CN114265049B - 一种基于uwb的实时测距方法、网络结构及网络节点 - Google Patents
一种基于uwb的实时测距方法、网络结构及网络节点 Download PDFInfo
- Publication number
- CN114265049B CN114265049B CN202210195216.2A CN202210195216A CN114265049B CN 114265049 B CN114265049 B CN 114265049B CN 202210195216 A CN202210195216 A CN 202210195216A CN 114265049 B CN114265049 B CN 114265049B
- Authority
- CN
- China
- Prior art keywords
- rssi
- ranging
- distance
- responder
- initiator
- 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于UWB的实时测距方法、网络结构及网络节点,采用DS–TWR测距作为RSSI测距的建模和自适应参数学习的依据,利用在DS‑TWR测距通信过程中的RSSI数据进行其余节点的测距,可以适合大规模集群网络,监督学习机制来获得实时参数更新值,标准数据集从DS‑TWR的测距过程中获得,同时也获得RSSI测距过程的噪声,该噪声用于RSSI测距的加权平均的权值计算;在两次DS‑TWR之间的测距过程中,采用RSSI方法进行测距来提高测距频率,实现快速测距和降噪。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种基于UWB的实时测距方法、网络结构及网络节点。
背景技术
在无人机或者无人车等移动机器人组成的集群系统中,各机器人相互协作共同完成单个机器人无法完成的作业任务,各机器人相互协作的基础是相互之间的实时通信、测距和定位。超宽带(Ultra-Wide Band,UWB)技术可以实现通信和定位一体化,UWB技术通过发射窄脉冲信号来实现通信,UWB脉冲的时间宽度为纳秒级,通过无线电波的飞行时间(Time of Flight,TOF)来测距可以实现厘米级的定位精度。
双侧双向测距(Double side two-way ranging,DS-TWR)是一种基于TOF的测距方法,适合在UWB通信过程中进行测距。DS-TWR通过测距的两个节点之间的多次通信,并在通信过程中附带通信时刻的发送与接收时间戳,即可计算出电磁波在两节点之间的飞行时间,将其与光速相乘即可得到两个节点之间的距离。当一个网络中节点较少时,采用DS-TWR方法可以实现网络中各个节点之间距离的实时更新;但是当集群节点数量较多时,完成所有节点之间的两两通信的次数就急剧增加,两两之间的测距间隔与节点个数的平方成正比(测距通信次数N=2n(n-1), n为网络中节点个数),而实际集群系统的节点个数往往几十个到几百个以上,完全采用DS-TWR方法来更新节点间的距离就会导致整体网络的更新测距时间延长,得不到实时测距和定位数据。
接收信号强度指示(Received Signal Strength Indicator, RSSI)是另一种无线测距方法,该方法基于电磁波在空间中的衰减模型,通过比较发射与接收信号强度之间的衰减,即可根据模型估计得到发射与响应者之间的距离。该方法的测量时间短,速度快,但同时存在精度不高,易受环境干扰等缺陷。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于UWB的RSSI与DS-TWR融合的实时测距方法、网络结构及网络节点,该方法可以快速精确得到集群中机器人之间距离数据,适用于集群系统中移动机器人之间采用UWB实现通信的场合,该方法可以得到比RSSI测距精度高和比DS-TWR测距速度快的效果,满足集群系统在移动过程中实时定位的需求。
本发明采用如下技术方法:
一种基于UWB的实时测距方法,设其中两个节点分别为发起者及响应者,所述发起者及响应者需要完成DS-TWR通信测距及相互之间的RSSI测距,其它节点为监听节点,且分别与发起者及响应者完成RSSI测距,具体方法如下:
发起者交替发送Poll帧和Final帧,接收Resp帧;
响应者交替接收Poll帧和Final帧,发送Resp帧;
