CN113993205B - 基于数字孪生的uwb定位系统与方法 - Google Patents
基于数字孪生的uwb定位系统与方法 Download PDFInfo
- Publication number
- CN113993205B CN113993205B CN202111191539.6A CN202111191539A CN113993205B CN 113993205 B CN113993205 B CN 113993205B CN 202111191539 A CN202111191539 A CN 202111191539A CN 113993205 B CN113993205 B CN 113993205B
- Authority
- CN
- China
- Prior art keywords
- uwb
- positioning
- base station
- error
- space
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了基于数字孪生的UWB定位系统,它包括室内环境的数字化建模模块、最佳锚点位置选择模块、定位系统校正模块和标签定位误差消除处理模块,本发明结合数字孪生技术,解决了基站布置不合理、数据抖动、非视距误差大、可视化程度低等问题,增强了定位系统的稳定性,提高了定位精度以及定位目标显示的灵活性和有效性,扩大了室内定位系统的应用场景。
Description
技术领域
本发明涉及UWB(Ultra Wide Band,超宽带)室内定位技术领域,具体地指一种基于数字孪生的UWB定位系统与方法。
背景技术
UWB定位技术使用窄脉冲进行数据传输,可以达到厘米级的定位精度。相对于蓝牙、ZigBee、WIFI、超声波、红外等其他室内定位技术,拥有定位精度高,抗干扰能力强等特点,因此得到广泛的应用。但是在基站布设的过程中,通常按照经验选定安装位置,缺乏相对准确的指导。同时由于环境中的各种干扰,UWB定位结果可能出现小范围的抖动,导致定位结果偏离实际位置。并且在复杂的室内环境中,由于存在各种障碍物的遮挡,可能会对UWB定位系统造成较大的非视距误差,从而导致定位精度大幅下降。
数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。运用数字孪生技术构建与物理空间对应的虚拟空间,在虚拟空间中进行各种测试,提前预测在物理空间中的可行性,通过数据的相互传递,完成物理空间和虚拟空间的交互。
目前针对相关技术中,将数字孪生技术应用在UWB室内定位方面,尚未提出有效的解决方案。
发明内容
本发明的目的就是要提供一种基于数字孪生的UWB定位系统与方法,本发明结合数字孪生技术,解决了基站布置不合理、数据抖动、非视距误差大、可视化程度低等问题,增强了定位系统的稳定性,提高了定位精度和定位目标显示的灵活性和有效性,扩大了室内定位系统的应用场景。
为实现此目的,本发明所设计的基于数字孪生的UWB定位系统,其特征在于:它包括室内环境的数字化建模模块、最佳锚点位置选择模块、定位系统校正模块和标签定位误差消除处理模块,其中,室内环境的数字化建模模块用于利用BIM技术在数字空间确定室内建筑的几何模型、障碍物材料参数和UWB信道特性,并构建数字空间定位模型;
最佳锚点位置选择模块用于在数字空间定位模型内利用多目标优化算法对各个UWB基站的空间不同位置UWB信号强度分布和测距误差进行计算,从而确定各个UWB基站最佳安装位置,各个UWB基站的最佳安装位置使得数字空间中UWB的信号强度最高,测距误差最小;以各个UWB基站最佳安装位置为基础指导物理空间中实际的UWB基站安装,再根据物理空间中各个UWB基站实际安装位置修正数字空间中对应UWB基站的位置信息,重构数字空间定位模型;
定位系统校正模块用于根据数字空间定位模型计算得到空间不同位置的测距误差,形成预测误差分布模型,在物理空间中等间隔均匀设置标定点,根据各个标定点的UWB测量坐标与真实坐标差值计算UWB测量误差,从而得到测量误差分布模型;测量误差分布模型与预测误差分布模型做差得到环境噪声分布模型;预测误差分布模型与环境噪声分布模型求和得到总体误差分布模型;
标签定位误差消除处理模块用于在数字空间内利用机器学习算法对UWB定位标签的多组定位坐标进行分类从而确定UWB定位标签的运动状态,根据UWB定位标签运动速度动态计算平滑滤波窗口大小,从而确定平滑滤波器,利用平滑滤波器抑制UWB定位标签和各个UWB基站的测距值的数据抖动;对抑制抖动后的UWB定位标签的测量坐标按照总体误差分布模型进行补偿,并结合各个UWB基站坐标,得到UWB定位标签定位结果。
数字化建模模块利用BIM技术构建物理空间中的几何结构、材料特征和信道模型,为后续模块提供模型和数据。最佳锚点位置选择模块在数字空间中使用多目标优化算法选择最佳锚点位置,再根据物理空间中实际安装位置调整数字空间中锚点的位置,重构数字空间定位系统。定位系统校正模块根据物理空间中特征点的测量坐标和实际坐标对数字空间的定位系统进行校正,降低系统误差。标签定位误差消除处理模块进行数据抖动抑制处理,并结合障碍物的位置对非视距误差进行消除处理,降低测量误差,进一步提升定位精度。当物理空间中障碍物位置发生改变时,该系统能够修改数字空间模型,预测误差分布,调整算法参数。
