CN114924225A - 一种高精度室内定位方法、装置、设备及介质 - Google Patents

一种高精度室内定位方法、装置、设备及介质 Download PDF

Info

Publication number
CN114924225A
CN114924225A CN202210516407.4A CN202210516407A CN114924225A CN 114924225 A CN114924225 A CN 114924225A CN 202210516407 A CN202210516407 A CN 202210516407A CN 114924225 A CN114924225 A CN 114924225A
Authority
CN
China
Prior art keywords
positioning
coordinates
indoor
coordinate
human body
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.)
Granted
Application number
CN202210516407.4A
Other languages
English (en)
Other versions
CN114924225B (zh
Inventor
任升莲
李英明
陈义华
刘建敏
张妍
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Publication of CN114924225A publication Critical patent/CN114924225A/zh
Application granted granted Critical
Publication of CN114924225B publication Critical patent/CN114924225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/04—Position of source determined by a plurality of spaced direction-finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/0009—Transmission of position information to remote stations
    • G01S5/0018—Transmission from mobile station to base station
    • G01S5/0027—Transmission from mobile station to base station of actual mobile position, i.e. position determined on mobile
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Automation & Control Theory (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提出一种高精度室内定位方法，该方法包括两个方面，一方面为三维精确定位算法：首先利用超宽频带无线定位算法计算人体目标初始定位数据，得到原始定位坐标；然后利用二次加权最小二乘值算法计算原始定位坐标，得到估计坐标；最后将估计坐标代入卡尔曼滤波算法计算，得到精确三维定位坐标。另一方面为人体姿态鉴别方法：首先基于深度学习算法进行姿态鉴别模型的训练，之后将精确定位三维坐标输入训练后的姿态鉴别模型中，从而得到人体目标姿态鉴别结果。本发明解决了定位时信号抗干扰能力不强和不稳定的问题，显著提高了系统的定位精度，并且可对人体目标进行姿态鉴别，获取异常状态，以便及时处理。

Description

一种高精度室内定位方法、装置、设备及介质
技术领域
本发明涉及室内实时定位与姿态监测技术领域，尤其涉及一种高精度室内定位方法、装备、设备及介质。
背景技术
近些年来，随着我国人口老龄化程度的不断加深，空巢老人数量与日俱增，不论是居家养老还是机构养老，老人自己在室内空间独自生活的时间必将大大增加，对老人居家的活动状态进行实时监护显得尤为重要。因此，精确、实时地掌握居家老人的活动位置、身体姿态、健康状态信息是开展远程监控的基础，研制高精度、高集成性、高动态性、高可靠性的居家老人室内定位方法和装置就显得十分迫切。
目前，基于物联网技术的养老健康状态监测穿戴设备较多，它们主要是利用传感器感知老年人的生活起居状态，对老年人的居家活动提供定位与监控，然后基于蓝牙或WIFI技术传输定位数据至后台进行计算以得到定位坐标。
在现有技术中的定位方法中，有的将小波分析与人工神经网络技术相结合，在实际定位场所中对老人的运动轨迹进行定位，为老人提供较为准确的室内定位服务，但该技术不方便整合到移动设备当中且作用距离较短，不便于老年人携带与使用；也有基于通用的室内定位技术和群体智能方法，通过将老人的日常生活活动(ADL,Activities Of DailyLiving)进行标准化，而ADL的最重要信息来源之一就是老年人在日常生活活动期间在家中活动的位置，因此需要运用多种传感器(如定位传感器)来检测老人日常室内活动的行为偏差，但该方法有侵犯老人隐私权的嫌疑且成本较高；也有采用体征监测仪器、老人居家位置安全监护终端传输数据实现室内定位的方法，该技术成本较低且应用广泛，但由于蓝牙技术本身的原因使得定位精度无法低于米级，难以满足高精度室内定位系统的需求。
现有技术中还有使用人体二维或三维骨骼关键点进行老人跌倒检测，但是人体骨骼关键点的获取离不开图像采集，而在室内因为光线或遮挡等原因会导致采集图像的模糊或缺失，从而使获得的骨骼关键点不准确，得到错误的跌倒检测结果。
现有技术中还有通过网络节点通讯程序和信息管理系统程序组成室内定位软件，前者的功能为数据巡回采集及处理(包括报警)，通信中断服务，后者的功能为老人位置化管理、紧急情况预警等；该方法有测量、定位、导航和跟踪四个室内定位功能，这些功能被部署在不同的应用程序服务器上，由给各个组件来实现，功能组件之间存在依赖关系。
上述已有技术中的居家老人室内定位方法，大多采用基于WIFI、蓝牙等信号的室内定位技术，其抗干扰能力差、定位精度低、大多基于二维平面定位，缺乏垂直方向厘米级定位能力和相关姿态鉴别算法，无法监测老人在室内是否突发跌倒状况，无法保证居家老人在室内环境下的高精度定位要求。具体表现为以下四类问题：
(一)抗干扰能力差
目前已存在的定位产品大多基于WIFI、蓝牙等室内定位技术，此等定位技术在视距情况严重的室内环境中较容易受到其他信号干扰或是物体障碍的阻隔，难以保证定位系统的稳定性。
(二)水平定位精度差
目前已有的定位产品大多采用单一的定位算法甚至不采用算法，使得定位系统在水平方向上无法实现实时性的高精度定位，即无法保证系统定位的精确度，对于居家老人来说存在安全隐患。
(三)缺乏垂直方向厘米级定位能力
目前已有的定位产品大多是基于二维平面进行定位的，缺乏垂直方向厘米级定位能力。对于居家的老人来说，若是发生意外，仅靠二维平面定位无法判定老人目前的姿态状况(站立、端坐、倒地)，存在较大的安全风险。
(四)无法对垂直方向姿态进行有效识别
目前具备垂直方向定位功能的定位产品在垂直方向上的定位精度大多在10cm以上，无法满足对老人当前姿态进行精准判定的要求；并且不具备相关深度学习算法，对老人的垂直方向姿态(站立、端坐、跌倒等突发状况)无法进行有效的识别，存在着较大的贻误报警风险。
