CN117031519A - 一种多目标三维协同定位方法及系统 - Google Patents
一种多目标三维协同定位方法及系统 Download PDFInfo
- Publication number
- CN117031519A CN117031519A CN202310945365.0A CN202310945365A CN117031519A CN 117031519 A CN117031519 A CN 117031519A CN 202310945365 A CN202310945365 A CN 202310945365A CN 117031519 A CN117031519 A CN 117031519A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- target
- positioning
- clustering
- dimensional coordinates
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 91
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007499 fusion processing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 abstract description 10
- 238000009825 accumulation Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000005562 fading Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种多目标三维协同定位方法及系统,包括S1:构建多目标三维协同定位模型;S2:通过S1中的模型获取待定位的多目标的初始三维坐标;S3:对初始三维坐标进行聚类和滤除处理,得到聚类后的三维坐标;S4:对聚类后的三维坐标进行算法融合处理和更新处理,得到高精度的三维坐标。本发明充分利用卫星、无人机和基站的通信优势,针对定位误差在融合过程中累积问题,提出DBSCAN‑CKF算法,得到误差更小的坐标,进一步提高目标的定位精度,且在定位误差、定位稳定性上均有着较好的性能。
Description
【技术领域】
本发明涉及物联网及无线通信技术领域,尤其涉及一种多目标三维协同定位方法及系统。
【背景技术】
随着物联网技术(IoT)和无线通信技术的快速发展,将定位和通信技术有机结合起来,推动了各行业的快速发展,使人们的生活更加智能、高效和便捷,但也对定位的精度已经提出了更高的要求。而传统的定位方法,仅仅获得目标粗略的轨迹、方向,无法满足人们高精度定位需求。因此在多种场合,如何获取高精度的目标位置成为研究者不得不考虑的一个问题,如军事应用、智能交通系统(ITS)、搜索救援(S&R)、自动驾驶、智慧城市以及工业4.0等。
GNSS定位技术广泛应用在室外定位,但在城市、峡谷等地理环境较复杂的定位区域,由于遮挡、多径的影响,无法提供连续高质量的定位,甚至无法提供定位服务。而地面网络具有覆盖范围广、通信质量可靠等特点,且5G、6G通信技术的研究为高精度定位提供理论支持,因此常常使用地面网络对GNSS定位进行补充以减小目标的定位误差,但有时存在部署困难、成本高的缺点。以UAV为代表的空中网络,由于部署比较灵活、机动性高、经济成本较低等优点很好的弥补了地面网络存在一些问题。与GNSS定位相比,UAV所处的高度更低,能提供大概率的LOS链路,具有较高的可靠性,信号的信噪比更高,从而提高定位的准确性和鲁棒性。
而多源网络的融合协同定位技术的出现,有效的克服了锚节点及定位精度不足的问题。同时,空天地一体化网络(Space-Air-Ground Integrated Network,SAGIN)作为未来通信网络重要的发展趋势,将上面的三种独立的通信网络有机的融合在一起,充分利用卫星覆盖范围广,基站定位精度高,UAV机动性强、灵活度高的优势,构建成高能效、广覆盖、高可靠、全天候的网络架构。另外,与单目标定位相比,多目标之间进行协同定位,可以在不知道锚节点的位置的情况下,能精确的进行定位。网络与目标/设备之间的协同技术共同用来减小目标的定位误差,满足用户高精度定位需求。网络之间的协同定位是利用通信网络进行融合或者利用网络中的多个锚节点或基站进行定位。现有技术存在未完善考虑多个目标之间信息共享、定位源之间的信息融合,以及多目标定位时异常值以及定位误差累积问题,且部分方法只适用于特定的场景,定位系统扩展性欠佳。