并且发起者及响应者在接收数据帧的同时也检测数据帧的RSSI数值,监听节点同样能接收到发起者及响应者发送的数据帧及RSSI数值;
响应者与发起者完成DS-TWR测距得到距离d;
发起者及监听节点接收Ack帧广播,监听节点根据RSSI模型估计距离值,采用动态加权平均方法得到监听者分别与发起者和响应者之间的距离;
依据更新后的RSSI模型实现后续节点的测距定位。
进一步,所述RSSI模型为:
y=f(x)= θ3X3+ θ2X2+θ1X1+θ0
其中,y为距离,X为RSSI表示的信号强度,θ0…θ3为多项式参数。
进一步,所述监听节点根据RSSI模型估计距离值,采用动态加权平均方法得到监听者分别与发起者和响应者之间的距离,具体为:
进一步,采用递推最小二乘法更新RSSI模型的参数。
进一步,所述RSSI模型中的多项式参数的初始值采用离线的拟合模型参数。
进一步,所述采用递推二乘法更新RSSI模型参数的具体过程如下:
判断当前数据帧是否为Final帧,若为Final帧则进行DS-TWR测距计算,否则返回;
完成DS-TWR测距计算后,再进行RSSI数据检验,判断是否为过失数据;若信号强度Xk不是过失数据,则采用递推二乘法进行RSSI模型多项式参数更新,若是则返回。
进一步,判断过失数据的方法为:
将测得的数据帧信号强度代入RSSI模型,得到距离,并与上次距离求差,得到距离变化量,当距离变化量大于最大速度差在两次信号强度时间差所能移动的距离时,则当前数据帧信号强度为过失数据,不进行RSSI模型的参数更新。
一种循环配对网络结构,该网络结构为配对网络结构,并采用UWB通信连接,包括N个网络节点,并依次对N个网络节点按照由小到大的顺序进行编码,并按照顺序两两配对,由于在一个网络结构内,同一个时间只能有一对配对节点进行DS-TWR测距,因此该网络结构按照第一对、第二对……第N/2对的顺序进行DS-TWR测距,依此循环。
进一步,当N为奇数时,第N个网络节点与第一个网络节点进行配对,完成后按照递增的规则选取下一对。
一种网络节点,包括:电源模块、UWB收发模块、MCU电路、传感器电路、执行器电路和WIFI模块;
MCU电路为网络节点的主电路,分别与传感器电路、执行器电路、UWB收发模块及WIFI 模块连接,根据传感器电路获得机器人的方位角,再根据UWB收发模块的距离数据实现机器人之间的相互定位。
本发明的有益效果:
(1)本发明融合了RSSI与DS-TWR测距方法,兼具两者的优点;采用DS-TWR测距作为RSSI测距的建模和自适应参数学习的依据,利用在DS-TWR测距通信过程中的RSSI数据进行其余节点的测距,提高了集群系统测距的更新频率。
(2)相对于DS-TWR测距,本发明并不增加额外的通信量,是在DS-TWR测距过程中,并行隐含地完成RSSI测距,受DS-TWR测距周期的影响很小,可以适合大规模集群网络。
(3)本发明提出一种按照误差进行动态加权平均的方法,在DS-TWR测距过程中,同时测量RSSI的噪声水平,得到测量的误差,将这一误差作为加权平均的依据,进一步提高测距精度,对噪声具有高的鲁棒性。
(4)本发明提出一种循环配对网络结构,使得本发明所述测距网络中节点的距离数据更新和测距误差更均匀。
附图说明
图1为网络节点的结构示意图;
图2为本发明在DS-TWR测距过程同时完成RSSI测距的节点示意图;
图3为本发明在发起者与响应者之间发送DS-TWR测距信号与监听节点接收信号的示意图;
图4为本发明DS-TWR的测距过程顺序图;
图5是本发明循环配对网络结构的配对顺序图;
图6是本发明DS-TWR测距和RSSI测距过程中各个节点的活动图;
图7是本发明各个监听节点的测距流程图;
图8是本发明响应节点RSSI模型参数校正流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例1
一种基于UWB的实时测距方法,适合移动机器人之间通过UWB方式进行通信,并在通信中完成测距,实现通信和定位一体化。
假设集群系统中移动机器人数量有n台,即该集群系统是由n个节点组成的UWB通信网络,其中每个节点都需要获得到其他节点的距离,具体测距定位方法如下:
如图2及图3所示,设其中两个节点分别为发起者及响应者,所述发起者及响应者需要完成DS-TWR通信测距及相互之间的RSSI测距,其它节点为监听节点,且分别与发起者及响应者完成RSSI测距。