发明内容
鉴于以上现有技术中存在的问题，本发明提出一种高精度室内定位方法、装备、设备及介质，主要是为了解决现有技术中人体目标定位方法抗干扰能力差、水平定位精度差、缺乏垂直方向厘米级定位能力、无法对垂直方向姿态进行有效识别的问题。
为了实现上述目的及其他目的，本发明采用的技术方案如下。
可选地，提供了一种高精度室内定位方法，包括：
根据基站坐标和标签数据得到室内人体目标的原始定位坐标；
将所述原始定位坐标输入第一定位模型，得到估计坐标；
将所述估计坐标输入第二定位模型，得到精确定位三维坐标；
根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果。
可选地，将所述原始定位坐标输入第一定位模型进行二次加权最小值计算，得到估计坐标；
所述第一定位模型的表述方式包括：
Figure BDA0003639776700000031
其中(x’,y’,z’)为所述估计坐标，wα2为第二次加权最小二乘值方法计算得到的第二估计值，从所述基站坐标中选定一个作为基准基站坐标，所述基准基站坐标为(x1,y1,z1)。
可选地，所述第一定位模型包括第一加权最小二乘值计算单元和第二加权最小二乘值计算单元；
所述第一加权最小二乘值计算单元的表述方式包括：wα1＝(Gα TQ-1Gα)-1Gα TQ-1h1，其中wα1为所述第一估计值，Q为服从高斯分布的噪声矢量协方差矩阵，
Figure BDA0003639776700000041
为第一估计矩阵，h1为第一误差方程；
所述第二加权最小二乘值计算单元的表述方式包括：wα2＝(Gα1 Tψ1 -1Gα1)-1Gα1 Tψ1 - 1h2，其中wα2为所述第二估计值，
Figure BDA0003639776700000042
Figure BDA0003639776700000043
为第二估计矩阵，ψ1＝4B1cov(wα1)B1＝diag{x0-x1,y0-y1,z0-z1,r10,covwα1＝(Gα0Tψ_1Gα0)_1，ψ1为估计协方差矩阵，B1为估计对角矩阵，cov(wα1)为估计协方差，h2为第二误差方程，所述第二误差方程h2根据所述第一估计值建立。
可选地，所述第二定位模型的表述方式包括
Figure BDA0003639776700000044
其中
Figure BDA0003639776700000045
为k时刻的精确定位三维坐标，
Figure BDA0003639776700000046
Bk为k时刻的控制矩阵，
Figure BDA0003639776700000047
为k时刻的人体目标运动的加速度a，Pk为k时刻的协方差矩阵。
可选地，根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果，包括：
获取所述精确定位三维坐标垂直方向中的多个特征均值向量，所述多个特征均值向量处于不同特征通道内；
将所述多个特征均值向量输入所述姿态鉴别模型中，根据预设的相似度阈值判断所述人体目标是否处于异常姿态；
若所述人体目标处于异常姿态，获取异常点坐标；
将所述异常点坐标与预设跌倒状态阈值进行比对，判断人体目标是否处于跌倒状态。
可选地，所述基站坐标包括：至少四个室内基站坐标，所述至少四个室内基站中每两个基站的连线在室内空间呈交叉状态；
所述标签数据包括：标签与所述室内基站之间的距离，所述标签穿戴在所述人体目标上。
可选地，所述室内基站的最大高度与最小高度之间至少存在3m的高度差；
所述室内基站至少组成一个矩形。
可选地，提供了一种高精度室内定位装置，包括：
原始定位坐标获取模块，用于根据基站坐标和标签数据得到室内人体目标的原始定位坐标；
估计坐标获取模块，用于将所述原始定位坐标输入第一定位模型，得到估计坐标；
精确定位三维坐标获取模块，用于将所述估计坐标输入第二定位模型，得到精确定位三维坐标；
姿态鉴别模块，用于根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果。
可选地，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述高精度室内定位方法的步骤。
可选地，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述高精度室内定位方法的步骤：
根据基站坐标和标签数据得到室内人体目标的原始定位坐标；
将所述原始定位坐标输入第一定位模型，得到估计坐标；
将所述估计坐标输入第二定位模型，得到精确定位三维坐标；
根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果。
如上所述，本发明提出一种高精度室内定位方法、装置、设备及介质，具有以下有益效果：
通过三维空间精确定位方法处理，能够解决定位时的信号抗干扰能力不强和不稳定的问题；根据原始定位坐标得到估计坐标，并根据估计坐标得到精确定位三维坐标，降低了水平方向和垂直方向的定位误差，同时还降低了各基站的距离误差；然后，再通过人体姿态鉴别方法判别姿态是否异常，得到人体姿态鉴别结果，从而及时获取室内人体目标的异常状态，避免延误救治。
附图说明
图1为本发明实施例提供的高精度室内定位方法的一个流程示意图；
图2为本发明实施例中复面二重测距原理图；
图3为本发明实施例中三基站定位传感器算法原理图；
图4为本发明实施例中四基站定位传感器算法原理图；
图5为本发明一实施例中原始定位坐标和精确定位三维坐标中x轴上数据的比对结果；
图6为本发明一实施例中原始定位坐标和精确定位三维坐标中y轴上数据的比对结果；
图7为本发明一实施例中原始定位坐标和精确定位三维坐标中z轴上数据的比对结果；
图8为本发明一实施例中原始定位坐标和精确定位三维坐标中A基站的数据比对结果；
图9为本发明一实施例中原始定位坐标和精确定位三维坐标中B基站的数据比对结果；
图10为本发明一实施例中原始定位坐标和精确定位三维坐标中C基站的数据比对结果；
图11为本发明一实施例中原始定位坐标和精确定位三维坐标中D基站的数据比对结果；
图12为本发明一实施例中定位传感器结构示意图；
图13为本发明一实施例中定位传感器一对一测距示意图；
图14为本发明一实施例中二维测距示意图；
图15为本发明一实施例中三维测距示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的高精度室内定位方法主要针对居家老人进行设计，可以为未来智慧养老提供统一的信息管理、远程高精度定位、姿态鉴别和预警等功能，为当下我国的养老模式的室内精确定位和管理提供服务。无论是机构养老、社区养老以及居家养老的哪种模式的养老，只需在老人手臂上穿戴信号发射器(如智能手环)，即可实时掌握老人的位置，并对其姿态进行鉴别以获知是否发生摔倒等行为，为老人的健康提供了保障。另外，今后还可以结合其他功能模块，如在老人穿戴的信号发射器上安装血氧饱和度监控模块、脉搏监控模块等，对老人的心跳、血压、汗液等其它身体特征进行监测，从而实现多功能一体化的养老型室内监测系统，为我国“智慧养老”时代的来临进行探索并做出贡献。
在姿态鉴别方面，近些年来神经网络算法和深度学习技术的快速发展也为室内定位系统的姿态鉴别功能提供了可能，以此来应对老人意外跌倒等紧急情况。相关算法有卷积姿态机、堆叠沙漏网络等，常用的单人姿态估计数据集有LSP、FLIC和LIP，经过近些年的算法提升，这些数据集的评价指标已经趋于完善并逐渐运用在室内定位行业中。
