CN114302330B - 一种los/nlos环境下的基于ssgp的uwb定位方法 - Google Patents

Abstract

本发明属于超宽带定位领域，特别涉及一种LOS/NLOS环境下的基于SSGP的UWB定位方法，包括标签以固定间隔发送一个Poll消息，该Poll消息同时发送到三个基站，且每个基站在其对应的接收信号的时间段分别接收Poll消息；各个基站分别通过Resp消息在连续的响应中进行应答，标签发送所有基站接收到的Final消息；根据基站和标签收发送消息中带有的时间戳计算出标签与各基站的飞行时间，根据该时间计算出基站与标签之间的距离信息；根据距离信息，基于Taylor算法计算出标签的位置坐标；本发明的定位方法能够适应各种LOS/NLOS环境，并且降低原有高复杂度的同时保证较高的定位精度。

Description

一种LOS/NLOS环境下的基于SSGP的UWB定位方法

技术领域

本发明属于超宽带定位领域，特别涉及一种LOS/NLOS环境下的基于SSGP的UWB定位方法。

背景技术

随着物联网的发展，人们在生活中位置需求服务的增加，虽然在室外可由GPS提供较好的室外定位，但是并不适用于室内定位。因此，研究人员研究出了许多室内定位技术：蓝牙、WiFi和UWB等。在这些技术中，UWB具有低功耗和高定位精度的特点，具有良好的抗多径衰落能力。而UWB在测距过程中一般采用到达时间(TOA)的方法估计距离。该方法的性能依赖于UWB信号的传播环境。然而，室内定位环境错综复杂。很容易形成NLOS环境。首先，由于NLOS环境中的多径色散，直接路径(DP)分量可能会被错误检测到。其次，NLOS传播引入的额外到达时间延迟将导致TOA/距离估计中的正偏差。因此，重要的是开发可以在精确测距和定位期间减轻NLOS影响的方法。

在减少NLOS对测距或定位的影响的方法中，传统的方法包括基于最大似然法、鲁棒估计器、约束优化等。第一种方法是假设NLOS偏差的渐近最优解；第二种方法使用不同的残差公式来实现对NLOS偏差的鲁棒性，但其性能可能因地理位置的不同而不同；在三种方法中，第三种方法的计算复杂度最高。

近年来机器学习技术如支持向量机(SVM)分类器和回归器、关联向量机(RVM)分类器和回归器、高斯过程(GP)回归器分别应用于中的NLOS识别和缓解。所有这些方法都不需要对信道进行任何统计，并且比传统方法具有更好的精度。但是SVM以及RVM需要事先识别NLOS环境。

发明内容

针对现有UWB定位技术需要估计信道参数，而估计信道参数尤其式在NLOS环境下及其困难的问题，本发明提出一种LOS/NLOS环境下的基于SSGP的UWB定位方法，在包括标签、基站以及位置计算服务器的定位系统中进行定位，定位过程包括以下步骤：

标签以固定间隔发送一个Poll消息，该Poll消息同时发送到三个基站，且每个基站在其对应的接收信号的时间段分别接收Poll消息；

各个基站分别通过Resp消息在连续的响应中进行应答，标签发送所有基站接收到的Final消息；

根据基站和标签收发送消息中带有的时间戳计算出标签与各基站的飞行时间T_prop，即标签到基站其信号发送到接收所需的时间；

根据标签与各基站的飞行时间T_prop乘以光速计算出基站与标签之间的距离信息

根据获得的基站与标签之间的距离信息，基于Taylor算法计算出标签的位置坐标。

本发明相比现有的UWB定位技术，通过测距缓解加定位；本发明能够更加适应多变的定位环境。另外，室内环境错综复杂，很难通过一个固定的模型去统一化表示室内环境，而本专利采用学习的方法去缓解各种环境下的测距误差，再以修正后的误差进行定位，该方法能够灵活地适应LOS/NLOS环境，并且保证能够保证较高地定位精度。除此之外，针对估计环境参数复杂度过高的问题，本文采用了稀疏谱高斯过程再一定程度上降低了复杂度，并且能够保证估值准确。综上所述，本发明的定位方法能够适应各种LOS/NLOS环境，并且在尽可能降低原有方法的高复杂度的同时保证较高的定位精度。

