CN116170744A - 一种基于超宽带的室内跨区域盲点定位方法和系统 - Google Patents
一种基于超宽带的室内跨区域盲点定位方法和系统 Download PDFInfo
- Publication number
- CN116170744A CN116170744A CN202310179626.2A CN202310179626A CN116170744A CN 116170744 A CN116170744 A CN 116170744A CN 202310179626 A CN202310179626 A CN 202310179626A CN 116170744 A CN116170744 A CN 116170744A
- Authority
- CN
- China
- Prior art keywords
- ultra
- neural network
- wideband
- blind spot
- coordinate
- 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
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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
-
- 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
-
- 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
-
- 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)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于超宽带的室内跨区域盲点定位方法和系统,其中,方法包括:固定超宽带基站和角度传感器,确定定位区域和盲点区域,超宽带基站采用矩形摆布;在盲点区域放置标签并通电,通过在盲点区域内移动标签对神经网络进行训练,得到神经网络模型,并存储对应的神经网络权重;获取目标标签信号,通过角度传感器判断目标标签所处的盲点区域,确定对应的目标神经网络模型,基于目标标签,采用到达时间差、泰勒迭代定位、动态卡尔曼滤波追踪和目标神经网络模型,分别得到第一坐标至第四坐标,并结合对应的神经网络权重,计算得到目标坐标。本发明能够实现超宽带基站覆盖范围内的完全定位,提高了定位精度,确保了跨区域的识别效果。
Description
技术领域
本发明涉及超宽带室内定位技术领域,尤其涉及一种基于超宽带的室内跨区域盲点定位方法和系统。
背景技术
UWB(Ultra Wide Band,超宽带)超宽带技术是通过发送和接收具有纳秒或纳秒级以下的极窄脉冲来传输数据,从而具有GHz量级的带宽。所谓的超宽带,即相对带宽大于20%或绝对带宽大于500MHz。
超宽带系统与传统的窄带系统相比,具有穿透力强、功耗低、抗多径效果好、安全性高、系统复杂度低、能提供精确定位精度等优点。因此,超宽带技术可以应用于室内静止或移动物体以及人的定位跟踪与导航,且能够提供十分精确的定位。超宽带室内定位能够应用于各个领域的室内精确定位和导航,包括人和大型物品,例如贵重物品仓储、矿井人员定位、机器人运动个弄脏、汽车地库停车等。
但是现有技术中室内定位在跨区域问题上的研究较为缓慢,跨区域的识别效果不佳,灵活性不高,存在定位的盲点区域,因此,亟需一种能够实现室内跨区域盲点定位的方法。
发明内容
基于此,有必要针对上述技术问题,提供一种基于超宽带的室内跨区域盲点定位方法和系统。
一种基于超宽带的室内跨区域盲点定位方法,包括以下步骤:固定超宽带基站和角度传感器,确定定位区域和盲点区域,所述超宽带基站包括主基站和四个从基站,所述从基站的摆布方式为矩形摆布方式,所述主基站设置在从基站矩形对角线的交点处;在所述盲点区域放置标签并通电,通过在盲点区域内移动标签对神经网络进行训练,得到神经网络模型,并存储对应的神经网络权重;获取所述目标标签信号,通过所述角度传感器判断所述目标标签所处的盲点区域,根据所述盲点区域确定对应的目标神经网络模型;基于所述目标标签,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,分别得到第一坐标、第二坐标、第三坐标和第四坐标;根据所述目标神经网络模型对应的神经网络权重、第一坐标、第二坐标、第三坐标和第四坐标,求解得到目标坐标。
在其中一个实施例中,所述在所述盲点区域放置标签并通电,通过在盲点区域内移动标签对神经网络进行训练,得到神经网络模型,并存储对应的神经网络权重,包括:在所述盲点区域内选取若干样本点,获取所述若干样本点的实际坐标;在所述若干样本点分别设置样本标签,接收对应的标签信号,根据所述标签信号处理得到定位坐标;根据所述实际坐标和定位坐标,对神经网络进行训练,得到训练好的神经网络模型;在所述盲点区域布置标签,根据标签的测量坐标和真实坐标,计算得到对应神经网络模型的神经网络权重。
