CN114979951A - 一种nlos环境下针对未知干扰的三维定位方法 - Google Patents

一种nlos环境下针对未知干扰的三维定位方法 Download PDF

Info

Publication number
CN114979951A
CN114979951A CN202210548984.1A CN202210548984A CN114979951A CN 114979951 A CN114979951 A CN 114979951A CN 202210548984 A CN202210548984 A CN 202210548984A CN 114979951 A CN114979951 A CN 114979951A
Authority
CN
China
Prior art keywords
positioning
target
base station
base stations
dimensional
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.)
Pending
Application number
CN202210548984.1A
Other languages
English (en)
Inventor
郭贤生
黄河
司皓楠
韩璐飞
张明恒
钱博诚
黄健
张玉坤
李林
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.)
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
Yangtze River Delta Research Institute of UESTC Huzhou
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 Yangtze River Delta Research Institute of UESTC Huzhou filed Critical Yangtze River Delta Research Institute of UESTC Huzhou
Priority to CN202210548984.1A priority Critical patent/CN114979951A/zh
Publication of CN114979951A publication Critical patent/CN114979951A/zh
Pending legal-status Critical Current

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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • H04W4/02—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
    • H04W4/30—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明属于室内定位技术领域，具体涉及一种NLOS环境下针对未知干扰的三维定位方法。本发明在在NLOS环境下，根据已知测距信息建立三维约束优化定位模型，通过线性最小二乘法的定位结果建立约束并据此改进粒子群优化、鸡群优化、蚁狮优化算法的搜索范围用于求解所提定位方法。包括以下步骤：在室内设置4个固定的基站和一个待求的移动标签点，以室内一点为原点，建立空间三维坐标系；以超宽带的通信方式获取4个基站的三维坐标值以及各基站与标签节点的距离值；利用最小二乘法求出标签节点的三维坐标，保留除高度坐标外的二维坐标，利用约束优化重新计算标签节点的高度值。