最后随着大数据、物联网等技术的发展，其相关成果也逐渐应用到养老型室内定位系统的研究当中，如借助Estimote公司的iBeacon技术结合低功耗蓝牙BLE手段，收集居家老人的日常室内活动数据，通过大数据对被监控人的数据进行智能分析，分析居家老人在一段时间内的活动路径，让监护人清楚地了解到老人的生活作息，更有利于监护人对老人的监护。与此同时，基于物联网技术的智能基础设施作为智慧养老服务平台的感知层及边缘网络接入，将会直接影响养老服务的便捷性、舒适性、安全性，在系统中同样占有重要位置。
虽然现有技术中存在大量针对居家老人进行室内定位的方法，但由于室内定位系统在使用过程中有许多情况不能由系统开发人员控制，可能因各种因素影响定位精度和姿态鉴别结果，难以达到精确定位的需求。
本发明提供的高精度室内定位方法，可针对居家老人进行室内定位和姿态鉴别：采用超高频带无线定位技术得到原始定位坐标，以达到抗干扰能力强、稳定定位的效果；采用二次加权最小二乘值算法和卡尔曼滤波算法联合对定位数据进行处理，提高水平方向和垂直方向的定位精度；运用深度学习算法对定位数据集中的异常点进行监测和分析，从而进行姿态鉴别，实时获取居家老人的健康安全状况。
参见图1，图1为本发明实施例提供的高精度室内定位方法的一个流程示意图，包括如下步骤：
S1、获取人体目标初始定位数据
通过室内安装的定位基站和人体目标身上穿戴的标签来获取初始定位数据，在本发明中室内定位基站可为定位传感器，其基于室内定位芯片进行开发而成；标签可为穿戴在人体目标身上的定位传感器。
人体目标初始定位数据包括基站坐标和标签数据，基站坐标包括：至少四个室内基站坐标，所述至少四个室内基站中每两个基站的连线在室内空间呈交叉状态；标签数据包括：标签与所述室内基站之间的距离，所述标签穿戴在所述人体目标上。室内基站的最大高度与最小高度之间至少存在3m的高度差；室内基站至少组成一个矩形。
本实施例中，至少四个室内基站能够实现三维定位，第i个室内基站坐标为Bi＝(xi,yi,zi)，i∈[1,n),n≧4，设人体目标身上穿戴的信号发射器的坐标为B＝(x,y,z)。当定位系统中包含四个以上的室内定位基站和一个信号发射器，且基站摆放的最大高度与最小高度之间至少存在3m的高度差，同时任意四个基站趋向为矩形，这样才能计算出信号发射器垂直方向上z轴的值。
S2、根据基站坐标和标签数据得到室内人体目标的原始定位坐标
针对当前基于超宽频带养老型室内定位产品市场的空白问题，以及定位系统因只采用单一定位算法甚至不采用算法从而导致定位精度差的问题，本发明在使用定位传感器和接收信号发射器的基础上，以复面二重测距原理为基本测距原理，运用超宽频带无线定位算法对人体目标初始定位数据进行处理，得到室内人体目标的原始定位坐标。
复面二重测距原理是运用两个基站在单次连接通讯的基础上再增加一次通讯，从而消除两次通讯中因为时钟偏移所引入的误差，其原理如图2所示，复面二重测距原理的计算过程如下：
Figure BDA0003639776700000091
用复面二重测距方式时钟引入的误差为：
Figure BDA0003639776700000092
其中ma为A装置自身时间计算设备的真实频率与估计频率之比，mb为B装置自身时间计算设备的真实频率与估计频率之比，令A、B装置自身的时间计算精度为百万分之二十，即ma和mb的值为0.99998或者1.00002的其中一值。若A装置与B装置之间的距离150米，在信号传输过程中电磁波的传输时间约为499纳秒。因为A、B装置自身时间计算设备所引入的误差为20*499*10-9秒，由此计算出来的误差值为3.3毫米，相对于150米来说基本可以忽略不计了。因此无线信号传输测距领域中复面二重测距是较为常用且精确度较高的一种测距方式。
当拥有三个及以上的基站数据时便可运用定位传感器算法处理定位数据，比如三基站时利用圆形在平面内交于一点进行二维标签定位，其原理图参见图3；比如四基站时可利用球型离体在空间内交于一点进行三维标签定位，其原理图参见图4。
一实施例中，基站个数为4个，标签为信号发射器，利用超宽频带无线定位算法，计算人体目标初始定位数据得到室内人体目标的原始定位坐标，包括以下步骤：根据所述人体目标初始定位数据，获取空间矩阵方程，求解所述空间矩阵方程得到人体目标室内原始坐标。其中本实施例中的定位传感器算法的具体过程如下：
假设基站A的坐标为(x1,y1,z1)，基站B的坐标为(x2,y2,z2)，基站C的坐标为(x3,y3,z3)，基站D的坐标为(x4,y4,z4)，需要求解的信号发射器坐标为(x,y,z)，信号发射器到基站A、B、C、D的距离分别为d1、d2、d3、d4，基于四个基站的坐标、信号发射器分别到四个基站之间的距离建立第一空间方程组：
Figure BDA0003639776700000101
将第一空间方程组中的平方项展开，获得第二空间方程组：
Figure BDA0003639776700000102
将第二空间方程组中的第2,3,4行的式子各自减去第1行式子，得到第三空间方程组：
Figure BDA0003639776700000111
第三空间方程组中，λ1、λ2、λ3的值分别为：
Figure BDA0003639776700000112
将第三空间方程组进行矩阵变换，得到空间矩阵方程，空间矩阵方程为：
Figure BDA0003639776700000113
求解上述空间矩阵方程，得到原始定位坐标(x,y,z)，本发明中的原始定位坐标即为居家老人身上穿戴的信号发射器原始坐标，该坐标并不精确，仍需进一步处理。
传统的单一定位算法在室内定位中具有定位精度差、实时性不高、稳定性差的问题，使用本实施例中的定位传感器算法获得的原始定位坐标能够解决抗干扰能力不强和不稳定的问题。
S3、将所述原始定位坐标输入第一定位模型，得到估计坐标
将原始定位坐标输入第一定位模型进行二次加权最小值计算，得到估计坐标，第一定位模型的表述方式包括：
Figure BDA0003639776700000114
其中(x’,y’,z’)为估计坐标，wα2为第二次加权最小二乘值方法计算得到的第二估计值，从基站坐标中选定一个作为基准基站坐标，所述基准基站坐标为(x1,y1,z1)。
使用第一定位模型进行二次加权最小二乘值计算，初步处理原始定位坐标，二次加权最小二乘值算法是一种基于信号到达时间法(Time of Arrival)和信号到达时间差法(Time Difference of Arrival)的非迭代算法，该算法通过二次加权最小二乘值算法(Weighted least squares)就可获取坐标值而无需考虑初值问题，计算量小且计算速度快，适合小范围内的定位应用。
本发明中的第一定位模型包括第一加权最小二乘值计算单元和第二加权最小二乘值计算单元；第一加权最小二乘值计算单元的表述方式包括：wα1＝(Gα TQ-1Gα)-1Gα TQ-1h1，其中wα1为所述第一估计值，Q为服从高斯分布的噪声矢量协方差矩阵，
Figure BDA0003639776700000121
为第一估计矩阵，h1为第一误差方程；第二加权最小二乘值计算单元的表述方式包括wα2＝(Gα1 Tψ1 -1Gα1)-1Gα1 Tψ1 -1h2，其中wα2为所述第二估计值，
Figure BDA0003639776700000122
为第二估计矩阵，ψ1＝4B1cov(wα1)B1＝diag{x0-x1,y0-y1,z0-z1,r10,covwα1＝(Gα0Tψ_1Gα0)_1，ψ1为估计协方差矩阵，B1为估计对角矩阵，cov(wα1)为估计协方差，h2为第二误差方程，所述第二误差方程h2根据所述第一估计值建立。
