一种基于UWB的室内指纹定位方法

本发明涉及无线定位，特别是一种基于uwb的室内指纹定位方法。

背景技术：

1、随着移动互联网的发展，基于位置信息的服务已经成为人们生活中不可或缺的一部分。现最常用的全球导航卫星系统(global navigation satellite system，gnss)使用卫星信号进行全球大范围内提供位置服务，在开阔的室外场景定位误差低至5m以内。但在城市中的室内外场景，由于建筑物的密集和环境的复杂性等因素，gnss并不适用，尤其是室内场景。在众多室内定位技术中，超宽带uwb(ultra wide band)由于其信号特性而脱颖而出，与wi-fi、rfid、超声波、蓝牙、红外线相比，具有许多优点包括厘米级定位精度、良好的抗多径能力、对来自复杂环境的其他电子信号的干扰具有较好的抵抗力和较强的穿透性等。

2、但是，uwb室内定位仍然面临着多种挑战和问题，如非视距(non-line-of-sight，nlos)传播、多径效应、信号衰减、环境变化等，这些因素会产生测距误差，另外，在nlos条件下，信号会经过衍射、穿透或散射到达接收端，信号的衰减、延迟以及多径传播都会大大降低定位精度。即便在视距(line-of-sight，los)条件下，也不能保证信号不被周围环境影响，事实上，由于脉冲信号极易受到金属以及人体的影响，在相对复杂的室内环境中，定位精度也会降低。另一方面，现有技术中仅利用单一的到达时间(toa)测量来抑制误差是很有局限的，无法判断当前信号受干扰的程度，也很难进一步提高uwb室内定位的精度。

技术实现思路

1、针对背景技术的问题，本发明提供一种基于uwb的室内指纹定位方法，以解决现有技术中uwb室内定位精度较低的问题。

2、为实现本发明的目的，本发明提供了一种基于uwb的室内指纹定位方法，其创新点在于：包括服务器、定位标签、定位目标和多个uwb基站；多个uwb基站分布在室内的定位区域，定位标签与各个uwb基站通信连接，定位目标与各个uwb基站通信连接，各个uwb基站均与服务器连接；

3、所述服务器包括数据库模块、分类模块、补偿模块和定位估计模块；

4、所述数据库模块用于存储各个uwb基站和各个定位标签的位置坐标，以及链路的特征信息；

5、所述分类模块内设置dnn(deep neural networks深度神经网络)模型，所述分类模块用于对链路的信道类型进行判断，所述信道类型包括los和nlos，其中nlos包括严重nlos和轻微nlos；

6、所述补偿模块包括los测距误差补偿模块和nlos测距误差补偿模块；所述los测距误差补偿模块和nlos测距误差补偿模块二者均设置有svm(support vector machines支持向量机)模型；

7、所述定位估计模块能估计定位目标的定位坐标；

8、所述指纹定位方法包括：一)离线阶段；二)在线阶段；

9、所述离线阶段包括：

10、1)在定位区域内设置多个定位标签，uwb基站获取各个链路的特征信息；然后将各个链路的特征信息均保存在所述数据库模块内；将单个链路对应的uwb基站位置坐标、定位标签的位置坐标和特征信息记为链路的测量数据；所述特征信息包括第一特征信息和第二特征信息；

11、2)分类模块从数据库模块获取多个链路的测量数据，然后分类模块利用多个链路的测量数据训练dnn模型得到dnn分类模型；其中，dnn模型的输入为链路的第一特征信息，dnn模型输出为对链路的信道类型的判断；

12、然后分类模块利用dnn模型对链路的信道类型进行判断，保留los链路的测量数据；对于信道类型为nlos的链路，分类模块按方法一进行进一步判断，只保留轻微nlos链路的测量数据，删除严重nlos链路的测量数据；

13、然后分类模块将多个los链路的测量数据作为一个los测量数据集传输给补偿模块，分类模块将多个轻微nlos链路的测量数据作为一个轻微nlos测量数据集传输给补偿模块；

14、3)补偿模块将los测量数据集传输给los测距误差补偿模块，los测距误差补偿模块利用los测量数据集训练所辖的svm模型得到los测距误差回归模型；其中，svm模型的输入为链路的第二特征信息，svm模型输出为链路的测距误差；然后补偿模块对los测量数据集所辖多个链路的测距误差取算数平均值，得到los测距误差均值τ；