Description

一种NLOS环境下针对未知干扰的三维定位方法
技术领域
本发明属于室内定位技术领域，具体涉及一种NLOS环境下针对未知干扰的三维定位方法。
背景技术
室内定位技术是推动当前众多创新应用的关键因素。与基于接收信号强度(receive signal strength，RSS)的定位技术(如蓝牙，WiFi和射频识别)相比，超宽带(ultra-wide band,UWB)定位技术具有更高的定位精度。UWB技术的时间分辨率极高，因此常通过测距实现定位。然而在非视距(non-line-of-sight,NLOS)环境下，定位目标极大可能与各类物体发生重叠。尽管UWB技术具有很强的穿透能力，但仍会产生一定的测距误差，各类定位算法的性能也因此受到影响。
为提高NLOS干扰下的定位精度，目前的实现途径主要分为：对NLOS误差进行精确建模，基于数据学习修正误差，对NLOS路径识别，融合其它传感器数据实现定位等四类。这些方法均在特定条件有效提高了定位精度，但也存在一定缺点。例如机器学习可以深层次地从测距数据中提取特征，但需要依靠大量样本数据训练参数网络以此达到高性能的学习效率。通过预先标定和校准NLOS误差的分布特征，文献“Shi X，Mao G，Yang Z，et al.MLE-based localization and performance analysis in probabilistic LOS/NLOSenvironment[J].Neurocomputing，2017，270:101-109”能实现最佳的定位效果。然而实际环境更复杂和多变，需要耗时且昂贵的测试过程来拟合误差精确的先验分布，由此导致算法成本过高、应用受到局限。
发明内容
针对上述问题，本发明提出了一种NLOS环境下针对未知干扰的三维定位方法。
本发明的技术方案为：
一种NLOS环境下针对未知干扰的三维定位方法，包括以下步骤：
S1、在定位区域设置L个固定的基站，L≥3；
S2、在定位区域选择一点作为原点，建立空间三维坐标系；
S3、通过超宽带的通信方式，获取所有基站的三维坐标值以及每个基站到目标的测距数据r＝[r1,r2,…,rL]，rl为第l个基站的测距数据，l＝1,2,…，L，第l个基站的位置为xl＝[xl yl zl]T；
S4、通过LLS法解算出目标二维坐标估计值为
Figure BDA0003653691120000021
建立目标高度的代价函数为：
Figure BDA0003653691120000022
采用群体智能优化算法求解得到目标高度估计结果：
Figure BDA0003653691120000023
则得到定位结果为定位结果为
Figure BDA0003653691120000024
S5、根据步骤S4获得的定位结果建立约束条件：
Figure BDA0003653691120000025
Figure BDA0003653691120000026
Figure BDA0003653691120000027
其中，△x,△y,△z为围绕
Figure BDA0003653691120000028
设定的偏差；
定义不同基站到目标的测量距离差为{△rij|1≤i≤L,1≤j≤L,i≠j}，不同基站到目标的理论距离差为
Figure BDA0003653691120000029
将△rij与
Figure BDA00036536911200000210
表示为：
△rij＝ri-rj
Figure BDA00036536911200000211
其中(x,y,z)为待定位目标的坐标；
选定序号为j的基站作为参考基站，j＝1,2,…,L，降低其余基站到参考基站j的测量数据差与理论数据差之间的偏差，建立代价函数
Figure BDA00036536911200000212
其中，
Figure BDA0003653691120000031
充分遍历所有基站的数据通过代价函数降低偏差，得到优化结果为：
Figure BDA0003653691120000032
Figure BDA0003653691120000033
其中，
Figure BDA0003653691120000034
表示在第j个参考基站下，通过代价函数求解出的目标定位结果，
Figure BDA0003653691120000035
表示对所有组定位结果取平均得到最终的目标位置坐标。
本发明的有益效果为，本发明建立了两类优化定位模型，所提模型不依靠误差的先验信息，可实现LOS环境及NLOS环境下的三维定位。实测结果显示：1)与其它定位方法相比，本发明的方法定位精度更高，对基站布设不敏感；2)对比了改进搜索范围的粒子群优化、鸡群优化、蚁狮优化算法的定位结果，本发明定位方法可通过较少耗时实现更稳定的定位性能。
附图说明
图1是本发明方法与其它方法绝对定位误差的CDF对比。
图2是本发明方法与其它方法RMSE对比。
图3是本发明方法与其它方法CDF对比。
图4是不同参数值△z的定位性能。
具体实施方式
下面结合附图和实施例对本发明进行详细的说明：
实施例
本例设置定位环境为一间7.6m×9.2m×3m的实验室，在其中放置4个UWB基站，坐标分别为(0，0，1.3)m、(5，0，1.7)m、(0，5，1.7)m、(5，5，1.3)m，放置一个可移动标签用于定位。
在LOS环境下，标签被放置在324个不同位置，相同位置的若干组测距数据形成一个测试文件，共采集77046组距离数据。在NLOS环境下，测出231个测试点共37956组距离数据，NLOS干扰是完全未知的。在上述测试点中，标签被放置在0.88m、1.3m、1.7m、2m不同的高度上。测距数据通过程序清洗预处理，排除异常突变的测距值。
模型建立
在空间中布设L(L≥3)个UWB基站，测量模型可表示为
r＝f(x)+n (1)
式中，r＝[r1,r2,…,rL]为测量向量，f为一簇已知关于目标位置的非线性函数，x＝[x y z]T为目标的位置坐标，n＝[n1,n2,…,nL]为测量误差，第l个基站的位置为xl＝[xlyl zl]T，采用基于飞行时间(Time of Flight,TOF)的双向测距技术测算出基站与目标之间的距离值。则式(2)进一步表示为
Figure BDA0003653691120000041
式中dl为基站与目标间的距离。
采用LLS方法作为基础定位方法，并将其扩展到三维定位：
首先，将式(3)转换为一组具有零均值扰动的线性方程