同时目标/设备间的协同是指多个终端设备或节点之间交换定位信息,如大型网络中,为每个设备单独配备定位设备是不现实的,因此该方法也可以使设备进行精确的定位,但现有技术随着定位目标的增多,计算复杂度指数上升且在复杂环境下,定位性能显著下降。
同时由于通信技术的快速发展,D2D通信技术因具有更高的LOS路径概率、更大的信噪比、更快的信息共享等优点,已成功在网络协同定位中得到应用,基于D2D协同定位技术,非常有利于在设备间进行定位信息的共享,不仅可以降低目标的定位延迟还可以扩大定位的覆盖范围,即使目标由于遮挡等情况无法与锚节点进行通信,仍可以通过D2D与其他定位节点交换信息完成自身的定位。现有技术同样存在定位源可用数据量少、定位精度不足、计算复杂度高且部分方法局限于小规模网络和二维定位场景。
因此,有必要研究多目标三维协同定位方法及系统来应对现有技术的不足,以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此,本发明提供了一种多目标三维协同定位方法及系统,充分利用卫星、无人机和基站的通信优势,针对定位误差在融合过程中累积问题,提出DBSCAN-CKF算法,得到误差更小的坐标,进一步提高目标的定位精度,且在定位误差、定位稳定性上均有着较好的性能。
一方面,本发明提供一种多目标三维协同定位方法,所述多目标三维协同定位方法包括以下步骤:
S1:构建多目标三维协同定位模型;
S2:通过S1中的模型获取待定位的多目标的初始三维坐标;
S3:对初始三维坐标进行聚类和滤除处理,得到聚类后的三维坐标;
S4:对聚类后的三维坐标进行算法融合处理和更新处理,得到高精度的三维坐标。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S1具体为:通过天基网络、空基网络和地基网络构建包含卫星、基站、UAV以及地面多目标的多目标三维协同定位模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S2中初始三维坐标的获取具体为:通过GNSS获取初始位置。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S3中聚类处理具体为:通过DBSCAN聚类算法分别对多目标的初始三维坐标进行TOA/AOA聚类后,将聚类结果按方差加权的方法进行合并处理。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S3中的滤除处理具体为:将聚类处理过程中的均值和方差的异常值进行剔除。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S4中算法融合处理具体为:将聚类后的三维坐标输入到CKF算法中进行融合。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述更新处理具体包括:时间更新,量测更新和方程更新。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,多目标三维协同定位模型中协同节点之间通过D2D通信技术进行位置信息交换。
如上所述的方面和任一可能的实现方式,进一步提供一种多目标三维协同定位系统,所述多目标三维协同定位系统包括:
模型建立模块,用于构建多目标三维协同定位模型;
坐标获取模块,用于获取待定位的多目标的初始三维坐标;
聚类处理模块,用于对初始三维坐标进行聚类和滤除处理,得到聚类后的三维坐标;
融合更新模块,用于对聚类后的三维坐标进行算法融合处理和更新处理,得到高精度的三维坐标。
与现有技术相比,本发明可以获得包括以下技术效果:
1.本发明提出空天地一体化网络模型,充分利用三种网络的通信优势,在地面多目标之间采用D2D通信进行目标间的测量和定位信息共享,并采用TOA/AOA联合测量方式来克服单一测量误差大问题;
2.本发明针对定位过程中误差累积问题,提出DBSCAN算法,选择合适的定位参考节点并对偏差较大的异常值进行滤除,使用簇内的每个点的均值作为定位节点的坐标,减小定位误差累积问题;
3.本发明为充分利用多源定位信息,提出了CKF算法,对基站、协同节点以及TOA/AOA聚类结果进行融合,进一步提高定位性能。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明一个实施例提供的多目标三维协同定位方法的流程图;
图2是本发明一个实施例提供的SAGIN定位模型图;
图3是本发明一个实施例提供的TOA/AOA定位示意图;
图4是本发明一个实施例提供的聚类算法流程图;
图5是本发明一个实施例提供的使用DBSCAN算法的对比示意图。
图6是本发明一个实施例提供的各算法定位稳定性的对比图;
图7是本发明一个实施例提供的不同算法定位目标的RMSE对比图;