本发明中在第一定位模型中基于二次加权最小二乘值算法处理原始定位坐标时，主要包括以下步骤：建立基站位置差矩阵方程；基于误差向量和协方差矩阵，对每组数据进行误差加权，将基站位置差矩阵方程转化为第一加权方程；在第一加权最小二乘值计算单元中求解第一加权方程，得到加权最小二乘初始解，根据加权最小二乘初始解，重新计算第一加权方程，得到第一估计值；在第二加权最小二乘值计算单元中，根据第一估计值，重新构建一组误差方程组，得到第二估计值；根据第二估计值，得到估计坐标。
接下来在一实施例中对二次加权最小二乘值算法进行具体说明，本实施例针对三个基站和一个标签进行估计坐标的计算，可以理解为当基站数量大于等于四个时，可依照三个基站环境得到估计坐标，并且能够达到相同的效果。
当基站数量为三个时，可获取信号发射器的二维坐标，设T(x’,y’)为待估计的信号发射器坐标，Xi(xi,yi)为已知的基站坐标，i∈[1,3]，i为已知基站数量。由信号到达时间差法得：
ri,j＝ri-rj＝c(ti-tj)，
其中，ri、rj分别为信号发射器到第i、j个基站的距离。本实施例中选取第1个基站作为基准基站，基准坐标为(x1,y1)，则各基站之间的距离差公式为：
Figure BDA0003639776700000131
其中，(x’,y’)表示待估计的信号发射器坐标，(xi,yi)表示第i个基站的平面坐标。由几何关系得到信号发射器到第i个基站距离的方程：
ri 2＝(xi-x’)2+(yi-y’)2＝Ki+x’2+y’2-2xix’-2yiy’，
其中，Ki＝xi 2+yi 2；由几何关系得到信号发射器到第1个基站距离的方程：
r1 2＝(x1-x’)2+(y1-y’)2＝K1+x’2+y’2-2x1x’-2y1y’。
将信号发射器到第i个基站距离的方程、到第1个基站距离的方程联立，可得：ri 2-r1 2＝Ki-K1-2xi,1x’-2yi,1y’，其中，xi,1＝xi-x1,yi,1＝yi-y1，方程中消除了未知量的平方项，方程变为线性方程。
另外根据各基站之间的距离差公式可得：
ri 2＝(ri,1+r1)2＝ri,1 2+2ri,1r1+r1 2，
ri 2-r1 2＝ri,1 2+2ri,1r1，
ri,1 2+2ri,1r1＝Ki-K1-2xi,1x’-2yi,1y’，
其中ri,1，Ki，xi,1，yi,1已知，r1，x’，y’未知。
当基站数为3时，即i＝1,2,3时，有如下表达式：
Figure BDA0003639776700000141
假设r1已知，则上式可视为线性方程组求解，因为是二元一次方程，可利用消元法求解，移项后变为：
Figure BDA0003639776700000142
对上式不含x’、y’项的部分简化替代，可得方程组：
Figure BDA0003639776700000143
将上式变换为基站位置差矩阵方程：
Figure BDA0003639776700000144
即AX＝C，利用矩阵的逆即X＝A-1C，其中
Figure BDA0003639776700000145
可得
Figure BDA0003639776700000146
Figure BDA0003639776700000147
可得x’，y’的解为：
Figure BDA0003639776700000148
其中，
Figure BDA0003639776700000149
代入上述x’，y’的解中，其中只有r1未知，若将r1分离出来，可令
Figure BDA0003639776700000151
Figure BDA0003639776700000152
x’，y’的解可变换为：
Figure BDA0003639776700000153
由信号发射器到第i个基站距离的方程，可得：
r1 2＝K1+x’2+y’2-2x1x’-2y1y’，
将矩阵方程代入x’，y’的解中，得：
(q1 2+q2 2-1)r1 2-2[q1(x1-p1)+q2(y1-p2)]r1+[(x1-p1)2+y1-p22＝0，
上式可简化为：
ar1 2+br1+c＝0，
上式为r1的一元二次方程，求解可得两个根，若b2-4ac＝0，两根相等即为解；若b2-4ac>0，根据先验信息可以舍去一个无效的根，将有效的r1代回x’，y’解的变换公式，解得估计值(x’,y’)。
以上为三个基站时求解二维估计坐标的方法，当有更多的基站时，线性方程组便是超定的，由于测量噪声的存在，建立的三维方程ri,1 2+2ri,1r1＝Ki-K1-2xi,x’-2yi,1y’-2zi, 1z’的解无法满足所有的条件，所以合适的解只能是匹配这些方程的最佳解。令wα＝(x’,y’,z’,r1)T，在这里先不考虑x’,y’,z’,r1四者之间的关系，即假设四者线性无关。建立存在TDOA噪声的线性方程组，将ri,1 2+2ri,1r1＝Ki-K1-2xi,1x’-2yi,1y’-2zi,1z’转变为如下形式的矩阵方程：
Figure BDA0003639776700000161
令
Figure BDA0003639776700000162
得：
h＝Gαwα，
w0为ground truth，即实际测量坐标，在此若考虑存在信号到达时间差法观测噪声时即Gz0≠h，误差向量为
Figure BDA0003639776700000163
假设e近似服从高斯分布，且有协方差矩阵，则
ψ＝E(eeT)＝c2BQB，
其中，B＝diag{r2 0,r3 0,…,rn 0}，Q为服从高斯分布的噪声矢量协方差矩阵。误差向量的最小二乘解相当于求解正规方程：
Gα 0Gαwα＝Gα Th，
假定wα中的元素相互独立，当对每组数据的误差加权后，成为加权最小二乘问题。则上式可变化为第一加权方程：
(Gα 0ψ-1Gα)wα＝Gα Tψ-1h，
则wα的加权最小二乘估计为
wα＝(Gα 0ψ-1Gα)-1Gα Tψ-1h，
B中有T(x’,y’,z’)到Xi的真实距离，计算时当T到Xi的距离较远时，可用Q代替ψ，即可以得到加权最小乘初始值：
Figure BDA0003639776700000171
用上式得到的加权最小乘初始值重新计算B，再代入ψ＝E(eeT)＝c2BQB，得到ψ，再代入第一加权方程，便可得到wα的结果，为第一估计值wα1，wα1＝(Gα TQ-1Gα)-1Gα TQ-1h1，其中wα1为所述第一估计值，Q为服从高斯分布的噪声矢量协方差矩阵，
Figure BDA0003639776700000172
为第一估计矩阵，h1为第一误差方程。利用第一估计值，重新构造一组误差方程组进行第二次估计，得
Figure BDA0003639776700000173
其中，wα,表示wα的第i个分量，i∈[1,4]，e1,e2,e3,e4为wα的估计误差。从而得到第二估计值：
wα2＝(Gα1 Tψ1 -1Gα1)-1Gα1 Tψ1 -1h2，
其中
Figure BDA0003639776700000174
为第二估计值，
Figure BDA0003639776700000175
为第二估计矩阵，
Figure BDA0003639776700000176
为第二误差方程，ψ1＝4B1cov(wα1)B1为估计协方差矩阵，B1＝diag{x0-x1,y0-y1,z0-z1,r1 0}为估计对角矩阵，cov(wα1)＝(Gα 0Tψ-1Gα 0)-1为估计协方差矩阵。
根据第二估计值，得到估计坐标T，T的估计结果为：
Figure BDA0003639776700000181
通过上述二次加权最小二乘值算法对人体室内原始坐标进行处理，得到估计坐标(x’,y’,z’)，能够提高定位的精度，降低误差影响。