发起者及响应者之间的DS-TWR通信测距过程,按照时间顺序分为Poll帧、Resp帧、Final帧和Ack帧四个通信阶段。
如图6所示,详细地描述了当有一对发起者与响应者正在进行DS-TWR测距时网络中各节点状态,以及监听节点完成RSSI测距的过程。图6中DS-TWR发起者与响应者进行DS-TWR测距,通过DS-TWR测得的距离将用于节点之间RSSI测距模型参数的校正更新,如后续的公式(10)和(11)所示;与此同时,其DS-TWR数据帧(包含Poll帧、Resp帧、Final帧和Ack帧)也被周围没有参与DS-TWR测距的监听节点所接收,监听节点根据RSSI测距模型及接收信号强度(RSSI)对该节点的RSSI测距,如后续的公式(7)和(14)所示。
图4详细地给出了DS-TWR测距过程的四个阶段时间顺序和监听节点接收DS-TWR的数据帧和读取RSSI数值的过程。在DS-TWR的测距过程,DS-TWR测距方法通过两个节点之间通信的发送与接收数据帧的时间戳来计算节点之间的距离,在接收到数据帧的同时也可以检测到该数据帧的接收信号强度,即RSSI数值。在一次测距过程中包含四次通信,依次称为Poll帧, Resp帧, Final帧和Ack帧,称发送Poll帧的节点为DS-TWR测距发起者,接收Poll帧的节点为DS-TWR测距响应者。一次DS-TWR测距过程,发起者交替发送Poll帧和Final帧,交替接收Resp帧和Ack帧;响应者交替接收Poll帧和Final帧,交替发送Resp帧和Ack帧。接收数据帧时同时也检测到了数据帧的RSSI数值,发起者检测到Resp帧和Ack帧的RSSI数值,响应者检测到Poll帧和Final帧的RSSI数值,该RSSI数值的大小与发起者和响应者之间的距离有关。在一个拥有大量节点的网络中,除了上述DS-TWR测距发起者节点和DS-TWR测距响应者节点之外,还有大量的其它节点,这些节点统称为监听节点。在DS-TWR测距发起者节点与DS-TWR测距响应者节点进行DS-TWR的四次通信中,监听节点都在接收它们的数据帧,即监听节点都能够获得数据帧的内容和RSSI数值。监听节点可以接收到发起者交替发送Poll帧和Final帧并检测到这些帧的RSSI数值,该RSSI数值与监听节点到DS-TWR测距发起者的距离有关;监听节点也可以接收到响应者交替发送的Resp帧和Ack帧并检测到这些帧的RSSI数值,该RSSI数值与监听节点到DS-TWR测距响应者的距离有关。因此,在一次完整的DS-TWR测距中,发起者与响应者之间进行了一次DS-TWR测距和相互之间的两次RSSI测距,监听节点与发起者进行了两次RSSI测距,监听节点与响应者之间进行了两次RSSI测距。
本发明的具体测距定位方法如下:
Step 11, 测距发起者发送Poll帧,并在Poll帧中加上发送时间戳t poll_tx 。
Step 12,响应者接收Poll帧,并记录接收时间戳t poll_rx ,同时检测到Poll帧及其RSSI数值,该RSSI数值与响应者到发起者之间的距离有关;其它监听节点也检测到Poll帧及其RSSI数值,该RSSI数值与监听节点到发起者之间的距离有关。
Step 13,响应者在t poll_rx 的基础上延时TR1后发送Resp帧,并在Resp帧中加上发送时间戳t resp_tx 。
Step 14,发起者接收Resp帧,并记录接收时间戳t resp_rx ;同时检测到Resp帧及其RSSI数值,该RSSI数值与发起者到响应者之间的距离有关;其它监听节点也检测到Resp帧及其RSSI数值,该RSSI数值与监听节点到响应者之间的距离有关。
Step 15,发起者在t resp_rx 的基础上延时TR2后发送Final帧,Final帧中包括了之前记录的t poll_rx ,t resp_tx ,以及设定的发送时间戳t final_tx 。
Step 16,响应者接收Final帧,并记录接收时间戳t final_rx ,根据Final帧中包含的时间戳及本地记录的时间戳信息计算出通信的飞行时间TP与节点间的距离d;响应者同时检测到Final帧及其RSSI数值,该RSSI数值与响应者到发起者之间的距离有关;其它监听节点也检测到Final帧及其RSSI数值,该RSSI数值与监听节点到发起者之间的距离有关。发起者与响应者之间的距离d的具体算法如下:
TD1 = t resp_rx -t poll_tx (1)
TD2 = t final_rx - t resp_tx (2)