图8是本发明一个实施例提供的不同测量方式下定位目标RMSE的对比图;
图9是本发明一个实施例提供的各算法RMSE随定位目标数量的变化图;
图10是本发明一个实施例提供的不同目标数量下的各算法定位时间图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
如图1所示,本发明提供一种多目标三维协同定位方法,所述多目标三维协同定位方法包括以下步骤:
S1:构建多目标三维协同定位模型;
S2:通过S1中的模型获取待定位的多目标的初始三维坐标;
S3:对初始三维坐标进行聚类和滤除处理,得到聚类后的三维坐标;
S4:对聚类后的三维坐标进行算法融合处理和更新处理,得到高精度的三维坐标。
进一步地,所述S1具体为:通过天基网络、空基网络和地基网络构建包含卫星、基站、UAV以及地面多目标的多目标三维协同定位模型。
进一步地,所述S2中初始三维坐标的获取具体为:通过GNSS获取初始位置。
进一步地,所述S3中聚类处理具体为:通过DBSCAN聚类算法分别对多目标的初始三维坐标进行TOA/AOA聚类后,将聚类结果按方差加权的方法进行合并处理。
进一步地,所述S3中的滤除处理具体为:将聚类处理过程中的均值和方差的异常值进行剔除。
进一步地,所述S4中算法融合处理具体为:将聚类后的三维坐标输入到CKF算法中进行融合。
进一步地,所述更新处理具体包括:时间更新,量测更新和方程更新。
进一步地,多目标三维协同定位模型中协同节点之间通过D2D通信技术进行位置信息交换。
本发明还提供一种多目标三维协同定位系统,所述多目标三维协同定位系统包括:
模型建立模块,用于构建多目标三维协同定位模型;
坐标获取模块,用于获取待定位的多目标的初始三维坐标;
聚类处理模块,用于对初始三维坐标进行聚类和滤除处理,得到聚类后的三维坐标;
融合更新模块,用于对聚类后的三维坐标进行算法融合处理和更新处理,得到高精度的三维坐标。
本发明原理部分论述如下:
1、多目标三维协同定位模型
如图2所示,在SAGIN中包含有卫星、基站、UAV以及地面多目标(节点),卫星和基站是位置已知的锚节点;UAV和地面目标构成协同节点,其位置信息存在误差。网络中分别包含有Nb个基站,Ng个地面目标,Nc个协同节点,其组成的集合可以表示为Nb=(1,2,…,Nb),Ng=(1,2,…,Ng),Nc=(1,2,…,Nc)。地面目标节点不仅可以和卫星进行通信,也可以和基站以及其他协同节点之间进行通信,协同节点之间使用D2D通信技术交换定位信息,这样地面目标可以通过多个定位源获得较准确的定位坐标,为解决D2D协同定位的时间和资源的大量消耗等问题,可以使用CO-MWR协议进行通信。设备之间只需交换测距等必要的定位信息,无需其他的资源消耗。假设定位系统中的锚节点和协同节点收发信号均是在时间同步的前提下进行的。
2、信号模型
由于单个测量方式在定位测量时存在较大的误差,联合测量方式可以获得更多的定位信息,提高定位精度,本发明中采用混合TOA/AOA的定位测量方式。
如图3所示,考虑一个三维定位场景,(xj,yj,zj)为待测目标的位置,(xk,yk,zk)为锚节点的位置,假设锚节点发送信号时间为τ0,待测目标接收信号的时间为τ1,当锚节点和定位节点分别配备天线阵列时,分别可以进行角度和距离的测量
其中,c为信号传播速度。联立上面方程,可以使用LS算法等求解待测目标的坐标位置。
GNSS信号模型:当(x,y,z)为未知目标的位置,(xi,yi,zi)为GNSS的位置,为待测目标节点接收到信号的时刻,/>为信号的发送时刻,节点之间的距离为/>信号传播所经历的时间为/>所经历的时间与传播距离之间的关系为:
式子中γi,βi分别为时钟偏移和GNSS的伪距误差。若假设在定位的过程中锚节点和未知节点之间是时间同步的,此时γi=0。而βi归结为由大气电离层,随机噪声等影响造成的偏差。通常伪距误差服从均值为0,方差为σi的高斯分布,
3、信道模型
基站和地面目标之间的信道模型:基站和地面定位节点之间的传输选择3GPP所提出的城市环境的信道模型。假设基站k和地面目标l之间存在通信,考虑大尺度衰落的参数,信号的路径损耗公式如下:
式子中,为路径损耗,fc为信号传播的载频,dkl为基站与地面目标之间的距离。因此路径损耗的值由基站与目标之间的距离,和信号传播的载波共同决定。
除了大尺度衰落之外,阴影衰落也在基站k和地面目标l信号传播过程中考虑在内。阴影衰落服从均值为0,标准差为σkl的正态分布。
SFkl[dB]~N(0,σkl) (5)
地面目标之间的信道模型:对一个地面多目标之间的D2D协同定位网络,假设目标之间不存在阴影衰落的影响,此时的路径损耗为:
UAV之间的信道模型:UAV-UAV之间的信道主要是以LoS链路为主,它们之间的链路损耗为:
Lkl[dB]=20log(fc[GHz])+20log(dkl[m])+20log(4π/c) (7)
其中,c为光速。
UAV与地面目标之间的信道模型:UAV与地面目标之间存在着LoS链路与NLoS链路,它们之间的路径损耗关系,可以表示为:
其中,和/>分别为LoS链路与NLoS链路路径损耗;P(LoS,θkl)和P(NLoS,θkl)分别为LoS链路与NLoS链路各自的概率,公式为:
其中,α和β分别为城市环境下的参数;θkl为UAV与地面目标之间的仰角:
和/>分别为LoS链路与NLoS链路路径损耗分别可以表示为:
式子中的ηLos,ηNLos分别与LoS链路与NLoS链路在具体环境中有关。
4、基于DBSCAN算法的三维协同定位
DBSCAN算法是比较流行的基于密度的聚类算法,其中一个最大的优点可以不指定要分类的数量,它可以自动地将给定的数据集划分为不同形状、大小、类别个数的集群。它可以通过两个步骤达到聚类的目的,首先确定一系列高密度点,其次将这些高密度点进行聚类。聚类过程中的三个最重要的参数分别为ò,MinPts,d,其中ò代表某个样本的邻域,MinPts为该邻域内最小样本点的个数,d(xi,xj)为两个样本xi,xj之间的距离。
DBSCAN算法的原理:将核心点、边界点、噪声点三类样本点,根据定义好的连接规则对样本点进行连接,组成一个聚类的簇,大致分为两步:
1)首先确定集合中,每个样本在邻域ò内的样本点,得到其中的核心样本点;
2)然后执行遍历的过程,依据样本集合中核心样本点密度可达、直达进行聚类。
DBSCAN聚类算法有以下的特点:1)相对于基于质心的聚类算法,如k-means,这类算法需要在聚类之前,指定聚类的个数,但对于需要聚类的数据来说,往往聚类的个数是未知的,而DBSCAN算法克服了该缺点。2)基于连接/分层的聚类方法,使用连接集群中每个部分的最大距离来描述一个集群,算法的计算复杂度较高,而DBSCAN算法在空间和时间复杂度上优于这类算法。3)DBSCAN算法能够较好的识别样本中的异常值,且较其他聚类算法更贴合实际需要。因此本发明选择DBSCAN聚类算法,选择合适的协同节点,减小定位坐标中的误差,剔除数据中的一些异常值,提高目标的定位精度。
协同节点首先可以通过GNSS获得初始位置,但是该初始位置是不准确的。对地面目标来说,可以通过基站和其他协同节点的信号传播来进一步提高定位精度。但是并非所有协同节点都可以当成参考节点来进行辅助其他节点进行定位。因此,本发明选择使用DBSCAN聚类算法,选择合适的参考节点同时对偏差较大的异常值进行滤除,使用簇内的每个点的均值作为定位节点的坐标。不经过聚类,而直接将带有偏差的坐标进行D2D通信共享定位信息,最终得到的定位误差比较大,在后面的实施例中已得到验证。
如图4所示为聚类算法流程图,通过GNSS定位,目标获得的不精确位置为其中第k个地面目标的坐标为pk=(xk,yk,zk),协同节点以及基站到该目标的最大距离为d,有以下的公式:
Nk={l∈Nb∪Nc,l≠k|dkl≤d) (13)
其中,Nk是可以当成参考节点的个数,Nb和Nc分别是基站和协同节点的集合。由定位基础理论可知,在三维情况下,至少需要四个参考节点才能确定一个未知节点的坐标。
在聚类过程中,目标的位置可以表示为:
其中,pi表示在聚类过程中,由参考节点第i次确定的坐标;A表示由参考节点Nk确定的目标节点个数,/>在聚类过程中,将偏差较大的值剔除,公式如下:
若不等式前的值大于不等式后面的值,则说明第k个点偏差较大,应该剔除;否则,应该保留该点。其中βm,γm分别为第m次的均值和方差:
接下来,分别使用TOA和AOA进行节点之间的测量,对某个地面节点k来说,基于TOA的聚类方法,参考节点的集合以及通过其他协同节点可以确定的坐标集合,分别有以下的公式:
NTOA,k={l∈Nb∪Nc,l≠k∣dTOA,kl≤d) (18)
类似的可以得到,基于AOA的聚类方法:
NAOA,k={l∈Nb∪Nc,l≠k∣dAOA,kl≤d) (20)
然后,可以分别得到两种测量方式下的聚类样本数据集。
其次,得到聚类的样本数据集之后,分别进行TOA/AOA聚类。在进行TOA聚类时,根据邻域的半径ò和最小样本数量MinPts确定样本数据集的核心点,然后根据样本的密度直达、可达形成聚类,每个聚类簇以地面目标k为核心点,以邻域ò为半径。AOA的聚类过程与TOA相似。
然后将TOA和AOA的聚类结果根据方差加权的方法进行合并。假设基于TOA方式,第k个聚类簇的均值,也即地面目标k的位置为(xTOA,k,yTOA,k,zTOA,k),其中该聚类簇共有m个数据样本,表示为:
pTOA,k={pTOA,1,…,pTOA,l,…,pTOA,m} (24)