S4、将估计坐标输入第二定位模型，得到精确定位三维坐标
获取两个服从高斯分布的随机变量和协方差矩阵，建立最佳估计状态矩阵方程组；将所述估计坐标输入所述最佳估计状态矩阵方程组中，得到所述精确定位三维坐标。
在一实施例中，第二定位模型的表述方式包括
Figure BDA0003639776700000182
其中
Figure BDA0003639776700000183
为k时刻的精确定位三维坐标，
Figure BDA0003639776700000184
Bk为k时刻的控制矩阵，
Figure BDA0003639776700000185
为k时刻的人体目标运动的加速度a，Pk为k时刻的协方差矩阵。
在一实施例中，根据估计坐标得到精确定位三维坐标主要包括以下步骤：设置两个服从高斯分布的随机变量；代入加速度，建立下一时刻两个随机变量的方程组；将下一时刻两个随机变量的方程组转化为最佳估计状态矩阵方程，所述最佳估计状态矩阵方程包括控制矩阵和控制向量；根据所述最佳估计状态矩阵方程，结合协方差矩阵，得到精确定位坐标预测矩阵方程组；将估计坐标代入所述精确定位坐标预测矩阵方程组中，得到精确定位三维坐标。
接下来对本实施例中精确定位三维坐标的获取方式进行详细说明：
使用卡尔曼滤波算法对筛选出符合条件的估计坐标再次进行计算，得到目标节点的精确三维坐标。筛选出符合条件的估计坐标时，首先将预测概率函数和测量概率函数相乘，缩小计算范围，然后计算得到的概率密度函数的均值。从计算上说，这两个概率密度函数的乘法与卡尔曼滤波器方程有关，其具体算法过程如下：
以x轴方向为例，在得到估计坐标后，卡尔曼滤波假设两个变量：位置变量和速度变量，这两个变量都是随机的，并且服从高斯分布。每个变量都有一个均值μ，表示随机分布的中心，即为最可能的状态，以及方差σ2，表示不确定性。接着基于高斯分布建立状态变量，所以在时刻k需要两个信息：最佳估计状态
Figure BDA0003639776700000191
以及协方差矩阵Pk，其中，
Figure BDA0003639776700000192
若以基本运动学公式表示预测下一个时刻的位置和速度，可得下一个时刻的位置和速度方程组：
Figure BDA0003639776700000193
用矩阵形式表示为：
Figure BDA0003639776700000194
结合协方差矩阵的计算公式可得：
Figure BDA0003639776700000195
由于定位物体绝大部分时刻都不是以相同的速度进行运动，因此需要引入物体运动的加速度a，因此可将下一个时刻的位置和速度方程组修改为：
Figure BDA0003639776700000196
将上式用矩阵形式表示，可得最佳估计状态矩阵方程：
Figure BDA0003639776700000197
其中Bk称为控制矩阵，
Figure BDA0003639776700000201
称为控制向量，若扩展的协方差为Qk，结合协方差矩阵的计算公式可得精确定位坐标预测矩阵方程组：
Figure BDA0003639776700000202
将x轴方向的估计坐标代入即可求得精确定位坐标。
以上为x轴方向的精确定位坐标求解方法，同理，y轴、z轴方向上的精确定位坐标也可使用上述方法求得精确定位三维坐标
Figure BDA0003639776700000203
其中
Figure BDA0003639776700000204
为k时刻的精确定位三维坐标，
Figure BDA0003639776700000205
Bk为k时刻的控制矩阵，
Figure BDA0003639776700000206
为k时刻的人体目标运动的加速度a，Pk为k时刻的协方差矩阵。将上一步骤中得到的三维估计坐标代入上述精确定位坐标求解方法中，即可得到精确定位三维坐标。
在一实施例中，将通过基站和信号发射器获取的人体目标初始定位数据输入上述步骤S2、S3、S4中，通过MATLAB算法分别进行静态、动态三维定位仿真实验，可得人体目标初始定位数据和精确定位三维坐标的比对结果；参见图5，,为原始定位坐标和精确定位三维坐标中x轴上数据的比对结果；参见图6，为原始定位坐标和精确定位三维坐标中y轴上数据的比对结果；参见图7，为原始定位坐标和精确定位三维坐标中z轴上数据的比对结果；参见图8，为原始定位坐标和精确定位三维坐标中A基站的数据比对结果；参见图9，为原始定位坐标和精确定位三维坐标中B基站的数据比对结果；参见图10，为原始定位坐标和精确定位三维坐标中C基站的数据比对结果；参见图11，为原始定位坐标和精确定位三维坐标中D基站的数据比对结果。
根据图5-11中的三维坐标和各基站的数据比对结果，可知本发明中的方法能够有效地提高定位精度和稳定性，有效抑制了超宽频带定位系统中基站干扰效应，在非视距情况下水平方向的定位误差由6cm降为2cm，垂直方向的定位误差由14cm降为4cm，距各基站的距离误差由6cm降为2cm，显著提高了系统的定位精度与计算效率，同时具有较好的稳定性。
S5、根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果
本发明中人体目标姿态鉴别主要包括以下步骤：基于深度学习算法构建姿态鉴别初始模型；将人体目标室内三维坐标训练数据输入所述姿态鉴别初始模型中进行训练，对所述姿态鉴别初始模型的参数进行优化，得到训练后的姿态鉴别模型；获取所述精确定位三维坐标垂直方向中的多个特征均值向量，所述多个特征均值向量处于不同特征通道内；将所述多个特征均值向量输入基于深度学习建立的姿态鉴别模型中，根据预设的相似度阈值判断所述人体目标是否处于异常姿态；若所述人体目标处于异常姿态，获取异常点坐标；将所述异常点坐标与预设跌倒状态阈值进行比对，判断人体目标是否处于跌倒状态。
在一实施例中，根据相关训练模型算法建立训练模型，对数据集进行更新学习，完成对模型的训练。深度学习下的人体姿态估计采用数据集比对法，将姿态鉴别问题转化为异常点监测的问题，并通过不同特征通道内的异常点分析得到对应时刻的人体垂直姿态。训练模型算法为：假设a(x11,x12,…,x1n)与a(x21,x22,…,x2n)为空间中的两个二维向量，这两个二维向量的夹角余弦为：
Figure BDA0003639776700000211
具体计算公式为：
Figure BDA0003639776700000212
通过运用未知特征向量的余弦值来作为变量计算两个特征向量的夹角偏转，从而以此来表示两个向量之间的相似度，对模型进行训练。
在一实施例中，通过对已有定位数据集进行训练，可以得到训练集4种姿态的特征均值向量S1(t1,a1,σ1)，用待测数据集的特征向量s(t,a,σ)去做余弦测度，与其计算得到值较小的姿态，则说明比较相近，当小于某一特定值时，可视为同一姿态。
根据所建立的姿态训练模型与传感器垂直定位坐标z值，运用上述算法对训练集的特征向量进行训练、分类，以确定老人的正常姿态和异常姿态，之后将待鉴别的定位数据表中垂直定位数据与正常训练模型数据进行比对，可对老人垂直方向上的姿态进行鉴别。可根据预设的相似度阈值判断人体目标是否处于异常状态，如站立时z≥60cm、端坐或躺在床上时60>z≥30cm等，这是正常情况下的姿态鉴别，表明当前老人没有发生异常，健康状态良好；当出现异常状况时，训练模型会捕捉到相应的异常点，设立跌倒状态高度阈值为10cm，时间阈值为1min，垂直定位坐标会在较短时间内大幅下降并最终低于高度阈值，对应过程超过时间阈值，此时便可判定为跌倒状态，进而及时对老人的异常状况进行处理，为老人的居家健康提供保障。