本发明的有益效果:
本发明的方法提高了UWB定位基站安装的便捷性和有效性,降低安装成本,提高定位精度和稳定性,可视化地展示定位目标和周围环境,有广阔的应用前景。具体包括:
1、对物理空间的几何结构、材料特性、信道特征进行建模,使用一种多目标优化算法寻找最佳的基站布局,使基站布局更具有科学性。同时根据物理空间的位置调整数字空间基站位置。
2、选择标定点对UWB定位系统进行校正,降低初始系统误差。
3、基于定位数据训练分类算法,实现对静止状态和运动状态数据的准确分类。
4、通过空间结构和接收信号强度对是否存在障碍物进行判断,补偿基站测距值,解算定位坐标,提高定位精度。
5、构建数字孪生可视化交互系统,根据空间环境的改变实时动态调整算法,对空间环境、基站位置、定位目标位置进行高精度实时性的可视化展示。
6、解决了基站布置不合理、数据抖动、非视距误差大、可视化程度低等问题,提升了基站布设和安装效率、降低了定位误差、提高了定位数据稳定度、扩大了UWB定位系统的应用场景。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
图1为本发明的结构示意图;
图2为本发明的流程图;
其中,1—室内环境的数字化建模模块、2—最佳锚点位置选择模块、3—定位系统校正模块、4—标签定位误差消除处理模块。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
如图1和2所示基于数字孪生的UWB定位系统,结合数字孪生技术,解决了基站布置不合理、数据抖动、非视距误差大、可视化程度低等问题,增强了定位系统的稳定性,提高了定位精度以及定位目标显示的灵活性和有效性,扩大了室内定位系统的应用场景;它包括室内环境的数字化建模模块1、最佳锚点位置选择模块2、定位系统校正模块3和标签定位误差消除处理模块4,其中,室内环境的数字化建模模块1用于利用BIM技术在数字空间确定室内建筑的几何模型、障碍物材料参数和UWB信道特性,并构建数字空间定位模型;
最佳锚点位置选择模块2用于在数字空间定位模型内利用多目标优化算法对各个UWB基站的空间不同位置UWB信号强度分布和测距误差进行计算,从而确定各个UWB基站最佳安装位置,各个UWB基站的最佳安装位置使得数字空间中UWB的信号强度最高,测距误差最小;以各个UWB基站最佳安装位置为基础指导物理空间中实际的UWB基站安装,由于物理空间中存在安装定位误差和实际安装位置限制,再根据物理空间中各个UWB基站实际安装位置修正数字空间中对应UWB基站的位置信息,重构数字空间定位模型;
定位系统校正模块3用于根据数字空间定位模型计算得到空间不同位置的测距误差,形成预测误差分布模型,在物理空间中等间隔均匀设置标定点,根据各个标定点的UWB测量坐标与真实坐标差值计算UWB测量误差,从而得到测量误差分布模型;测量误差分布模型与预测误差分布模型做差得到环境噪声分布模型;预测误差分布模型与环境噪声分布模型求和得到总体误差分布模型;
标签定位误差消除处理模块4用于在数字空间内利用机器学习算法对UWB定位标签的多组定位坐标进行分类从而确定UWB定位标签的运动状态,根据UWB定位标签运动速度动态计算平滑滤波窗口大小,从而确定平滑滤波器,利用平滑滤波器抑制UWB定位标签和各个UWB基站的测距值的数据抖动;对抑制抖动后的UWB定位标签的测量坐标按照总体误差分布模型进行补偿,并结合各个UWB基站坐标,得到更准确的UWB定位标签定位结果。
上述技术方案中,所述障碍物材料参数用于表示不同障碍物的材质和厚度对于UWB信号的强度和测距误差的影响,UWB基站的UWB信道特征表示UWB基站发出的UWB信号强度随空间距离的衰减特性;所述测距误差表示UWB信号被障碍物遮挡以后,造成测距值增加。
上述技术方案中,所述定位系统校正模块3还用于在物理空间中障碍物位置发生改变时,根据数字空间定位模型重新计算预测误差分布模型,重新计算的预测误差分布模型与环境噪声分布模型求和得到总体误差分布模型。
上述技术方案中,所述室内环境的数字化建模模块1构建数字空间定位模型的具体过程为:
首先,对建筑物的空间结构进行扫描,使用BIM技术在数字空间构建室内建筑的几何模型、障碍物材料参数和UWB信道特性,并使用建模软件进行建模,构建三维空间模型;
然后,根据障碍物材料参数和UWB信道特性构建UWB信号强度衰减模型和非视距误差模型,三维空间模型、UWB信号强度衰减模型和非视距误差模型形成数字空间定位模型。
上述技术方案中,所述UWB信号强度衰减模型的构建方法为根据自由空间传输模型,确定UWB接收信号功率:
其中,PR表示UWB接收信号功率,PT表示UWB发射信号功率,GT表示UWB发射信号增益,GR表示UWB接收信号增益,λ表示UWB信号波长,d表示UWB接收设备与UWB发射设备之间的距离,k表示信号损耗因子;
