CN114919627A - 一种基于ris技术的列车定位追踪的方法 - Google Patents

Abstract

本发明提供了一种基于RIS技术的列车定位追踪的方法，其特征在于：在列车的行驶路段上设置基站和RIS反射单元，设置在列车上的定位信号发射终端向基站和RIS反射单元发送定位信号，RIS反射单元将收到的定位信号反射给基站，基站根据接收到的直射信号和反射信号获取TDOA参数估计、AOA参数估计和多普勒频移参数估计数据，采用非线性滤波算法特别是双重要性协同采样滤波算法对上述数据进行处理获取列车的定位信息。采用本发明所述的方法对列车进行定位追踪信号稳定可靠、定位精度高、成本低。

Description

一种基于RIS技术的列车定位追踪的方法

技术领域

本发明涉及交通运输技术领域，特别是一种基于RIS技术的列车定位追踪的方法。

背景技术

列车的高精度定位在轨道交通行车安全和指挥系统中的作用主要体现为：为保证安全列车间隔提供依据；在某些自动控制系统中，提供区段占用/出清信息，作为转换轨道检测信息和速度控制信息发送的依据；为列车自动防护子系统(ATP)提供准确位置信息，作为列车在车站停车后打开车门以及站内屏蔽门的依据；为列车自动驾驶子系统(ATO)提供列车精确位置信息，作为列车计算速度曲线、实施速度自动控制的主要参数；为列车自动监控子系统(ATS)提供列车位置信息，作为显示列车运行状态的基本信息。当前，列车定位的研究热点大多集中于基于全球导航系统(GNSS)的多源信息融合列车组合定位方向。一方面，在用GNSS卫星导航系统实现列车定位中，导航卫星信号易被山体、树木等遮蔽物阻挡，速度测量误差、多路径反射误差、时钟误差、大气层延迟和仪器延迟都会导致卫星信号的恶化。

现有技术中，基于通信-定位一体化思想，利用蜂窝网实现列车定位作为GNSS有效的补充，比如采用TDOA(Time Difference of Arrival到达时间差)技术来实现列车定位。但上述无线网络定位至少需要三个及以上基站才能实现对列车位置的有效估计，由于需要在多个基站间进行信号传输，它们之间的数据交换需要复杂的消息和同步指令，不仅加重了网络负担且故障率高，而且受功率限制及高频组网覆盖的影响，不能够确保多个基站一起参与定位，定位精度和可靠性得不到保证，且多基站的布置成本也较高。

发明内容

针对背景技术的问题，本发明提供一种基于RIS技术的列车定位追踪的方法，以解决现有技术中对列车的定位追踪成本高、精度低、可靠性得不到保证的问题。

为实现本发明的目的，本发明提供了一种基于RIS技术的列车定位追踪的方法，其创新点在于：所涉及的硬件包括基站、RIS反射单元和定位信号发射终端；设列车运行的某条线路由n个定位追踪路段组成，每个定位追踪路段均设置有对应的基站和RIS反射单元，所述定位信号发射终端设置在列车上；当列车在k时刻行驶到第i个追踪路段时，按以下方法获取列车定位信息，其中i为1至n的整数：

一)所述定位信号发射终端向第i个追踪路段对应的基站和RIS反射单元发送定位信号，RIS反射单元将接收到的所述定位信号反射给对应的基站；将基站直接从定位信号发射终端接收到的定位信号记为直射信号，将基站从RIS反射单元接收到的定位信号记为反射信号；

二)对基站接收到的直射信号和反射信号进行处理，实时获取TDOA参数估计、AOA参数估计和多普勒频移参数估计；

三)采用非线性滤波算法对所述TDOA参数估计、AOA参数估计和多普勒频移参数估计进行处理，获取列车的定位信息；

所述列车的定位信息包括列车在k时刻的位置坐标T_k、列车的速度v_k、列车的运行方向角φ_k，其中T_k＝(T_x(k)，T_y(k))，T_x(k)为k时刻列车所在位置的横坐标，T_y(k)为k时刻列车所在位置的纵坐标；