TR1 = t resp_tx - t poll_rx (3)
TR2 = t final_tx - t resp_rx (4)
其中,TD1是发起者发送Poll帧时刻到接收Resp帧时刻之间的持续时间;TD2是响应者发送Resp帧时刻到接收Final帧时刻之间的持续时间。
则可以通过以下公式计算得到飞行时间TP:
最后根据空气中的光速c计算得到距离d:
d = c·TP (6)
Step 17,响应者根据式(6)可以计算出发起者与响应者之间的距离d(DS-TWR测距的距离值);同时,还根据公式(7)计算由两次RSSI数值得到的发起者与响应者之间的RSSI测距的距离值和,DS-TWR得到的发起者与响应者之间的距离精度高,而通过RSSI得到的距离精度低,两者之间的误差通过式(8)和式(9)计算的测距误差为e1和e2,同时响应者根据接收信号强度RSSI计算的距离与根据DS-TWR计算的距离的误差通过递推最小二乘法来自适应更新RSSI计算距离模型的参数θ0…θ3,自适应更新后的参数可以提高下次通过RSSI计算距离的精度。响应者节点把d、e1、e2和θ0…θ3都通过Ack帧广播出去。网络中的发起者节点和监听节点根据这些数据实现后续节点之间的测距。
在集群网络结构中,转移到下一对发起者及响应者,直至所有节点测距结束,然后再次循环测距。
进一步,如图7所示为各节点的RSSI测距流程图,当集群网络中的任意节点收到一个DS-TWR数据帧时,都会进行RSSI测距。节点在收到数据帧后首先要读取数据帧内容以及该帧的信号强度(RSSI数值),再将信号强度代入RSSI测距模型计算出该节点与发射该数据帧的节点的距离,再对结果进行加权平均,即可获得最终的距离,以下是计算过程的详细介绍。
通过大量试验发现RSSI数值与距离的关系采用指数进行拟合误差非常大,经过模型检验后发现,采用三次多项式模型作为RSSI测距模型所产生的误差可接受,RSSI测距模型如下,
y=f(X)= θ3 X 3+ θ2 X 2+θ1 X 1+θ0 (7)
其中,y为距离,X为RSSI表示的信号强度,θ0…θ3为多项式参数。在确定式(7)的参数后,使用时输入信号强度X,即可计算出对应的距离y。由于通过RSSI数值中含有噪声,故需要对其进行处理。
本发明提出按照误差进行动态加权平均的方法:在一个DS-TWR流程内,监听节点可以收到来自DS-TWR测距发起者与响应者的各两条数据帧,从而得到针对发起者和响应者的各两个RSSI测距值。
对于测距响应者:在完成了DS-TWR的前三条通信后,响应者可以计算得到与发起者之间的DS-TWR距离,并结合收到的Poll与Final两数据帧的接收信号强度X1和X2,可以由式(7)得到两个与发起者的RSSI测距值,分别记为,即:
则以DS-TWR的测距结果d为准确值,可以得到两次RSSI测距的误差,按顺序记为e1和e2,按下式计算:
两个误差用于衡量对应时刻的通信质量,并在Ack帧中附上这两个误差的值并广播给其它节点。
对于每个监听节点(不参与DS-TWR测距的节点):分别收到DS-TWR测距发起者发出的Poll与Final信息,以及测距响应者发出的Resp与Ack信息后,得到了对应的接收信号强度X,并由RSSI模型公式估计出距离,将估计的距离依次记为、,,;同时,从Ack信息中读取出e1和e2,则该监听节点与发起者和响应者的距离估计为:
这样,对于误差较大的估计结果,其权重就较小,反之亦然。这样就可以利用误差衡量通信噪声,有利于减小噪声的影响,提高对噪声的鲁棒性,实现了类似Kalman滤波的变增益加权滤波效果。根据式(12)和式(13),每个旁听的监听节点都能得到其与DS-TWR通信双方(发起者和响应者)的距离。
进一步,如图8所示,RSSI测距模型的模型参数更新如下:为了提高实时性,本发明采用基于RLS(Recursive Least Squares,递推最小二乘法)方法作为模型参数更新方法,公式(7)的矩阵形式为:
令系数矩阵为θ T =[θ0 θ1 θ2 θ3],现测得k时刻的模型输入量(信号强度)X,写成矩阵形式为ϕk T=[1 Xk Xk 2 Xk 3],以及模型输出量(距离)yk,以及与yk对应的DS-TWR测距的距离值dk(被认为是准确值),递推最小二乘法的更新公式为:
初始化之后,图8的流程图进行检测当前的数据帧是否为Final帧,若为Final帧则进行DS-TWR测距计算,否则返回;完成DS-TWR测距计算后,再进行RSSI数据检验,判断是否为过失数据,若新的Xk(信号强度)不是过失数据则代入上面的公式(15)(16)对模型参数进行更新,否则返回。判断过失数据的方法为:将测得的Xk(信号强度)代入现有的RSSI测距模型,即根据公式(14)计算出yk,然后与上次的距离yk-1求差,得到距离变化量,当计算出的距离变化量大于按照可能的最大速度差(两个测距节点的速度差)在两次信号强度时间差所能移动的距离时,则判断当前的Xk为过失数据,若为过失数据则不进行RSSI测距模型的参数更新,否则按照公式(15)和(16)式进行RSSI测距模型的参数更新。
需要说明的是:信号强度Xk是取Poll帧和Final帧的RSSI数值的平均值。
现有技术中,在一个具有n个节点构成的UWB通信网络中,其中每个节点都需要获得到其他节点的距离,若采用DS-TWR的方法进行两两测距,则对整个网络中的节点距离进行一次更新需要N=2n(n-1)次通信,N的值与节点数n呈现平方关系,会随着n的增加而快速增加,使得一个完整的更新周期被大大延长,更新频率随之降低。而且,若在一个周期内出现丢包导致测距失败,就需要进行重发,这也会进一步延长更新周期。因此单独的DS-TWR虽然精度高,但是不适合规模稍大的集群网络。本发明提出一种将RSSI与DS-TWR融合的距离估计方法,旨在利用通信所包含的信号强度信息提高节点间测距的更新频率,提高鲁棒性。
对于一个全连通网络中的某个节点,若要得到其他n-1个节点的距离,则在一个周期中,其至少需要参与其中的n-1次测距,则不论其作为测距的发起者或是响应者,都需要至少发送2 (n-1)条信息,DS-TWR测距是两两进行的,而RSSI测距却是以广播方式进行的。DS-TWR测距通信时,除了对应的测距对象通信的双方外,其他所有节点也都将接收到这些信息,此时测得其中的接收信号强度,即可根据RSSI与距离之间的关系模型估计出到目标的距离。因此,按照RSSI测距方法可在一个DS-TWR周期内获得额外至少2 (n-1)次RSSI测距结果,加上一次DS-TWR测距结果,平均可以将测距的更新频率提高至少2n -1倍。
实施例2
一种循环配对网络结构,目前考虑使用一种星型结构的网络,一个节点作为中心节点轮流与其他节点通信,这样就会导致中心节点发送的信息量远远大于其他节点,到中心节点的距离在每次测距中都能得到更新,而到某个其他节点的距离的更新周期则为n-1次测距的时间,这种不均衡的现象对于RSSI估计距离的更新是不利的,会使得其他节点距离的更新频率远低于中心节点。为了避免这种情况发生,本发明提出了一种循环配对网络结构,首先将网络中的各个节点编号,之后按照编号从小到大顺序两两进行配对,再根据配对的结果按顺序进行DS-TWR测距。如此可以确保每个节点都参与了DS-TWR测距,且每个节点的更新周期约为n/2次测距时间,较星型结构的网络的情况更为均匀。
如图5所示,本实施例2的示意网络结构图,为了简化陈述,该图示出5个节点,由于采用全向天线,电磁波在空间中会向各个方向传播,那么当一个无线网络内存在多个节点同时发射信号时就会互相干扰,因此在一个网络内同时只能有一对节点进行DS-TWR测距,多对节点必须按照一定的顺序进行DS-TWR测距。网络结构按照1、2、3、4、5的顺序对节点进行编号,在本例中首先由节点1、节点2两个节点分别作为发起者和响应者进行一次DS-TWR测距,其它节点3、节点4、节点5作为监听节点完成多次与发起者(节点1)和响应者(节点2)之间的RSSI测距。在发起者(节点1)和响应者(节点2)完成DS-TWR测距之后,根据编号递增的顺序,将由节点3、节点4两个节点分别作为发起者和响应者进行下一轮DS-TWR测距,之后的更多节点也依次进行。本例的节点数为奇数,则当最后的节点5要进行DS-TWR测距时,没有后续的节点与其配对,则此时选取节点1与其配对进行DS-TWR测距,完成后依然按照递增的规则选取下一对DS-TWR测距节点。如此进行可以构成一个如图所示的周期,偶数个节点时亦然。在该网络结构下,可以确保每个节点在每个周期内都参与了一次DS-TWR测距(图5中实线双箭头),在DS-TWR测距过程中作为发起者或响应者发送UWB数据帧,而监听节点进行RSSI测距(图5中虚线单箭头)。这样可以减少DS-TWR通信的次数,缩短测距周期,提高测距频率。
实施例3