15、补偿模块将轻微nlos测量数据集传输给轻微nlos测距误差补偿模块，轻微nlos测距误差补偿模块利用轻微nlos测量数据集训练所辖的svm模型得到轻微nlos测距误差回归模型；

16、所述在线阶段包括：

17、设定位目标处于定位区域内，设定位区域内的uwb基站共有l个，则定位目标与uwb基站间有l个链路，

18、a)各个uwb基站获取与定位目标之间链路的特征信息，然后各个uwb基站均将获取的链路的特征信息传输给服务器；服务器将l个链路的特征信息均传输给分类模块；

19、b)所述分类模块利用dnn分类模型对每个链路的信道类型进行判断：

20、如果链路的信道类型为nlos，则分类模块按方法一对nlos链路进行进一步判断：如果链路类型为轻微nlos链路，则将轻微nlos链路的特征信息保留；如果链路类型为严重nlos链路，则删除该严重nlos链路的特征信息；

21、如果链路信道类型为los，则分类模块将los链路的特征信息保留；

22、设分类模块完成对l个链路的信道类型的判断分类后，得到m个轻微nlos链路的特征信息和n个los链路的特征信息，设m+n＝k；然后分类模块将k个链路的特征信息传输给补偿模块；

23、c)补偿模块将m个轻微nlos链路的特征信息传输给轻微nlos测距误差补偿模块，轻微nlos测距误差补偿模块收到m个轻微nlos链路的特征信息后，对每个轻微nlos链路的特征信息均按方式一进行处理；同时补偿模块将n个los链路的特征信息传输给los测距误差补偿模块，los测距误差补偿模块收到n个los链路的特征信息后，对每个los链路的特征信息均按方式二进行处理；

24、所述方式一包括：轻微nlos测距误差补偿模块利用轻微nlos测距误差回归模型获取轻微nlos链路的测距误差，然后利用得到的测距误差对轻微nlos链路的测距进行修正；

25、所述方式二包括：los测距误差补偿模块利用los测距误差回归模型获取los链路的测距误差，然后利用得到的测距误差对los链路的测距进行修正；

26、将链路的测距误差和修正后的测距记为修正测距数据；补偿模块将k个链路的修正测距数据和所述los测距误差均值τ传输给定位估计模块；

27、d)定位估计模块从数据库模块获取k个链路对应的k个uwb基站的位置坐标，然后采用mle(maximum likelihood estimate最大似然估计)算法根据公式四进行计算，得到定位目标的定位坐标估计

28、所述方法一包括：

29、根据nlos链路的计算功率差pd值进行判断：如果pd≦10db，则链路的信道类型为轻微nlos；如果pd>10db，则链路的信道类型为严重nlos链路；其中pd根据公式一确定；

30、所述公式一为：

31、pd＝rx-fp

32、其中，rx为接收功率估值，rx根据公式二获取；fp为第一路径功率，fp根据公式三获取；

33、所述公式二为：

34、

35、其中，cir为信道脉冲响应功率，cir为从链路中提取的特征信息之一；n表示前导码累计数，为设定值；a为常数，当链路脉冲重复频率prf为16mhz时，a＝115.72，当链路脉冲重复频率prf为64mhz时，a＝121.74；

36、所述公式三为：

37、

38、其中，f1表示第一路径幅度的幅度值；f2表示第二路径幅度的幅度值；f3表示第三路径幅度的幅度值；

39、所述公式四为：

40、

41、其中，i为1到k的整数；为第i个链路修正后的测距；为第i个链路对应的uwb基站与定位目标之间的实际距离，的函数表达式为公式五所示；σi表示第i个链路上测量噪声对测量距离的影响程度，σi根据公式六确定；

42、所述公式五为：

43、

44、其中，(xi,yi,xi)为第i个链路对应uwb基站的位置坐标；

45、所述公式六为：

46、σi＝|ωi-τ|

47、其中，ωi为第i个链路的测距误差。

48、进一步地，所述第一特征信息的特征集合包括：range、rss_fp、rss、noise、max_noise和pd；所述第二特征信息的特征集合包括：pd、true_power、range和rss；其中range为测量距离，rss_fp为第一路径信号强度，rss为总信号强度，noise为标准噪声，max_noise为最大标准噪声，true_power为实际接收功率。

