CN114205741A - 基于uwb的toa与位置指纹联合室内定位方法 - Google Patents

Abstract

本发明公开了一种基于UWB的TOA与位置指纹联合室内定位方法，其包括：在无线传感网络中采集指纹信息，对指纹信息进行处理获取离线指纹信息库，在线实时定位阶段使用三边测距法先确定移动标签的估计位置范围，在估计范围内使用改进的增强加权K邻近算法获取移动标签的估计位置坐标。该方法通过采集到达时间信息作为指纹向量，减小了环境等因素对指纹的干扰，在进行指纹匹配之前使用三边测距算法减小了匹配计算量，可提高定位精度。

Description

基于UWB的TOA与位置指纹联合室内定位方法

技术领域

本发明涉及一种基于UWB的TOA与位置指纹联合室内定位方法，属于定位技术领域和公共安全领域。

背景技术

随着社会的日益进步以及无线网络的发展，位置服务已拥有广阔的应用市场。由于全球导航定位系统(GNSS)对于室内定位有信号缺失、信号弱的问题，对于养老机构，大型医院、商场、地铁站以及地下停车场等公共领域，需要精确的位置信息，所以提高室内定位精度显得尤为重要。目前，已有的室内定位技术主要有蓝牙、无线射频技术(RFID)、WI-FI、紫峰(Zigbee)、计算机视觉以及超宽带(UWB)等。其中，超宽带(UWB)技术是一项UWB技术是采用非正弦的窄脉冲信号在接收端和发射端进行信息的交互。由于超宽带具有极其窄的脉冲信号，是属于脉冲无线电通信技术。超宽带(UWB)技术由于其信号有极高的时间分辨率，抗干扰能力强，传输速率高等优势，引起目前研究者的极大关注。

由于UWB定位系统中，使用TOA定位有一个前提条件是所有基站节点的时钟必须高度同步，但目前的技术还难以实现，这将导致测距时TOA测量值有时钟偏差，这将会对定位结果产生一定的定位误差。

发明内容

针对以上问题，本发明的目的是为了提供一种基于UWB的TOA与位置指纹联合室内定位方法。本发明针对环境对指纹定位精度影响严重以及在实时定位阶段进行指纹匹配其工作量较大的问题，通过使用TOA值作为指纹信息，在使用改进的WKNN算法进行指纹匹配之前先使用三边测距算法获得移动标签坐标的估计范围，一定程度上减少计算量的同时提高室内定位精度。

为了达到上述目的，本发明所采用的技术方案为：

基于UWB的TOA与位置指纹联合定位方法，其特征在于，所述方法包括下述步骤：

1、基于UWB的TOA与位置指纹联合定位方法，其特征在于，所述方法包括下述步骤：

(1)在无线传感器网络中建立二维直角坐标系作为参考系，并布置3个参考锚节点，其位置坐标分别被记作(x₁,y₁),(x₂,y₂)，(x₃,y₃)；另外将待定位移动标签的位置坐标记为(a,b)。

(1a)选取定位区域为50m*50m的一个方形区域。

(1b)选取每个指纹位置的长为1m，宽为1m，即将无线传感器网络所在的区域划分为50行50列的网格，共计2500个网格。

(2)离线阶段，选取较为准确的指纹构建离线指纹数据库。

(2a)在每个网格点上的中心位置进行TOA信息采集，TOA是根据测量移动标签TP与参考锚节点AP之间的到达时间，对每个指纹点信息采集20次。

(2b)将每个网格上的TOA信息与网格二维坐标对应成指纹向量。

(2c)通过k-means聚类算法对采集到的指纹进行处理，把每一个指纹点所采集到的同一个AP的一组TOA信号值作为一个聚类，共有3*2500个聚类。将指纹采集点处采集到来自锚节点AP_k的第j次测量的TOA值记为TOA^kj，判断TOA^kj与聚类中心的距离是否在阈值范围内，是则保留，否则删除。

(3)通过三边测距法计算得移动标签位置所在范围。根据不同锚节点接收移动标签所发出信号获得对应的TOA值，但由于存在测量误差，三个圆不会交在同一点，因此将得到一个重合的区域S。

(3a)选取网络中三个锚节点记为AP1、AP2和AP3，其坐标分别为(x₁,y₁),(x₂,y₂),(x₃,y₃)，测得移动标签发出信号时间为t₀，到达参考锚节点的时间分别为t1、t2和t3，信号传播的速度为c。根据欧式距离公式得：

(3b)将上式两两结合可解得第i个圆与第j个圆的两个不同的交点(a_i,j,b_i,j)，进而可以近似表示三圆的重合区域，为了减少计算，将该区域近似为矩形，记为S。其S可表示为：