如图1所示,一种网络节点,每个节点由电源模块、UWB收发模块、MCU电路、传感器电路、执行器电路和WIFI模块构成。电源模块由可充电电池、充电电路和供电电路组成,接收外界电源充电,为系统各路提供不同电压的电源;MCU电路是节点的主控电路,MCU采用STM32G431芯片,MCU通过SPI总线与UWB收发模块连接,通过I2C接口传感器电路、通过GPIO与执行器电路连接;传感器电路包括电子罗盘和IMU电路,MCU据此获得方位角,再根据距离数据实现移动机器人的定位;执行器电路实现移动机器人的移动和协同作业等工作;UWB收发模块是在MCU的控制下实现UWB信号的发送与接收以及RSSI信号的检测,采用UWB芯片为DW1000,可以实现读取发送和接收时间戳、接收信号强度等信息,MCU根据这些信息实现相互之间的定位;MCU通过UART接口与WIFI模块通信,再通过无线WIFI方式实现与上位机通信,接受上位机命令和输出定位结果,WIFI模块采用ESP32。
本发明采用DS-TWR测距作为RSSI测距的建模和自适应参数学习的依据,利用在DS-TWR测距通信过程中的RSSI数据进行其余节点的测距,可以适合大规模集群网络;采用监督学习机制来获得实时参数更新值,标准数据集从DS-TWR的测距过程中获得,同时获得RSSI测距过程的噪声水平,得到DS-TWR和RSSI两者测量同一距离的误差,此误差作为两次RSSI测距的加权值;在两次DS-TWR测距间隔,采用RSSI测距来提高测距频率;采用循环配对网络结构使得本发明的测距网络中节点距离数据更新和测距误差更均匀。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于UWB的实时测距方法,其特征在于,设其中两个节点分别为发起者及响应者,所述发起者及响应者需要完成DS-TWR通信测距及相互之间的RSSI测距,其它节点为监听节点,且分别与发起者及响应者完成RSSI测距,所述DS-TWR 表示双侧双向测距,具体方法如下:
发起者交替发送Poll帧和Final帧,接收Resp帧;
响应者交替接收Poll帧和Final帧,发送Resp帧;
并且发起者及响应者在接收数据帧的同时也检测数据帧的RSSI数值,监听节点同样能接收到发起者及响应者发送的数据帧及RSSI数值;
响应者与发起者完成DS-TWR测距得到距离d;
发起者及监听节点接收Ack帧广播,监听节点根据更新后的RSSI模型估计距离值,采用动态加权平均方法得到监听者分别与发起者和响应者之间的距离;
依据更新后的RSSI模型实现后续节点的测距定位。
2.根据权利要求1所述的实时测距方法,其特征在于,所述RSSI模型为
y=f(X)= θ3X3+ θ2X2+θ1 X 1+θ0
其中,y为距离,X为RSSI表示的信号强度,θ0…θ3为多项式参数。
4.根据权利要求1所述的实时测距方法,其特征在于,采用递推最小二乘法更新RSSI模型参数。
5.根据权利要求2所述的实时测距方法,其特征在于,所述RSSI模型中的多项式参数的初始值采用离线的拟合模型。
6.根据权利要求4所述的实时测距方法,其特征在于,所述采用递推最小二乘法更新RSSI模型参数的具体过程如下:
判断当前数据帧是否为Final帧,若为Final帧则进行DS-TWR测距计算,否则返回;
完成DS-TWR测距计算后,再进行RSSI数据检验,判断是否为过失数据;若信号强度Xk不是过失数据,则采用递推最小二乘法进行RSSI模型多项式参数更新,若是则返回。
7.根据权利要求6所述的实时测距方法,其特征在于,判断过失数据的方法为:
将测得的数据帧信号强度代入RSSI模型,得到距离,并与上次距离求差,得到距离变化量,当距离变化量大于最大速度差在两次信号强度时间差所能移动的距离时,则当前数据帧信号强度为过失数据,不进行RSSI模型的参数更新。
8.一种实现权利要求1-7任一项所述的实时测距方法的网络结构,其特征在于,该网络结构为配对网络结构,并采用UWB通信连接,包括N个网络节点,并依次对N个网络节点按照由小到大的顺序进行编码,并按照顺序两两配对,由于在一个网络结构内,同一个时间只能有一对配对节点进行DS-TWR测距,因此该网络结构按照第一对、第二对……第N/2对的顺序进行DS-TWR测距,依此循环。
9.根据权利要求8所述的网络结构,其特征在于,当N为奇数时,第N个网络节点与第一个网络节点进行配对,完成后按照递增的规则选取下一对。
10.一种构成如权利要求8-9任一项所述的网络结构的网络节点,其特征在于,包括:电源模块、UWB收发模块、MCU电路、传感器电路、执行器电路和WIFI模块;