49、进一步地，采用斯皮尔曼检验方法选取所述第一特征信息和第二特征信息二者各自的特征集合。

50、进一步地，所述dnn模型的网络结构包括6层神经网络，其中输入层的神经元个数为6，4个隐含层的神经元个数分别为3，5，2和4，输出层的神经元个数为2；隐含层使用的激活函数为elu函数，输出层激活函数为sigmoid函数；损失函数为采用dropout机制的交叉熵损失函数；所述svm模型的损失函数采用∈不敏感损失函数，核函数采用径向基函数。

51、本发明的原理如下：

52、现有技术中，为了提高定位精度，也会对uwb链路信号的信道类型进行识别和区分，但对于识别出nlos链路的情况，往往采用两种思路来处理，要么抛弃该链路仅采用los链路进行定位，要么对nlos链路进行补偿后进行定位。对于第一种思路来说，抛弃nlos链路可能损失掉一些有用的信息，而这些信息恰恰是有助于提高定位精度的信息，丢失会降低定位精度。对于第二种思路来说，完全地保留nlos链路存在一些异常值，这些异常值会对nlos补偿产生不利影响，也会降低定位的精度。

53、事实上，影响定位精度的主要因素是测距误差和测量噪声。测距误差是个随机变量，在不同场景下表现的特征不同，而测量噪声是高斯随机变量，对距离的测量产生随机波动。

54、为克服以上因素的影响，本发明结合机器学习的分类和回归方法，提出了一套完整的uwb指纹定位方案，如图2所示，该方案整体分为离线阶段和在线阶段两个部分，在离线阶段中，主要任务是评估已有数据集，提取相关参数进行训练，同时精确化定位模型，为在线阶段的定位做好准备；而后在线阶段将使用已经训练好的模型及其参数对未知定位目标链路信息进行los/nlos分类以及对测量距离进行误差补偿，随后利用los测距误差均值消除测量噪声的影响，然后输出位置估计结果。

55、具体来说：离线阶段，对实测数据集进行预处理，提取相应的特征信息送入深度神经网络dnn模型进行训练得到dnn分类模型，dnn分类模型将被训练用于对链路信道类型的初步判断；然后从实测数据中提取相应特征信息送入svm模型进行训练，分别得到los测距误差回归模型和轻微nlos测距误差回归模型，这两个回归模型用于对相应信道类型链路的测距误差进行补偿，从而获取修正后的测距值；训练los测距误差回归模型的同时，得出los测距误差均值，用于在线阶段消除测量噪声的影响。

56、在线阶段，首先将测量数据经过特征挑选后加载到dnn分类模型进行初步判断，若是los链路，则将其特征信息加载到los测距误差回归模型，得出对应的测距误差；若是nlos链路，则通过计算功率差pd值进一步判断，如果是严重nlos链路则将其删除抛弃，如果是轻微nlos链路，则将其特征信息加载到轻微nlos测距误差回归模型，得出对应的测距误差；然后针对实际信道类型分别利用上述对应的测距误差进行误差补偿，从而对链路的测距进行修正，以将测距误差的影响降低到最小。然后，将测距误差与los测距误差均值之间的计算方差代入mle的计算，以最大限度降低测量噪声的影响，最后通过mle算法实时估计定位目标的定位坐标。

57、本发明创造性地在los/nlos链路二分类别问题的基础上，进一步将nlos的信道类型细化为轻微nlos和严重nlos，在保留一些有用的nlos链路(轻微nlos链路)上抛弃了误差大的nlos链路(严重nlos链路)，从而能够有效克服现有技术中存在的不足。而且，分别针对los和轻微nlos训练得到测距误差回归模型，训练数据的针对性更强，训练得到的回归模型对测距误差的估计更精确，通过误差补偿修正后的测距值更接近真实值，大大降低了测距误差的影响，后续估计得到的定位精度也得到明显提高。另一方面，通过测距误差与los测距误差均值之间的计算方差来代表测量噪声对定位精度的影响，将上述计算方差代入mle算法中，以最大限度降低测量噪声的影响，进一步提高了对定位目标的定位精度。

58、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室内定位目标进行位置估计，其定位精度能大大提高。