在其中一个实施例中,所述在所述盲点区域布置标签,根据标签的测量坐标和真实坐标,计算得到对应神经网络模型的神经网络权重,包括:在所述盲点区域选取至少三个点,并获取对应的真实坐标;采用信号到达时间差、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和BP神经网络算法,对所述至少三个点进行多次测量,得到对应的测量坐标;根据所述真实坐标和对应的测量坐标,计算得到均方根误差,将所述均方根误差的倒数存储为对应神经网络模型的神经网络权重。
在其中一个实施例中,所述基于所述目标标签,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,分别得到第一坐标、第二坐标、第三坐标和第四坐标,包括:测量所述目标标签的信号传输至所述超宽带基站的到达时间,根据所述信号到达时间差算法,求解得到所述目标标签的第一坐标;基于所述泰勒定位算法对所述第一坐标进行泰勒展开,得到迭代式子,在满足预设阈值条件时,得到修正后的第二坐标;将所述第二坐标带入动态卡尔曼滤波位置预测方程中,对所述目标标签的位置点进行预测,得到第三坐标;根据所述目标神经网络模型对所述目标标签进行定位,得到第四坐标。
在其中一个实施例中,所述根据所述目标神经网络模型对应的神经网络权重、第一坐标、第二坐标、第三坐标和第四坐标,求解得到目标坐标,公式为:
式中,wi为神经网络权重,Li为第一坐标至第四坐标的任一坐标。
一种基于超宽带的室内跨区域盲点定位系统,用于实现如上所述的一种基于超宽带的室内跨区域盲点定位方法,包括:超宽带基站、超宽带标签、角度传感器和控制器,且所述超宽带基站、超宽带标签、角度传感器和控制器之间通信连接;所述超宽带基站包括一个主基站和四个从基站,所述四个从基站采用矩形摆布形式,所述主基站位于矩形对角线的交点处,所述四个从基站分别对应有盲点区域;所述超宽带标签用于发射超宽带标签信号;所述角度传感器与所述超宽带基站一一对应,并分别固定在五个超宽带基站处,用于测量所述标签的角度信息,并发送至所述控制器;所述控制器用于根据所述超宽带标签的移动训练得到每个盲点区域的神经网络模型,并能够根据所述角度信息判断所述超宽带标签所处的盲点区域,还能够基于所述超宽带标签在所述盲点区域发射的目标标签信号,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,计算得到目标坐标。
在其中一个实施例中,所述超宽带基站采用Decawave DW1000模块。
在其中一个实施例中,所述超宽带标签采用主控芯片Nordic nRF52832。
在其中一个实施例中,所述角度传感器的型号为俯仰角传感器RS232 TTL。
相比于现有技术,本发明的优点及有益效果在于:通过固定超宽带基站和角度传感器,确定定位区域和盲点区域,超宽带基站包括主基站和四个从基站,从基站的摆布方式为矩形摆布方式,主基站设置在从基站矩形对角线的交点处,完成超宽带基站的布置;在盲点区域放置标签并通电,通过在盲点区域内移动标签对神经网络进行训练,得到神经网络模型,并存储对应的神经网络权重;获取目标标签信号,通过角度传感器判断目标标签所处的盲点区域,根据盲点区域确定对应的目标神经网络模型,基于目标标签,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,分别得到第一坐标至第四坐标,并结合对应的神经网络权重,计算得到目标坐标,从而解决了室内盲点区域的定位问题,能够实现超宽带基站覆盖范围内的完全定位,且提高了定位精度,能够确保跨区域的识别效果。
附图说明
图1为一个实施例中一种基于超宽带的室内跨区域盲点定位方法的流程示意图;
图2为一个实施例中五个超宽带基站的摆布示意图;
图3为一个实施例中神经网络的架构示意图;
图4为一个实施例中计算第三坐标的原理示意图;
图5为一个实施例中一种基于超宽带的室内跨区域盲点定位系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在一个实施例中,如图1所示,提供了一种基于超宽带的室内跨区域盲点定位方法,包括以下步骤:
步骤S101,固定超宽带基站和角度传感器,确定定位区域和盲点区域,超宽带基站包括主基站和四个从基站,从基站的摆布方式为矩形摆布,主基站设置在从基站矩形对角线的交点处。
具体地,在需要进行室内跨区域定位时,首先在室内的至高处,选择四个顶点作为矩形的顶点,固定对应的四个从基站,矩形所涵盖的范围为需要定位的区域,且基站与基站之间的距离不小于两米,并在从基站对应位置固定角度传感器,同时,基于矩形对角线的交点处,固定对应的主基站和角度传感器。在确定主基站固定位置时,可以以主基站为坐标原点建立坐标系,测出每个基站的坐标,接通电源,将主基站固定在对角线的交点处。