MCU电路为网络节点的主电路,分别与传感器电路、执行器电路、UWB收发模块及WIFI模块连接,根据传感器电路获得机器人的方位角,再根据UWB收发模块的距离数据实现机器人之间的相互定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195216.2A CN114265049B (zh) | 2022-03-02 | 2022-03-02 | 一种基于uwb的实时测距方法、网络结构及网络节点 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195216.2A CN114265049B (zh) | 2022-03-02 | 2022-03-02 | 一种基于uwb的实时测距方法、网络结构及网络节点 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114265049A CN114265049A (zh) | 2022-04-01 |
CN114265049B true CN114265049B (zh) | 2022-06-14 |
Family
ID=80833935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210195216.2A Active CN114265049B (zh) | 2022-03-02 | 2022-03-02 | 一种基于uwb的实时测距方法、网络结构及网络节点 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114265049B (zh) |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2105759A1 (en) * | 2008-03-28 | 2009-09-30 | Identec Solutions AG | Method and systems for carrying out a two way ranging procedure |
CN104619020B (zh) * | 2015-02-06 | 2018-08-24 | 合肥工业大学 | 基于rssi和toa测距的wifi室内定位方法 |
US10948584B2 (en) * | 2017-03-15 | 2021-03-16 | The Regents Of The University Of Michigan | Latent oscillator frequency estimation for ranging measurements |
CN108535687B (zh) * | 2018-03-20 | 2021-05-18 | 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 |
EP3589038B1 (en) * | 2018-06-22 | 2022-10-12 | Nxp B.V. | Method and system for determining the position of a node |
US10573104B2 (en) * | 2018-06-29 | 2020-02-25 | Robert Bosch Gmbh | Ultra-wideband based vehicle access system and communication protocol for localization of a target device |
CN109814066B (zh) * | 2019-01-24 | 2023-08-18 | 西安电子科技大学 | 基于神经网络学习的rssi室内定位测距方法、室内定位平台 |
CN109975753B (zh) * | 2019-04-19 | 2021-08-03 | 中国矿业大学(北京) | 一种矿井动目标测距误差判定及精确定位方法 |
JP7558991B2 (ja) * | 2019-07-12 | 2024-10-01 | サムスン エレクトロニクス カンパニー リミテッド | 無線通信システムにおいて、UWB(ultra wide band)を介してレンジングを行う電子デバイス、及び該電子デバイスの動作方法 |