附图说明

图1为本发明UWB信号定位系统原理图；

图2为本发明基站测距原理图；

图3为本发明一种LOS/NLOS环境下的基于SSGP的UWB定位方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出一种一种LOS/NLOS环境下的基于SSGP的UWB定位方法，在包括标签、基站以及位置计算服务器的定位系统中进行定位，定位过程包括以下步骤：

标签以固定间隔发送一个Poll消息，该Poll消息同时发送到三个基站，且每个基站在其对应的接收信号的时间段分别接收Poll消息；

各个基站分别通过Resp消息在连续的响应中进行应答，标签发送所有基站接收到的Final消息；

根据基站和标签收发送消息中带有的时间戳计算出标签与各基站的飞行时间T_prop，即标签到基站其信号发送到接收所需的时间；

根据标签与各基站的飞行时间T_prop乘以光速计算出基站与标签之间的距离信息

根据获得的基站与标签之间的距离信息，基于Taylor算法计算出标签的位置坐标。

进一步的，标签与基站的飞行时间T_prop表示为：

其中，T_round1是标签收到Resp消息的时间戳与标签发送Poll消息的时间戳之间的时间差；T_round2是基站收到Final消息的时间戳与基站发送Resp消息的时间戳之间的时间差；T_reply1是基站发送Resp消息的时间戳与基站收到Poll消息的时间戳的时间差；T_reply2是标签发送Fianl消息的时间戳与标签接收Resp消息的时间戳之间的时间差。

进一步的，对基站与标签之间的距离信息采用最小二乘的方法拟合该距离误差，对该距离进行修正，具体包括以下步骤：

根据测距得到的距离信息以及真实距离d，则测距误差为/>

根据最小二乘法求得因变量为测距误差e_los与自变量测量距离的拟合多项式，表示为：/>

根据拟合多项式估计出测量值/>与真实值的测距误差/>利用该误差对基站与标签之间的距离信息/>进行修正，得到初次校正的距离值/>

其中，W＝[w₀,w₁,…,w_n]是权重矩阵，w_n表示拟合多项式中第n项的权重；第i个测距得到的距离信息。

进一步的，对获取的初次校正的距离值基于稀疏谱高斯进行误差缓解，即选择特征参数，将特征参数以及初次校正的距离值/>作为高斯过程回归的输入向量，将测距误差作为高斯过程回归的输出向量，测距误差表示为：

其中，ε＝[ε₁,…,ε_n]表示高斯过程回归输出的测距误差向量，ε_n表示第n组训练样本的误差，n为训练样本的数量；Φ＝[φ(x₁),…,φ(x_n)]，且φ(x_i)是依赖于输入向量x_i的基函数；w是权重参数向量；n为高斯分布的噪声。

进一步的，特征参数包括给定信道脉冲响应的峰度、最强路径能量、幅度、总能量、平均超额延时、均方根时延扩展。

进一步的，若权重参数向量w符合高斯分布，则利用最大后验估计得到权重参数向量w的估计值，得到该估计值后，计算测距误差的估计值表示为：

其中，K＝[k(x,x₁),…,k(x,x_n)]是由核函数k(x_i,x_j)组成的向量，且φ(x_i)为依赖于输入向量x_i的基函数；矩阵B中第i行第j列的元素表示为/>δ_ij为取值为1的常参数，/>表示高斯分布噪音的方差，/>表示参数向量w的方差。