步骤S102,在盲点区域放置标签并通电,通过在盲点区域内移动标签对神经网络进行训练,得到神经网络模型,并存储对应的神经网络权重。
具体地,由于主基站设置在矩形对角线交点处,通过四个顶点的从基站结合主基站自身,能够实现主基站附近区域的完全定位,但是由于从基站设置在矩形的四个顶点,就会导致四个从基站附近均存在盲点区域,如图2所示,因此,可以在盲点区域放置超宽带标签,并接通电源,通过在四个从基站的盲点区域内移动标签,并接收标签信号,对每个盲点区域内神经网络的训练,神经网络的架构如图3所示,得到训练好的神经网络模型,从而能够根据神经网络模型实现每个盲点区域内的定位,并存储对应的神经网络权重。
其中,步骤S102具体包括:在盲点区域选取若干样本点,获取若干样本点的实际坐标;在若干样本点分别设置样本标签,接收对应的标签信号,根据标签信号处理得到定位坐标;根据实际坐标和定位坐标,对神经网络进行训练,得到训练好的神经网络模型;在盲点区域布置标签,根据标签的测量坐标和真实坐标,计算得到对应神经网络模型的神经网络权重。
具体地,为了对每个盲点区域的标签进行定位,在一个盲点区域选取若干样本点,并获取对应的实际坐标;在若干样本点分别设置样本标签,并通过超宽带基站接收对应的标签信号,根据标签信号处理得到定位坐标,基于获取的实际坐标和定位坐标对神经网络进行训练,得到训练好的神经网络模型,从而能够通过神经网络模型对盲点区域内的所有点进行精准定位。通过上述方法,能够对四个盲点区域的神经网络进行训练,得到四个神经网络模型,每个盲点区域的神经网络模型,能够实现对对应盲点区域所有点的精准定位,从而实现所有区域的精准定位,提高室内定位的准确性。此外,在获取神经网络模型后,通过在每个盲点区域布置标签,根据标签的测量坐标和真实坐标,计算得到对应神经网络模型的神经网络权重。
其中,计算神经网络模型权重的步骤具体为:在盲点区域选取至少三个点,并获取对应的真实坐标;采用信号到达时间差、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和BP神经网络算法,对至少三个点进行多次测量,得到对应的测量坐标,根据真实坐标和对应的测量坐标,计算得到均方根误差,将均方根误差的倒数存储为对应神经网络模型的神经网络权重。
具体地,在神经网络模型训练完成后,选取任意盲点区域内的至少三个点进行测试计算,获取对应的真实坐标,分别采用四个算法对选取的点进行定位,例如每一个点分别采用四个算法测量50次,得到四个算法的50个测量坐标,将每个算法得到的50个测量坐标与对应的真实坐标求解均方根误差,将得到的均方根误差的倒数作为神经网络权重。采用相同的方法,对每个盲点区域进行测量和计算,得到所有神经网络模型的神经网络权重。
步骤S103,获取目标标签信号,通过角度传感器判断目标标签所处的盲点区域,根据盲点区域确定对应的目标神经网络模型。
具体地,在需要对目标标签进行定位时,超宽带基站接收到目标标签的信号,并通过角度传感器判断目标标签所处的盲点区域,并基于目标标签所处的盲点区域确定对应的目标神经网络模型,目标神经网络模型能够对该盲点区域的标签信号进行精准定位。其中,角度传感器能够根据得到的目标标签信号的角度信息进行判断,确定目标标签所处的区域,则采用对应区域的神经网络模型进行位置定位,从而确保定位的精确度。
步骤S104,基于目标标签,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,分别得到第一坐标、第二坐标、第三坐标和第四坐标。
具体地,在获取目标标签信号后,分别通过信号时间差算法和目标神经网络模型测量得到目标标签的第一坐标和第四坐标,基于第一坐标,采用泰勒迭代定位算法处理得到第二坐标;基于第二坐标,采用动态卡尔曼滤波追踪算法进行处理,得到第三坐标,实现四种算法的混合定位,并能够根据四个坐标得到最终的坐标点,提高定位精度。
其中,步骤S104具体包括:测量目标标签的信号传输至超宽带基站的到达时间,根据信号到达时间差算法,求解得到目标标签的第一坐标;基于泰勒定位算法对第一坐标进行泰勒展开,得到迭代式子,在满足预设阈值条件时,得到修正后的第二坐标;将第二坐标带入动态卡尔曼滤波位置预测方程中,对目标标签的位置点进行预测,得到第三坐标,根据目标神经网络模型对目标标签进行定位,得到第四坐标。
具体地,设置好目标标签后,首先,测量目标标签的信号传输至五个超宽带基站的到达时间,根据五个到达时间,以目标标签到主基站的距离作为基准,采用到达时间差算法建立方程组,进而计算距离差,列出距离方程,为:
上式中,(x,y)为第一坐标,(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)以及(xn,yn)均为超宽带基站坐标,c为光速,取值为3×108m/s,t1、t2至tn为目标标签的信号到达各个基站的时间,求解上式得到第一坐标。