CN111142094B (zh) * | 2020-01-03 | 2022-03-08 | 广州亚美智造科技有限公司 | 一种基于uwb测距技术的多标签测距方法及系统 |
CN111262755B (zh) * | 2020-01-17 | 2021-11-09 | 清华大学 | 一种网络测距方法及装置 |
CN111836191B (zh) * | 2020-07-22 | 2021-08-20 | 珠海格力电器股份有限公司 | 一种定位方法、装置、存储介质以及电子设备 |
CN112911500A (zh) * | 2021-01-15 | 2021-06-04 | 河海大学 | 一种基于多源数据融合的高精度室内定位方法 |
CN113311384B (zh) * | 2021-04-29 | 2023-11-10 | 中国人民解放军国防科技大学 | 一种单边双向测距方法及装置 |
CN113848543B (zh) * | 2021-11-29 | 2022-03-18 | 华南理工大学 | 网络节点的测距定位方法、系统、电子设备及存储介质 |
-
2022
- 2022-03-02 CN CN202210195216.2A patent/CN114265049B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114265049A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112886996A (zh) | 信号接收方法、用户设备、电子设备及计算机存储介质 | |
CN107367709B (zh) | 混合环境中基于到达时间鲁棒加权最小二乘定位方法 | |
CN111246383A (zh) | 基于蓝牙室内定位算法优化 | |
Medina et al. | Feasibility of ultrasound positioning based on signal strength | |
CN105607039A (zh) | 非视距环境下基于到达时间差的稳健最小二乘定位方法 | |
CN110622024A (zh) | 室内定位方法、装置和设备 | |
CN112040394A (zh) | 一种基于ai深度学习算法的蓝牙定位方法及系统 | |
WO2018145534A1 (zh) | 一种智能天线通道校准方法及校准装置 | |
CN113009461B (zh) | 基于uwb的改进的单边双向测距方法、设备、系统及介质 | |
CN106358291A (zh) | 一种基于信号强度的三边测量定位方法 | |
CN101545964B (zh) | 一种基于无线传感器网络的一维定位方法及装置 | |
CN114080023A (zh) | 定位方法、定位系统、终端及可读存储介质 | |
CN106792516B (zh) | 基于无线通信基站的三维定位方法 | |
CN114265049B (zh) | 一种基于uwb的实时测距方法、网络结构及网络节点 | |
CN111194000A (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 | |
WO2021068194A1 (zh) | 天线信号处理模型的训练方法、装置、天线及存储介质 | |
CN102445177B (zh) | 测量天线方位角与俯仰角的方法、装置和系统 | |
CN112346010B (zh) | 基于尺度差和时差的双机无源定位方法 | |
CN113848543A (zh) | 网络节点的测距定位方法、系统、电子设备及存储介质 | |
CN108363036B (zh) | Wsn中基于误差补偿策略的节点分布式定位系统与方法 | |
CN104486836A (zh) | 一种基于接收信号强度的接收机定位方法 | |
CN103402255A (zh) | 一种基于校正值误差加权的改进DV-Hop定位方法 | |
CN107426748B (zh) | 一种无线网络控制系统中多传感器估计性能方法 | |
CN112954591B (zh) | 一种协同分布式定位方法及系统 | |
CN114063049A (zh) | Uwb测距误差的分析和改进方法、系统及存储介质 |
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 |