＝szj+c*(j/t)^i*(1-j/t)^(r-i)*pzi；
步骤3-4，令模拟TDOA数据集合为T＝{(d01，d02……d0m)，(d11，d12……d1m)……(dt1，dt2……dtm)}，其中第一个下标1…t表示该条TDOA数据的时隙序号，第二个下标1…m表示对应的基站序号；dtm表示第t个时隙下第m个基站的模拟TDOA数据；
对i＝0，1……t，
di0＝sqrt((sxi-x0)^2+(syi-y0)^2+(szi-z0)^2)，
对j＝1，2……m，
第i条模拟TDOA数据中第j个基站到目标的距离dij*＝((sxi-xj)^2+(syi-yj)^2+(szi-zj)^2)，
dij＝dij*-di0。
步骤4中，对于第k条曲线，依次输入T(0)，T(1)……T(t)，其中T(i)表示模拟TDOA数据集合T中的第i个元素，也即第x条模拟TDOA数据，循环神经网络的输出依次为S*(0)，S*(1)……S*(t)，其中S*(i)＝(sxi*,syi*,szi*)为输入T(i)时得到的输出，也即第i条TDOA数据计算所得的坐标，模拟TDOA数据中对应的目标输出依次为S(0)，S(1)……S(t)，其中S(i)＝(sxi,syi,szi)为T(i)所对应的应得输出，也即第i条TDOA数据所对应的真实坐标，计算损失函数L＝((sx0-sx0*)^2+(sy0-sy0*)^2+((sx1-sx1*)^2+((sy1-sy1*)^2+((sz1-sz1*)^2……+(sxt-sxt*)^2)+((syt-syt*)^2+((szy-szy*)^2，以梯度下降法调整网络参数最小化L。
步骤5中，读取的TDOA数据I的形式为I＝(d1，d2，……dm)，其中d1、d2...dm分别为第1、2...m个基站当前时间点给出的TDOA值，如果当前为第一条输入，则将I输入RNN循环神经网络N(一般取值为10)次，否则令数据集合P＝(d1*，d2*，……dm*)，其中d1*、d2*...dm*分别为第1、2...m个基站上个时间点给出的TDOA值为上一条数据；
对于i＝1，2……m，
如果|di-di*|>l，则di＝di*。
步骤6中，将I输入RNN循环神经网络，得到输出O＝(x_，y_，z_)，x_，y_，z_表示得到的定位三维坐标。
步骤7中，对RNN循环神经网络的输出进行反标准化以得到最终输出，反标准化公式为：
x＝x_*(xmax-xmin)+xmin，
y＝y_*(ymax-ymin)+ymin，
z＝z_*(zmax-zmin)+zmin。
有益效果：
本发明的显著优点是算法设计十分简便，RNN的训练所需数据生成便捷，同时RNN在运算时资源消耗极低，时间开销小，显著提升了定位系统的运算效率，增强了其在实时性的应用中的性能。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明的整体流程图。
图2为本发明中RNN的结构图。
图3a所示的是TDOA数据序列通过本发明计算出的轨迹。
图3b是TDOA数据用Taylor序列方法计算出的散点图。
具体实施方式
图1是本发明的整体流程图，包含8个步骤。
步骤1中，读入的基站数据形式为：(x0_，y0_，z0_)，(x1_，y1_，z1_)……(xm_，ym_，zm_)，其中(xi_，yi_，zi_)表示第i个基站的三维坐标，基站总数m+1；边界数据形式为(xmin，ymin，zmin，xmax，ymax，zmax)，分别表示定位区域三维坐标的最小值和最大值。标准化算法表示为：
对i＝0，1……m，
xi＝(xi_-xmin)/(xmax-xmin)，
yi＝(yi_-ymin)/(ymax-ymin)，
zi＝(zi_-zmin)/(zmax-zmin)，
步骤2中，人工设定参数：生成曲线最高阶数rmax，生成曲线采样数t，生成曲线数量n。
步骤3中，随机生成模拟TDOA数据包含如下步骤：
步骤3-1，对于每个曲线，随机取正整数r，使得1<＝r<＝rmax；
步骤3-2，随机取r+1个坐标(px0，py0，pz0)，(px1，py1，pz1)……(pxr，pyr，pzr)，其中(pxi，pyi，pzi)表示第i个参考点的坐标，并且0<＝pxi，pyi，pzi<＝1；
步骤3-3，令采样点集合为S＝{(sx0，sy0，sz0)，(sx1，sy1，sz1)……(sxt，syt，szt)}。初始化令sx0＝0，sy0＝0，sz0＝0，sx1＝0，sy1＝0，sz1＝0……sxt＝0，syt＝0，szt＝0，。