其次,在获取第一坐标后,采用泰勒迭代算法对第一坐标进行处理,目标标签与超宽带基站之间的约束关系可以通过函数fi(x,y,xi,yi)表示,该函数的测量值用Mi表示,有式中,/>为函数的真实值,ei为函数的误差,当满足门限值|Δx+Δy|<n,其中,n为设定的门限值,例如取值为0.01,其中:
将这个函数在给定初始值处进行泰勒展开:
求解上式,得到Δx和Δy,从而得到第二坐标。
第三,在获取第二坐标后,通过动态卡尔曼滤波算法对第二坐标进行处理,如图4所示,α1和α2是通过角度传感器得到的角度值,假设未知标签的坐标为(x,y),基站1(BS1)坐标为(x1,y1),基站2(BS2)坐标为(x2,y2),本发明中基站1都是选择的主基站,基站2是根据标签的位置在从基站中选择的,比如当标签靠近从基站1时,就选择从基站1作为基站2,以此类推。设L为BS1和BS2之间的距离,则:
最后,基于训练好的目标神经网络模型,对目标标签进行定位,得到第四坐标。
步骤S105,根据目标神经网络模型对应的神经网络权重、第一坐标、第二坐标、第三坐标和第四坐标,求解得到目标坐标。
具体地,根据目标标签所处的盲点区域,获取对应目标神经网络模型的神经网络权重,并结合第一坐标、第二坐标、第三坐标和第四坐标,计算得到目标坐标,从而实现了跨区域的室内盲点定位,能够对基站覆盖区域内的所有点进行精确定位,提高了室内定位的精度。
其中,求解得到目标坐标的公式为:
式中,wi为神经网络权重,Li为第一坐标至第四坐标的任一坐标。
在本实施例中,通过固定超宽带基站和角度传感器,确定定位区域和盲点区域,超宽带基站包括主基站和四个从基站,从基站的摆布方式为矩形摆布方式,主基站设置在从基站矩形对角线的交点处,完成超宽带基站的布置;在盲点区域放置标签并通电,通过在盲点区域内移动标签对神经网络进行训练,得到神经网络模型,并存储对应的神经网络权重;获取目标标签信号,通过角度传感器判断目标标签所处的盲点区域,根据盲点区域确定对应的目标神经网络模型,基于目标标签,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,分别得到第一坐标至第四坐标,并结合对应的神经网络权重,计算得到目标坐标,从而解决了室内盲点区域的定位问题,能够实现超宽带基站覆盖范围内的完全定位,且提高了定位精度,能够确保跨区域的识别效果。
如图5所示,提供了一种基于超宽带的室内跨区域盲点定位系统50,包括:超宽带基站51、超宽带标签52、角度传感器53和控制器54,且超宽带基站51、超宽带标签52、角度传感器53和控制器54之间通信连接;超宽带基站51包括一个主基站和四个从基站,四个从基站采用矩形摆布行驶,主基站位于矩形对角线的交点处,四个从基站分别对应有盲点区域;超宽带标签52用于发射超宽带标签信号;角度传感器53与超宽带基站51一一对应,并分别固定在五个超宽带基站51处,用于测量超宽带标签52的角度信息,并发送至控制器54;控制器54用于根据超宽带标签52的移动训练得到每个盲点区域的神经网络模型,并根据角度信息判断超宽带标签52所处的盲点区域,还能够基于超宽带标签52在盲点区域发射的目标标签信号,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,计算得到目标坐标。
具体地,超宽带基站51之间的通信可以采用TCP通信协议,超宽带基站51之间的距离不得小于2m,当移动超宽带标签52靠近基站附近1.5m范围内时,切换定位方法,采用神经网络模型进行定位,针对超宽带标签52所处的盲点区域,采用不同的目标神经网络模型进行定位,实现了室内跨区域定位,解决了室内盲点区域无法定位的问题,从而能够实现室内所有位置的精准定位。
在通过角度传感器53的角度信息判断超宽带标签52的所处区域时,根据角度信息测量出的坐标计算当前超宽带标签到每个从基站的距离,采用距离公式进行计算,即空间中的两点距离公式,并逐一与1m进行大小比较,在存在某一从基站的距离小于1m时,则表示当前超宽带标签52处于该从基站的盲点区域内。
确定盲点区域后,获取对应的目标神经网络模型,对超宽带标签52进行位置估计和定位,采用角度信息推导出的坐标充分利用了空间信息,在时间信息的基础上得到的角度信息可靠性更高,从而能够得到超宽带标签52在盲点区域的定位坐标,解决了盲点区域无法定位的问题,实现室内定位的无盲点,且提高了室内定位的精度。
在一个实施例中,超宽带基站51采用Decawave DW1000模块。
在一个实施例中,超宽带标签52采用主控芯片Nordic nRF52832。
在一个实施例中,角度传感器53的型号为俯仰角传感器RS532 TTL。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,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 (9)
