CN114501310B - 一种同时定位和跟踪的协同定位方法 - Google Patents

一种同时定位和跟踪的协同定位方法 Download PDF

Info

Publication number
CN114501310B
CN114501310B CN202210049436.4A CN202210049436A CN114501310B CN 114501310 B CN114501310 B CN 114501310B CN 202210049436 A CN202210049436 A CN 202210049436A CN 114501310 B CN114501310 B CN 114501310B
Authority
CN
China
Prior art keywords
information
node
determining
time
positioning
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
Application number
CN202210049436.4A
Other languages
English (en)
Other versions
CN114501310A (zh
Inventor
尹婷
邹德财
佟文华
张小贞
李雪晴
卢晓春
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.)
National Time Service Center of CAS
Original Assignee
National Time Service Center of CAS
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 National Time Service Center of CAS filed Critical National Time Service Center of CAS
Priority to CN202210049436.4A priority Critical patent/CN114501310B/zh
Publication of CN114501310A publication Critical patent/CN114501310A/zh
Application granted granted Critical
Publication of CN114501310B publication Critical patent/CN114501310B/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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种同时定位和跟踪的协同定位方法，应用于用户终端，包括：确定通信范围内邻居节点的数量；当邻居节点数量大于等于预设值时，获取自身的运动方向角以及与邻居节点之间的距离，并接收锚节点的位置信息；若当前迭代次数未达到预设次数，确定预测信息和测量信息，测量信息包括根据从邻居节点接收到的第一输出概率信息确定的输入概率信息，和根据输入概率信息、预测信息确定的第二输出概率信息；根据预测信息和输入概率信息确定自身在n时刻的定位信息；将最后一次迭代得到的定位信息确定为n时刻的定位结果，并输入至预设的双向长短期记忆网络模型，得到自身在n时刻之后的预测轨迹。该方法不仅提高了协同定位的精度，也能够拓宽其应用场景。