其中,pTOA,l=(xTOA,l,yTOA,l,zTOA,l)。可以得出x,y,z方向的方差分别为:
同理,可以得出基于AOA测量的聚类,在x,y,z方向的方差分别为,
将基于TOA和AOA的聚类方法进行合并得到(xT/AOA,k,yT/AOA,k,zT/AOA,k),其中xT/AOA,k坐标可以得:
yT/AOA,k,zT/AOA,k也可以类似的按照上述公式的定义得到。
根据以上的分析和推导,可以得到联合TOA/AOA的测量方式聚类后得到的坐标为:
5、基于CKF算法的多目标三维协同定位方法
容积卡尔曼滤波(CKF)算法是在贝叶斯滤波的基础上发展而来的一种非线性的滤波方法。与EKF相比,CKF因不需要计算由观测函数构成的雅克比矩阵,大大减小了计算复杂度。另外与UKF相比,计算的复杂度也比较低,当系统处于更高维时,性能也比较准确和稳定。该算法通过一组容积点来近似非线性系统中的协方差和状态均值。CKF算法是针对高斯滤波过程中积分很难准确求解这一问题提出的,积分公式如下:
而CKF算法将上面的积分根据容积规则转化为:
式子中,f(x)是积分的被积函数,Un是积分的一个区域。另外根据n维下的球坐标系的转换理论将积分变换成球面-径向积分,公式如下:
其中,f(ry)为被积函数,满足x=ry,yTy=1xTx=r2的关系。可以将上面的积分分为两部分,即球面、径向积分:
对上述两个公式分别使用不通过点数的球-径规则时,可得相应的球-径容积准则,例如当球规则的点数为m,径规则的点数为n,可得出:
根据以上分析,为进一步提高目标的定位精度,满足系统的定位需求,下面将DBSCAN算法聚类后的坐标输入到CKF算法中进行融合。此时经过处理的定位节点,不仅知道自身节点位置坐标,还知道基站和协同节点的坐标,协同节点之间进行D2D通信,TOA、AOA及基站的测量数据分别用NTOA,i,NAOA,i,NBS,i表示,假设第j个目标在k时刻之前的状态为其协方差Pk-1,具体考虑本发明的非线性定位系统,有时间更新,量测更新和方程更新步骤,具体如下:
时间更新
(1)进行容积点的采样,包含2n个采样点,
(2)容积点的传播
(3)状态量和误差协方差值的计算
量测更新
(1)容积点的计算
(2)容积点的传播
vk是均值为0,协方差为Rk的测量误差。
(3)测量预测值的计算:
(4)互协方差和误差协方差计算
(5)进行定位的估计
经过上述的过程后得到精度更高的定位坐标在上述的CKF算法执行过程中,h(·),f(·)为非线性定位系统中的测量和状态函数,
为评估所提的DBCKF算法和方案在多目标三维协同算法实际的定位性能,本发明进行了相关算法的仿真实验,分别对比了所提算法与仅聚类、滤波,坐标滤波前后的对比,以及所提算法随着目标节点增加时的定位误差和定位时间、各算法的定位误差累积分布等对比。在实验中默认包含4个基站,8个协同节点,其中包含5个地面目标节点,进行了1000次蒙特卡洛实验。
本发明主要采用均方根误差(Root Mean Squared Error,RMSE),累计分布函数(Cumulative Distribution Function,CDF)对各算法的定位性能进行比较,各定位性能指标的定义如下:
(1)均方根误差
均方根误差来衡量待测值与真实值得偏差程度。对定位系统来说,可以表示为:
其中,pi=(xi,yi,zi)为第i个节点坐标的真实值,为第i个节点的测量值。
(2)累计分布函数
在定位系统中,累计分布函数(CDF)也是常用来描述系统定位性能好坏的性能指标之一,它描述的是系统的定位误差X等于或者小于某个固定的定位误差上限的概率(X≤a):
F(a)=P(X≤a) (44)
CDF相较于其他定位性能指标能更直观的观察出某个系统或方法整体的优劣。若第一个定位系统中在1m以内的定位误差概率和大于第二个系统在1m以内的概率和,则说明第一个系统的整体的定位性能优于第二个。
除此之外,还对比了各算法的定位稳定性以及定位时间,本发明进行仿真实验的主要一些参数如下:
表1仿真实验主要参数设置
Table1.Main simulation parameter Settings
实施例1:聚类算法对定位结果分布的影响
图5对比了使用DBSCAN算法前后的定位结果分布。图5中(a)为进行聚类前的目标结果分布,(b)为进行聚类后的目标定位分布。其中,三角形代表使用协同节点及基站得到的目标节点的位置,红色的圆点代表目标节点的真实位置。从图中可以看出,在使用聚类前,各定位结果比较分散,定位误差较大。进行聚类后将坐标点中的异常值进行滤除,各聚类簇点的坐标更集中,此时聚类中心与真实的目标位置距离较近,也即进行聚类定位后的误差更小,为进行CKF算法滤波提供了更为准确的初始值。(c)对比了使用不同测量方式得到的聚类结果,从图中可以看出CKF(采用TOA/AOA)聚类结果更集中,分别优于仅使用TOA,AOA测量方式的聚类结果,说明联合TOA/AOA聚类定位误差小于TOA,AOA;其中,AOA的聚类集中程度优于TOA,意味着AOA的测量结果优于TOA。