对i＝0，1……r，
c＝comb(r，i)，comb表示组合数。
对j＝0，1……t，
sxj＝sxj+c*(j/t)^i*(1-j/t)^(r-i)*pxi，
syj＝syj+c*(j/t)^i*(1-j/t)^(r-i)*pyi，
szj＝szj+c*(j/t)^i*(1-j/t)^(r-i)*pzi，
步骤3-4，令其TDOA数据集合为T＝{(d01，d02……d0m)，(d11，d12……d1m)……(dt1，dt2……dtm)}，
对i＝0，1……t，
di0＝sqrt((sxi-x0)^2+(syi-y0)^2+(szi-z0)^2)，
对j＝1，2……m，
dij*＝((sxi-xj)^2+(syi-yj)^2+(szi-zj)^2)，
dij＝dij*-di0，
步骤4中，对于每一个曲线，依次输入T(0)，T(1)……T(t)，其中T(i)表示模拟TDOA数据集合T中的第i个元素，也即第x条模拟TDOA数据，循环神经网络的输出依次为S*(0)，S*(1)……S*(t)，其中S*(i)＝(sxi*,syi*,szi*)为输入T(i)时得到的输出，也即第i条TDOA数据计算所得的坐标，模拟TDOA数据中对应的目标输出依次为S(0)，S(1)……S(t)，其中S(i)＝(sxi,syi,szi)为T(i)所对应的应得输出，也即第i条TDOA数据所对应的真实坐标，计算损失函数L＝((sx0-sx0*)^2+(sy0-sy0*)^2+((sx1-sx1*)^2+((sy1-sy1*)^2+((sz1-sz1*)^2……+(sxt-sxt*)^2)+((syt-syt*)^2+((szy-szy*)^2，以梯度下降法调整网络参数最小化L。
步骤5中，读入的TDOA数据的形式为I＝(d1，d2，……dm)，如当前为第一条输入，则将I输入RNN10次。否则令P＝(d1*，d2*，……dm*)为上一条数据；
对于i＝1，2……m，
如果|di-di*|>l，则di＝di*，
步骤6中，将I输入RNN，得到输出O＝(x_，y_，z_)，
步骤7中，对RNN的输出进行反标准化以得到最终输出，反标准化公式为：
x＝x_*(xmax-xmin)+xmin，
y＝y_*(ymax-ymin)+ymin，
z＝z_*(zmax-zmin)+zmin，
步骤8中，该条TDOA数据已经处理完毕，最终定位结果为(x，y，z)，此时需要读取下一条TDOA数据，处理下一时刻的信息。
实施例
为了验证提出方法的有效性，在实际环境部署场地并进行测试。测试场地为一个14m*18m左右的房间，房间左上角有一块玻璃，附近的信号会发生明显的反射。场地四周共部署了6个基站，基站的高度大概在3m左右。测试人员在场地内沿着边缘行走数周，运动轨迹接近于矩形。将此次采集的TDOA数据序列作为测试数据在本发明中进行计算，其中各步骤的实现及参数细节如下：
步骤1，输入基站数据和边界数据，标准化基站数据；
步骤2，设定参数；
步骤3，生成模拟轨迹曲线并生成TDOA数据；
步骤4，训练循环神经网络(Recurrent Neural Network，RNN)；
步骤5，读取TDOA数据并进行预处理；
步骤6，将TDOA数据输入RNN进行运算；
步骤7，将RNN的输出反标准化为坐标；
步骤8，当前TDOA数据处理完毕，回到步骤5，读取下一条TDOA数据。
图3a所示的是此TDOA数据序列通过本发明计算出的轨迹，图3b是该数据用Taylor序列方法计算出的散点图。不难看出，Taylor方法计算出的点较为分散，如果按时间顺序连接形成轨迹图，稳定性较差，存在严重的跳变现象。尤其是左上角，玻璃反射导致这部分数据质量较差，Taylor序列方法在这些数据上计算出的结果偏差明显增大，因此不具备在实际场景下使用的能力。而本发明得出的轨迹则十分接近真实轨迹，轨迹始终保持连续且较为平滑，定位精度也比较高，在10～20cm左右。左上角的数据通过本发明中的提出的优化策略，没有出现目标偏离和丢失现象，有力地证明了方法的有效性。
上述测试仅为多次测试中具有代表性的一次，其他环境、轨迹的下的测试都能够取得类似效果，定位的精度和轨迹的平滑性优于传统方法的情况下运算更快。
本发明提供了一种基于TDOA的定位追踪方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (9)

