文摘
与应用程序潜在的增加室内人员定位,比如超宽带(UWB)定位技术吸引了越来越多学者的关注。在实践中,一个室内定位过程通常涉及多路径和视线范围(仿真结果的问题,和一个粒子滤波(PF)算法已广泛应用于室内定位研究领域因其杰出的性能的非线性和非高斯估计。针对减少造成的精度降低粒子退化和贫困在传统序贯蒙特卡罗(SMC)定位,我们提出一个方法来把萤火虫和粒子算法多级优化。该算法不仅提高了粒子的初始化的搜索能力,还使粒子传播序列估计当地的最适条件。此外,防止粒子落入振荡情况和更快的找到全局优化,减少函数是旨在提高粒子传播的可靠性。真正的室内实验,结果表明,可以提高定位精度高达36%,和需要粒子的数量显著减少。
1。介绍
随着公共花费越来越多的时间在室内(80 - 90%)1基于室内位置),服务成为人们生活和工作不可缺少的一部分。然而,全球定位系统(GPS)不能提供公平的准确性在室内环境跟踪由于仿真结果问题[2,3]。因此,对高精度室内定位技术的需求变得越来越迫切(4]。
室内定位系统(IPS)可以显示人或对象的位置信息在一个室内环境和实时掌握目标对象的位置(5]。随着传感器技术的进步(6和无线通讯7),各种室内定位方法和系统已经发展在过去的几年中8]。在室内环境中,定位主要是通过使用无线电和惯性导航技术(9]。其中,超宽带(UWB)是一种新技术在通信领域的使用与宽度的纳秒脉冲无线通信信号(10强大的多路径的优点),决议,传输速度快,低功耗和高定位精度(11]。因此,超宽频适用于高精度室内定位服务(12,13]。
超宽频观察的问题是大部分非线性(14]。众所周知,扩展卡尔曼滤波器(EKF)是一种流行的方法在解决非线性问题的15]。然而,卡尔曼滤波器通常遭受大错误和偏差估计的非线性随机系统的状态和方差(16]。与卡尔曼滤波器相比,PF的主要优势是,它是一种蒙特卡罗方法找到抽样过程的数值解,从而摆脱限制条件的随机量必须满足高斯分布(17]。然而,重采样采用PF将失去粒子多样性,导致粒子贫化(18]。
近年来,群体智能优化的组合(SIO)算法和PF算法已经成为一个重要的研究趋势19]。SIO算法将粒子视为个人在生物人口和调整粒子的分布通过模拟生物集群的运动规律(20.]。鉴于过程不会丢弃权重较低的粒子,粒子贫化现象可以从根本上避免(21]。他等人针对粒子退化和样本贫化现有目标跟踪算法在现有无线传感器网络(WSN),引入人工鱼群算法(AFSA)来改善粒子重采样阶段的分布状态(22]。蔡等人采用了遗传算法来取代重采样过程,结合突变和交叉阶段,提高过滤的准确性,而这种方法有不少参数和的设置参数具有强烈的随机性(23]。汉等人提出了一种改进的基于pigeon-inspired优化粒子滤波算法(PIO)。算法结合了粒子滤波器的求解过程和指导粒子移动的高可能性区域最优的过程,鸽子通常从远飞位置高适应性不断的地区(24]。朱等人提出了一种改进的粒子滤波算法基于磷虾群优化,诱导运动,运动觅食,和磷虾个体物理扩散过程引入到粒子滤波的粒子走向高地区(可能性25]。然而,改进PF算法基于的想法SIO仍然有盲目的搜索策略的问题,太多的关注粒子探测的能力,这样很难平衡粒子优化的开发能力在以后的阶段,大大影响粒子移动的效率高可能性区域(26]。在相同的时间,有无效的个人在迭代优化过程中,这就增加了计算算法的冗余(27]。