Description

一种同时定位和跟踪的协同定位方法
技术领域
本发明属于无线定位技术领域，具体涉及一种同时定位和跟踪的协同定位方法。
背景技术
随着IoT(Internet of Things，物联网)技术的普及，获取精确定位信息的需求迫在眉睫。目前，节点定位问题已受到移动网络的极大关注，其主要利用GNSS(GlobalNavigation Satellite System，全球导航卫星系统)获得位置信息，但是，受到覆盖范围和信号强度的限制，GNSS并不适合物联网应用中的所有节点。为此，本领域技术人员提出了多种定位方法，如蜂窝定位、基于UWB(Ultra Wide Band，超宽带)和Wi-Fi的定位方法、基于无线定位技术和5G技术的定位方法等。
在上述不同定位方法中，由于无处不在的5G无线信号有利于获取用于协作定位的准确测量，因此基于无线定位技术和5G技术的定位方法受到广泛关注。具体而言，该定位方法通过毫米波频率中的TDOA(time difference of arrival，到达时间差)或TOA(time ofarrival，到达时间)测量不同节点之间的距离，并且更多的天线可以准确地估计AOA(Angleof Arrival，到达角)，进而在获得测距信息后利用节点之间交换的信息进行位置估计。
然而，上述基于无线定位和5G技术的定位方法中，网络规模、锚节点分布和邻居的选择均对定位精度有很大影响，特别是邻居节点的数量会严重影响定位精度。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种同时定位和跟踪的协同定位方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供一种同时定位和跟踪的协同定位方法，其特征在于，应用于用户终端，包括：
确定自身通信范围内邻居节点的数量，所述邻居节点包括锚节点；
当自身通信范围内的邻居节点数量大于等于预设值时，分别获取自身的运动方向角、以及与每个所述邻居节点之间的距离，并接收所述锚节点的位置信息；
判断当前迭代次数是否达到预设次数；若否，则确定自身在n时刻的预测信息和测量信息；其中，所述测量信息包括：根据从所述邻居节点接收到的第一输出概率信息确定的输入概率信息，以及根据所述输入概率信息和所述预测信息确定的第二输出概率信息；
根据所述预测信息和所述输入概率信息确定置信度，并利用所述置信度确定自身在n时刻的定位信息；
在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入定位结果至预设的双向长短期记忆网络模型，得到自身在n时刻之后的预测轨迹。
在本发明的一个实施例中，所述预设值为3。
在本发明的一个实施例中，所述根据所述预测信息和所述输入概率信息确定置信度，并利用所述置信度确定自身在n时刻的定位信息的步骤，包括：
根据所述预测信息和所述输入概率信息，确定自身在n时刻的置信度；
根据所述置信度，利用最小二乘法确定自身在n时刻的定位信息。
在本发明的一个实施例中，所述在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入所述自身在n时刻的定位结果至预设的双向长短期记忆网络模型，得到自身在n时刻之后的预测轨迹的步骤，包括：
在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入定位结果至预设的双向长短期记忆网络模型，以使所述双向长短期记忆网络模型在随机初始化网络参数后，以自身在1～n时刻中每一时刻对应的速度、所述运动方向角和所述定位结果为训练样本，并根据当前预测结果和预设损失函数确定损失值；若该损失值大于预设的适应度值，则在调整所述双向长短期记忆网络模型的当前网络参数之后，返回所述根据当前预测结果和预设损失函数确定损失值的步骤；若该损失值小于等于预设的适应度值，则将当前预测结果确定为自身在n时刻之后的预测轨迹。
在本发明的一个实施例中，所述预设损失函数为均方损失函数。
在本发明的一个实施例中，当自身通信范围内的邻居节点数量小于3个时，所述检测自身通信范围内的邻居节点，并确定所述邻居节点的数量的步骤之后，还包括：
获取预设的双向长短期记忆网络模型的输出结果，得到自身在n时刻之后的预测轨迹；
根据所述n时刻之后的预测轨迹，确定自身在n+1时刻的定位结果。
在本发明的一个实施例中，所述当自身通信范围内的邻居节点数量大于等于预设值时，分别获取自身的运动方向角、以及与每个所述邻居节点之间的距离，并接收所述锚节点的位置信息的步骤，包括：
利用到达时间差TDOA技术或到达时间TOA技术进行距离测量，分别获自身与每个所述邻居节点之间的距离；
利用传感器进行角度测量，获得自身的运动方向角；
接收锚节点以广播形式发送的位置信息。
与现有技术相比，本发明的有益效果在于：