1.一种基于TDOA的定位追踪方法，其特征在于，包括如下步骤：
步骤1，输入基站数据和边界数据，标准化基站数据；
步骤2，设定参数；
步骤3，生成模拟轨迹曲线并生成TDOA数据；
步骤4，训练循环神经网络RNN；
步骤5，读取TDOA数据并进行预处理；
步骤6，将TDOA数据输入循环神经网络RNN进行运算；
步骤7，将循环神经网络RNN的输出反标准化为坐标；
步骤8，当前TDOA数据处理完毕，回到步骤5，读取下一条TDOA数据。
2.根据权利要求1所述的方法，其特征在于，步骤1中，输入的基站数据形式为：(x0_，y0_，z0_)，(x1_，y1_，z1_)……(xm_，ym_，zm_)，其中(xi_，yi_，zi_)表示第i个基站的三维坐标，基站总数为m+1；
边界数据形式为(xmin，ymin，zmin，xmax，ymax，zmax)，xmin，ymin，zmin表示定位区域三维坐标的最小值和最大值，xmax，ymax，zmax表示定位区域三维坐标的最大值。
3.根据权利要求2所述的方法，其特征在于，步骤1中，采用如下方法进行标准化基站数据：
对i＝0，1……m，
xi＝(xi_-xmin)/(xmax-xmin)，
yi＝(yi_-ymin)/(ymax-ymin)，
zi＝(zi_-zmin)/(zmax-zmin)。
4.根据权利要求3所述的方法，其特征在于，步骤2中，设定如下参数：生成曲线最高阶数rmax，生成曲线采样数t，生成曲线数量n。
5.根据权利要求4所述的方法，其特征在于，步骤3包含如下步骤：
步骤3-1，对于第k条曲线，k＝1…n，随机取正整数r，使得1<＝r<＝rmax；
步骤3-2，随机取r+1个坐标(px0，py0，pz0)，(px1，py1，pz1)……(pxr，pyr，pzr)，其中(pxi，pyi，pzi)表示第i个参考点的坐标，并且0<＝pxi，pyi，pzi<＝1；
步骤3-3，令采样点集合为S＝{(sx0，sy0，sz0)，(sx1，sy1，sz1)……(sxt，syt，szt)},其中下标x、y、z分别代表x、y、z坐标，1…t表示采样的序号，sxt，syt，szt分别表示第t个采样点的x、y、z坐标；初始化令sx0＝0，sy0＝0，sz0＝0，sx1＝0，sy1＝0，sz1＝0……sxt＝0，syt＝0，szt＝0；
对i＝0，1……r，
参数c＝comb(r，i)，comb表示组合数；
对j＝0，1……t，
sxj＝sxj+c*(j/t)^i*(1-j/t)^(r-i)*pxi，
syj＝syj+c*(j/t)^i*(1-j/t)^(r-i)*pyi，
szj＝szj+c*(j/t)^i*(1-j/t)^(r-i)*pzi；
步骤3-4，令模拟TDOA数据集合为T＝{(d01，d02……d0m)，(d11，d12……d1m)……(dt1，dt2……dtm)}，其中第一个下标1…t表示该条TDOA数据的时隙序号，第二个下标1…m表示对应的基站序号；dtm表示第t个时隙下第m个基站的模拟TDOA数据；
