室内定位中非视距的识别和抑制算法研究综述(部分)
源自:控制與決策? ?作者:齊小剛? 陳諶? ?李芷楠?
針對存在非視距(non-line-of-sight, NLOS)的室內定位算法進行研究. 首先描述室內定位中的常用技術和算法(航跡推算、指紋識別定位、鄰近探測、極點定位、三角定位、多邊定位、質心定位), 概括其原理、優缺點和適用場景; 其次, 通過仿真測試說明研究NLOS識別和抑制的必要性; 再次, 分別介紹NLOS識別和NLOS抑制的幾類算法, NLOS識別算法包括統計學方法、幾何關系法、機器學習法、信道特征提取法和虛點密度識別法, NLOS抑制算法包括模糊理論法、引入平衡參數法、幾何關系法、小波去噪法、機器學習類算法、凸優化類算法、殘差類算法、最小二乘類算法和多維縮放類算法; 最后, 對全文進行總結并指出NLOS室內定位亟待解決的問題.
引言
全球定位系統(global positioning system, GPS), 憑借其廣泛的應用范圍和較高的定位精度, 受到了各方面專家和學者的青睞, 其在室外可以提供比較可靠的定位服務. 然而, 由于室內環境較為復雜, 信號的傳播過程中會遇到障礙物(行人、墻壁、桌椅等)的阻塞, 使得信號發生反射、折射或散射, 導致強度減弱, GPS并不能實現精確的定位, 即在存在非視距(non-line-of-sight, NLOS)的室內環境中, 定位精度會有所下降. 如何有效識別和抑制NLOS, 從而提高定位精度是目前室內定位研究的熱點問題之一. 室內定位作為定位技術在室內環境的延續, 應用更加廣泛. 精確的節點位置信息可以應用在環境監測、軍事偵察、定位打擊目標、公共安全及應急響應等方面.
當發生地震、火災等意外災害時, 室內環境由于崩塌、火燒等會發生改變, 根據感覺盲目尋找很難快速找到被救援人員的位置. 而通過無人機等實地采集信息, 利用室內定位技術可以快速進行搜救, 既節省時間又能規劃出安全的救援路徑. 當發生恐怖襲擊或者人質劫持等社會安全事件時, 利用室內定位技術可以快速確定襲擊者或人質的位置. 反恐人員進入室內執行任務時, 通過室內協同定位算法進行配合, 可以精確地獲得自己和同伴的位置, 對于任務的解決起到了更好的促進作用. 當處于火車站、高鐵站、飛機場或地下停車場時, 室內定位技術可以為用戶提供導航定位、停車、找車服務, 提高用戶的滿意度. 在商場或者倉庫可以幫助用戶快速找到心儀的商品, 增強用戶體驗感.
1 室內定位中的常用技術與算法
目前, 在室內定位方面所使用的技術有很多, 包括地磁技術[1]、Wi-Fi[2]、藍牙[3]、超聲波技術[4]、激光技術[5]、計算機視覺技術[6]、超寬帶(ultra wide band, UWB)技術[7]等.
地磁技術主要依據地磁場強度實現定位, 成本較低, 而且對環境的要求不高. Wi-Fi技術不受燈光、濕度、溫度等外界因素的影響, 在一定頻段內可以很好地穿越障礙, 但在室內極易受到多徑效應的影響, 定位精度中等[2]. 低功耗藍牙具有功耗低、成本低、部署方便等優點, 誤差可達到2 m左右[3]. 超聲波技術由固定的參考基礎設施和多種移動單元組成[4], 可以穿透部分固體和液體, 在黑暗、有毒等環境中仍可以應用, 但其頻率受多普勒效應的影響且成本較高. 激光技術可根據信號和反射信號的時間差值計算距離, 結合角度信息完成相對定位, 成本較高.
計算機視覺技術主要分為利用地標包含的信息解算為矩陣實現定位和對數據庫內存儲的相機位置信息進行圖像指紋匹配實現定位[6]兩種. 伴隨計算機視覺技術的發展和成熟, 使得基于視覺的用于同時定位與地圖構建(simultaneous localization and mapping, SLAM)的技術可獲得圖形和視覺的支持. 視覺SLAM技術包括前端和后端兩部分, 前端又稱視覺里程計(visual odometry, VO), 主要進行特征檢測和數據關聯任務; 后端主要對前端的輸出結果進行優化, 得到最優的位姿估計和地圖[8].
由于較高的時空分辨率、良好的隱私保護、強穿透性以及高精度的定位性能, 使得UWB技術能為室內定位提供良好的解決方案. 同時也為許多應用程序提供了便利, 如醫療監控、安全和資產跟蹤等[7].
室內定位中的常用算法包括航跡推算、指紋識別定位、鄰近探測、極點定位、三角定位、多邊定位和質心定位等.下面主要介紹這些算法定位的原理以及優缺點.
1?航跡推算
目標節點位置由所對應的步長、航向和上一步的位置不斷累加推算得到[9], 其原理如圖 1所示. 常應用于慣性導航定位[10], 可利用三軸加速度計、三軸陀螺儀和三軸磁力計的數據計算節點位置和軌跡.
?
?
圖?1?航跡推算定位原理圖
優缺點: 此算法不需要借助外部設備即可實現定位, 采集的數據較為自主且無依賴; 但在推算的過程中會受到累加誤差的影響, 故常用于短距離定位.