进一步的，权重参数向量w的估计值表示为：

其中，p(w|X,ε)为权重参数向量w的后验分布；为权重参数向量w高斯分布的方差；/>为高斯分布的噪声高斯分布的方差；I为单位矩阵。

进一步的，若训练样本来自平稳的高斯过程，则对测距误差的估计值进行进一步修正，修正后的/>表示为：

其中，f_i表示第i个三角函数的频率参数；m表示三角函数的对数，即存在m对三角函数；φ(x)＝{φ(x₁)，φ(x₁)，…，φ(x_n)}，φ(x)表示为

进一步的，基于Taylor算法计算出标签的位置坐标，即若存在N_a个基站，并且各个基站的位置坐标为p_a，待估计的标签位置坐标为p，则标签的位置p表示为：

其中，f(p)为目标函数；为基站与标签之间的距离信息；p_ai为第i个基站的位置坐标，且N_a≥3。

进一步的，采用牛顿法求解标签的位置p，则第i次迭代求解过程中标签的位置p表示为：

其中，p_i表示第i次迭代求解标签的位置p；J(p)为目标函数f(p)的雅可比矩阵。

在本实施例中，对本发明包括标签、基站以及位置计算服务器的定位系统中包含的各个设备进行描述：

(1)标签：本专利的标签由UWB芯片包装构成，是待定位点。在实际应用中，标签可以是佩戴在人身上的工牌，或者嵌入在物品中的定位模块。

(2)基站：本专利中的基站根据标签发射出的UWB信号计算距离，并上传到位置计算服务器。

(3)位置计算服务器：接收基站发送的测距信息，利用定位算法得出标签位置。

标签以及基站的UWB定位芯片均采用DW1000芯片，该芯片主要应用于UWB测距。本实施例的UWB测距系统总体架构如图1所示。

在本实施例中首先计算基站到标签之间的距离，测距过程中使用多基站双端双向测距，测得标签与基站之间的距离。在该测距方案中，是以TOA为基础，即根据标签与基站之间的信号检测时间乘以光速即可获得基站与标签之间的距离。标签发送一个Poll消息，该消息由基站接收。基站通过Resp数据包进行应答，然后标签发送Final消息完成整个测距阶段的数据收发流程，并通过各个消息的收发时间差计算标签与基站之间的距离。这个方案如图2所示。使用Anchor A，Anchor B，Anchor C三个基站举例，具体的测距步骤可以分为如下四步进行：

步骤一：标签发送一个Poll消息，该消息由三个基站接收。Poll消息会在Poll期间以一定间隔发送，(时间由DW1000芯片或者所使用的的芯片决定，也可以自己设定)。往周围的空间发送，每个基站都会有相应的接收信号时间段，该时间段同样也是由程序指定，本专利设置为随机数。接收到就会记录相应的消息时间戳以及消息类型，作为计算距离信息的数据来源。

步骤二：各个基站分别通过Resp消息在连续的响应中进行应答，然后标签发送所有基站接收到的Final消息。

步骤三：根据前面收发消息的时间戳，可以计算出标签与各基站的飞行时间T_prop就是标签到基站信号发送到接收所需的时间。具体计算公式如下所示：

其中，T_round1是标签收到Resp消息的时间戳与标签发送Poll消息的时间戳之间的时间差；T_round2是基站收到Final消息的时间戳与基站发送Resp消息的时间戳之间的时间差；T_reply1是基站发送Resp消息的时间戳与基站收到Poll消息的时间戳的时间差；T_reply2是标签发送Fianl消息的时间戳与标签接收Resp消息的时间戳之间的时间差；上述公式中参数下标最后A、B、C分别表示Anchor A，Anchor B，Anchor C三个基站。

步骤四：根据标签与各基站的飞行时间T_prop，再乘以光速就可以算出测距得到的距离信息

经过以上步骤，得到一个初步的标签到基站之间距离信息的估算。但是使用DW1000芯片直接利用该方法会因为芯片本身的设计以及周周围环境的影响，比如NLOS环境，多径效应，漫反射等，而产生较大测距误差值。因此，该测距值不可以直接用作定位估计否则会产生较大的定位误差，因此需要对该测距信息的误差进行了估计并以此对测距信息修正。