UWB信号强度衰减模型为:
其中P(d)表示距离为实际距离d时的接收信号功率,P(d0)表示距离为参考距离d0时的接收信号功率,k1表示传输路径损耗参数;
非视距误差模型的构建方法为:UWB基站与UWB定位标签之间存在障碍物O1,O2,…On,由于经过障碍物造成电磁波传输速度减慢,从而使电磁波到达标签的时间t加长,其中lST表示UWB基站与UWB定位标签之间的实际距离,c表示电磁波在空气中的传播速度,表示电磁波穿过障碍物Oi比在空气中传播相同距离多花费的时间,其中hi和εi表示障碍物Oi的厚度和介电常数,从而导致UWB基站与UWB定位标签之间测量距离因此非视距误差
上述技术方案中,所述最佳锚点位置选择模块2求解数字空间中最佳UWB基站位置的具体方法为:
首先,在数字空间中,将空间划分为m*n*o个正方形格,每个正方形格Ti以中心坐标(xTi,yTi,zTi)表示,对于一个坐标为(xSj,ySj,zSj)的UWB基站Sj,设正方形格内部接收的UWB信号强度与中心点相同,根据UWB信号强度衰减模型,计算可得正方形格Ti处接收信号强度为:
然后,根据UWB接收信号强度计算出对于UWB基站Sj空间中每一个正方形格Ti的接收信号强度P(Ti)′;根据非视距误差模型,每一个正方形格Ti的非视距误差为Δ(Ti)=Δl;则基站Sj的空间平均信号强度表示为:空间平均非视距误差表示为对于s个UWB基站,每个正方形格的信号强度是s个基站的信号强度的叠加,于是空间整体信号强度表示为:空间整体非视距误差表示为
然后,对于给定的空间环境,已知墙体和障碍物的位置,使用一种多目标优化算法选择最佳的N组基站布设位置;
目标函数
G=max{λ1P(S)-λ2Δ(S)},其中P(S)和Δ(S)分别表示空间信号强度和非视距误差均值,λ1和λ2分别表示信号强度和非视距误差在目标函数中的权重,目标函数表示在s个基站下空间中的整体信号强度最大和非视距误差最小。
约束条件
xa<xSj<xb,ya<ySj<yb,za<zSj<zb,表示基站Sj坐标(xSj,ySj,zSj)的范围,即基站的可行安装区域;
P(Ti)′>Pmin,表示空间中主体区域的正方形格接收到任意基站的最小信号强度要大于阈值Pmin;
Δ(Ti)<Δmin,表示空间中主体区域的正方形格受到的非视距误差小于阈值Δmin;
求解算法
假设需要布设K个基站,根据遗传算法求解最佳基站布设位置(xS1,yS1,zS1),(xS2,yS2,zS2)…(xSK,ySK,zSK)=argmax(G),则控制参数为(xS1,yS1,zS1,xS2,yS2,zS2…xSK,ySK,zSK),变量数为3K,目标函数即为适应度函数。
编码方法采用二进制编码,将每个控制参数转化为对应的二进制数。初始化种群,根据约束随机生成M组控制参数,形成M*3K的矩阵。对每组控制参数进行编码,分别计算适应度,选择适应度较好的,使目标函数较大的N组参数,按照概率Pc进行交叉(两组参数的编码交换部分基因,从而形成新的个体),按照概率Pv(Pv<<Pc)进行变异(参数的编码发生基因突变,形成新的个体),通过交叉和变异操作重新生成M组控制参数。
重复进行选择,交叉和变异操作,最终生成的新参数会越来越接近最优解,迭代一定次数过后,选择适应度最高的N组参数即为近似的最优解:
(xS1,yS1,zS1),(xS2,yS2,zS2)…(xSK,ySK,zSK)=argmax(G);
最后,对于N组近似的最优解,根据实际的安装情况和操作难度选择最佳的基站布设位置安装基站,再根据实际安装位置修正虚拟空间中的基站位置。
上述技术方案中,所述定位系统校正模块3得到总体误差分布模型的具体方法为:
首先,根据建筑物和障碍物的空间结构特点,在物理空间内等间隔均匀设置标定点,使用全站仪获取每个标定点Pi的真实坐标(xi,yi,zi),对于区域Ej中的每个标定点,将标签放置在标定点Pi上,使用UWB定位系统对UWB定位标签进行定位,获取测量坐标(xi′,yi′,zi′);
然后,对于标定点Pi的定位误差Δi=(Δxi,Δyi,Δzi)=(xi′-xi,yi′-yi,zi′-zi),可得标定点Pi的定位误差向量MEAi=[Δxi,Δyi,Δzi],根据物理空间中全部的N个标定点的定位误差向量,建立空间中的定位误差矩阵
[MEA1,…MEAi,…MEAN];
然后,根据确定的基站位置和非视距误差模型,对于标定点Pi可以计算得到预测误差NLOSi=[nxi,nyi,nzi],根据物理空间中全部的N个标定点的预测误差向量,建立空间中的预测误差矩阵
[NLOS1,…NLOSi,…NLOSN];
然后,将定位误差向量与对应的预测误差向量做差获得环境噪声向量,NOIi=[Δxi-nxi,Δyi-nyi,Δzi-nzi],根据物理空间中全部的N个标定点的环境噪声向量,建立空间中的环境噪声矩阵
[NOI1,…NOIi,…NOIN];
最后,在障碍物位置发生改变时,重新建立预测误差矩阵。预测误差分布模型与环境噪声分布模型求和得到总体误差矩阵。