Figure BDA0003653691120000042
同时引入误差分量ml和虚拟变量R
Figure BDA0003653691120000043
R＝x2+y2+z2 (5)
将式(5)(6)带入式(4)得
Figure BDA0003653691120000044
将式(7)写成矩阵形式，令
θ＝[x y z R]T (7)
q＝[m1 m2 … mL]T (8)
Figure BDA0003653691120000045
Figure BDA0003653691120000051
则式(7)可写为
Aθ+q＝b (11)
忽略二次项可得
Figure BDA0003653691120000052
假设测量噪声为零均值的，得到线性最小二乘方法的代价函数
Figure BDA0003653691120000053
式(14)为关于
Figure BDA0003653691120000054
的二次函数，通过对
Figure BDA0003653691120000055
求导并令结果为0，得到LLS估计
Figure BDA0003653691120000056
因此定位结果表示为
Figure BDA0003653691120000057
当目标处在同一位置时，UWB系统可采集到多组距离数据，若无实时定位输出要求，对解算出来的多组位置坐标做聚类分析，从而降低异常解对结果的影响。
本发明的定位方法为：
1)LOS环境下定位算法设计
首先通过LLS算法解算目标的x和y坐标。然后通过建立和优化代价函数的形式求解目标高度。
代价函数构建为
Figure BDA0003653691120000061
式中，
Figure BDA0003653691120000062
为目标二维坐标的LLS估计。结果表示为
Figure BDA0003653691120000063
定位结果为
Figure BDA0003653691120000064
2)NLOS环境下抗干扰定位算法设计
a)设计约束条件
在NLOS环境下，借助LOS环境下的方法解算出目标的一组粗糙三维坐标，表示为[xLLS,yLLS,zopt]T，建立约束条件
Figure BDA0003653691120000065
Figure BDA0003653691120000066
Figure BDA0003653691120000067
式(19)(20)(21)可转化为6个不等式约束，△x,△y,△z为围绕xLLS,yLLS,zopt设定的偏差。
b)构建代价函数
令不同基站到目标的测量距离差为{△rij|1≤i≤L,1≤j≤L,i≠j}，令不同基站到目标的理论距离差为
Figure BDA0003653691120000068
则△rij与
Figure BDA0003653691120000069
可表示为
△rij＝ri-rj (21)
Figure BDA00036536911200000610
选定序号为j(j＝1,2,…,L)的基站作为参考基站，降低其余基站到参考基站j的测量数据差与理论数据差之间的偏差，建立代价函数
Figure BDA00036536911200000611
式中
Figure BDA0003653691120000071
将式(17)、(24)式作为三种方法的适应度函数，优化类型为求解最小值。在三类群体中，计算个体的适应度值并将每个可能解看作个体的位置，通过三种不同的启发机制迭代寻优，最终获得适应度值最优的个体，其位置即为目标坐标。充分遍历所有基站的数据通过式(24)降低偏差，优化结果表示为
Figure BDA0003653691120000072
Figure BDA0003653691120000073
式中
Figure BDA0003653691120000074
表示在第j个参考基站下，通过式(24)求解出的目标定位结果，式(26)表示对所有组定位结果取平均得到最终的目标位置坐标。
定位方法求解
1)输入空间中所有基站与目标之间的测距数据r与基站的位置坐标。
2)通过LLS法解算出目标二维坐标[xLLS,yLLS]T，采用群体智能优化方法求解式(17)，得到LOS环境下目标的三维坐标。
3)在NLOS环境下，通过1)、2)步骤并由式(18)获得目标粗糙坐标[xLLS,yLLS,zopt]T，初始化△x,△y,△z构建约束并对参考基站编号。
4)构建参考基站的代价函数式(24)，采用群体智能优化方法求解，得到一组定位结果。
5)判断是否求解出完所有参考基站下的定位结果，否则重复4)。
6)对L组定位结果取平均，获得NLOS环境下目标的三维坐标。
为充分对比不同智能优化算法的求解性能，设定三种算法的种群规模为50，最大迭代次数为300。针对两类测试文件，采用上述方法，得到本发明方法的定位结果，同时对比LLS算法、改进最小二乘算法的定位结果，设定△x,△y为0.2m，△z为1.2m。计算坐标的绝对定位误差、累积分布函数(cumulative distribution function，CDF)与均方根误差(RootMean Squared Error，RMSE)作为性能评价标准。
Figure BDA0003653691120000081
式中，(x,y,z)为待定位标签的真实位置，
Figure BDA0003653691120000082
为定位算法的估计位置。对比结果如表1和表2。
表1 324个测试点平均实验结果/m
Figure BDA0003653691120000083
表2 231个测试点平均实验结果/m
Figure BDA0003653691120000084
实测定位结果显示：如图1-图4所示，1)在LOS环境下，当UWB信号未受到遮挡时，在三维定位RMSE上，本发明方法较LLS和文献“王桂杰，焦良葆，曹雪虹.基于最小二乘法的室内三维定位算法研究[J].计算机技术与发展，2020，30(04):69-73”算法分别减少0.26m、0.4m左右，定位性能最好；2)NLOS环境环境下，本发明方法的结果在二维定位的RMSE上比传统LLS与文献“王桂杰，焦良葆，曹雪虹.基于最小二乘法的室内三维定位算法研究[J].计算机技术与发展，2020，30(04):69-73”算法约提高0.07m，在三维定位RMSE上，分别提高约1.66m，0.30m；3)与PSO与ALO相比，将本发明方法与CSO结合进行优化更具有实际应用价值，性能对比如表3。
表3优化性能对比
Figure BDA0003653691120000091