针对上述问题,本文提出了一种改进的萤火虫粒子滤波(IF-PF)算法1。早期实现搜索策略的方法,粒子人口分为几组,执行本地搜索策略解决问题的目标失明。然后,所有粒子都将进行全局搜索策略来扩大开发能力,保证粒子的多样性。同时,无效的粒子将被替换,减少冗余计算。通过结合本地搜索策略与全球搜索策略,可以提高跟踪算法的性能用更少的粒子,提高了跟踪精度和跟踪速度。此外,自适应函数还避免粒子附近振荡的问题,最优个体。通过对室内超宽频应用IF-PF定位,实验结果表明,该改进算法优于标准粒子滤波及其流行的变体在鲁棒性和定位精度。
本文的其余部分组织如下。简要介绍PF节中给出2。节3,我们详细描述我们提出的算法。实验设置和绩效评估的算法介绍了部分4。最后,部分5总结和介绍了未来的工作。
2。粒子滤波
PF的想法是基于蒙特卡罗方法,使用粒子集来表示概率和可用于任何形式的状态空间模型。的核心思想是由国家来表达一个分布提取随机粒子从后验概率。这是一个序贯重要性采样方法。PF的主要步骤总结如下:(1)初始化粒子和权重
按照国家的经验信息数量(28),选择一个提议分布 ,和随机生成一组样本29日),即粒子: , 。(2)重要性抽样
一步预测基于状态方程显示为
观测值的一步预测估计 (3)粒子重量更新和规范化(我)重量更新: (2)归一化: (4)重采样
粒子按重量,重量轻粒子替换为超重量的。(5)状态估计
最后,使用更新后的粒子集及其重量近似的后验概率密度状态量(30.]:
3所示。算法
萤火虫算法(FA)首次提出了杨在2009年在剑桥大学(31日),这是来自模拟萤火虫的闪光模式和行为。
亮度萤火虫的定义如下: 在哪里代表了初始亮度强度和初始吸引力,代表一个固定的光学吸收系数,是两个萤火虫之间的距离。
吸引力的变化与距离被定义为 在哪里的吸引力 。
低亮度萤火虫的运动吸引到另一个更有吸引力的萤火虫吗 ,这是由 在哪里和萤火虫的位置吗和在时间, 步长因子,指的是随机因素服从均匀分布在[0,1]。
3.1。局部搜索策略
考虑之间的内在相似性PF和足总,这两个算法相结合。我们把PF的粒子作为个体在萤火虫人口,然后实现优化迭代策略。由于粒子的重量是容易受到最新的观测值在超宽频定位系统中,萤火虫的亮度是根据修改 在哪里是最新的观测值,预测观测值的粒子吗 ,和是观察到的噪声的方差。每个粒子的亮度只有相关最新的观测方程所示(9),亮度不依赖于其他粒子的相对位置。从方程(9),亮度与体重成正比,可以更好地反映质量的粒子位置通过重量。
在传统的FA,所有的人将走向最聪明的人。然而,在最初的阶段,低亮度的能力个人个人走向明亮疲弱,导致可怜的优化效果。为了解决这个问题,采用局部搜索策略。首先,粒子健身在降序排序,粒子和粒子组是最好的健身价值记录 。接下来,粒子分为人口组,每组包含粒子,满足的关系 。
在这个进步,第一个粒子进入第一组,第二个粒子进入第二组,粒子去组,粒子 第一组,等等,直到所有粒子被分配。每一组粒子与最好的健身价值和粒子最糟糕的健身价值 。因此,粒子的位置调整如下:(1)的位置更新是 在哪里代表着一个随机数,将一个值在0和1之间(2)粒子的位置从过去位置到新位置由以下方程: 在哪里 步长因子和吗是一个高斯分布的随机数代表更新粒子的新位置。相对较少的迭代次数时,距离相对比较大。随着迭代次数的增加,粒子之间的重量差异和粒子组中的相对减少。为了避免粒子周围粒子的浓度 ,添加一个递减函数余弦特性减少移动距离。
毕竟组已经完成了当地的研究,计算相应的健身价值。混合组的所有粒子,重新排序和划分组,并再次执行本地搜索。重复这个过程,直到更新完成预设的迭代次数。
3.2。全球搜索策略
集团内部优化完成后,我们把粒子对象作为集群和集群合并之后根据粒子权重的相似。重复这个过程找到集群粒子重量和找到最好的中心位置的集群。