(1)本发明提供的协同定位方法适用于各类能够接收无线信号且具备阵列天线的用户终端，只需用户终端支持节点间端到端通信并配有阵列天线，当自身通信范围内的邻居节点数量大于等于预设值时，通过测量自身的运动方向角、以及与通信范围内每个邻居节点之间的距离，即可在用户终端处进行位置解算，从而达到分米级的定位效果。
(2)在本发明提供的同时定位和跟踪的协同定位方法中，当用户终端自身通信范围内的邻居节点数量小于3个时，可以直接获取预设的双向长短期记忆网络模型的输出结果，得到自身在n时刻之后的预测轨迹，从而确定自身在n+1时刻的预测轨迹。可见，该方法无需连接3个以上锚节点或者用户终端，不仅解决了邻居节点数量不足而导致解算的坐标误差较大的问题，也能够拓宽协同定位技术的应用场景，提高其普适性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是相关技术中协同定位方法的一种示意图；
图2是本发明实施例提供的同时定位和跟踪的协同定位方法的一种流程图；
图3是本发明实施例提供的预设的双向长短期记忆网络模型的一种结构示意图；
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
图1是相关技术中协同定位方法的一种示意图。如图1所示，相关技术中，协同定位方法通过用户终端之间的协同、以及用户终端上一时刻与当前时刻定位结果的协同进行位置估计，其定位精度稳定性不高的主要原因在于：定位过程中用户终端之间的距离测量会受到环境的影响，同时用户终端的位置分布和数量也会对精度造成影响。因此，该方法中定位误差取决于用户终端的邻居节点数目、距离测量的准确性以及用户终端的定位算法等因素。一般来说，协同定位算法为基于因子图的置信消息传递算法，但是这种算法常被应用于静态传感器网络，当用户终端相较其他用户终端具有一定移动速度的时候，上述过程中用户终端的移动导致自身邻居节点的数量不断变化，从而直接影响用户终端的定位精度。
有鉴于此，本发明提供一种同时定位和跟踪的协同定位方法。
图1是本发明实施例提供的同时定位和跟踪的协同定位方法的一种流程图。请参见图1，本发明实施例提供一种同时定位和跟踪的协同定位方法，应用于用户终端，包括：
S1、确定自身通信范围内邻居节点的数量，邻居节点包括锚节点；
S2、当自身通信范围内的邻居节点数量大于等于预设值时，分别获取自身的运动方向角、以及与每个邻居节点之间的距离，并接收锚节点的位置信息；
S3、判断当前迭代次数是否达到预设次数；若否，则确定自身在n时刻的预测信息和测量信息；其中，测量信息包括：根据从邻居节点接收到的第一输出概率信息确定的输入概率信息，以及根据输入概率信息和预测信息确定的第二输出概率信息；
S4、根据预测信息和输入概率信息确定置信度，并利用置信度确定自身在n时刻的定位信息；
S5、在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入定位结果至预设的双向长短期记忆网络模型，得到自身在n时刻之后的预测轨迹。
本实施例中，用户终端首先确定自身通信范围内的邻居节点数量，其中，邻居节点包括具有精确位置信息的锚节点。当自身通信范围内的邻居节点数量大于等于预设值时，分别获取自身的运动方向角、以及与每个邻居节点之间的距离，并接收锚节点的位置信息和同步信息；可选地，用户终端利用到达时间差TDOA技术或到达时间TOA技术进行距离测量，分别获得t0时刻下自身与每个邻居节点之间的距离，并利用传感器进行角度测量，获得t0时刻下自身的运动方向角，而锚节点可以以广播的形式发送位置信息至用户终端。
可选地，上述预设值为3。当然，在本发明的一些其他实施例中，预设值也可以根据实际需求灵活设置。
示例性地，本实施例通过使用置信传播算法来确定用户终端的定位。具体来说，在步骤S3～S4中，若当前迭代次数没有达到预设次数，则用户终端计算自身在n时刻的预测信息和测量信息，该测量信息可以包括输入概率信息和第二输出概率信息，其中，输入概率信息根据从邻居节点接收到的第一输出概率信息确定、第二输出概率信息根据输入概率信息和预测信息确定，用户终端在计算得到第二输出概率信息后，将其发送至自身通信范围内的邻居节点；然后，用户终端根据预测信息和输入概率信息确定置信度，从而利用置信度解算得到自身在n时刻的定位信息。
可以理解的是，每一次迭代过程中用户终端都会计算出自身在n时刻的定位信息，在当前迭代次数达到预设次数时，最后一次迭代过程中解算得到的定位信息即为车辆自身在n时刻的定位结果。
进一步地，本实施例利用传感器信息融合算法从BP算法中学习定位结果，并基于量子粒子群算法优化的双向长短时记忆网络模型(QPSO-BiLSTM)精确预测用户终端的位置，得到用户终端在n时刻之后的预测轨迹。
可见，上述协同定位方法适用于各类能够接收无线信号且具备阵列天线的用户终端，只需用户终端支持节点间端到端通信并配有阵列天线，当自身通信范围内的邻居节点数量大于等于预设值时，通过测量自身的运动方向角以及与通信范围内每个邻居节点之间的距离，即可在用户终端处进行位置解算，从而达到分米级的定位效果。