(4)在线阶段，在(3b)的基础上，使用改进的WKNN算法进行位置匹配。

(4a)将在线阶段锚节点接收移动标签发出信号所获得对应的TOA向量记为TOA，选取离线指纹库中S区域m个指纹向量，将指纹向量记为

计算定位点指纹数据和位置点指纹数据之间的欧式距离：

(4b)根据m个欧式距离的大小，将D_j从小到大进行排序，排序完成后，即最小距离为D₁,求其平均距离。定义P_s为D₁与D_s(s＝2,3,4....m)差值，即P_s＝D_s-D₁。则平均距离可表示为：

(4c)去除欧式距离大于平均距离E(P)的指纹点，最终保留指纹库中距离小于平均距离的最终集合A。

(4d)选取集合A中的位置指纹数据，将欧式距离的倒数进行计算作为权值，再对集合指纹A赋予权值。

(4e)将权值赋予离线指纹库中指纹信息所对应的参考坐标进行加权计算，最后得出移动标签的估计位置坐标(a,b)并保存，实现了位置匹配。

本发明有益效果体现在：

位置指纹定位是根据环境信息来建立离线指纹库，目前基于信号强度信息的指纹定位，精度较低，关键因素是信息受环境影响较大。另外，在线匹配阶段计算量较大，影响定位的实时性。要提高精确度以及定位的实时性，本发明可以离线指纹库建立阶段，由于UWB技术具有带宽极宽，穿透性高以及具有抗干扰能力的特点，利用UWB技术可以更为准确的来获得时间戳信息作为指纹信息，提高定位精度。本发明是使用UWB节点接收移动标签的所发出的信号获得时间戳，在线实时定位阶段先使用三边测距法来确定移动标签的位置估计范围S，在位置估计范围S内使用改进的加权K邻近算法，可以减少匹配工作量，提高定位的实时性。

附图说明

图1为本发明方法的整体流程框图。

图2为本发明方法指纹区域大小划分示意图。

图3为本发明方法的离线阶段构建指纹库的流程图。

图4为本发明方法的三边测距法确定定位范围示意图。

图5为本发明方法的在线阶段实时定位流程图。

具体实施方式

如图1所示，基于UWB的TOA与位置指纹联合室内定位方法的过程为：

(1)在无线传感器网络中建立二维直角坐标系作为参考系，并布置3个参考锚节点，其位置坐标分别被记作(x₁,y₁),(x₂,y₂)，(x₃,y₃)；另外将待定位移动标签的位置坐标记为(a,b)。

(2)离线阶段，选取较为准确的指纹构建离线指纹数据库。

(3)通过三边测距法计算得移动标签位置所在范围。根据不同锚节点接收移动标签所发出信号获得对应的TOA值，但由于存在测量误差，三个圆是不会交在同一点，因此将得到一个重合的区域S。

(4)在线阶段，在(3b)的基础上，使用改进的WKNN算法进行位置匹配。

如图2所示，本发明方法划分区域的具体过程为：

(1a)选取定位区域为50m*50m的一个方形区域。

(1b)选取每个指纹位置的长为1m，宽为1m，即将无线传感器网络所在的区域划分为50行50列的网格，共计2500个网格。

如图3所示，本发明方法获取离线指纹信息库的过程为：

(2a)在每个网格点上的中心位置进行TOA信息采集，TOA是根据测量移动标签TP与参考锚节点AP之间的到达时间，对每个指纹点信息采集20次。

(2b)将每个网格上的TOA信息与网格二维坐标对应成指纹向量。

(2c)通过k-means聚类算法对采集到的指纹进行处理，把每一个指纹点所采集到的同一个AP的一组TOA信号值作为一个聚类，共有3*2500个聚类。将指纹采集点处采集到来自锚节点AP_k的第j次测量的TOA值记为TOA^kj，判断TOA^kj与聚类中心的距离是否在阈值范围内，是则保留，否则删除。

如图4所示，本发明方法在实时定位阶段缩小移动标签定位范围，得到移动标签估计范围S方法为：参考锚节点AP1、AP2和AP3，在理想状态下，由接收移动标签所发出的到达时间信息可知，移动标签应在以AP1、AP2、AP3为圆心，分别以r₁、r₂和r₃为半径的圆上。实际中，由于误差的存在，三圆将会交于三点，这三点构成移动标签所在位置的范围。