然后,计算出的吸引力当前粒子之间和中心粒子根据方程: 在哪里之间的距离吗粒子和最优粒子。我们可以看到从方程(12),的吸引力粒子取决于之间的距离和粒子。当之间的距离和粒子相对比较长,它们之间的吸引力将会增加。否则,吸引力将减少。这种策略可以动态调整粒子的可见范围,进一步搜索精度。随后,位置估计可以根据更新方程: 在哪里和萤火虫的位置吗和在时间, 步长因子,指的是随机因素服从均匀分布在[0,1]。
根据两种优化策略,粒子可以满足正确的分配阶段,防止粒子陷入局部最优。
4所示。实验设置和评价
4.1。实验设置
我们使用的超宽频硬件来测试我们的方法符合IEEE 802.15.4-2011超宽频的标准,由多个锚节点(UK100)和一个移动节点(UM208)(标签)。其性能指标如表所示1。定位实验采用2 d模型。超宽频的信道频率和数据率通信配置3.8 GHz和110 kbps,分别超宽频节点的覆盖面积最大化。根据配置,超宽频锚报告范围测量锚节点和移动节点之间的3.5赫兹。本文的实验是在实验室进行的东南大学的大厅占地面积约 。四个锚节点和一个移动锚被用在这个实验。锚节点和移动节点之间的距离来衡量双向测距飞行时间(TOF)。测量、时间戳等都是通过无线传输到笔记本电脑。
我们根据图安排实验环境1。其中,A1-A4锚。我们测量和记录锚的2 d坐标如表所示2。四个定位基站安装时,超宽频定位区域可以覆盖一个相对较大的区域,通常约8到20米。在基站的部署,以减少行人或其他对象的影响信号,定位基站的定位系统安装在椅子上在一定距离地面并确保他们在同等的高度。IF-PF算法主要用于提高性能的动态跟踪;出于这个原因,实验方案设计成弯曲的路径。弯曲的路径是相对简单的,实验者走在整个实验领域的移动轨迹类似于一个矩形。P1-P6轨迹点的路径。
表3显示每一个点的坐标。实验者拥有超宽频标签,走在一个正常的行走速度,和从P1开始,然后通过P2、P3, P4, P5,和P6反过来,由红色箭头在图所示1。在整个计算过程中,所有的初始值的算法给出的参考轨迹。
4.2。结果分析
本节比较了泰勒的跟踪性能,卡尔曼滤波器,PF, IF-PF在相同的路径。定位误差被定义为的距离估计在每个测试点位置的实际位置。的 - - - - - -轴误差定义在方程(14)和 - - - - - -轴误差方程(15)。 在哪里和代表了 - - - - - -轴误差和 - - - - - -轴误差,分别是计算的位置方向,是实际的位置方向。同样的,是计算的位置方向和是实际的位置方向。
图2显示了参考轨迹沿着路径和不同的定位结果基于各种算法。绿色三角形形成的轨迹线是解决方案的结果泰勒,蓝星是卡尔曼滤波器的结果,和白色的圆线是PF的结果,红线表示沿着路径参考轨迹,和红色三角行代表IF-PF的结果。与此同时,红色固体圆圈的位置四个超宽频锚。
它可以看到从轨迹图2所有四个算法可以实现实验者的定位和跟踪。因为拿着超宽频移动节点的实验者的身体会带来大量仿真结果错误,四个算法的定位结果偏离方向相同。当有另一个仿真结果从外部扰动,泰勒和EKF算法的定位结果会有跳点而IF-PF算法可以平稳的数据,这样跳的位置是可以纠正的。与传统PF算法相比,整体效果IF-PF算法的接近真实的运动轨迹。我们可以相信IF-PF有效抵抗异常值的影响。为了证明这种效果,在某些时刻轨迹点的实验进行了分析。
粒子分布在PF,基维辛迪,IF-PF算法在某些时刻如图3。可以看出,粒子分布松散由于仿真结果错误。基维辛迪算法,粒子分布更严格的比初始状态,这是由于粒子远离真正的位置可以吸引萤火虫粒子滤波的粒子权重高。然而,由于粒子与高体重和粒子之间的距离与低体重过大,吸引力较弱。IF-PF引入了局部搜索策略来提高粒子的运动能力在最初阶段。可以看出,相比之下,PF基维辛迪,IF-PF可以更好地抵抗仿真结果的干扰,使粒子紧密围绕着真正的位置。