可选地，上述步骤S3中，确定自身在n时刻的预测信息，并根据距离和位置信息确定自身在n时刻的测量信息的步骤，包括：
计算自身在n时刻的预测信息；
接收通信范围内邻居节点发送的第一输出概率信息；
根据预测信息及通信范围内邻居节点发送的第一输出概率信息计算输入概率信息；
根据输入概率信息和预测信息，计算得到发送给邻居节点的第二输出概率信息。
本实施例中，用户终端在n时刻的预测信息为：
Figure GDA0004113130950000061
其中，
Figure GDA0004113130950000062
表示节点k在n时刻的位置信息，
Figure GDA0004113130950000063
表示基于节点k在n-1时刻的位置信息获得其在n时刻的位置信息的概率，Niter表示预设迭代次数，
Figure GDA0004113130950000064
表示节点k在n-1时刻的位置信息第j次迭代的置信度，fk表示节点k的因子，
Figure GDA0004113130950000068
表示节点k在n时刻的预测信息。
进一步地，用户终端根据第一输出概率信息以及自身与每个邻居节点之间的距离，计算得到输入概率信息：
Figure GDA0004113130950000065
式中，j表示当前迭代次数，j∈(1,Niter)，zk,l表示节点k与邻居节点l之间的距离，xk表示节点k的位置信息，xl表示邻居节点l的位置信息，fkl表示节点k与邻居节点l之间的因子，p(zk,l|xk,xl)表示邻居节点的(k,l)的似然函数，
Figure GDA0004113130950000066
表示用于协助节点k定位的协作节点集合，
Figure GDA0004113130950000067
表示节点k从邻居节点l接收到的第一输出概率信息，
Figure GDA0004113130950000071
表示节点k发送至邻居节点l的第二输出概率信息。
根据输入概率信息和预测信息，按照如下公式计算得到发送给邻居节点的第二输出概率信息：
Figure GDA0004113130950000072
式中，fk表示节点k的因子，
Figure GDA0004113130950000073
表示节点k所有的协作节点集合，l'表示除节点l以外节点k的其它邻居节点。
可选地，上述步骤S4中，根据预测信息和输入概率信息确定置信度，并利用置信度确定自身在n时刻的定位结果的步骤，包括：
根据预测信息和输入概率信息，确定自身在n时刻的置信度；
根据置信度，利用最小二乘法确定自身在n时刻的定位信息。
具体而言，本实施例中可以按照如下公式计算置信度：
Figure GDA0004113130950000074
而后用户终端根据置信度利用最小二乘的方法估计定位信息：
Figure GDA0004113130950000075
式中，zl:n表示节点自身从1到n时刻移动的距离集合，
Figure GDA0004113130950000076
表示节点k在n时刻的定位信息。
需要说明的是，上述公式(1)-(5)所示的步骤经过预设次数Niter的迭代，有效提高了协同定位的准确性。
由于在定位过程中，用户终端不断移动，其通信范围内的邻居节点数量也不断发生变化，为了克服BP算法对移动用户终端的定位精度较低的问题，本发明进一步将BP算法与移动用户终端的跟踪算法相结合，利用预设的双向长短期记忆QPSO-BiLSTM模型学习移动用户终端的运动轨迹，从而提高用户终端的定位精度。
本实施例中，在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入定位结果至预设的双向长短期记忆网络模型，得到自身在n时刻之后的预测轨迹的步骤，包括：
在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入定位结果至预设的双向长短期记忆网络模型，以使双向长短期记忆网络模型在随机初始化网络参数后，以自身在1～n时刻中每一时刻对应的速度、运动方向角和定位结果为训练样本，并根据当前预测结果和预设损失函数确定损失值；若该损失值大于预设的适应度值，则在调整双向长短期记忆网络模型的当前网络参数之后，返回根据当前预测结果和预设损失函数确定损失值的步骤；若该损失值小于等于预设的适应度值，则将当前预测结果确定为自身在n时刻之后的预测轨迹。
可选地，预设损失函数为均方损失函数。
图3是本发明实施例提供的预设的双向长短期记忆网络模型的一种结构示意图。如图3所示，该模型利用传感器数据融合的结果来预测下一次用户终端在n时刻之后的轨迹。可以理解的是，LSTM(Long short-term memory,双向长短期记忆网络)模型是一种经典的RNN神经网络，与传统的RNN模型相比，神经元增加了输入门i、遗忘门f、输出门o和内部记忆单元c，LSTM模型解决了传统RNN模型中的长期依赖问题，输出模型获得了比RNN、隐马尔可夫模型和卡尔曼滤波更优化的偏好。而在LSTM模型的基础上，BiLSTM模型能够保留过去和未来的信息，并且通过向前和向后传递输入信息可以更好地捕捉底层上下文。