本发明提出LOS环境下和NLOS环境下的两种环境下的修正方案，在LOS环境下获得的标签测距值存在噪声的影响，因此存在一定偏差。本实施例训练阶段经过人工测量得到标签到基站的实际距离，再利用基站测量标签的距离。我们采用最小二乘的方法拟合该距离误差，初步地降低误差，具体包括以下步骤：

步骤一：根据测距得到的距离信息以及真实距离d，则测距误差为/>

步骤二：根据最小二乘法求得因变量为测距误差e_los与自变量测量距离的拟合多项式，表示为：

权重矩阵W表示为：

其中，e_losi为第i次测距误差，第i次测距误差拟合公式。

步骤三：根据就可估计出测量值/>与真实值的测距误差/>利用该值对原测距距离进行校正即获得初次校正的距离值/>

对LOS环境的测距误差进行了修正获得了初次修正的测距误差但是在室内环境中NLOS是很常见的现象。并且NLOS误差对测距会造成极大的误差。因此，本实施例利用UWB信号的脉冲信道相应CIR相关特性，结合非参数机器学习稀疏谱高斯过程回归方法缓解NLOS误差。

本实施例定位采用的DW1000芯片。提供了如下超宽带频道质量指标：fp_idx：检测到的第一条路径的索引。FP_AMP1第一条路径幅值1。FP_AMP2第一条路径幅值2。FP_AMP3第一条路径幅值3。stdev_noise噪声标准差。cir_pwr总通道脉冲响应功率。在LOS和NLOS条件下，第一路径的参数，如噪声、功率等超宽带信道有一定的差异。在这些参数中我们主要利用芯片提供的总信道脉冲响应功率cir_pwr参数，来缓解NLOS下的测距误差。首先，为了区分LOS/NLOS的差异性，为之后的误差消除建立合适的映射关系。首先我们选取了峰度、最强路径能量、幅度、总能量、平均超额延时、均方根时延扩展作为高斯过程回归的输入向量，这些特征分别表示为：

峰度κ：

其中，h(t)为信道脉冲响应，u_|h|是信道脉冲响应的均值，σ_|h|是信道脉冲响应的标准差；E[]表示求期望。峰度表征了样本数据的峰值和峰度值对能量集中的反映，其提供接收的多径分量的振幅统计信息。

最强路径能量λ_SP：

该参数定义强路径能量与信号能量比。

幅度r：

r＝max|h(t)|。

总能量E：

平均超额延时τ_MED：

其中，t表示时间周期中的某一刻；T表示一段时间周期。

均方根时延扩展τ_RMS：

均方根时延扩展是表征多径信道时延信息的重要统计值。通常，较大的均方根时延扩展值伴随着严重的NLOS环境。

所选取的以上6个指标在LOS环境和NLOS环境下均有较大的差异。因此本专利选取上述6个指标以及在该指标环境下测得的距离作为NLOS缓解方法的输入利用稀疏谱高斯过程求解映射关系，缓解测距误差，具体方法如下所示：

将有包括n组的训练样本其中xi表示由样本的6个NLOS特征和距离/>构成的变量，所有的输入向量集合/>将测距误差作为输出向量在权重视角下，GP回归模型可以将输入输出的关系表示为：

其中是高斯分布的噪声，Φ＝[φ(x₁),…,φ(x_n)]，并且φ(x_i)是依赖于输入向量x_i的基函数。w是权重参数向量，并且可以得到如下条件概率：

现假设作为w的先验信息。由Bayes theorem可知，w的后验分布中只有似然函数和先验概率依赖于权重w。w的后验分布存可以表示为：

其中，令/>则w的后验分布可以写为：

并利用最大后验估计可以得到w的估计值：

求出后，ε可以被估计为：

其中，K＝[k(x,x₁),…,k(x,x_n)]是由核函数k(x_i,x_j)组成的向量，并且上式中/>目前由于核函数未知，所以要确定/>的值，还需要确定合适的核函数如下所示：