在实际情况中，人体在跌倒之后可能会产生其他动作，因此产生的数据也不一致，本发明所建立的训练模型是基于人体在跌倒后处于相对静止状态的前提之下，即佩戴相应定位传感器的肢体不会产生较大幅度的其他动作。
综上所述，本发明提供了一种高精度室内定位方法，利用超宽频带无线定位算法处理基站坐标和标签数据，得到室内人体目标的原始定位数据，能够解决定位时的抗干扰能力不强和不稳定的问题；采用二次加权最小二乘值算法和卡尔曼滤波方法的联合算法，降低水平方向和垂直方向的定位误差，以及降低各基站的距离误差，提高定位精度；另外，本发明利用深度学习算法构造的训练模型对垂直方向的异常点进行监测和分析，实现人体目标的姿态鉴别。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
在一实施例中，提供一种高精度室内定位装置，该高精度室内定位装置与上述高精度室内定位方法一一对应，为一种用于对居家老人当前位置进行实时监测定位、并判定其是否处于突发跌倒状态的电子装置。该高精度室内定位装置包括原始定位坐标获取模块、估计坐标获取模块、精确定位三维坐标获取模块、姿态鉴别模块。各功能模块详细说明如下：
原始定位坐标获取模块，用于根据基站坐标和标签数据得到室内人体目标的原始定位坐标。根据人体目标初始定位数据，建立空间方程组；将空间方程组转化为空间矩阵，求解所述空间矩阵，得到原始定位坐标。
在一实施例中，原始定位坐标获取模块以复面二重测距原理为基本测距原理，运用定位传感器算法测得人体目标室内原始坐标，能够解决现有技术中抗干扰能力不强和不稳定的问题。
估计坐标获取模块，用于将所述原始定位坐标输入第一定位模型，得到估计坐标。根据原始定位坐标，获取空间矩阵方程组，求解所述空间矩阵方程组得到人体目标室内原始坐标。
在一实施例中，估计坐标获取模块主要用于执行以下步骤：建立基站位置差矩阵方程；基于误差向量和协方差矩阵，对每组数据进行误差加权，将基站位置差矩阵方程转化为第一加权方程；求解第一加权方程，得到加权最小二乘初始解；根据加权最小二乘初始解，重新计算第一加权方程，得到第一估计值；根据第一估计值，重新构建一组误差方程组，得到第二估计值；根据第一估计值和第二估计值，得到估计坐标。
精确定位三维坐标获取模块，用于将所述估计坐标输入第二定位模型，得到精确定位三维坐标。获取两个服从高斯分布的随机变量和协方差矩阵，建立最佳估计状态矩阵方程组；将所述估计坐标输入所述最佳估计状态矩阵方程组中，得到所述精确定位三维坐标。
在一实施例中，精确定位三维坐标获取模块主要用于执行以下步骤：设置两个服从高斯分布的随机变量；代入加速度，建立下一时刻两个随机变量的方程组；将下一时刻两个随机变量的方程组转化为最佳估计状态矩阵方程，所述最佳估计状态矩阵方程包括控制矩阵和控制向量；根据所述最佳估计状态矩阵方程，结合协方差矩阵，得到精确定位坐标预测矩阵方程组；将估计坐标代入所述精确定位坐标预测矩阵方程组中，得到精确定位三维坐标。
姿态鉴别模块，用于根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果。
在一实施例中，姿态鉴别模块主要用于执行以下步骤：基于深度学习算法构建姿态鉴别初始模型；将人体目标室内三维坐标训练数据输入所述姿态鉴别初始模型中进行训练，对所述姿态鉴别初始模型的参数进行优化，得到训练后的姿态鉴别模型；获取所述精确定位三维坐标垂直方向中的多个特征均值向量，所述多个特征均值向量处于不同特征通道内；将所述多个特征均值向量输入基于深度学习建立的姿态鉴别模型中，根据预设的相似度阈值判断所述人体目标是否处于异常姿态；若所述人体目标处于异常姿态，获取异常点坐标；将所述异常点坐标与预设跌倒状态阈值进行比对，判断人体目标是否处于跌倒状态。
通过对已有定位数据集进行训练，可以得到训练集4种姿态的特征均值向量S1(t1,a1,σ1)，用待测数据集的特征向量s(t,a,σ)去做余弦测度，与其计算得到值较小的姿态，则说明比较相近，当小于某一特定值时，可视为同一姿态。
根据所建立的姿态训练模型与传感器垂直定位坐标z值，运用上述算法对训练集的特征向量进行训练、分类，以确定老人的正常姿态和异常姿态，之后将待鉴别的定位数据表中垂直定位数据与正常训练模型数据进行比对，可对老人垂直方向上的姿态进行鉴别。可根据预设的相似度阈值判断人体目标是否处于异常状态，如站立时z≥60cm、端坐或躺在床上时60>z≥30cm等，这是正常情况下的姿态鉴别，表明当前老人没有发生异常，健康状态良好；当出现异常状况时，训练模型会捕捉到相应的异常点，设立跌倒状态高度阈值为10cm，时间阈值为1min，垂直定位坐标会在较短时间内大幅下降并最终低于高度阈值，对应过程超过时间阈值，此时便可判定为跌倒状态，进而及时对老人的异常状况进行处理，为老人的居家健康提供保障。
在一实施例中，还包括了数据获取模块，用于获取人体目标初始定位数据，所述人体目标初始定位数据包括基站坐标和标签数据。
本发明中人体目标初始定位数据包括基站坐标和标签数据，其中，基站坐标包括：至少四个室内基站坐标，所述至少四个室内基站中每两个基站的连线在室内空间呈交叉状态；标签数据包括：标签与所述室内基站之间的距离，所述标签穿戴在所述人体目标上。
在一实施例中，室内基站为室内定位传感器，定位传感器是基于室内定位芯片开发的评估板，参见图12，为定位传感器的结构示意图。本实施例中的定位传感器基于V3.2固件，背部带有一个0.91寸OLED显示屏，两个龟仔按键，USB串口采用CP2102方案，使得硬件串口更加稳定，且配有电源指示灯与信号指示灯。传感器采用标准MODBUS-RTU通讯协议，可轻松与PLC对接。
本发明的定位传感器支持一对一测距、二维定位功能、三维定位功能。参见图13，一对一测距时，使用一个定位传感器和标签进行复面二重测距，其中一个定位传感器接有USB数据线。参见图14，二维定位时，至少需要三个基站及一个标签，且尽量满足任意三个基站趋向为等边三角形。参见图15，三维定位系时，搭建与二维定位类似的定位系统，但至少需要四个基站以及一个标签，并且基站摆放的最大高度与最小高度需要有3m以上的高度差，尽量满足任意四基站趋向为矩形，这样计算出的z轴值精度较高。
本发明提供了一种高精度室内定位装置，该装置通过超宽频带无线定位算法处理人体目标初始定位数据得到人体目标室内原始坐标，使用二次加权最小二乘值算法和卡尔曼滤波算法联合计算原始坐标，得到精确定位三维坐标，显著提高了定位精度和计算效率，同时还具有较好的稳定性；然后再基于深度学习训练姿态鉴别模型，将精确定位三维坐标输入训练后的模型中，得到垂直方向的姿态鉴别结果，及时获得异常或危险状态，为老人的居家健康提供保障。
关于高精度室内定位装置的具体限定可以参考上文中对高精度室内定位方法的限定，在此不再赘述。上述高精度室内定位装置中的各个模块或部分可全部通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是室内定位数据处理端，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的室内定位数据获取端通过网络连接通信。该计算机程序被处理器执行时以实现一种高精度室内定位方法服务端侧的功能或步骤。处理器执行计算机程序时实现以下步骤：
根据基站坐标和标签数据得到室内人体目标的原始定位坐标；
将所述原始定位坐标输入第一定位模型，得到估计坐标；
将所述估计坐标输入第二定位模型，得到精确定位三维坐标；
根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取人体目标初始定位数据；
利用超宽频带无线定位算法，计算所述人体目标初始定位数据得到原始定位坐标；