可选地，当自身通信范围内的邻居节点数量小于3个时，检测自身通信范围内的邻居节点，并确定邻居节点的数量的步骤之后，还包括：
获取预设的双向长短期记忆网络模型的输出结果，得到自身在n时刻之后的预测轨迹；
根据n时刻之后的预测轨迹，确定自身在n+1时刻的定位结果。
也就是说，在确定自身通信范围内邻居节点的数量之后，判断邻居节点的数量是否大于等于3，若否，则直接获取预设的双向长短期记忆网络模型输出的预测轨迹，由于该预测轨迹包含n时刻之后每一时刻下用户终端的位置，因此可将预测轨迹中n+1时刻对应的位置作为自身在在n+1时刻的定位结果。
通过上述各实施例可知，本发明的有益效果在于：
(1)本发明提供的协同定位方法适用于各类能够接收无线信号且具备阵列天线的用户终端，只需用户终端支持节点间端到端通信并配有阵列天线，当自身通信范围内的邻居节点数量大于等于预设值时，通过测量自身的运动方向角、以及与通信范围内每个邻居节点之间的距离，即可在用户终端处进行位置解算，从而达到分米级的定位效果。
(2)在本发明提供的同时定位和跟踪的协同定位方法中，当用户终端自身通信范围内的邻居节点数量小于3个时，可以直接获取预设的双向长短期记忆网络模型的输出结果，得到自身在n时刻之后的预测轨迹，从而确定自身在n+1时刻的预测轨迹。可见，该方法无需连接3个以上锚节点或者用户终端，不仅解决了邻居节点数量不足而导致解算的坐标误差较大的问题，也能够拓宽协同定位技术的应用场景，提高其普适性。
本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
存储器403，用于存放计算机程序；
处理器401，用于执行存储器403上所存放的程序时，实现如下步骤：
检测自身通信范围内的邻居节点，并确定所述邻居节点的数量；其中，所述邻居节点包括锚节点；
当自身通信范围内的邻居节点数量大于等于预设值时，分别获取自身的运动方向角、以及与每个所述邻居节点之间的距离，并接收所述锚节点的位置信息；
确定自身在n时刻的预测信息，并根据所述距离和位置信息确定自身在n时刻的测量信息；其中，所述测量信息包括所述邻居节点发送的输入概率信息，以及根据所述输入概率信息和所述预测信息确定的输出概率信息；
根据所述预测信息和所述输入概率信息确定置信度，并利用所述置信度确定自身在n时刻的定位结果；
输入所述自身在n时刻的定位结果至预设的双向长短期记忆网络模型，得到自身在n时刻之后的预测轨迹。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的方法可以应用于电子设备。具体的，该电子设备可以为：台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。
对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述适用于密集车辆场景的协同定位方法的电子设备及存储介质，则上述适用于密集车辆场景的协同定位方法的所有实施例均适用于该电子设备及存储介质，且均能达到相同或相似的有益效果。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种同时定位和跟踪的协同定位方法，其特征在于，应用于用户终端，包括：
确定自身通信范围内邻居节点的数量，所述邻居节点包括锚节点；
当自身通信范围内的邻居节点数量大于等于预设值时，分别获取自身的运动方向角、以及与每个所述邻居节点之间的距离，并接收所述锚节点的位置信息；
判断当前迭代次数是否达到预设次数；若否，则确定自身在n时刻的预测信息和测量信息；其中，所述测量信息包括：根据从所述邻居节点接收到的第一输出概率信息确定的输入概率信息，以及根据所述输入概率信息和所述预测信息确定的第二输出概率信息；
根据所述预测信息和所述输入概率信息确定置信度，并利用所述置信度确定自身在n时刻的定位信息；
在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入定位结果至预设的双向长短期记忆网络模型，得到自身在n时刻之后的预测轨迹；
所述预设值为3；
当自身通信范围内的邻居节点数量小于3个时，所述确定自身通信范围内邻居节点的数量的步骤之后，还包括：
获取预设的双向长短期记忆网络模型的输出结果，得到自身在n时刻之后的预测轨迹；
根据所述n时刻之后的预测轨迹，确定自身在n+1时刻的定位结果；
当前迭代次数是否达到预设次数时，所述确定自身在n时刻的预测信息和测量信息的步骤，包括：
计算自身在n时刻的预测信息；
接收通信范围内邻居节点发送的第一输出概率信息；
根据所述预测信息及所述第一输出概率信息计算输入概率信息；