1.一种基于超宽带的室内跨区域盲点定位方法,其特征在于,包括以下步骤:
固定超宽带基站和角度传感器,确定定位区域和盲点区域,所述超宽带基站包括主基站和四个从基站,所述从基站的摆布方式为矩形摆布方式,所述主基站设置在从基站矩形对角线的交点处;
在所述盲点区域放置标签并通电,通过在盲点区域内移动标签对神经网络进行训练,得到神经网络模型,并存储对应的神经网络权重;
获取所述目标标签信号,通过所述角度传感器判断所述目标标签所处的盲点区域,根据所述盲点区域确定对应的目标神经网络模型;
基于所述目标标签,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,分别得到第一坐标、第二坐标、第三坐标和第四坐标;
根据所述目标神经网络模型对应的神经网络权重、第一坐标、第二坐标、第三坐标和第四坐标,求解得到目标坐标。
2.根据权利要求1所述的一种基于超宽带的室内跨区域盲点定位方法,其特征在于,所述在所述盲点区域放置标签并通电,通过在盲点区域内移动标签对神经网络进行训练,得到神经网络模型,并存储对应的神经网络权重,包括:
在所述盲点区域内选取若干样本点,获取所述若干样本点的实际坐标;
在所述若干样本点分别设置样本标签,接收对应的标签信号,根据所述标签信号处理得到定位坐标;
根据所述实际坐标和定位坐标,对神经网络进行训练,得到训练好的神经网络模型;
在所述盲点区域布置标签,根据标签的测量坐标和真实坐标,计算得到对应神经网络模型的神经网络权重。
3.根据权利要求2所述的一种基于超宽带的室内跨区域盲点定位方法,其特征在于,所述在所述盲点区域布置标签,根据标签的测量坐标和真实坐标,计算得到对应神经网络模型的神经网络权重,包括:
在所述盲点区域选取至少三个点,并获取对应的真实坐标;
采用信号到达时间差、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和BP神经网络算法,对所述至少三个点进行多次测量,得到对应的测量坐标;
根据所述真实坐标和对应的测量坐标,计算得到均方根误差,将所述均方根误差的倒数存储为对应神经网络模型的神经网络权重。
4.根据权利要求1所述的一种基于超宽带的室内跨区域盲点定位方法,其特征在于,所述基于所述目标标签,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,分别得到第一坐标、第二坐标、第三坐标和第四坐标,包括:
测量所述目标标签的信号传输至所述超宽带基站的到达时间,根据所述信号到达时间差算法,求解得到所述目标标签的第一坐标;
基于所述泰勒定位算法对所述第一坐标进行泰勒展开,得到迭代式子,在满足预设阈值条件时,得到修正后的第二坐标;
将所述第二坐标带入动态卡尔曼滤波位置预测方程中,对所述目标标签的位置点进行预测,得到第三坐标;
根据所述目标神经网络模型对所述目标标签进行定位,得到第四坐标。
6.一种基于超宽带的室内跨区域盲点定位系统,其特征在于,用于实现上述权利要求1-5任一项所述的一种基于超宽带的室内跨区域盲点定位方法,包括:
超宽带基站、超宽带标签、角度传感器和控制器,且所述超宽带基站、超宽带标签、角度传感器和控制器之间通信连接;
所述超宽带基站包括一个主基站和四个从基站,所述四个从基站采用矩形摆布形式,所述主基站位于矩形对角线的交点处,所述四个从基站分别对应有盲点区域;
所述超宽带标签用于发射超宽带标签信号;
所述角度传感器与所述超宽带基站一一对应,并分别固定在五个超宽带基站处,用于测量所述标签的角度信息,并发送至所述控制器;
所述控制器用于根据所述超宽带标签的移动训练得到每个盲点区域的神经网络模型,并能够根据所述角度信息判断所述超宽带标签所处的盲点区域,还能够基于所述超宽带标签在所述盲点区域发射的目标标签信号,采用到达时间差算法、泰勒迭代定位算法、动态卡尔曼滤波追踪算法和目标神经网络模型,计算得到目标坐标。
7.根据权利要求6所述的一种基于超宽带的室内跨区域盲点定位系统,其特征在于,所述超宽带基站采用Decawave DW1000模块。
8.根据权利要求6所述的一种基于超宽带的室内跨区域盲点定位系统,其特征在于,所述超宽带标签采用主控芯片Nordic nRF52832。
9.根据权利要求6所述的一种基于超宽带的室内跨区域盲点定位系统,其特征在于,所述角度传感器的型号为俯仰角传感器RS232 TTL。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179626.2A CN116170744A (zh) | 2023-02-28 | 2023-02-28 | 一种基于超宽带的室内跨区域盲点定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179626.2A CN116170744A (zh) | 2023-02-28 | 2023-02-28 | 一种基于超宽带的室内跨区域盲点定位方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116170744A true CN116170744A (zh) | 2023-05-26 |