上述技术方案中,所述标签定位误差消除处理模块4抑制UWB定位标签和各个UWB基站的测距值的数据抖动的具体方法为:
离线训练阶段:
分别采集静止状态和运动状态下UWB定位标签的多组定位坐标:
(x1,y1,z1)S,…(xi,yi,zi)S,…(xm,ym,zm)S
(x1,y1,z1)M,…(xj,yj,zj)M,…(xn,yn,zn)M
上标S表示静止状态下的坐标,上标M表示运动状态下的坐标;xm,ym,zm和xn,yn,zn分别表示第m组和第n组测量坐标;
对收集的数据进行处理,去除异常数据,避免对训练结果造成影响。由于相邻两组定位坐标间差值过小,不容易区分出运动状态,对相邻的k组数据求和,再对相邻的两组数据求差,构成新的静止状态和运动状态下UWB定位标签的定位坐标数据,构建训练数据集;
由于静止状态和运动状态下的定位坐标距离差相隔较大,容易进行二分类,因此可以使用机器学习的分类算法(支持向量机算法)进行运动状态的分类,将运动状态分类后的训练数据集输入机器学习的分类算法进行训练得到距离差特征模型;
在线分类阶段:
对各个UWB基站得到的测距数值进行坐标解算处理,并将解算得到的定位坐标进行相邻的k组数据求和,再对相邻的两组数据求差处理,获取到处理后的数据。
将处理后的数据输入距离差特征模型,得到当前定位目标的运动状态;
抖动抑制阶段:
对于静止目标,理想状态下坐标是一个静止的点,但是由于存在环境干扰,使得基站的测距数值不停变化,从而导致解算坐标抖动,对于UWB定位标签的真实坐标(xr,yr,zr),在时间Δts内,使用坐标解算算法解算得到N组坐标;
(xc1,yc1,zc1),…(xci,yci,zci),…(xcN,ycN,zcN)
其中各组坐标的x,y,z分别符合均值为xr,yr,zr,方差为σ2的正态分布,表示为:xci~N(xr,σ2),yci~N(yr,σ2),zci~N(zr,σ2),i=1,2,…N;使用测得的N组坐标进行正态分布函数拟合分别得到三维坐标的正态分布函数并取得概率分布最大的均值μ,即为逼近的真实坐标(xr,yr,zr)′;
对于运动目标,对定位坐标进行滑动窗口滤波,实现抑制UWB定位标签和各个UWB基站的测距值的数据抖动,窗口大小为Δtm,当目标运动速度越大时,相邻坐标之间的差值也越大,为了保证响应时间,根据目标的运动速度动态调整窗口大小,计算目标运动速度v,窗口大小其中Δt为参考时间,k为系数,两者大小由实验测试确定,当目标运动速度过快时v>vmax,为保证响应时间,不再进行消抖处理。
上述技术方案中,标签定位误差消除处理模块4对抑制抖动后的UWB定位标签和各个UWB基站的测距值进行是否存在非视距误差的判断,在三维空间中进行定位,至少需要四个UWB基站,每个UWB基站对定位标签进行测距,获得四组距离值l1,l2,l3,l4,并结合UWB基站坐标解算得到UWB定位标签坐标(xt,yt,zt),将UWB定位标签坐标与每个基站的坐标(xs,ys,zs)进行连线,根据建筑物空间结构判断连线是否经过障碍物;
同时计算UWB定位标签与UWB基站的距离;
将UWB定位标签接收到的UWB基站信号强度P(t)与距离为lst时的理论信号强度进行比较,若P(T)-P(t)>Pmin,Pmin为阈值,根据实验确定,确认UWB定位标签与该UWB基站之间存在非视距误差;
若UWB基站与UWB定位标签之间存在非视距误差,在定位系统校正模块3获得的总体误差矩阵中寻找与UWB定位标签测量坐标的欧氏距离最接近的总体误差向量,将测量坐标与总体误差向量中对应的元素做差获得误差消除后的定位坐标(xt,yt,zt),即为UWB定位标签定位结果。
一种基于数字孪生的UWB定位方法,其特征在于:它包括如下步骤:
步骤1:利用BIM技术在数字空间确定室内建筑的几何模型、障碍物材料参数和UWB信道特性,并构建数字空间定位模型;
步骤2:在数字空间定位模型内利用多目标优化算法对各个UWB基站的空间不同位置UWB信号强度分布和测距误差进行计算,从而确定各个UWB基站最佳安装位置,各个UWB基站的最佳安装位置使得数字空间中UWB的信号强度最高,测距误差最小;以各个UWB基站最佳安装位置为基础指导物理空间中实际的UWB基站安装,再根据物理空间中各个UWB基站实际安装位置修正数字空间中对应UWB基站的位置信息,重构数字空间定位模型;
步骤3:根据数字空间定位模型计算得到空间不同位置的测距误差,形成预测误差分布模型,在物理空间中等间隔均匀设置标定点,根据各个标定点的UWB测量坐标与真实坐标差值计算UWB测量误差,从而得到测量误差分布模型;测量误差分布模型与预测误差分布模型做差得到环境噪声分布模型;预测误差分布模型与环境噪声分布模型求和得到总体误差分布模型;