利用二次加权最小二乘值算法处理原始定位坐标，得到估计坐标；
利用卡尔曼滤波算法处理估计坐标，得到精确定位三维坐标；
基于深度学习算法构建姿态鉴别初始模型；
将人体目标室内三维坐标训练数据输入姿态鉴别初始模型中进行训练，对姿态鉴别初始模型的参数进行优化，得到训练后的姿态鉴别模型；
将精确定位三维坐标中的垂直方向坐标输入所述训练后的姿态鉴别模型中，得到垂直方向姿态鉴别结果。
综上所述，本发明提供了一种高精度室内定位方法，与该方法对应的是一种用于对居家老人当前位置进行实时监测定位、并判定其是否处于突发跌倒状态的电子装置。该电子装置由四个室内基站和一个穿戴式发射器及其定位算法软件组成。两两室内基站的连线在室内空间呈交叉状态，穿戴式发射器戴在居家老人的肢体上，实现信号的发射与接收；定位技术采用超宽频带室内定位算法，在此基础上联合二次加权最小值算法和卡尔曼滤波算法提高三维空间测距精度，可精确获取目标的室内X、Y、Z位置数据，在非视距环境下垂直方向的定位误差小于4cm，水平方向上的定位误差小于2cm，满足养老型室内定位产品的抗干扰和高精度要求。
通过深度学习方法建立训练模型，对比定位时获取的数据集，对老人的姿态进行估计，以确定是否发生异常状况，从而进行报警。
本发明中的高精度室内定位方法解决了以下三个问题：
(一)抗干扰问题
采用超宽频带无线定位技术，该技术具有定位精度高、抗多径效果好、穿透力强、安全性高的特点，用于解决现有技术中的定位产品抗干扰能力不强和不稳定的问题。
(二)提高定位精度问题
本发明采用二次加权最小值算法和卡尔玛滤波算法对原始定位数据进行处理，使X、Y方向的定位误差不大于2cm，垂直方向的定位误差并不大于4cm，距各基站的距离误差不大于2cm，显著提高了系统的定位精度，满足高精度养老型室内定位系统的精度需求。
(三)垂直方向姿态鉴别问题
本发明除了提供高精度的三维定位外，还通过深度学习算法训练的模型对定位数据集的异常点进行监测和分析，进而对老人姿态进行评估，建立姿态异常判据：如老人垂直定位高程(例如10cm)持续时间超过时间阈值(例如≥1min)，则判定老人目前处于跌倒异常状态，从而进行进一步紧急处理。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种高精度室内定位方法，其特征在于，包括：
根据基站坐标和标签数据得到室内人体目标的原始定位坐标；
将所述原始定位坐标输入第一定位模型，得到估计坐标；
将所述估计坐标输入第二定位模型，得到精确定位三维坐标；
根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果。
2.根据权利要求1所述的高精度室内定位方法，其特征在于：
将所述原始定位坐标输入第一定位模型进行二次加权最小值计算，得到估计坐标；
所述第一定位模型的表述方式包括：
Figure FDA0003639776690000011
其中(x’，y’，z’)为所述估计坐标，wα2为第二次加权最小二乘值方法计算得到的第二估计值，从所述基站坐标中选定一个作为基准基站坐标，所述基准基站坐标为(x1，y1，z1)。
3.根据权利要求2所述的高精度室内定位方法，其特征在于：
所述第一定位模型包括第一加权最小二乘值计算单元和第二加权最小二乘值计算单元；
所述第一加权最小二乘值计算单元的表述方式包括：wα1＝(Gα TQ-1Gα)-1Gα TQ-1h1，其中wα1为所述第一估计值，Q为服从高斯分布的噪声矢量协方差矩阵，
Figure FDA0003639776690000012
为第一估计矩阵，h1为第一误差方程；
所述第二加权最小二乘值计算单元的表述方式包括：
wα2＝(Gα1 Tψ1 -1Gα1)-1Gα1 Tψ1 -1h2，其中wα2为所述第二估计值，
Figure FDA0003639776690000013
Figure FDA0003639776690000014
为第二估计矩阵，
Figure FDA0003639776690000015
Figure FDA0003639776690000016
ψ1为估计协方差矩阵，B1为估计对角矩阵，cov(wα1)为估计协方差，h2为第二误差方程，所述第二误差方程h2根据所述第一估计值建立。
4.根据权利要求1所述的高精度室内定位方法，其特征在于：
所述第二定位模型的表述方式包括
Figure FDA0003639776690000021
其中
Figure FDA0003639776690000022
Figure FDA0003639776690000023
为k时刻的精确定位三维坐标，
Figure FDA0003639776690000024
Bk为k时刻的控制矩阵，
Figure FDA0003639776690000025
为k时刻的人体目标运动的加速度a，Pk为k时刻的协方差矩阵。
5.根据权利要求1所述的高精度室内定位方法，其特征在于，根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果，包括：
获取所述精确定位三维坐标垂直方向中的多个特征均值向量，所述多个特征均值向量处于不同特征通道内；
将所述多个特征均值向量输入所述姿态鉴别模型中，根据预设的相似度阈值判断所述人体目标是否处于异常姿态；
若所述人体目标处于异常姿态，获取异常点坐标；
将所述异常点坐标与预设跌倒状态阈值进行比对，判断人体目标是否处于跌倒状态。
6.根据权利要求1所述的高精度室内定位方法，其特征在于：
所述基站坐标包括：至少四个室内基站坐标，所述至少四个室内基站中每两个基站的连线在室内空间呈交叉状态；
所述标签数据包括：标签与所述室内基站之间的距离，所述标签穿戴在所述人体目标上。
7.根据权利要求6所述的高精度室内定位方法，其特征在于：
所述室内基站的最大高度与最小高度之间至少存在3m的高度差；
所述室内基站至少组成一个矩形。
8.一种高精度室内定位装置，其特征在于，包括：
原始定位坐标获取模块，用于根据基站坐标和标签数据得到室内人体目标的原始定位坐标；
估计坐标获取模块，用于将所述原始定位坐标输入第一定位模型，得到估计坐标；
精确定位三维坐标获取模块，用于将所述估计坐标输入第二定位模型，得到精确定位三维坐标；
姿态鉴别模块，用于根据所述精确定位三维坐标进行异常姿态鉴别，得到人体姿态鉴别结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述高精度室内定位方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7任一项所述高精度室内定位方法的步骤。
CN202210516407.4A 2022-04-28 2022-05-12 一种高精度室内定位方法、装置、设备及介质 Active CN114924225B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210470153 2022-04-28
CN2022104701537 2022-04-28

Publications (2)

Publication Number Publication Date
CN114924225A true CN114924225A (zh) 2022-08-19
CN114924225B CN114924225B (zh) 2024-09-17

Family

