CN114548159B

CN114548159B - 信号干扰下的超宽带精确定位方法

Info

Publication number: CN114548159B
Application number: CN202210119309.7A
Authority: CN
Inventors: 章寅; 赵君利; 徐璨; 董黎刚; 蒋献; 童磊; 王程可
Original assignee: Zhejiang Gongshang University
Current assignee: Zhejiang Gongshang University
Priority date: 2022-02-08
Filing date: 2022-02-08
Publication date: 2024-05-24
Anticipated expiration: 2042-02-08
Also published as: CN114548159A

Abstract

本发明公开了一种信号干扰下的超宽带（UWB）精确定位方法，利用UWB通信独特的技术特点，实现受遮挡干扰下的精确定位。它包括如下步骤：1）去除数据集中的冗余样本得到精简的数据集；2）构建靶点定位模型，求解有干扰条件下的潜在靶点坐标；3）引入对距离估计的残差建模，得到唯一的靶点坐标估计值；4）构建SVM支持向量机模型，实现测距有无受到干扰的自主判断；5）对动态轨迹进行卡尔曼滤波，得到精确的运动曲线。受到干扰时，室内定位技术很难依赖全球卫星定位技术实现，故在干扰条件下实现位置服务的需求尤为急迫，本发明算法具有通信开销低、安全性高、定位精度高以及抗干扰能力强的特点，可以实现信号干扰下的精确定位。

Description

信号干扰下的超宽带精确定位方法

技术领域

本发明涉及室内定位领域，基于信号干扰下的超宽带精确定位方法。

背景技术

在开阔的环境中，全球定位系统基本可以满足人与设备的定位需求，但在室内环境中，由于建筑物的遮挡和多径干扰，接收机无法检测到较低信噪比的定位信号，而且随着生产和生活方式的改变，人们的活动大多是在室内进行，因此人们对于受遮挡环境中的高精度定位的需求广泛而迫切。田亚飞提出了一种基于CRLB判断估计值信度的协作定位方法，实现了较高精度的室内定位，但该方法不支持干扰环境中的定位；王鑫采用Chan-Taylor-Kalman联合三维跟踪定位算法实现了室内移动目标的跟踪定位，但该方法无法满足复杂的室内环境下的跟踪定位；陈燕采用基于TDOA的Chan算法进行室内三维定位，实现了待测目标在室内特定环境下的实时跟踪定位，但该方法只支持目标在二维空间中做匀速直线运动的情况。

发明内容

为了克服现有技术中的问题，实现干扰条件下的精确定位，本发明针对来源于遮挡的干扰，提出了一种信号干扰下的超宽带精确定位方法。超宽带是一种直接调制具有很陡上升和下降时间的冲激脉冲，使信号具有GHz量级的新型的无线通信技术。该干扰指的是遮挡干扰，遮挡物为UWB定位基站和UWB定位标签之间存在的障碍物，此障碍阻碍了信号直接被互相接收，从而影响UWB定位。本发明在对数据进行了预处理后，构建了三维空间下基于三锚点的靶点定位模型，引入了残差分析模型，能以较低的计算量得到靶点的精确坐标，并使用一个预先训练的支持向量机模型辅助定位，实现测距有无受到干扰的自主判断，最后进行卡尔曼滤波，进一步精确靶点动态轨迹定位，最终实现移动目标在室内受干扰环境下的精准定位。

一种信号干扰下的超宽带精确定位问题，包括如下步骤：

1）数据预处理：将室内测量的实验结果作为数据集，数据集中的每一条数据记录，对应不同位置的靶点在有、无信号干扰条件下与锚点间的距离，靶点是校准该室内环境下的一个定位参数；去除数据集中测距值和校验值不一致的数据，删除相同数据，对剩余数据采取Pearson相关性分析，去除相关性高的数据，最后得到精简数据集；

2）在有干扰的环境下，构建三维空间下基于三锚点的靶点定位模型，该干扰指的是影响UWB定位的遮挡干扰，遮挡物为UWB定位基站和UWB定位标签之间存在的障碍物，利用精简数据集中每一条数据记录的其中三个锚点的数据信息来辅助定位，计算出潜在靶点坐标的估计值；

3）引入残差分析模型，压缩潜在靶点到锚点距离与观测距离值的残差平方和（RSS），计算得到唯一的靶点坐标估计值；

4）从室内测量实验结果的数据记录中，只经过初步提取步骤，获得带分类标签的四维数据，作为模型训练和测试的数据集，使用 K-Fold Cross Validation划分训练集和测试集，在确定场景下使用训练集训练一个SVM模型，使用测试集验证模型识别率，每组数据轮流作为测试集，不断提高模型验证精度，从而实现数据受干扰情况的判定；