步骤4:在数字空间内利用机器学习算法对UWB定位标签的多组定位坐标进行分类从而确定UWB定位标签的运动状态,根据UWB定位标签运动速度动态计算平滑滤波窗口大小,从而确定平滑滤波器,利用平滑滤波器抑制UWB定位标签和各个UWB基站的测距值的数据抖动;对抑制抖动后的UWB定位标签的测量坐标按照总体误差分布模型进行补偿,并结合各个UWB基站坐标,得到更准确的UWB定位标签定位结果。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于数字孪生的UWB定位系统,其特征在于:它包括室内环境的数字化建模模块(1)、最佳锚点位置选择模块(2)、定位系统校正模块(3)和标签定位误差消除处理模块(4),其中,室内环境的数字化建模模块(1)用于利用BIM技术在数字空间确定室内建筑的几何模型、障碍物材料参数和UWB信道特性,并构建数字空间定位模型;
最佳锚点位置选择模块(2)用于在数字空间定位模型内利用多目标优化算法对各个UWB基站的空间不同位置UWB信号强度分布和测距误差进行计算,从而确定各个UWB基站最佳安装位置,各个UWB基站的最佳安装位置使得数字空间中UWB的信号强度最高,测距误差最小;以各个UWB基站最佳安装位置为基础指导物理空间中实际的UWB基站安装,再根据物理空间中各个UWB基站实际安装位置修正数字空间中对应UWB基站的位置信息,重构数字空间定位模型;
定位系统校正模块(3)用于根据数字空间定位模型计算得到空间不同位置的测距误差,形成预测误差分布模型,在物理空间中等间隔均匀设置标定点,根据各个标定点的UWB测量坐标与真实坐标差值计算UWB测量误差,从而得到测量误差分布模型;测量误差分布模型与预测误差分布模型做差得到环境噪声分布模型;预测误差分布模型与环境噪声分布模型求和得到总体误差分布模型;
标签定位误差消除处理模块(4)用于在数字空间内利用机器学习算法对UWB定位标签的多组定位坐标进行分类从而确定UWB定位标签的运动状态,根据UWB定位标签运动速度动态计算平滑滤波窗口大小,从而确定平滑滤波器,利用平滑滤波器抑制UWB定位标签和各个UWB基站的测距值的数据抖动;对抑制抖动后的UWB定位标签的测量坐标按照总体误差分布模型进行补偿,并结合各个UWB基站坐标,得到UWB定位标签定位结果;
若UWB基站与UWB定位标签之间存在非视距误差,在定位系统校正模块(3)获得的总体误差矩阵中寻找与UWB定位标签测量坐标的欧氏距离最接近的总体误差向量,将测量坐标与总体误差向量中对应的元素做差获得误差消除后的定位坐标,即为UWB定位标签定位结果。
2.根据权利要求1所述的基于数字孪生的UWB定位系统,其特征在于:所述障碍物材料参数用于表示不同障碍物的材质和厚度对于UWB信号的强度和测距误差的影响,UWB基站的UWB信道特征表示UWB基站发出的UWB信号强度随空间距离的衰减特性;所述测距误差表示UWB信号被障碍物遮挡以后,造成测距值增加。
3.根据权利要求1所述的基于数字孪生的UWB定位系统,其特征在于:所述定位系统校正模块(3)还用于在物理空间中障碍物位置发生改变时,根据数字空间定位模型重新计算预测误差分布模型,重新计算的预测误差分布模型与环境噪声分布模型求和得到总体误差分布模型。
4.根据权利要求1所述的基于数字孪生的UWB定位系统,其特征在于:所述室内环境的数字化建模模块(1)构建数字空间定位模型的具体过程为:
首先,对建筑物的空间结构进行扫描,使用BIM技术在数字空间构建室内建筑的几何模型、障碍物材料参数和UWB信道特性,并使用建模软件进行建模,构建三维空间模型;
然后,根据障碍物材料参数和UWB信道特性构建UWB信号强度衰减模型和非视距误差模型,三维空间模型、UWB信号强度衰减模型和非视距误差模型形成数字空间定位模型。
5.根据权利要求4所述的基于数字孪生的UWB定位系统,其特征在于:所述UWB信号强度衰减模型的构建方法为根据自由空间传输模型,确定UWB接收信号功率:
其中,PR表示UWB接收信号功率,PT表示UWB发射信号功率,GT表示UWB发射信号增益,GR表示UWB接收信号增益,λ表示UWB信号波长,d表示UWB接收设备与UWB发射设备之间的距离,k表示信号损耗因子;
UWB信号强度衰减模型为:
其中P(d)表示距离为实际距离d时的接收信号功率,P(d0)表示距离为参考距离d0时的接收信号功率,k1表示传输路径损耗参数;
6.根据权利要求1所述的基于数字孪生的UWB定位系统,其特征在于:所述最佳锚点位置选择模块(2)求解数字空间中最佳UWB基站位置的具体方法为:
首先,在数字空间中,将空间划分为m*n*o个正方形格,每个正方形格Ti以中心坐标(xTi,yTi,zTi)表示,对于一个坐标为(xSj,ySj,zSj)的UWB基站Sj,设正方形格内部接收的UWB信号强度与中心点相同,根据UWB信号强度衰减模型,计算可得正方形格Ti处接收信号强度为:
然后,根据UWB接收信号强度计算出对于UWB基站Sj空间中每一个正方形格Ti的接收信号强度P(Ti)′;根据非视距误差模型,每一个正方形格Ti的非视距误差为Δ(Ti)=Δl;则基站Sj的空间平均信号强度表示为:空间平均非视距误差表示为对于s个UWB基站,每个正方形格的信号强度是s个基站的信号强度的叠加,于是空间整体信号强度表示为:空间整体非视距误差表示为