所述非线性滤波算法涉及的数学模型包括以下的状态方程和观测方程：

所述状态方程为：

s_k＝f(s_k-1)+q_k

所述观测方程为：

d_k＝h(s_k)+u_k

其中，所述s_k为k时刻的系统状态向量，

所述s_k-1为k-1时刻的系统状态向量，

其中T_x(k-1)为k-1时刻列车所在位置的横坐标，T_y(k-1)为k-1时刻列车所在位置的纵坐标，v_k-1为列车在k-1时刻的速度；φ_k-1为k-1时刻列车的运行方向角；

所述f(s_k-1)为非线性状态方程函数，

其中，Δt为采样时间间隔，Δt为设定值，k时刻等于k-1时刻加采样时间间隔Δt；

所述q_k表示服从均值为零的高斯噪声，即q_k～N(0，Q)，其中Q的取值根据列车运动模型进行设定；

所述d_k为k时刻的系统测量向量，

其中，

表示k时刻的TDOA估计值；

表示k时刻AOA的估计值；

表示k时刻多普勒频移的估计值；

所述h(s_k)为非线性观测方程函数，

其中，R表示RIS反射单元的位置坐标，R＝(R_x,R_y)，R_x表示RIS反射单元所在位置的横坐标，R_y表示RIS反射单元所在位置的纵坐标；B表示基站的位置坐标，B＝(B_x,B_y)，B_x表示基站所在位置的横坐标，B_y表示基站所在位置的纵坐标；C表示光速；λ表示所述定位信号的波长；γ根据以下公式确定：

所述u_k表示服从均值为零的高斯分布测量噪声，即u_k～N(0，U)，其中U的值根据测量的误差统计确定。

进一步地，所述非线性滤波算法为PF算法或UKF算法。

进一步地，所述非线性滤波算法为双重要性协同采样滤波算法，包括：

1)获取所述系统状态向量s_k-1的后验概率分布粒子集；

2)采用PF算法对所述s_k-1的后验概率分布粒子集进行更新得到所述s_k的第一组后验概率分布粒子集；同时，采用UKF算法对所述s_k-1的后验概率分布粒子集进行更新得到所述s_k的第二组后验概率分布粒子集；将所述s_k的第一组后验概率分布粒子集记为第一粒子集，将所述s_k的第二组后验概率分布粒子集记为第二粒子集；设第一粒子集的粒子个数和第二粒子集的个数均为M个；

3)分别计算所述第一粒子集的有效粒子个数M_eff1和第二粒子集的有效粒子个数M_eff2；

4)根据以下方式获取协同重采样粒子集：

设有效粒子个数的阈值为P，P＝M/2；

a)如果M_eff1≥P且M_eff2≥P，则分别对第一粒子集所辖的粒子和第二粒子集所辖的粒子按权值由大到小进行排序，将第一粒子集中权值排在前M/2的粒子与第二粒子集中权值排在前M/2的粒子进行组合得到重组粒子集，并对所述重组粒子集所辖粒子的权值进行归一化处理得到协同重采样粒子集；

b)如果M_eff1≥P且M_eff2＜P，或者M_eff2≥P且M_eff1＜P，则选择第一粒子集或第二粒子集作为协同重采样粒子集；

c)如果M_eff1＜P且M_eff2＜P，则将第一粒子集和第二粒子集进行合并得到组合粒子集，然后对所述组合粒子集所辖的粒子按权值由大到小进行排序，取组合粒子集中权值排在前M的粒子组成重组粒子集，然后对重组粒子集所辖粒子的权值进行归一化处理，然后计算重组粒子集的有效粒子个数M_eff3，将M_eff3与阈值P进行比较：