Claims (1)

1.一种NLOS环境下针对未知干扰的三维定位方法，其特征在于，包括以下步骤：
S1、在定位区域设置L个固定的基站，L≥3；
S2、在定位区域选择一点作为原点，建立空间三维坐标系；
S3、通过超宽带的通信方式，获取所有基站的三维坐标值以及每个基站到目标的测距数据r＝[r1,r2,…,rL]，rl为第l个基站的测距数据，l＝1,2,…，L，第l个基站的位置为xl＝[xl yl zl]T；
S4、通过LLS法解算出目标二维坐标估计值为
Figure FDA0003653691110000011
建立目标高度的代价函数为：
Figure FDA0003653691110000012
采用群体智能优化算法求解得到目标高度估计结果：
Figure FDA0003653691110000013
则得到定位结果为定位结果为
Figure FDA0003653691110000014
S5、根据步骤S4获得的定位结果建立约束条件：
Figure FDA0003653691110000015
Figure FDA0003653691110000016
Figure FDA0003653691110000017
其中，△x,△y,△z为围绕
Figure FDA0003653691110000018
设定的偏差；
定义不同基站到目标的测量距离差为{△rij|1≤i≤L,1≤j≤L,i≠j}，不同基站到目标的理论距离差为
Figure FDA0003653691110000019
将△rij与
Figure FDA00036536911100000110
表示为：
△rij＝ri-rj
Figure FDA00036536911100000111
其中(x,y,z)为待定位目标的坐标；
选定序号为j的基站作为参考基站，j＝1,2,…,L，降低其余基站到参考基站j的测量数据差与理论数据差之间的偏差，建立代价函数
Figure FDA0003653691110000021
其中，
Figure FDA0003653691110000022
充分遍历所有基站的数据通过代价函数降低偏差，得到优化结果为：
Figure FDA0003653691110000023
Figure FDA0003653691110000024
其中，
Figure FDA0003653691110000025
表示在第j个参考基站下，通过代价函数求解出的目标定位结果，
Figure FDA0003653691110000026
表示对所有组定位结果取平均得到最终的目标位置坐标。
CN202210548984.1A 2022-05-20 2022-05-20 一种nlos环境下针对未知干扰的三维定位方法 Pending CN114979951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210548984.1A CN114979951A (zh) 2022-05-20 2022-05-20 一种nlos环境下针对未知干扰的三维定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210548984.1A CN114979951A (zh) 2022-05-20 2022-05-20 一种nlos环境下针对未知干扰的三维定位方法

Publications (1)

Publication Number Publication Date
CN114979951A true CN114979951A (zh) 2022-08-30

Family

ID=82985538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210548984.1A Pending CN114979951A (zh) 2022-05-20 2022-05-20 一种nlos环境下针对未知干扰的三维定位方法

Country Status (1)

Country Link
CN (1) CN114979951A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116801380A (zh) * 2023-03-23 2023-09-22 昆明理工大学 基于改进全质心-Taylor的UWB室内定位方法
CN117289207A (zh) * 2023-11-22 2023-12-26 成都宜泊信息科技有限公司 一种适用于室内nlos环境的定位方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116801380A (zh) * 2023-03-23 2023-09-22 昆明理工大学 基于改进全质心-Taylor的UWB室内定位方法
CN116801380B (zh) * 2023-03-23 2024-05-28 昆明理工大学 基于改进全质心-Taylor的UWB室内定位方法
CN117289207A (zh) * 2023-11-22 2023-12-26 成都宜泊信息科技有限公司 一种适用于室内nlos环境的定位方法
CN117289207B (zh) * 2023-11-22 2024-01-26 成都宜泊信息科技有限公司 一种适用于室内nlos环境的定位方法

Similar Documents

Publication Publication Date Title
CN114979951A (zh) 一种nlos环境下针对未知干扰的三维定位方法
CN108696932B (zh) 一种利用csi多径及机器学习的室外指纹定位方法
CN107371129B (zh) 基于高度辅助修正的室内定位的tdoa定位方法
Ficco et al. Calibrating indoor positioning systems with low efforts
CN109100683A (zh) 基于卡尔曼滤波的chan-加权质心室内定位方法
CN107371133B (zh) 一种提高基站定位精度的方法
CN104038901B (zh) 一种减少指纹数据采集工作量的室内定位方法
CN104853435A (zh) 一种基于概率的室内定位方法和装置
CN102291817A (zh) 移动通信网络中的基于位置测量样本的群定位方法
CN110493869B (zh) 一种基于rssi的k近邻差分修正质心定位方法
CN107979817A (zh) 一种移动终端二维指纹定位方法
CN107592654B (zh) 一种基于压缩感知的同频多辐射源场强定位方法
CN103096465A (zh) 一种环境自适应的多目标直接定位方法
CN105187139B (zh) 一种基于群智感知的室外无线信号接收强度地图构建方法
CN111487586B (zh) 基于分布式无源定位技术的定位精度提高方法
CN115979245B (zh) 一种自校准估计的磁感应网络定位方法
CN116761250A (zh) 一种基于智能体交互深度强化学习的室内定位方法
CN110662167A (zh) 一种室内异构网络间协同定位方法、系统及可读存储介质
CN111918389B (zh) 一种基于无人机网关的室外定位方法及装置
CN111314896B (zh) 环境自适应指纹库的二次构建方法
Karima et al. Optimization of access point positioning on Wi-Fi networks using the k-means clustering method
Li et al. Research on UWB Positioning Based on Improved ABC Algorithm
CN111597504B (zh) 一种飞机关键特征检测方法
Zhang et al. A Bluetooth Location Method Based on WKNN and Bee Colony K-means Algorithm
CN108924748A (zh) 一种基于元胞自动机的无线室内定位方法

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