对i＝0，1……t，
di0＝sqrt((sxi-x0)^2+(syi-y0)^2+(szi-z0)^2)，
对j＝1，2……m，
第i条模拟TDOA数据中第j个基站到目标的距离dij*＝((sxi-xj)^2+(syi-yj)^2+(szi-zj)^2)，
dij＝dij*-di0。
6.根据权利要求5所述的方法，其特征在于，步骤4中，对于第k条曲线，依次输入T(0)，T(1)……T(t)，其中T(i)表示模拟TDOA数据集合T中的第i个元素，也即第x条模拟TDOA数据，循环神经网络的输出依次为S*(0)，S*(1)……S*(t)，其中S*(i)＝(sxi*,syi*,szi*)为输入T(i)时得到的输出，也即第i条TDOA数据计算所得的坐标，模拟TDOA数据中对应的目标输出依次为S(0)，S(1)……S(t)，其中S(i)＝(sxi,syi,szi)为T(i)所对应的应得输出，也即第i条TDOA数据所对应的真实坐标，计算损失函数L＝((sx0-sx0*)^2+(sy0-sy0*)^2+((sx1-sx1*)^2+((sy1-sy1*)^2+((sz1-sz1*)^2……+(sxt-sxt*)^2)+((syt-syt*)^2+((szy-szy*)^2，以梯度下降法调整网络参数最小化L。
7.根据权利要求6所述的方法，其特征在于，步骤5中，读取的TDOA数据I的形式为I＝(d1，d2，……dm)，其中d1、d2...dm分别为第1、2...m个基站当前时间点给出的TDOA值，如果当前为第一条输入，则将I输入RNN循环神经网络N次，否则令数据集合P＝(d1*，d2*，……dm*)，其中d1*、d2*...dm*分别为第1、2...m个基站上个时间点给出的TDOA值；
对于i＝1，2……m，
如果|di-di*|>l，则di＝di*。
8.根据权利要求7所述的方法，其特征在于，步骤6中，将I输入RNN循环神经网络，得到输出O＝(x_，y_，z_)，x_，y_，z_表示得到的定位三维坐标。
9.根据权利要求8所述的方法，其特征在于，步骤7中，对RNN循环神经网络的输出进行反标准化以得到最终输出，反标准化公式为：
x＝x_*(xmax-xmin)+xmin，
y＝y_*(ymax-ymin)+ymin，
z＝z_*(zmax-zmin)+zmin。
CN202010736789.2A 2020-07-28 2020-07-28 一种基于tdoa的定位追踪方法 Active CN111970641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010736789.2A CN111970641B (zh) 2020-07-28 2020-07-28 一种基于tdoa的定位追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010736789.2A CN111970641B (zh) 2020-07-28 2020-07-28 一种基于tdoa的定位追踪方法