假设标记的训练样本来自平稳的高斯过程，自相关函数等价于平稳的协方差函数。此外，平稳随机过程的功率谱和自相关构成傅里叶对：

其中S(s)是一个基于Bochner theorem的正有限测度。任何平稳协方差函数k(τ)都可以表示为正有限测度的傅里叶变换。S(s)是正有限测度，我们可以对功率谱密度进行稀疏化，得到一个稀疏的协方差函数

S(s)＝k(0)p_S(s)

p_S(s)是概率测度。所以可将上面等式用期望表述：

我们用蒙特卡罗方法估计协方差函数，该方法取对应于有限频率集合的几个样本的平均值。由于功率谱在零附近是对称的，因此将频率始终成对采样{s_r,-s_r}，我们可以化简为：

其中，s_r取决于p_S(s)。并且φ(x)可以由m对三角函数表示：

因此，对于可以重新估计为：

其中，由矩阵Φ＝[φ(x₁),…,φ(x_n)]是φ(x)的集合。并且至此，我们便可以求出相应的测距误差。并且使用这种方法无需判定当前环境是否是NLOS环境，即使是LOS环境也可以利用该方法消除测距误差。

本实施例在获得基站与标签之间的距离信息后，使用Taylor算法估计出标签的初步位置。在本实施例采用在LOS环境下的进距离修正后的距离，再在NLOS环境下的得到的误差进行误差消除，最后得到的测距估计值为本实施例利用误差消除后的距离信息/>进行定位。

Taylor算法是在LOS环境中的定位性能较好，并且经过前面两个阶段的误差消除的测距信息与在LOS环境中测得的测距信息相差不大。但是使用Taylor算法需要采用的基站数量至少为3个，在理想环境下定位精度达到克拉美罗下界，该算法用于室内三维定位效果较好，需要计算初值且进行两次迭代就获得较准确的位置坐标。具体包括以下步骤：

假设存在N_a个基站，并且各个基站的位置坐标为p_a＝[x,y]，待估计的标签位置坐标为p＝[x,y]。则可以根据下式求得最终的坐标位置：

求解以上等式，可使用Taylor算法。Taylor算法可以理解为基于高斯-牛顿法的一种迭代算法，LS的目标是令残差的平方和最小：

其中，f(p)为目标函数，即需要估算最小残差，通过该函数找到p的值。

采用牛顿法求解时，需要计算其梯度向量与Hessian矩阵，计算量很大，因此考虑把f(p)用泰勒公式展开到一阶形式。其中J(p)为f(p)的Jacobi matrix，把上式代入回原式有:

||f(p+Δp)||²＝{f(p)^Tf(p)+2f(p)^TJ(p)Δp+(J(p)Δp)^TJ(p)Δp}；

其中，Δp为迭代过程中位置的修正步长，该值由本领域技术人员根据实际情况确定。对上式求导并令导数等于0有：

p_i＝p_i-1-(J(p)^TJ(p))^-1J(p)^Tf(p)；

根据上式，即可以迭代出最终的位置坐标p。至此便完成了整个位置估算的流程。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种LOS/NLOS环境下的基于SSGP的UWB定位方法，其特征在于，在包括标签、基站以及位置计算服务器的定位系统中进行定位，定位过程包括以下步骤：