5）通过靶点自身的运动来实现动态轨迹定位，对动态轨迹定位的靶点序列进行卡尔曼滤波，得到精准的运动曲线。

本发明具有如下有益效果：本发明具有通信开销低、安全性高、定位精度高以及抗干扰能力强的特点，可以实现在有干扰条件下的精确定位。

附图说明

图1是有干扰靶点定位结果及精度示意图。

图2是未使用卡尔曼滤波的轨迹示意图。

图3是使用卡尔曼滤波的轨迹示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

一种信号干扰下的超宽带精确定位方法，包括如下步骤：

实施例

为了便于本领域一般技术人员理解和实现本发明，现给出一种本发明所述方法的具体实施案例。利用UWB实现有干扰条件下的精准定位的核心思想是，建立一个三维空间下基于三锚点的定位模型。下面用一个案例来描述本实例。

预处理步骤如下：

1）把室内测量实验结果的648条数据记录作为数据集，分别对应324个不同位置的靶点，在有、无信号干扰条件下与锚点间的四个测距值，四个测距值即四个传感器上的读数；

2）将数据集中测量值与校验值不一致的数据判定为异常值并删除；

3）对于两个时刻测得的数据，将该靶点至四个锚点距离测量值两两相等的情况判定为相同，予以删除；

4）剩下的数据集大多是相似数据集，在此采取Pearson相关性分析的思想，对数据的相似程度予以判别，对于两组数据，/>，他们的 Pearson相关系数可表示为：

（10.1）；

上述相关系数取值范围为，取值绝对值在大于0.8时就认为其线性相关性较强，删除数据集中相关性较强的数据，预处理后，部分靶点数据样例如表1；

有干扰条件下靶点定位建模步骤如下：

1）建立一个三维空间下基于三锚点的定位模型，该模型从精简数据集中选取某时刻的三个不重复的距离观测值，现选取锚点为例，根据观测值和锚点坐标，可得到三维空间内的三个球的方程：

（11.1）；

2）将上述方程求差，得到一个三元一次方程组：

（11.2）；

将上述方程组化简，用表示/>：

（11.3）；

（11.4）；

将上述代入球心为/>的球面方程，解得/>：

（11.5）；

(11.6）；

在的条件下，可以得到两个靶点的潜在坐标：

(11.7)。

唯一靶点坐标估计值的计算步骤如下：

1）设某个时刻获得的所有潜在靶点个数为 n，其对应生成有 n 个潜在靶点坐标为，计算得到各潜在坐标到锚点的距离/>，算出该潜在靶点到锚点距离与观测距离值的残差平方和 (RSS)；

2）压缩残差平方和，对残差平方和取次幂运算，设经过求幂运算后的值为，其具体可表示为：

（12.8）

（12.9）

3）根据多组数据计算，最终认定当时，对残差取 /> 次幂后，仍满足条件，由此可计算得到唯一的靶点坐标估计值，有干扰条件下靶点的定位结果及精度示意图如图1所示。

实现受干扰情况判定的步骤如下：

1）公开的室内测量实验结果的648个数据文件，对应324个不同位置的靶点，在有、无信号干扰条件下与锚点间的距离，从648个数据文件中经过初步提取步骤获得5093条带分类标签的四维数据，作为模型训练、测试数据集；

2）定义自变量为一个时刻 4 个锚点至靶点距离的测量值，是形为的行向量，因变量为二分类标签，其中 0 代表该数据测量时未受遮挡，1 代表有遮挡；

3）在进行 SVM 算法训练数据时，使用 K-Fold Cross Validation(记为 k-CV)划分测试集与训练集。将训练的数据集分为组后，每次取/>组作为训练集，剩下的一组作为测试集，每组数据轮流作为测试集，根据常用的比例数，取/>，每次训练设定80% 的数据为训练集，剩下的 20% 为测试集；

4）训练时采用高斯核函数（又称RBF），综合考虑模型的训练、测试准率后，选取参数，惩罚参数 />；

5）经过 SVM 模型的训练，模型训练、测试精度都达到了较高水平，训练准确率达到了99.6% 的水平，测试集准确率达到了 95%的水平，将训练所的模型用于测试数据集中受干扰情况的判定，结果如表2；

得到精确运动曲线的步骤如下：

1）系统的状态空间方程有状态方程和观测方程：

（14.1）

（14.2）

其中，是系统在 /> 时刻下的状态变量, />是系统的状态变化方程, />是在 />时刻系统的观测变量，/> 是系统的观察方程，/> 是系统输入, />是系统噪声，其协方差为, /> 为测量噪声，其协方差为 />;