然后,对于给定的空间环境,已知墙体和障碍物的位置,使用一种多目标优化算法选择最佳的N组基站布设位置;
最后,对于N组近似的最优解,根据实际的安装情况和操作难度选择最佳的基站布设位置安装基站,再根据实际安装位置修正虚拟空间中的基站位置。
7.根据权利要求1所述的基于数字孪生的UWB定位系统,其特征在于:所述定位系统校正模块(3)得到总体误差分布模型的具体方法为:
首先,根据建筑物和障碍物的空间结构特点,在物理空间内等间隔均匀设置标定点,使用全站仪获取每个标定点Pi的真实坐标(xi,yi,zi),对于区域Ej中的每个标定点,将标签放置在标定点Pi上,使用UWB定位系统对UWB定位标签进行定位,获取测量坐标(xi′,yi′,zi′);
然后,对于标定点Pi的定位误差Δi=(Δxi,Δyi,Δzi)=(xi′-xi,yi′-yi,zi′-zi),可得标定点Pi的定位误差向量MEAi=[Δxi,Δyi,Δzi],根据物理空间中全部的N个标定点的定位误差向量,建立空间中的定位误差矩阵;
[MEA1,…MEAi,…MEAN];
然后,根据确定的基站位置和非视距误差模型,对于标定点Pi可以计算得到预测误差NLOSi=[nxi,nyi,nzi],根据物理空间中全部的N个标定点的预测误差向量,建立空间中的预测误差矩阵;
[NLOS1,…NLOSi,…NLOSN];
然后,将定位误差向量与对应的预测误差向量做差获得环境噪声向量,NOIi=[Δxi-nxi,Δyi-nyi,Δzi-nzi],根据物理空间中全部的N个标定点的环境噪声向量,建立空间中的环境噪声矩阵;
[NOI1,…NOIi,…NOIN];
最后,在障碍物位置发生改变时,重新建立预测误差矩阵,预测误差分布模型与环境噪声分布模型求和得到总体误差矩阵。
8.根据权利要求1所述的基于数字孪生的UWB定位系统,其特征在于:所述标签定位误差消除处理模块(4)抑制UWB定位标签和各个UWB基站的测距值的数据抖动的具体方法为:
离线训练阶段:
分别采集静止状态和运动状态下UWB定位标签的多组定位坐标:
(x1,y1,z1)S,…(xi,yi,zi)S,…(xm,ym,zm)S
(x1,y1,z1)M,…(xj,yj,zj)M,…(xn,yn,zn)M
上标S表示静止状态下的坐标,上标M表示运动状态下的坐标;xm,ym,zm和xn,yn,zn分别表示第m组和第n组测量坐标;
对相邻的k组数据求和,再对相邻的两组数据求差,构成新的静止状态和运动状态下UWB定位标签的定位坐标数据,构建训练数据集;
使用机器学习的分类算法进行运动状态的分类,将运动状态分类后的训练数据集输入机器学习的分类算法进行训练得到距离差特征模型;
在线分类阶段:
对各个UWB基站得到的测距数值进行坐标解算处理,并将解算得到的定位坐标进行相邻的k组数据求和,再对相邻的两组数据求差处理,获取到处理后的数据;
将处理后的数据输入距离差特征模型,得到当前定位目标的运动状态;
抖动抑制阶段:
对于UWB定位标签的真实坐标(xr,yr,zr),在时间Δts内,使用坐标解算算法解算得到N组坐标;
(xc1,yc1,zc1),…(xci,yci,zci),…(xcN,ycN,zcN)
其中各组坐标的x,y,z分别符合均值为xr,yr,zr,方差为σ2的正态分布,表示为:xci~N(xr,σ2),yci~N(yr,σ2),zci~N(zr,σ2),i=1,2,…N;使用测得的N组坐标进行正态分布函数拟合分别得到三维坐标的正态分布函数并取得概率分布最大的均值μ,即为逼近的真实坐标(xr,yr,zr)′;
9.根据权利要求1所述的基于数字孪生的UWB定位系统,其特征在于:标签定位误差消除处理模块(4)对抑制抖动后的UWB定位标签和各个UWB基站的测距值进行是否存在非视距误差的判断,在三维空间中进行定位,至少需要四个UWB基站,每个UWB基站对定位标签进行测距,获得四组距离值l1,l2,l3,l4,并结合UWB基站坐标解算得到UWB定位标签坐标(xt,yt,zt),将UWB定位标签坐标与每个基站的坐标(xs,ys,zs)进行连线,根据建筑物空间结构判断连线是否经过障碍物;
同时计算UWB定位标签与UWB基站的距离;
若UWB基站与UWB定位标签之间存在非视距误差,在定位系统校正模块(3)获得的总体误差矩阵中寻找与UWB定位标签测量坐标的欧氏距离最接近的总体误差向量,将测量坐标与总体误差向量中对应的元素做差获得误差消除后的定位坐标(xt,yt,zt),即为UWB定位标签定位结果。
10.一种基于数字孪生的UWB定位方法,其特征在于:它包括如下步骤:
步骤1:利用BIM技术在数字空间确定室内建筑的几何模型、障碍物材料参数和UWB信道特性,并构建数字空间定位模型;
步骤2:在数字空间定位模型内利用多目标优化算法对各个UWB基站的空间不同位置UWB信号强度分布和测距误差进行计算,从而确定各个UWB基站最佳安装位置,各个UWB基站的最佳安装位置使得数字空间中UWB的信号强度最高,测距误差最小;以各个UWB基站最佳安装位置为基础指导物理空间中实际的UWB基站安装,再根据物理空间中各个UWB基站实际安装位置修正数字空间中对应UWB基站的位置信息,重构数字空间定位模型;