标签以固定间隔发送一个Poll消息，该Poll消息同时发送到三个基站，且每个基站在其对应的接收信号的时间段分别接收Poll消息；

各个基站分别通过Resp消息在连续的响应中进行应答，标签发送所有基站接收到的Final消息；

根据基站和标签收发送消息中带有的时间戳计算出标签与各基站的飞行时间T_prop，即标签到基站其信号发送到接收所需的时间；

根据标签与各基站的飞行时间T_prop乘以光速计算出基站与标签之间的距离信息

根据获得的基站与标签之间的距离信息，基于Taylor算法计算出标签的位置坐标；

对基站与标签之间的距离信息采用最小二乘的方法拟合该距离误差，对该距离进行修正，具体包括以下步骤：

根据测距得到的距离信息以及真实距离d，则测距误差为/>

根据最小二乘法求得因变量为测距误差e_los与自变量测量距离的拟合多项式，表示为：/>

根据拟合多项式估计出测量值/>与真实值的测距误差/>利用该误差对基站与标签之间的距离信息/>进行修正，得到初次校正的距离值/>

其中，W＝[w₀,w₁,…,w_n]是权重矩阵，w_n表示拟合多项式中第n项的权重；第i个测距得到的距离信息；

对获取的初次校正的距离值基于稀疏谱高斯进行误差缓解，即选择特征参数，将特征参数以及初次校正的距离值/>作为高斯过程回归的输入向量，将测距误差作为高斯过程回归的输出向量，测距误差表示为：

其中，ε＝[ε₁,…,ε_n]表示高斯过程回归输出的测距误差向量，ε_n表示第n组训练样本的误差，n为训练样本的数量；Φ＝[φ(x₁),…,φ(x_n)]，且φ(x_i)是依赖于输入向量x_i的基函数；w是权重参数向量；n为高斯分布的噪声；特征参数包括给定信道脉冲响应的峰度、最强路径能量、幅度、总能量、平均超额延时、均方根时延扩展；

若权重参数向量w符合高斯分布，则利用最大后验估计得到权重参数向量w的估计值，得到该估计值后，计算测距误差的估计值表示为：

其中，K＝[k(x,x₁),…,k(x,x_n)]是由核函数k(x_i,x_j)组成的向量，且为依赖于输入向量x_i的基函数；矩阵B中第i行第j列的元素表示为/>δ_ij为取值为1的常参数，/>表示高斯分布噪音的方差，/>表示参数向量w的方差；

权重参数向量w的估计值表示为：

其中，p(w|X,ε)为权重参数向量w的后验分布；为权重参数向量w高斯分布的方差；为高斯分布的噪声高斯分布的方差；I为单位矩阵；

若训练样本来自平稳的高斯过程，则对测距误差的估计值进行进一步修正，修正后的表示为：

其中，f_i表示第i个三角函数的频率参数；m表示三角函数的对数，即存在m对三角函数；φ(x)＝{φ(x₁)，φ(x₁)，…，φ(x_n)}，φ(x)表示为

2.根据权利要求1所述的一种LOS/NLOS环境下的基于SSGP的UWB定位方法，其特征在于，标签与基站的飞行时间T_prop表示为：

其中，T_round1是标签收到Resp消息的时间戳与标签发送Poll消息的时间戳之间的时间差；T_round2是基站收到Final消息的时间戳与基站发送Resp消息的时间戳之间的时间差；T_reply1是基站发送Resp消息的时间戳与基站收到Poll消息的时间戳的时间差；T_reply2是标签发送Fianl消息的时间戳与标签接收Resp消息的时间戳之间的时间差。

3.根据权利要求1所述的一种LOS/NLOS环境下的基于SSGP的UWB定位方法，其特征在于，基于Taylor算法计算出标签的位置坐标，即若存在N_a个基站，并且各个基站的位置坐标为p_a，待估计的标签位置坐标为p，则标签的位置p表示为：

其中，f(p)为目标函数；为基站与标签之间的距离信息；p_ai为第i个基站的位置坐标，且N_a≥3。

4.根据权利要求3所述的一种LOS/NLOS环境下的基于SSGP的UWB定位方法，其特征在于，采用牛顿法求解标签的位置p，则第i次迭代求解过程中标签的位置p表示为：

p_i＝p_i-1-(J(p)^TJ(p))^-1J(p)^Tf(p)；

其中，p_i表示第i次迭代求解标签的位置p；J(p)为目标函数f(p)的雅可比矩阵。