如果M_eff3≥P，则将重组粒子集作为协同重采样粒子集；

如果M_eff3＜P，则对重组粒子集采用PF算法进行重采样，将重采样后得到的M个粒子组成的粒子集作为协同重采样粒子集，其中每个粒子的权值均设为1/M；

5)对得到的协同重采样粒子集所辖的粒子进行加权平均运算得到所述系统状态向量s_k的估计值。

本发明的原理如下：

如背景技术所述，由于现有技术中利用多基站通过TDOA技术来实现列车定位追踪存在诸多问题，本发明的思路在于如何减少基站数量，以降低由于多基站间数据交换的不稳定以及基站自身功率等限制造成的定位可靠性和定位精度不理想的问题。现有技术中，要利用TDOA技术对列车进行定位追踪至少需要在一个定位追踪路段布置三个基站，如果单纯减少基站数量(例如单基站)将无法利用TDOA技术实现定位。本发明创造性地引入RIS(Reconfigurable Intelligence Surface重构智能表面)技术，利用RIS反射单元对列车上行定位信号进行反射，只需要再布置一个基站即可获取到TDOA估计值，为了实现列车定位追踪以及提高定位精度，本发明引入AOA估计值和多普勒频移估计值，通过对三组参数的处理即可实现对列车的定位追踪，而且由于对不同类型的三个参数进行处理获取定位信息，还较单独的TDOA参数或者其中两参数结合计算得到的定位估计值更接近真实值，能使得列车的追踪定位精度大大提高。另一方面，由于RIS定位单元是超材料薄层，其可通过嵌在其上的无源和低成本控制元件来控制无线电信号的相位和幅度来改变无线电信号，且RIS可定制传播环境来满足特定的无线通信系统的要求，其对无线通信的传播环境依赖度非常低，受环境干扰少，大大提高了信号传输的稳定性，也进一步提高了获取参数的准确性，从而进一步提高列车定位追踪的精确度。事实上，RIS反射单元还具备硬件成本低、信号传输复杂度低、易于部署等特点，一个RIS反射单元只需要与单个基站配合即可实现列车定位追踪，大大降低了列车定位追踪的硬件成本。

另一方面，为了利用获取到的三个参数TDOA、AOA和多普勒频移来实现对列车的定位追踪，本发明创造性地构建了相应的数学模型，通过现有技术中的非线性滤波算法，利用上述数学模型即可实现对列车的定位追踪，但是由于定位追踪数学模型具有高度的非线性和非高斯特性，如果仅仅采用传统的非线性滤波算法如PF(粒子滤波)算法，其重采样过程会导致权值退化、粒子多样性丧失等问题，导致计算出来的定位估计值偏离真实值较大，从而使列车的定位追踪精度降低。

作为优化方案，本发明采用了双重要性协同采样滤波算法来实现列车定位追踪计算，其主要发明构思是：利用k-1时刻的后验概率分布粒子集，分别采用PF算法和UKF(无迹滤波)算法进行采样更新得到两个k时刻的后验概率分布粒子集，然后计算两个粒子集的有效粒子个数，然后根据权值由大到小的顺序，分别从两个粒子集中选取有效粒子重新组成一个协同重采样粒子集，使协同重采样粒子集中的有效粒子个数尽最大可能满足大于或等于阈值P，从而避免或减少了粒子集迭代更新过程中权值退化、粒子多样性丧失的情况出现，使输出的系统向量s_k的估计值更接近真实值，也即达到使其包含的列车定位信息更精确的目的。

由此可见，本发明具有如下的有益效果：采用本发明所述的方法来对列车进行定位追踪，不但可大大提高定位追踪的精确度和可靠性，还能明显降低定位追踪的成本。

附图说明

本发明的附图说明如下。

附图1为本发明所涉及硬件的布置场景示意图；

附图2为双重要性协同采样滤波算法的流程示意图。

具体实施方式

下面结合实施例对本发明作进一步说明。

实施例一：

如附图1所示，本发明所述的列车定位追踪方法设计的硬件设置包括基站、RIS反射单元和定位信号发射终端；设列车运行的某条线路由n个定位追踪路段组成，每个定位追踪路段均设置有对应的基站和RIS反射单元，所述定位信号发射终端设置在列车上；当列车在k时刻行驶到第i个追踪路段时，按以下方法获取列车定位信息，其中i为1至n的整数：