实施例2:不同算法定位稳定性的对比
为了消除单次实验带来的偶然性,进行了多次的实验的仿真。图6展示了不同算法定位稳定性的对比,可以看出所提出的算法DB-CKF稳定性最好,分别优于DB-PF以及单独定位的稳定性。单独定位以及GNSS定位算法在不同次的定位实验中,变化幅度较大。在对比的定位算法中,GNSS的定位误差最大,单独使用无法满足定位网络的要求,因此必须对使用其他的定位方式辅助,提高未知目标的定位精度,如本发明所提出的利用混合网络对地面多目标进行定位,同时地面目标间使用D2D通信技术进行定位信息交换,定位性能由于单独GNSS测量。
实施例3:不同目标的RMSE对比
图7展示了各算法中不同定位目标的均方根误差变化,可以看出在所有的定位方法中,所提出的算法DB-CKF定位的误差是最低的,不做任何算法处理只使用GNSS原始数据定位均方根误差最大,在节点1处相对于GNSS定位,所提出的算法定位性能提高90%以上,即使在定位性能较差的节点2处,所提算法定位误差也减小了65%。只进行聚类算法(DB)与只进行CKF算法相比误差更小,证明在进行D2D定位协同时,若协同节点的定位信息不精确,直接进行CKF融合会导致更大的定位误差,这也说明了减小协同节点误差对定位性能提升的重要性。另外,CKF算法的性能优于PF,因为CKF在非线性定位方面优于PF,PF定位时存在粒子退化现象,造成定位的性能下降。
实施例4:不同目标的测量方式对RMSE影响
图8展示了在算法不变的情况下只改变不同的测量方式对RMSE的影响,其中所提出的算法定位误差最小,在定位性能最优处的目标1处与定位误差最大的GNSS相比提高了80%。分别采用TOA和AOA测量方式的定位误差相差不大,仅采用RSS测量方式的定位误差略差于TOA和AOA,由于RSS在信号的传播过程中易受到外界环境噪声、衰落的影响,但以上使用不同测量方式的算法都明显优于只使用GNSS进行定位的定位性能。因此,采用联合TOA/AOA测量方式能解决单独TOA和AOA测量精度不足的问题,在对定位精度要求不高的定位场景下,也可以单独使用TOA或AOA进行定位。
实施例5:定位目标数量对各算法RMSE的影响
图9给出了当定位目标的数量从5增加到50时,定位的RMSE变化。结果显示当目标数量增多时,所有算法的定位误差均减小,所提算法DB-CKF与其他算法相比定位性能是最优的,而GNSS定位误差最大。说明当目标较少时,通过D2D进行定位信息交换的数据是有限的,因此定位误差较大;随着目标的增多,有更多的协同节点参与交换定位信息,目标的定位信息源更多,从而减小目标的定位误差。也进一步说明了,在进行无线网络定位时,定位目标之间进行协同的必要性。但是,当目标数量达到25时,定位精度会受到系统的带宽、功率以及其他原因的限制,即使再增加目标数量定位误差的减小也是非常有限的。此时可以考虑资源分配、改变定位的拓扑结构等方法进一步提高目标的定位精度。
实施例6:定位目标数量对定位时间的影响
图10给出了当定位目标的数量增多时,所需定位时间的变化曲线。从图中可以看出,随着目标数量的增多,各算法的定位时间均增加。与CKF算法相比,所提算法的定位时间略高,但优于其他两种算法。当目标数量最大时,可以满足定位实时性要求。由于PF在定位时,需要用大量的粒子进行目标的状态估计,所需的定位时间会随着粒子的增加指数型增加,并且在定位过程中PF算法会出现粒子退化的现象,从而会影响定位的性能。
本发明对定位误差较大的问题,利用网络及目标之间协同定位方法,提出DBSCAN-CKF算法。具体的,首先采用DBSCAN算法对通过GNSS获得粗略的定位中偏差较大的坐标进行滤除,选取包括基站和偏差较小的协同节点为参考节点,分别使用TOA和AOA的测量方式对节点坐标进行聚类,然后对两种测量方式的聚类结果进行方差加权融合,使用簇内多个样本数据的平均值作为该节点的定位坐标,迭代地对节点进行坐标的更新,其中协同节点间使用D2D通信技术进行位置信息的交换。然后,针对聚类后的定位结果无法满足系统要求的问题,为进一步提高坐标的定位精度,使用CKF算法在基站和协同节点的辅助下进行融合定位。最后,对所提的算法进行实验仿真,结果显示,所提算法在定位误差、定位稳定性上均有着较好的性能。