(一)
(b)
(c)
图4给出了时间序列的位置错误 - - - - - -轴和 - - - - - -轴方向的四个算法, - - - - - -轴代表每个采样点。在图中,我们可以看到,使用我们的算法的定位误差很小。此外,与其他算法比较范围估计表明,平均误差明显减少了。相对而言,IF-PF比PF更健壮,卡尔曼滤波器,和泰勒尤其是当有一个大的错误的观察。
(一)
(b)
确定位置的效率,我们实现了经验累积分布函数(CDF)的位置误差的四个算法,如图5。如图,有一个高减少百分比 - - - - - -轴位置的错误我们IF-PF CDF实验组的0.3,0.4,和0.5与其它算法相比。
(一)
(b)
定量评估改进算法的性能,四个性能指标(平均误差,误差最小,最大误差,误差和标准偏差)定义如下: 在哪里 , , ,和平均误差,误差最小,最大误差,分别和标准偏差的误差。如表所示4可以看出,最大定位误差 - - - - - -轴和 - - - - - -轴分别是0.3229米和0.3333米,IF-PF时使用。作为比较,最大定位误差 - - - - - -轴和 - - - - - -轴可以达到0.5723米和0.4850米,分别在PF,和70%的错误IF-PF小于0.2 m;在给定的条件下,IF-PF可以控制误差在0.17 m,而PF是0.28 m, EKF超过0.32 m,泰勒是0.33米。我们可以发现,平均IF-PF算法的定位精度达到0.17 m, PF高出36%,比EKF高出44%,比泰勒高出大约45%。定位精度是不同的。此外,IF-PF算法仿真结果的影响较小。
从表可以看出4,平均误差可以反映各算法的定位精度。因此,可以选择平均误差的精密测量相应的算法。然后,这两个算法的定位精度在不同的粒子数量分析,如表所示5。
从表可以看出5随着粒子数的增加,两种算法的平均误差显示一个下降的趋势,这是符合的理论更多的粒子算法,估计精度越高。当粒子数量的增加从250年到450年,PF的准确性比IF-PF改善更明显。然而,当粒子数目是250,IF-PF的定位误差低于PF粒子时号码是450。这是因为虽然粒子数的增加提高了定位精度,采用的重采样PF将失去粒子多样性,导致粒子贫化。相比之下,IF-PF算法引入了多级优化策略来改善粒子分布状态,增加有效的粒子,削弱样本贫化问题,大大减少所需的粒子的数量。总之,IF-PF算法提出了更高的综合效率。
5。结论
本文以粒子滤波算法应用于室内超宽频定位为研究主题。针对重大问题的定位误差引起的粒子贫化在传统的蒙特卡洛定位方法中,IF-PF算法是应用于室内超宽频定位。在这个算法中,当地和全球战略是用来使粒子运动的高可能性区域自适应权重更新之前,避免粒子贫化问题造成的大量的轻量级的粒子被取而代之的是较高的权重的粒子,从而提高粒子的质量。粒子贫化问题是有效地削弱。因此,IF-PF算法显著降低要求下的粒子数相同的定位精度。试验结果表明,我们的方法可以实现更好的和更稳定的定位性能与原来的定位算法,相比之下,定位精度达到0.17米。未来的工作将集中在添加仿真结果包括建模来提高定位精度。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是由国家重点项目的研究与开发计划的中国(授予数量:2020 yfd1100201)和Zhishan东南大学青年学者计划(2242020 r40136)。