一)所述定位信号发射终端向第i个追踪路段对应的基站和RIS反射单元发送定位信号，RIS反射单元将接收到的所述定位信号反射给对应的基站；将基站直接从定位信号发射终端接收到的定位信号记为直射信号，将基站从RIS反射单元接收到的定位信号记为反射信号；

二)对基站接收到的直射信号和反射信号进行处理，实时获取TDOA参数估计、AOA参数估计和多普勒频移参数估计；

三)采用PF算法或UKF算法等非线性滤波算法对所述TDOA参数估计、AOA参数估计和多普勒频移参数估计进行处理，获取列车的定位信息；

所述列车的定位信息包括列车在k时刻的位置坐标T_k、列车的速度v_k、列车的运行方向角φ_k(列车运行方向与坐标轴向东方向的夹角)，其中T_k＝(T_x(k)，T_y(k))，T_x(k)为k时刻列车所在位置的横坐标，T_y(k)为k时刻列车所在位置的纵坐标；

所述非线性滤波算法涉及的数学模型包括以下的状态方程和观测方程：

所述状态方程为：

s_k＝f(s_k-1)+q_k

所述观测方程为：

d_k＝h(s_k)+u_k

其中，所述s_k为k时刻的系统状态向量，

所述s_k-1为k-1时刻的系统状态向量，

其中T_x(k-1)为k-1时刻列车所在位置的横坐标，T_y(k-1)为k-1时刻列车所在位置的纵坐标，v_k-1为列车在k-1时刻的速度；φ_k-1为k-1时刻列车的运行方向角；

所述f(s_k-1)为非线性状态方程函数，

其中，Δt为采样时间间隔，Δt为设定值，k时刻等于k-1时刻加采样时间间隔Δt；

所述q_k表示服从均值为零的高斯噪声，即q_k～N(0，Q)，其中Q的取值根据列车运动模型进行设定；

所述d_k为k时刻的系统测量向量，

其中，

表示k时刻的TDOA估计值；

表示k时刻AOA(Angle Of Arrival到达角)的估计值；

表示k时刻多普勒频移的估计值；

所述h(s_k)为非线性观测方程函数，

其中，符号‖ ‖₂表示2阶范数；R表示RIS反射单元的位置坐标，R＝(R_x,R_y)，R_x表示RIS反射单元所在位置的横坐标，R_y表示RIS反射单元所在位置的纵坐标；B表示基站的位置坐标，B＝(B_x,B_y)，B_x表示基站所在位置的横坐标，B_y表示基站所在位置的纵坐标；C表示光速；λ表示所述定位信号的波长；γ根据以下公式确定：