以上对本申请实施例所提供的多目标三维协同定位方法、系统及可读存储介质及系统,进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语,故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解,本本发明中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本本发明中字符“/”,一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本发明所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本发明所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (9)
1.一种多目标三维协同定位方法,其特征在于,所述多目标三维协同定位方法包括以下步骤:
S1:构建多目标三维协同定位模型;
S2:通过S1中的模型获取待定位的多目标的初始三维坐标;
S3:对初始三维坐标进行聚类和滤除处理,得到聚类后的三维坐标;
S4:对聚类后的三维坐标进行算法融合处理和更新处理,得到高精度的三维坐标。
2.根据权利要求1所述的多目标三维协同定位方法,其特征在于,所述S1具体为:通过天基网络、空基网络和地基网络构建包含卫星、基站、UAV以及地面多目标的多目标三维协同定位模型。
3.根据权利要求1所述的多目标三维协同定位方法,其特征在于,所述S2中初始三维坐标的获取具体为:通过GNSS获取初始位置。
4.根据权利要求3所述的多目标三维协同定位方法,其特征在于,所述S3中聚类处理具体为:通过DBSCAN聚类算法分别对多目标的初始三维坐标进行TOA/AOA聚类后,将聚类结果按方差加权的方法进行合并处理。
5.根据权利要求4所述的多目标三维协同定位方法,其特征在于,所述S3中的滤除处理具体为:将聚类处理过程中的均值和方差的异常值进行剔除。
6.根据权利要求5所述的多目标三维协同定位方法,其特征在于,所述S4中算法融合处理具体为:将聚类后的三维坐标输入到CKF算法中进行融合。
7.根据权利要求6所述的多目标三维协同定位方法,其特征在于,所述更新处理具体包括:时间更新,量测更新和方程更新。
8.根据权利要求2所述的多目标三维协同定位方法,其特征在于,多目标三维协同定位模型中协同节点之间通过D2D通信技术进行位置信息交换。
9.一种多目标三维协同定位系统,基于上述权利要求1-8之一所述的多目标三维协同定位方法,其特征在于,所述多目标三维协同定位系统包括:
模型建立模块,用于构建多目标三维协同定位模型;
坐标获取模块,用于获取待定位的多目标的初始三维坐标;
聚类处理模块,用于对初始三维坐标进行聚类和滤除处理,得到聚类后的三维坐标;
融合更新模块,用于对聚类后的三维坐标进行算法融合处理和更新处理,得到高精度的三维坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310945365.0A CN117031519A (zh) | 2023-07-28 | 2023-07-28 | 一种多目标三维协同定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310945365.0A CN117031519A (zh) | 2023-07-28 | 2023-07-28 | 一种多目标三维协同定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117031519A true CN117031519A (zh) | 2023-11-10 |
Family
ID=88629062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310945365.0A Pending CN117031519A (zh) | 2023-07-28 | 2023-07-28 | 一种多目标三维协同定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117031519A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117446520A (zh) * | 2023-12-25 | 2024-01-26 | 聚时科技(深圳)有限公司 | 集装箱叠箱方法、装置、电子设备以及存储介质 |
-
2023
- 2023-07-28 CN CN202310945365.0A patent/CN117031519A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117446520A (zh) * | 2023-12-25 | 2024-01-26 | 聚时科技(深圳)有限公司 | 集装箱叠箱方法、装置、电子设备以及存储介质 |