Family
ID=86413012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310179626.2A Pending CN116170744A (zh) | 2023-02-28 | 2023-02-28 | 一种基于超宽带的室内跨区域盲点定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116170744A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-02-28 CN CN202310179626.2A patent/CN116170744A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105547305B (zh) | 一种基于无线定位和激光地图匹配的位姿解算方法 | |
CN109444813B (zh) | 一种基于bp和dnn双神经网络的rfid室内定位方法 | |
Ma et al. | Fusion of RSS and phase shift using the Kalman filter for RFID tracking | |
CN102802260B (zh) | 基于矩阵相关的wlan室内定位方法 | |
Torteeka et al. | Indoor positioning based on Wi-Fi fingerprint technique using fuzzy K-nearest neighbor | |
CN102892140B (zh) | 一种基于时间差测量的天线切换式射频定位方法 | |
EP3404439A1 (en) | Cluster-based magnetic positioning method, device and system | |
CN110187333B (zh) | 一种基于合成孔径雷达技术的rfid标签定位方法 | |
CN107861100A (zh) | 一种基于三维波束的室内定位方法 | |
Azmi et al. | A survey of localization using RSSI and TDoA techniques in wireless sensor network: System architecture | |
CN112533163A (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
CN103458502B (zh) | 基于位置指纹的定位误差估计方法 | |
CN116170744A (zh) | 一种基于超宽带的室内跨区域盲点定位方法和系统 | |
CN103698745A (zh) | 室内无线定位设备及其实现定位的方法 | |
CN110888108B (zh) | 一种基于rfid与相位校准的定位方法 | |
Grossmann et al. | RSSI based WLAN indoor positioning with personal digital assistants | |
KR100857248B1 (ko) | 이동체 위치 정보를 생성하는 장치 및 방법과 이동체위치를 인식하는 장치 및 방법 | |
Jose et al. | Taylor series method in TDOA approach for indoor positioning system. | |
CN101924986A (zh) | 用于无线通信系统的定位方法及其相关装置 | |
CN109640253B (zh) | 一种移动机器人定位方法 | |
CN104537875A (zh) | 基于最近邻居的室内停车场定位寻车方法 | |
CN108332749A (zh) | 一种室内动态追踪定位方法 | |
Liyuan et al. | Multi-base-station uwb time difference positioning system | |
CN113376626A (zh) | 基于immpda算法的高机动目标跟踪方法 | |
Wang et al. | Flexible localization and identification system based on RFID and vision tracking technologies |
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 |