2?指紋識別定位
指紋識別定位算法[11-13]主要由離線階段和在線階段兩部分構成.在離線階段, 用小網格劃分待定位區域, 得到交點并記錄其坐標, 對在交點處接收到的無線電信號提取特征(常用接收信號強度(received signal strength, RSS)), 利用交點的坐標和相應的特征構成的信息鏈建成指紋數據庫; 在線階段, 通過匹配算法對比實際信息提取的特征與指紋數據庫中的參數實現定位, 具體的流程如圖 2所示.
?
圖?2?指紋識別定位原理圖
優缺點: 此算法自主性較高, 有較高的定位精度; 但在離線階段建立指紋庫工作量較大, 且一旦更換定位場地, 需要重新構建指紋庫.
3?鄰近探測
鄰近探測法通過是否接收到物理信號來判斷目標是否位于****源四周[14], 主要取決于信號的傳輸范圍. 由圖 3可以看出, 目標節點位于****B附近.
?
圖?3?鄰近探測原理圖
優缺點: 此算法易于搭建, 易于實現且成本較低; 但定位精度不高, 僅可用于對精度要求不高的場景.
4?極點定位
極點定位根據測量的相對錨節點的距離和角度信息推測出目標的位置[14], 其原理如圖 4所示. 若僅已知錨節點與目標節點之間的距離d1d1, 則可以初步確定目標節點是在以錨節點為圓心、d1d1為半徑的圓上, 然后通過角度信息可以得到目標節點的精確位置.
圖?4?極點定位原理圖
優缺點: 只需要根據一個錨節點的位置即可進行測量, 應用較為方便, 常用于大地測量; 但定位結果的準確性易受測距和測量角度儀器的精度的影響.
5?三角定位
三角定位法[15]是將兩個錨節點的測量信息(包括距離和角度)相結合, 利用幾何原理獲取目標位置.
圖?5?三角定位原理圖
根據相對位置關系即可求得目標節點的位置.
優缺點: 此算法原理較為簡單, 定位誤差較小, 應用較為廣泛; 但對于普通設備而言, 角度以及距離的信息很難精確獲取.
6?多邊定位
多邊定位[16]的典型特征是多次測量方程的個數大于變量的個數, 其主要利用最小二乘(least squares, LS)[17]算法進行求解. 如圖 6所示, 已知錨節點的位置以及錨節點到目標節點的距離, 利用畢達哥拉斯定理可得
圖?6?多邊定位原理圖
利用LS算法求解可得目標節點的位置為
??
優缺點: 相比于三邊定位引入了較多的錨節點, 且節點越多定位越準確; 但是實際定位場景會存在沒有足夠多錨節點的情況, 所以仍然會存在誤差.
7?質心定位
對于定位算法而言, 質心指的是節點橫、縱坐標的平均值.質心定位算法的定位精度完全取決于錨節點的大小和分布密度[18], 其原理如圖 7所示.
?
圖?7?質心定位算法原理圖
已知與目標節點相鄰的錨節點的位置, 可求得目標節點的坐標為
?
?
?優缺點: 此算法計算量較小且易于理解; 但當與目標節點相鄰的錨節點個數不足時, 定位不夠精確.
2 研究NLOS識別和抑制的必要性
在室內進行定位時, 由于障礙物(桌椅板凳、行人、墻壁)的阻塞, 節點之間為NLOS狀態, 導致測距誤差較大, 從而嚴重影響定位的精度. 本節主要測試NLOS對測距結果的影響. 利用UWB節點(如圖 8(a)所示)進行測距, 通過串口實時導出測量數據.
?
圖?8?UWB節點與LOS誤差
為了更直觀地表示視距(line-of-sight, LOS)場景下測距情況, 用小提琴圖來表示測距誤差. 小提琴圖結合了箱形圖和密度圖的特征, 主要用于展示多組數據的分布狀態以及概率密度.?圖 8(b)中的虛線分別表示的是同組數據中位數和四分位數所對應的數值.
小提琴圖中橫坐標表示實際距離, 縱坐標表示測得的距離數據與實際距離的差值, 即LOS誤差. 從圖 8(b)中可以看出節點的LOS誤差較大, 大部分數據超過1 m. 對LOS情況下的測距結果進行擬合可得出節點的系統誤差. 在進行NLOS測試時, 需消除系統誤差之后再進行具體分析.
利用UWB節點進行測距, 在消除系統誤差之后, 不同障礙物阻塞下的測距結果如圖 9所示.
?
圖?9?不同障礙物阻塞下的測距結果
圖?9分別為實測3.6 m所對應的被墻遮擋、被靜止的黑板遮擋、被移動的黑板遮擋、被靜止的人遮擋的NLOS場景的測距結果. 從上述的仿真測試結果可以看出, 在存在NLOS的室內定位場景中, 錨節點與目標節點之間的平均測距比實際距離誤差大. 利用距離信息進行定位時, 會增大定位誤差. 所以為達到更好的定位精度, 定位之前進行NLOS的識別和抑制尤為重要.
關注“人工智能技術與咨詢”,了解更多資訊!
總結
以上是生活随笔為你收集整理的室内定位中非视距的识别和抑制算法研究综述(部分)的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 关于echart 饼图显示不出来 挖坑
- 下一篇: 前端获取当前服务器时间,不使用客户端电脑