ID=82809507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210516407.4A Active CN114924225B (zh) 2022-04-28 2022-05-12 一种高精度室内定位方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114924225B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798053A (zh) * 2023-01-31 2023-03-14 中国科学技术大学 人体姿态估计模型的训练方法、人体姿态估计方法及装置
CN117406170A (zh) * 2023-12-15 2024-01-16 中科华芯(东莞)科技有限公司 一种基于超宽带的定位方法及系统
CN118102444A (zh) * 2024-04-23 2024-05-28 厦门大学 自适应自更新的室内定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109115219A (zh) * 2018-07-13 2019-01-01 国网江西省电力有限公司信息通信分公司 一种基于场景系数的室内三维定位方法
CN110658492A (zh) * 2019-10-10 2020-01-07 重庆邮电大学 一种室内目标与散射体位置优化的迭代方法
KR20210082749A (ko) * 2019-12-26 2021-07-06 한국과학기술원 실내측위장치 및 실내측위방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109115219A (zh) * 2018-07-13 2019-01-01 国网江西省电力有限公司信息通信分公司 一种基于场景系数的室内三维定位方法
CN110658492A (zh) * 2019-10-10 2020-01-07 重庆邮电大学 一种室内目标与散射体位置优化的迭代方法
KR20210082749A (ko) * 2019-12-26 2021-07-06 한국과학기술원 실내측위장치 및 실내측위방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范绍帅 等: "基于时变钟差消除的室内载波相位定位算法", 《通信学报》, 30 September 2021 (2021-09-30), pages 165 - 172 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798053A (zh) * 2023-01-31 2023-03-14 中国科学技术大学 人体姿态估计模型的训练方法、人体姿态估计方法及装置
CN117406170A (zh) * 2023-12-15 2024-01-16 中科华芯(东莞)科技有限公司 一种基于超宽带的定位方法及系统
CN118102444A (zh) * 2024-04-23 2024-05-28 厦门大学 自适应自更新的室内定位方法

Also Published As

Publication number Publication date
CN114924225B (zh) 2024-09-17

Similar Documents

Publication Publication Date Title
CN114924225B (zh) 一种高精度室内定位方法、装置、设备及介质
CN112346055B (zh) 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备
JP5873864B2 (ja) オブジェクト追跡及び認識方法及び装置
Geng et al. Enlighten wearable physiological monitoring systems: On-body rf characteristics based human motion classification using a support vector machine
JP5515647B2 (ja) 測位装置
CN112346050B (zh) 基于Wi-Fi设备的跌倒检测方法及系统
Alsinglawi et al. RFID localisation for Internet of Things smart homes: a survey
Hu et al. A human body posture recognition algorithm based on BP neural network for wireless body area networks
Yao et al. Fall detection system using millimeter-wave radar based on neural network and information fusion
Fei et al. Multi-variations activity based gaits recognition using commodity WiFi
Yang et al. Unsupervised detection of apnea using commodity RFID tags with a recurrent variational autoencoder
CN111506199B (zh) 基于Kinect的高精度无标记全身运动追踪系统
Cheng et al. Activity recognition and localization based on UWB indoor positioning system and machine learning
CN114818788A (zh) 基于毫米波感知的追踪目标状态识别方法和装置
CN117055004A (zh) 一种基于毫米波雷达稀疏点云的三维人体骨架估计方法
Alsinglawi et al. Passive RFID localisation framework in smart homes healthcare settings
CN115469301A (zh) 基于超宽带雷达的老年人活动能力评估方法及系统
Zhao et al. Wear‐free indoor fall detection based on RFID and deep residual networks
Konings et al. Improved distance metrics for histogram-based device-free localization
Pan et al. Heterogeneous sensor data fusion for human falling detection
Sukreep et al. Indoor Position Detection Using Smartwatch and Beacons.
CN115770017A (zh) 睡眠状态确定方法、系统、装置及电子设备
JP7147942B1 (ja) データ収集装置、データ収集システム、データ収集方法
Liang et al. Real-time indoor patient movement pattern telemonitoring with one-meter precision
CN104266645B (zh) 一种室内人员行为识别及位置跟踪系统及方法

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