由此可得卡尔曼滤波公式为：

（14.3）

（14.4）

其中，是 /> 时刻的状态变量，/> 表示状态矩阵，/> 表示控制矩阵，/>是 /> 时刻的控制变量值，/> 是/> 时刻的观测数据，/>是观测矩阵，/>和 />分别代表系统噪声和测量噪声;

2）卡尔曼滤波可以分为预测阶段和更新阶段，卡尔曼滤波预测阶段公式如下：

（14.5）

（14.6）

（14.7）

卡尔曼滤波更新阶段公式如下:

（13.8）

(13.9)

（13.10）

是/> 时刻的状态估计量，/> 是/>时刻的状态估计方差，/> 是卡尔曼增益，/>是 />时刻的测量值，/> 和/>是 />时刻的最优估计值和最优估计方差。/> 和 /> 分别是系统噪声协方差矩阵和测量噪声协方差矩阵；

3）基于以上卡尔曼滤波的推导，将预测轨迹代入各时刻测量值，得到了更好的轨迹预测。

图2是未使用卡尔曼滤波时的轨迹预测图，图3是使用了卡尔曼滤波时的轨迹预测图。

上述描述中的实施方案可以进一步组合或者替换，且实施方案仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域普通技术人员对本发明的技术方案做出的各种变化和改进，均属于本发明的保护范围。本发明的保护范围由所附权利要求及其任何等同物给出。

Claims

1.一种信号干扰下的超宽带精确定位方法，其特征在于，包括如下步骤：

5）通过靶点自身的运动来实现动态轨迹定位，对动态轨迹定位的靶点序列进行卡尔曼滤波，得到精准的运动曲线；

在所述的步骤2）中，在有干扰的环境下，构建三维空间下基于三锚点的靶点定位模型步骤如下：

2-1）建立一个三维空间下基于三锚点的定位模型，该模型从精简数据集中选取某时刻的三个不重复的距离观测值，根据距离观测值和锚点坐标，得到三维空间内三个球的方程；

2-2）将三个球的方程求差、化简后，把方程未知数x和y带回球面方程，得到形如的一元二次方程，p为方程二次项系数，q为方程一次项系数，w为方程常数项，在满足/>的条件下，计算得到两个靶点的潜在坐标；

在所述的步骤3）中，唯一的靶点坐标估计值的计算步骤如下：

3-1）计算潜在靶点到锚点距离与观测距离值的残差平方和 (RSS)；

3-2）压缩残差平方和，对残差平方和进行次幂运算；

3-3）n为潜在坐标的个数，为经过求幂运算后的值，在满足条件/>的同时，计算得到唯一的靶点坐标估计值。

2.根据权利要求1所述的一种信号干扰下的超宽带精确定位方法，其特征在于，在所述的步骤1）中，数据预处理步骤如下：

1-1）将公开的室内测量实验结果作为数据集，数据集中的每条数据记录，对应不同位置的靶点在有、无信号干扰条件下与锚点间的距离；

1-2）删除数据集中测距值与校验值不一致的数据；

1-3）对于两个时刻测得的数据，当且仅当该靶点至四个锚点距离测量值两两相等时判定为相同，删除数据集中的相同数据；

1-4）对剩余数据采取Pearson相关性分析，把Pearson 相关系数绝对值大于0.8的数据判定为高相关性并去除，最终得到精简数据集。

3.根据权利要求1所述的一种信号干扰下的超宽带精确定位方法，其特征在于，在所述的步骤4）中，实现数据受干扰情况判定的步骤如下：

4-1）选取室内测量实验结果的数据记录中，只经过初始提取步骤后保留下来的数据，作为模型训练、测试的数据集；

4-2）定义自变量为一个时刻 4 个锚点至靶点距离的测量值，是形为的行向量，因变量为二分类标签，其中 0 代表该数据测量时未受遮挡，1 代表有遮挡；

4-3）明确数据集中的训练集与测试集，将训练的数据集均分为 k组，每次取k-1组作为训练集，剩下的一组作为测试集，每组数据轮流作为测试集；

4-4）训练时使用高斯核函数，综合考虑了模型的训练、测试准确率后，确定参数gamma和惩罚参数C；

4-5）进行 SVM 模型的训练，将训练所得的模型用于测试数据集受干扰情况的判定。

4.根据权利要求1所述的一种信号干扰下的超宽带精确定位方法，其特征在于，在所述的步骤5）中，得到精确的运动曲线步骤如下：

5-1）由系统的状态空间方程推导出卡尔曼滤波公式；

5-2）得到卡尔曼滤波预测阶段和更新阶段的公式；

5-3）将预测轨迹代入各时刻的测量值，得到精确的运动曲线。