Publications (2)

Publication Number Publication Date
CN111970641A true CN111970641A (zh) 2020-11-20
CN111970641B CN111970641B (zh) 2022-06-14

Family

ID=73362967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010736789.2A Active CN111970641B (zh) 2020-07-28 2020-07-28 一种基于tdoa的定位追踪方法

Country Status (1)

Country Link
CN (1) CN111970641B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1269947A (zh) * 1997-09-05 2000-10-11 摩托罗拉公司 在不规则区域中估测用户位置的方法和系统
CN102883430A (zh) * 2012-09-12 2013-01-16 南京邮电大学 一种基于测距的无线传感网络节点定位方法
CN103607772A (zh) * 2013-12-09 2014-02-26 青岛百灵信息科技有限公司 一种基于lmbp神经网络的泰勒定位算法
US8676728B1 (en) * 2011-03-30 2014-03-18 Rawles Llc Sound localization with artificial neural network
US20160322055A1 (en) * 2015-03-27 2016-11-03 Google Inc. Processing multi-channel audio waveforms
CN106793077A (zh) * 2017-01-05 2017-05-31 重庆邮电大学 一种自适应室内动态目标的uwb定位方法及系统
CN106970353A (zh) * 2017-03-16 2017-07-21 重庆邮电大学 一种基于通信基站三维定位的跟踪与轨迹方法
CN109948791A (zh) * 2017-12-21 2019-06-28 河北科技大学 利用遗传算法优化bp神经网络的方法及其在定位中的应用
CN110784823A (zh) * 2019-11-05 2020-02-11 西安电子科技大学 基于bp神经网络和tdoa的室外目标定位方法
CN111294731A (zh) * 2020-01-16 2020-06-16 珠海格力电器股份有限公司 Uwb室内定位方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1269947A (zh) * 1997-09-05 2000-10-11 摩托罗拉公司 在不规则区域中估测用户位置的方法和系统
US8676728B1 (en) * 2011-03-30 2014-03-18 Rawles Llc Sound localization with artificial neural network
CN102883430A (zh) * 2012-09-12 2013-01-16 南京邮电大学 一种基于测距的无线传感网络节点定位方法
CN103607772A (zh) * 2013-12-09 2014-02-26 青岛百灵信息科技有限公司 一种基于lmbp神经网络的泰勒定位算法
US20160322055A1 (en) * 2015-03-27 2016-11-03 Google Inc. Processing multi-channel audio waveforms
CN106793077A (zh) * 2017-01-05 2017-05-31 重庆邮电大学 一种自适应室内动态目标的uwb定位方法及系统
CN106970353A (zh) * 2017-03-16 2017-07-21 重庆邮电大学 一种基于通信基站三维定位的跟踪与轨迹方法
CN109948791A (zh) * 2017-12-21 2019-06-28 河北科技大学 利用遗传算法优化bp神经网络的方法及其在定位中的应用
CN110784823A (zh) * 2019-11-05 2020-02-11 西安电子科技大学 基于bp神经网络和tdoa的室外目标定位方法
CN111294731A (zh) * 2020-01-16 2020-06-16 珠海格力电器股份有限公司 Uwb室内定位方法、装置、电子设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YUAN XUE等: "DeepTAL Deep Learning for TDOA-Based Asynchronous Localization Security With Measurement Error and Missing Data", 《IEEE ACCESS》 *
喻月: "基于压缩感知和BP神经网络的无线传感器网络定位算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
孙晔: "UWB定位中基于神经网络的TDOA解算方法", 《航空计算技术》 *
尹进: "基于ADS-B技术的多点定位方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
赵红梅: "超宽带室内定位算法综述", 《电信科学》 *

Also Published As

Publication number Publication date
CN111970641B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN101526614B (zh) 基于子孔径和等效散射体的sar回波快速模拟方法
CN106612495B (zh) 一种基于传播损耗学习的室内定位方法及系统
CN110187333B (zh) 一种基于合成孔径雷达技术的rfid标签定位方法
CN109100683A (zh) 基于卡尔曼滤波的chan-加权质心室内定位方法
CN108226860A (zh) 基于rss的超宽带混合维定位方法及定位系统
CN110376290A (zh) 基于多维核密度估计的声发射源定位方法
CN111722180A (zh) 一种基于卡尔曼滤波的室内行人定位方法、装置及系统
CN110622024A (zh) 室内定位方法、装置和设备
CN105353351A (zh) 一种基于多信标到达时间差改进型定位方法
CN110044357A (zh) 一种室内高精度三维无线定位方法
CN111157943A (zh) 在异步网络中基于toa的传感器位置误差抑制方法
CN110658492A (zh) 一种室内目标与散射体位置优化的迭代方法
CN110888108B (zh) 一种基于rfid与相位校准的定位方法
CN104569915A (zh) 多光电探测系统中基于目标运动模型的定位方法
CN108989988B (zh) 基于机器学习的室内定位方法
Molnár et al. Development of an UWB based indoor positioning system
CN111970641B (zh) 一种基于tdoa的定位追踪方法
CN109286894A (zh) 一种基于压缩感知与多边测量相结合的定位方法
CN106610293B (zh) 一种基于强度差分的室内定位方法及系统
CN110221245B (zh) 联合估计目标位置和非视距误差的鲁棒tdoa定位方法
CN110856100B (zh) 基于5g信号的终端定位及定位模型构建的方法和装置
CN116170744A (zh) 一种基于超宽带的室内跨区域盲点定位方法和系统
CN109188420A (zh) 基于深度长短期记忆网络的窄带雷达目标跟踪方法
CN115397012A (zh) 基于twr-tdoa估计和mpga布局优化的uwb定位跟踪系统的实现方法
Jespersen et al. An indoor multipath-assisted single-anchor UWB localization method

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