所述u_k表示服从均值为零的高斯分布测量噪声，即u_k～N(0，U)，其中U的值根据测量的误差统计确定。

实施例二：

本实施例与实施例一除了涉及的非线性滤波算法不同外，其他均相同；如附图2所示，本实施例所采用的为双重要性协同采样滤波算法，包括：

1)获取k-1时刻系统状态向量s_k-1的后验概率分布粒子集

一般初始化

2)如附图2的左半部分所示，采用PF算法对所述s_k-1的后验概率分布粒子集进行更新得到所述s_k的第一组后验概率分布粒子集；

具体来说，根据所述状态方程，利用重要性采样函数q(s_k|s_k-1,d_k)＝p(s_k|s_k-1)对粒子集

进行采样得到M个新粒子

其中p(s_k|s_k-1)表示均值为f(s_k-1)，协方差为Q的正态概率密度函数；在获得当前的测量值后，利用下式计算每个新粒子

的权值：

其中，

表示均值为

协方差为U的正态分布概率密度函数；然后再根据下式对新粒子的权值做归一化处理：

如附图2的右半部分所示，PF算法进行的同时，采用UKF算法对所述s_k-1的后验概率分布粒子集进行更新得到所述s_k的第二组后验概率分布粒子集；

具体来说，首先通过无迹滤波器得到状态量后验概率的近似高斯分布，利用重要性采样函数

对粒子集

进行采样得到M个新粒子

其中

表示均值为

协方差为

的正态分布概率密度函数；在获得当前的测量值后，利用下式计算每个新粒子的权值：

然后再与PF算法同样的方法对新粒子的权值做归一化处理；

将所述s_k的第一组后验概率分布粒子集记为第一粒子集，将所述s_k的第二组后验概率分布粒子集记为第二粒子集；第一粒子集的粒子个数和第二粒子集的个数均为M个；

3)根据下式分别计算所述第一粒子集的有效粒子个数M_eff1和第二粒子集的有效粒子个数M_eff2；

其中j为1或2；

4)根据以下方式获取协同重采样粒子集：

设有效粒子个数的阈值为P，P＝M/2；

a)如果M_eff1≥P且M_eff2≥P，则分别对第一粒子集所辖的粒子和第二粒子集所辖的粒子按权值由大到小进行排序，将第一粒子集中权值排在前M/2的粒子与第二粒子集中权值排在前M/2的粒子进行组合得到重组粒子集，并对所述重组粒子集所辖粒子的权值进行归一化处理得到协同重采样粒子集

b)如果M_eff1≥P且M_eff2＜P，或者M_eff2≥P且M_eff1＜P，则选择第一粒子集或第二粒子集作为协同重采样粒子集

c)如果M_eff1＜P且M_eff2＜P，则将第一粒子集和第二粒子集进行合并得到组合粒子集，然后对所述组合粒子集所辖的粒子按权值由大到小进行排序，取组合粒子集中权值排在前M的粒子组成重组粒子集，然后对重组粒子集所辖粒子的权值进行归一化处理，然后计算重组粒子集的有效粒子个数M_eff3，将M_eff3与阈值P进行比较：

如果M_eff3≥P，则将重组粒子集作为协同重采样粒子集

如果M_eff3＜P，则对重组粒子集采用PF算法进行重采样，将重采样后得到的M个粒子组成的粒子集作为协同重采样粒子集

其中每个粒子的权值均设为1/M；

5)对得到的协同重采样粒子集所辖的粒子进行加权平均运算，即

由此得到所述系统状态向量s_k的估计值，系统状态向量的估计值

包含的各个参数即为列车k时刻的定位信息的估计值。对于每个追踪时刻，循环执行步骤一)至步骤三)，每次对上一时刻的系统状态向量进行更新迭代，即可得到当前时刻的系统状态向量估计值，如此，实现对列车在整个行驶线路上各个追踪路段各时刻的定位追踪。

本发明中应用到的RIS技术、PF算法、UKF算法均为现有技术中十分常见的处理手段，相关的内容，本领域技术人员可从现有技术的相关文献中获取。

Claims (3)

1.一种基于RIS技术的列车定位追踪的方法，其特征在于：所涉及的硬件包括基站、RIS反射单元和定位信号发射终端；设列车运行的某条线路由n个定位追踪路段组成，每个定位追踪路段均设置有对应的基站和RIS反射单元，所述定位信号发射终端设置在列车上；当列车在k时刻行驶到第z个追踪路段时，按以下方法获取列车定位信息，其中z为1至n的整数：

一)所述定位信号发射终端向第z个追踪路段对应的基站和RIS反射单元发送定位信号，RIS反射单元将接收到的所述定位信号反射给对应的基站；将基站直接从定位信号发射终端接收到的定位信号记为直射信号，将基站从RIS反射单元接收到的定位信号记为反射信号；

二)对基站接收到的直射信号和反射信号进行处理，获取当前的TDOA参数估计、AOA参数估计和多普勒频移参数估计；

三)采用非线性滤波算法对所述TDOA参数估计、AOA参数估计和多普勒频移参数估计数据进行处理，获取列车的定位信息；

所述列车的定位信息包括列车在k时刻的位置坐标T_k、列车的速度v_k、列车的运行方向角φ_k，其中T_k＝(T_x(k)，T_y(k))，T_x(k)为k时刻列车所在位置的横坐标，T_y(k)为k时刻列车所在位置的纵坐标；