步骤3:根据数字空间定位模型计算得到空间不同位置的测距误差,形成预测误差分布模型,在物理空间中等间隔均匀设置标定点,根据各个标定点的UWB测量坐标与真实坐标差值计算UWB测量误差,从而得到测量误差分布模型;测量误差分布模型与预测误差分布模型做差得到环境噪声分布模型;预测误差分布模型与环境噪声分布模型求和得到总体误差分布模型;
步骤4:在数字空间内利用机器学习算法对UWB定位标签的多组定位坐标进行分类从而确定UWB定位标签的运动状态,根据UWB定位标签运动速度动态计算平滑滤波窗口大小,从而确定平滑滤波器,利用平滑滤波器抑制UWB定位标签和各个UWB基站的测距值的数据抖动;对抑制抖动后的UWB定位标签的测量坐标按照总体误差分布模型进行补偿,并结合各个UWB基站坐标,得到UWB定位标签定位结果;
若UWB基站与UWB定位标签之间存在非视距误差,在定位系统校正模块(3)获得的总体误差矩阵中寻找与UWB定位标签测量坐标的欧氏距离最接近的总体误差向量,将测量坐标与总体误差向量中对应的元素做差获得误差消除后的定位坐标,即为UWB定位标签定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191539.6A CN113993205B (zh) | 2021-10-13 | 2021-10-13 | 基于数字孪生的uwb定位系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191539.6A CN113993205B (zh) | 2021-10-13 | 2021-10-13 | 基于数字孪生的uwb定位系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113993205A CN113993205A (zh) | 2022-01-28 |
CN113993205B true CN113993205B (zh) | 2022-08-19 |
Family
ID=79738403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111191539.6A Active CN113993205B (zh) | 2021-10-13 | 2021-10-13 | 基于数字孪生的uwb定位系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113993205B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114859291A (zh) * | 2022-07-07 | 2022-08-05 | 广东师大维智信息科技有限公司 | 狭长空间定位方法、计算机可读存储介质及计算机设备 |
CN115002904B (zh) * | 2022-08-03 | 2022-10-14 | 湖南工商大学 | 一种基于uwb传感器的非视距基站识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101277510A (zh) * | 2007-03-30 | 2008-10-01 | 展讯通信(上海)有限公司 | 基于手机移动速度的无线定位方法与装置 |
CN104869541A (zh) * | 2015-06-11 | 2015-08-26 | 吉林大学 | 一种室内定位追踪方法 |
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 |
CN111652964A (zh) * | 2020-04-10 | 2020-09-11 | 合肥工业大学 | 基于数字孪生的电力巡检无人机辅助定位方法和系统 |
CN111787488A (zh) * | 2020-06-29 | 2020-10-16 | 北京东方国信科技股份有限公司 | 一种用户定位方法及系统 |
CN111832811A (zh) * | 2020-06-24 | 2020-10-27 | 北京工业大学 | 一种基于数字孪生的智能化消防疏散方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103209474B (zh) * | 2012-01-13 | 2016-12-14 | 华为技术有限公司 | 一种移动终端定位的方法、定位服务器及服务基站 |
CN103581831B (zh) * | 2013-10-12 | 2017-01-11 | 上海交通大学 | 基于WiFi以及移动终端的室内定位方法 |
-
2021