根据输入概率信息和预测信息，计算得到发送给邻居节点的第二输出概率信息；
其中，按照如下公式计算所述预测信息：
Figure FDA0004068312090000021
式中，
Figure FDA0004068312090000022
表示节点k在n时刻的位置信息，
Figure FDA0004068312090000023
表示基于节点k在n-1时刻的位置信息获得其在n时刻的位置信息的概率，
Figure FDA0004068312090000024
表示节点k在n-1时刻的位置信息第j次迭代的置信度，fk表示节点k的因子，
Figure FDA0004068312090000025
表示节点k在n时刻的预测信息；
按照如下公式计算所述输入概率信息：
Figure FDA0004068312090000026
式中，j表示当前迭代次数，j∈(1,Niter)，Niter表示预设迭代次数，zk,l表示节点k与邻居节点l之间的距离，xk表示节点k的位置信息，xl表示邻居节点l的位置信息，fkl表示节点k与邻居节点l之间的因子，p(zk,l|xk,xl)表示邻居节点的(k,l)的似然函数，
Figure FDA0004068312090000027
表示用于协助节点k定位的协作节点集合，
Figure FDA0004068312090000028
表示节点k从邻居节点l接收到的第一输出概率信息，
Figure FDA0004068312090000029
表示节点k发送至邻居节点l的第二输出概率信息；
按照如下公式计算所述第二输出概率信息：
Figure FDA00040683120900000210
式中，fk表示节点k的因子，
Figure FDA00040683120900000211
表示节点k所有的协作节点集合，l'表示除节点l以外节点k的其它邻居节点；
根据所述预测信息和所述输入概率信息确定置信度，并利用所述置信度确定自身在n时刻的定位信息的步骤，包括：
根据所述预测信息和所述输入概率信息，确定自身在n时刻的置信度；
根据所述置信度，利用最小二乘法确定自身在n时刻的定位信息；
按照如下公式计算所述置信度：
Figure FDA0004068312090000031
式中，
Figure FDA0004068312090000032
表示节点k在n时刻的置信度；
按照如下公式估计所述定位信息：
Figure FDA0004068312090000033
式中，zl:n表示节点自身从1到n时刻移动的距离集合，
Figure FDA0004068312090000034
表示节点k在n时刻的定位信息。
2.根据权利要求1所述的同时定位和跟踪的协同定位方法，其特征在于，所述在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入所述自身在n时刻的定位结果至预设的双向长短期记忆网络模型，得到自身在n时刻之后的预测轨迹的步骤，包括：
在当前迭代次数达到预设次数时，将本次迭代得到的定位信息确定为自身在n时刻的定位结果，并输入定位结果至预设的双向长短期记忆网络模型，以使所述双向长短期记忆网络模型在随机初始化网络参数后，以自身在1～n时刻中每一时刻对应的速度、所述运动方向角和所述定位结果为训练样本，并根据当前预测结果和预设损失函数确定损失值；若该损失值大于预设的适应度值，则在调整所述双向长短期记忆网络模型的当前网络参数之后，返回所述根据当前预测结果和预设损失函数确定损失值的步骤；若该损失值小于等于预设的适应度值，则将当前预测结果确定为自身在n时刻之后的预测轨迹。
3.根据权利要求2所述的同时定位和跟踪的协同定位方法，其特征在于，所述预设损失函数为均方损失函数。
4.根据权利要求1所述的同时定位和跟踪的协同定位方法，其特征在于，所述当自身通信范围内的邻居节点数量大于等于预设值时，分别获取自身的运动方向角、以及与每个所述邻居节点之间的距离，并接收所述锚节点的位置信息的步骤，包括：
利用到达时间差TDOA技术或到达时间TOA技术进行距离测量，分别获自身与每个所述邻居节点之间的距离；
利用传感器进行角度测量，获得自身的运动方向角；
接收锚节点以广播形式发送的位置信息。
CN202210049436.4A 2022-01-17 2022-01-17 一种同时定位和跟踪的协同定位方法 Active CN114501310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210049436.4A CN114501310B (zh) 2022-01-17 2022-01-17 一种同时定位和跟踪的协同定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210049436.4A CN114501310B (zh) 2022-01-17 2022-01-17 一种同时定位和跟踪的协同定位方法