所述非线性滤波算法涉及的数学模型包括以下的状态方程和观测方程：

所述状态方程为：

s_k＝f(s_k-1)+q_k

所述观测方程为：

d_k＝h(s_k)+u_k

其中，所述s_k为k时刻的系统状态向量，

所述s_k-1为k-1时刻的系统状态向量，

其中T_x(k-1)为k-1时刻列车所在位置的横坐标，T_y(k-1)为k-1时刻列车所在位置的纵坐标，v_k-1为列车在k-1时刻的速度；φ_k-1为k-1时刻列车的运行方向角；

所述f(s_k-1)为非线性状态方程函数，

其中，Δt为采样时间间隔，Δt为设定值，k时刻的时间值等于k-1时刻的时间值加上采样时间间隔Δt；

所述q_k表示服从均值为零的高斯噪声，即q_k～N(0，Q)，其中Q的取值根据列车运动模型进行设定；

所述d_k为k时刻的系统测量向量，

其中，

表示k时刻的TDOA估计值；

表示k时刻AOA的估计值；

表示k时刻多普勒频移的估计值；

所述h(s_k)为非线性观测方程函数，

其中，R表示RIS反射单元的位置坐标，R＝(R_x,R_y)，R_x表示RIS反射单元所在位置的横坐标，R_y表示RIS反射单元所在位置的纵坐标；B表示基站的位置坐标，B＝(B_x,B_y)，B_x表示基站所在位置的横坐标，B_y表示基站所在位置的纵坐标；C表示光速；λ表示所述定位信号的波长；γ根据以下公式确定：

所述u_k表示服从均值为零的高斯分布测量噪声，即u_k～N(0，U)，其中U的值根据测量的误差统计确定。

2.如权利要求1所述的基于RIS技术的列车定位追踪的方法，其特征在于：所述非线性滤波算法为PF算法或UKF算法。

3.如权利要求1所述的基于RIS技术的列车定位追踪的方法，其特征在于：所述非线性滤波算法为双重要性协同采样滤波算法，包括：

1)获取所述系统状态向量s_k-1的后验概率分布粒子集；

2)采用PF算法对所述s_k-1的后验概率分布粒子集进行更新得到所述s_k的第一组后验概率分布粒子集；同时，采用UKF算法对所述s_k-1的后验概率分布粒子集进行更新得到所述s_k的第二组后验概率分布粒子集；将所述s_k的第一组后验概率分布粒子集记为第一粒子集，将所述s_k的第二组后验概率分布粒子集记为第二粒子集；设第一粒子集的粒子个数和第二粒子集的个数均为M个；

3)分别计算所述第一粒子集的有效粒子个数M_eff1和第二粒子集的有效粒子个数M_eff2；

4)根据以下方式获取协同重采样粒子集：

设有效粒子个数的阈值为P，P＝M/2；

a)如果M_eff1≥P且M_eff2≥P，则分别对第一粒子集所辖的粒子和第二粒子集所辖的粒子按权值由大到小进行排序，将第一粒子集中权值排在前M/2的粒子与第二粒子集中权值排在前M/2的粒子进行组合得到重组粒子集，然后对所述重组粒子集所辖粒子的权值进行归一化处理得到协同重采样粒子集；

b)如果M_eff1≥P且M_eff2<P，或者M_eff2≥P且M_eff1<P，则选择第一粒子集或第二粒子集作为协同重采样粒子集；

c)如果M_eff1<P且M_eff2<P，则将第一粒子集和第二粒子集进行合并得到组合粒子集，然后对所述组合粒子集所辖的粒子按权值由大到小进行排序，取组合粒子集中权值排在前M的粒子组成重组粒子集，然后对重组粒子集所辖粒子的权值进行归一化处理，然后计算重组粒子集的有效粒子个数M_eff3，将M_eff3与阈值P进行比较：

如果M_eff3≥P，则将重组粒子集作为协同重采样粒子集；

如果M_eff3<P，则对重组粒子集采用PF算法进行重采样，将重采样后得到的M个粒子组成的粒子集作为协同重采样粒子集，其中每个粒子的权值均设为1/M；

5)对得到的协同重采样粒子集所辖的粒子进行加权平均运算得到所述系统状态向量s_k的估计值。

Images