- 2021-10-13 CN CN202111191539.6A patent/CN113993205B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101277510A (zh) * | 2007-03-30 | 2008-10-01 | 展讯通信(上海)有限公司 | 基于手机移动速度的无线定位方法与装置 |
CN104869541A (zh) * | 2015-06-11 | 2015-08-26 | 吉林大学 | 一种室内定位追踪方法 |
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 |
CN111652964A (zh) * | 2020-04-10 | 2020-09-11 | 合肥工业大学 | 基于数字孪生的电力巡检无人机辅助定位方法和系统 |
CN111832811A (zh) * | 2020-06-24 | 2020-10-27 | 北京工业大学 | 一种基于数字孪生的智能化消防疏散方法 |
CN111787488A (zh) * | 2020-06-29 | 2020-10-16 | 北京东方国信科技股份有限公司 | 一种用户定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113993205A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113993205B (zh) | 基于数字孪生的uwb定位系统与方法 | |
EP1514130B1 (en) | Probabilistic model for a positioning technique | |
US11448494B2 (en) | Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks | |
CN111352087B (zh) | 基于dbscan的被动mimo雷达多目标定位方法 | |
CN105554873A (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
CN114662535B (zh) | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 | |
CN109031314B (zh) | 一种面向声速剖面的水下节点定位方法 | |
CN113177356A (zh) | 一种基于深度学习的目标电磁散射特性快速预测方法 | |
CN112040405A (zh) | 一种基于核极限学习机与粒子滤波的室内定位方法 | |
CN115688607A (zh) | 基于多通道频谱组合的带状跨海似大地水准面精化方法 | |
CN111263295B (zh) | 一种wlan室内定位方法和装置 | |
KR102243917B1 (ko) | 인공 신경망을 이용한 자기장 기반 위치 추정 모델 생성 장치 및 방법 | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
CN113835064B (zh) | 一种协同校正源观测信息的加权多维标度tdoa定位方法 | |
CN115567131A (zh) | 一种基于降维复卷积网络的6g无线信道特性提取方法 | |
CN113852433B (zh) | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 | |
CN113761797B (zh) | 一种基于计算机视觉的无线信道路径损耗模型预测方法 | |
CN111859241B (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
US20210329478A1 (en) | Radio wave strength estimation device, position estimation system, and radio wave strength estimation method | |
CN104754733B (zh) | 动态无线网络控制系统节点位置预测方法 | |
CN110996248A (zh) | 一种基于rss的凸优化无线传感器网络定位方法 | |
CN115248415B (zh) | 一种用于矿井非视距场景的目标定位跟踪方法 | |
Konak | Predicting coverage in wireless local area networks with obstacles using kriging and neural networks | |
CN117874156A (zh) | 基于多模态信息融合的城市空地无线电地图重绘方法 | |
CN116318462A (zh) | 一种双模态网络修正的精细化路径损耗预测方法 |
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 |