CN117446520B (zh) * | 2023-12-25 | 2024-03-26 | 聚时科技(深圳)有限公司 | 集装箱叠箱方法、装置、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Adapted error map based mobile robot UWB indoor positioning | |
CN107801195B (zh) | 一种车联网定位中的路边单元优化部署方法 | |
EP2584372B1 (en) | RSS based positioning method with limited sensitivity receiver | |
Teng et al. | A low-cost physical location discovery scheme for large-scale Internet of Things in smart city through joint use of vehicles and UAVs | |
CN109672973B (zh) | 一种基于最强ap的室内定位融合方法 | |
CN108307301B (zh) | 基于rssi测距和轨迹相似性的室内定位方法 | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
Chu et al. | Vehicle localization via cooperative channel mapping | |
CN110187336B (zh) | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 | |
CN109379711B (zh) | 一种定位方法 | |
CN112533163A (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
CN117031519A (zh) | 一种多目标三维协同定位方法及系统 | |
CN114222240A (zh) | 一种基于粒子滤波的多源融合定位方法 | |
CN112444778A (zh) | 一种基于dbscan的参考点加权三边质心定位方法 | |
Yin et al. | A novel distributed sensor fusion algorithm for RSSI-based location estimation using the unscented kalman filter | |
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 | |
CN116359901A (zh) | 一种基于粒子滤波的5g外辐射源雷达低空目标定位方法 | |
CN113933876B (zh) | 多星通讯时差定位数据融合处理方法 | |
CN113203985B (zh) | 一种短波同频信号直接定位方法 | |
CN113219452B (zh) | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 | |
CN110456307B (zh) | 一种基于室内伪卫星信号载噪比的终端定位方法 | |
Wang et al. | [Retracted] Indoor and Outdoor Seamless Positioning Technology Based on Artificial Intelligence and Intelligent Switching Algorithm | |
Hong et al. | Iterative Virtual Force Localization Based on Anchor Selection for Three-Dimensional Wireless Sensor Networks | |
Bi et al. | Physical Environment Map Aided 3D Deployment Optimization for UAV-Assisted Integrated Localization and Communication in Urban Areas | |
Tian et al. | Improvement of RSS-based measurement based on adaptive Kalman filter considering the anisotropy on antenna in dynamic environment |
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 |