如图5所示，本发明方法在线实时定位的过程为：

(3a)选取网络中三个锚节点记为AP1、AP2和AP3，其坐标分别为(x₁,y₁),(x₂,y₂),(x₃,y₃)，测得移动标签发出信号时间为t₀，到达参考锚节点的时间分别为t1、t2和t3，信号传播的速度为c。根据欧式距离公式得：

(3b)将上式两两结合可解得第i个圆与第j个圆的两个不同的交点(a_i,j,b_i,j)，进而可以近似表示三圆的重合区域，为了减少计算，将该区域近似为矩形，记为S。其S可表示为：

(4a)将在线阶段锚节点接收移动标签发出信号所获得对应的TOA向量记为TOA，选取离线指纹库中S区域m个指纹向量，将指纹向量记为

计算定位点指纹数据和位置点指纹数据之间的欧式距离：

(4b)根据m个欧式距离的大小，将D_j从小到大进行排序，排序完成后，即最小距离为D₁,求其平均距离。定义P_s为D₁与D_s(s＝2,3,4....m)差值，即P_s＝D_s-D₁。则平均距离可表示为：

(4c)去除欧式距离大于平均距离E(P)的指纹点，最终保留指纹库中距离小于平均距离的最终集合A。

(4d)选取集合A中的位置指纹数据，将欧式距离的倒数进行计算作为权值，再对集合指纹A赋予权值。

(4e)将权值赋予离线指纹库中指纹信息所对应的参考坐标进行加权计算，最后得出移动标签的估计位置坐标(a,b)并保存，实现了位置匹配。

Claims (1)

1.基于UWB的TOA与位置指纹联合定位方法，其特征在于，所述方法包括下述步骤：

(1)在无线传感器网络中建立二维直角坐标系作为参考系，并布置3个参考锚节点，其位置坐标分别被记作(x₁,y₁),(x₂,y₂)，(x₃,y₃)；另外将待定位移动标签的位置坐标记为(a,b)。

(1a)选取定位区域为50m*50m的一个方形区域。

(1b)选取每个指纹位置的长为1m，宽为1m，即将无线传感器网络所在的区域划分为50行50列的网格，共计2500个网格。

(2)离线阶段，选取较为准确的指纹构建离线指纹数据库。

(2a)在每个网格点上的中心位置进行TOA信息采集，TOA是根据测量移动标签TP与参考锚节点AP之间的到达时间，对每个指纹点信息采集20次。

(2b)将每个网格上的TOA信息与网格二维坐标对应成指纹向量。

(2c)通过k-means聚类算法对采集到的指纹进行处理，把每一个指纹点所采集到的同一个AP的一组TOA信号值作为一个聚类，共有3*2500个聚类。将指纹采集点处采集到来自锚节点AP_k的第j次测量的TOA值记为TOA^kj，判断TOA^kj与聚类中心的距离是否在阈值范围内，是则保留，否则删除。

(3)通过三边测距法计算得移动标签位置所在范围。根据不同锚节点接收移动标签所发出信号获得对应的TOA值，但由于存在测量误差，三个圆不会交在同一点，因此将得到一个重合的区域S。

(3a)选取网络中三个锚节点记为AP1、AP2和AP3，其坐标分别为(x₁,y₁),(x₂,y₂),(x₃,y₃)，测得移动标签发出信号时间为t₀，到达参考锚节点的时间分别为t1、t2和t3，信号传播的速度为c。根据欧式距离公式得：

(3b)将上式两两结合可解得第i个圆与第j个圆的两个不同的交点(a_i,j,b_i,j)，进而可以近似表示三圆的重合区域，为了减少计算，将该区域近似为矩形，记为S。其S可表示为：

(4)在线阶段，在(3b)的基础上，使用改进的WKNN算法进行位置匹配。

(4a)将在线阶段锚节点接收移动标签发出信号所获得对应的TOA向量记为TOA，选取离线指纹库中S区域m个指纹向量，将指纹向量记为

计算定位点指纹数据和位置点指纹数据之间的欧式距离：

(4b)根据m个欧式距离的大小，将D_j从小到大进行排序，排序完成后，即最小距离为D₁,求其平均距离。定义P_s为D₁与D_s(s＝2,3,4....m)差值，即P_s＝D_s-D₁。则平均距离可表示为：

(4c)去除欧式距离大于平均距离E(P)的指纹点，最终保留指纹库中距离小于平均距离的最终集合A。

(4d)选取集合A中的位置指纹数据，将欧式距离的倒数进行计算作为权值，再对集合指纹A赋予权值。

(4e)将权值赋予离线指纹库中指纹信息所对应的参考坐标进行加权计算，最后得出移动标签的估计位置坐标(a,b)并保存，实现了位置匹配。

Images