Publications (2)

Publication Number Publication Date
CN114501310A CN114501310A (zh) 2022-05-13
CN114501310B true CN114501310B (zh) 2023-04-25

Family

ID=81512462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210049436.4A Active CN114501310B (zh) 2022-01-17 2022-01-17 一种同时定位和跟踪的协同定位方法

Country Status (1)

Country Link
CN (1) CN114501310B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244715A (zh) * 2019-05-23 2019-09-17 西安理工大学 一种基于超宽带技术的多移动机器人高精度协同跟踪方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104394573B (zh) * 2014-11-26 2018-03-09 北京邮电大学 一种无线传感器网络协作定位方法
CN104535963B (zh) * 2014-12-22 2017-02-22 浙江大学 基于距离测量的多移动节点实现协同目标定位的方法
CN106162869B (zh) * 2016-07-07 2020-03-06 上海交通大学 移动自组织网络中高效协作定位方法
CN108134640B (zh) * 2017-12-12 2020-11-06 浙江大学 一种基于节点运动状态约束的协作定位系统和方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244715A (zh) * 2019-05-23 2019-09-17 西安理工大学 一种基于超宽带技术的多移动机器人高精度协同跟踪方法

Also Published As

Publication number Publication date
CN114501310A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Tian et al. Human body shadowing effect on UWB-based ranging system for pedestrian tracking
CN106912105B (zh) 基于pso_bp神经网络的三维定位方法
CN103402258B (zh) 一种基于Wi‑Fi的室内定位系统和方法
CN111741432B (zh) 室内定位方法及装置、终端、存储介质
Chen et al. Calculation of weighted geometric dilution of precision
Chen et al. Information filter with speed detection for indoor Bluetooth positioning
US20160182164A1 (en) Signal Strength Distribution Establishing Method and Wireless Positioning System
CN113091742B (zh) 一种融合定位方法、装置、电子设备及存储介质
CN105792115A (zh) 多网定位数据融合方法和系统
CN108566677B (zh) 一种指纹定位方法及装置
Yiu et al. Locating user equipments and access points using RSSI fingerprints: A Gaussian process approach
CN108549049B (zh) 一种射线追踪辅助的贝叶斯指纹定位方法及装置
CN114222365B (zh) 一种基于单基站的超宽带定位方法、装置、计算单元、系统
Ye et al. Local HMM for indoor positioning based on fingerprinting and displacement ranging
Yan et al. A noise reduction fingerprint feature for indoor localization
Richter et al. Ubiquitous and seamless localization: fusing GNSS pseudoranges and WLAN signal strengths
Rahmadini et al. Optimization of Fingerprint indoor localization system for multiple object tracking based on iterated weighting constant-KNN method
CN114501310B (zh) 一种同时定位和跟踪的协同定位方法
US20130163448A1 (en) System and method for probablistic wlan positioning
Chen et al. Neural network for WGDOP approximation and mobile location
Kosaka et al. RSSI-based indoor localization using two-step XGBoost
CN114063005B (zh) 基于融合中心反馈信息的最大后验波达方向估计方法
Kumar et al. Improved RSSI Based 3D Localization for Indoor Wireless Sensor Network
TWI391699B (zh) 使用改良式機率類神經網路之定位方法
Papapostolou et al. Orientation-based radio map extensions for improving positioning system accuracy

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