文摘
本文设计和实现了一个3 d移动目标定位和跟踪系统通过使用超宽频技术(UWB)。双向测距结果的到达时差(TWR-TDOA)定位算法采用导致一个新的决议是解决双曲方程。该算法应用于室外和室内场景。尽量减少传感器布局的影响,本文提出了一种简化multi-population遗传算法(MPGA)获得锚的最佳分布,可以迅速减少搜索的迭代的数量。解决低目标辐射源的稳定性算法在户外和室内场景,利用卡尔曼滤波算法来提高该系统的稳定性和定位精度,取得了良好的仿真效果。试验结果表明,系统的定位误差远小于使用其他的方法。整个系统有一个功能的高精度、高稳定性、低复杂度、低成本。
1。介绍
随着通信技术的发展,越来越多的系统设计为无线传感器网络节点的位置。最受欢迎的蓝牙技术,无线个域网、无线射频识别,和一个超宽带(UWB)无线位置(1,2]。其中,超宽频技术是一种很有前途的测距方法,该方法利用极窄脉冲的宽光谱范围和传输数据通信速度快。超宽频无线定位和跟踪通信系统具有低复杂性、低功耗和高定位精度对多路径干扰。它可以应用于隧道车辆定位、地下人员定位,室内定位。它也有潜力提供月球的位置和跟踪/火星探测器和宇航员,卫星导航系统(如北斗或GPS)不可用(2]。
位置的算法,有传统方法和混合算法。接收信号强度(RSS),到达角(AOA)到达(DOA)不同,到达时差(辐射源脉冲)四种经典方法实现的位置。近年来,一系列的小说已经提出的混合算法根据这四个基本算法提高系统精度的新数学模型或先进的解决方案3- - - - - -5]。TDOA-UWB技术被广泛开发成一个混合定位理论,与其他方法相比,具有优越的定位性能。大多数传统的准确性TDOA-related算法基于最小二乘理论在实际测试10至30厘米(6,7]。吹口哨,小说没有时间同步辐射源定位提出的徐et al。8),实现了高精度的2 d和3 d情况下声学源位置的框架,但这种方法在能源效率和可伸缩性有缺陷。超宽频与新A-TDOA定位方法设计(9),而其精度不够准确,只适合2 d情况下。这些算法的瓶颈在功耗、精度和传输延迟。
提出了一些混合的方法来改善系统性能。在[10],封闭的混合目标辐射源和AOA与两个观测站测量三维空间,提出了高精度和低CRB。然而,这种方法只是在理论分析没有实际测试。结合辐射源脉冲/ TOF Mazraani提出的测量等。11),可实现高精度和减少能耗,而这种技术需要一个准确的定位和标记之间的同步。辐射源脉冲方程的基础上,不对称双面双向测距(ADS-TWR)算法和Chan-assisted扩展卡尔曼滤波器在3 d室内定位系统有五个锚用于文献[12),可实现快速、高精度定位。
最近,深入学习算法被广泛报道解决定位问题(13- - - - - -15),如卷积神经网络(CNN),再(资讯)算法,和长时间的短期记忆(LSTM),带来沉重的计算负担。这些新的框架进一步提高定位精度,在理论上,然而,由于算法的复杂性,系统有很高的需求在一个实际的硬件平台的场景。
锚布局在超宽频定位系统是另一个重要因素。大多数以前的研究是实现2 d平面布局定位。由于室内和室外场景的复杂性,3 d定位更实用。有一些研究的位移的节点数量在2 d / 3 d场景,关注定位网络(16,17];然而,我们所知,最小的锚的布局研究较少。考虑到功耗和系统成本,减少节点的最优布局需要讨论。
针对高定位精度和良好的稳定性,本文提出了一种新的解决方案基于双向测距(TWR)目标辐射源和简化multi-population遗传算法(MPGA)获得最佳锚布局。有效的实验室内和室外的场景与特定的硬件系统。以下是本文的主要贡献。(1)TWR衡量的距离算法计算不同目标的距离和两个基站,然后建立了双曲型方程通过使用不同的距离。我们提出了一种新的方法求解目标辐射源方程,很容易实现在我们的平台。(2)三维超宽频位置模型和平台构建测试该算法。(3)一个最佳的锚布局由一个简化计算3 d MPGA。(4)采用卡尔曼滤波来解决目标辐射源的不稳定算法在户外和室内场景。
本文组织如下。提出的三维超宽频模型和TWR-TDOA算法给出了第二节;第三节分析了现有的误差模型,提出了简化MPGA布局算法,并采用卡尔曼滤波器提高位置精度;第四节概述了硬件平台和实验测量的场景设置,包括场景测试。第五部分给出了结果和讨论。最后,第六节总结了这篇文章,讨论了未来的发展方向。
2。系统模型和理论位置的方法
画在图3 d超宽频模型1。测量一个标签和四个超宽频锚用于降低系统复杂性和消费。系统模型的优点是,可以获得目标的空间信息较少的锚(12]。获取目标位置,首先,不对称双面双向测距算法用于计算不同目标的距离和两个基站,低要求系统同步。其次,根据测量距离,采用目标辐射源的算法,对双曲方程提出了一项新决议获得较高的定位精度。
2.1。双面双向测距和三个消息
硬件平台的主流超宽频设备DW1000使用双向测距不同步。传统的算法可以很容易地移植到这个平台。根据DW1000的用户手册,ADS-TWR算法有三个消息是用来测量距离。该算法简化了DS-TWR从四个消息三个消息使用的回复第一个往返测量启动程序的第二个往返测量(10),这意味着更低的能耗。标记和定位之间的传输过程示意图如图2。
如图2标签命名设备和锚命名设备b .假设的飞行时间 。传感器接收到信号后,延迟时间 ,这是由传输处理和其他原因。之间的往返沟通时间锚和标签是完全 。这三种消息通信的完整过程描述如下:(a)设备发送一个数据包到设备B,和传输时间 ;(b)设备b记录时间收到这个数据包;(c)设备B答案回应收到包后固定的延迟时间 ;(d)设备记录的时刻接收来自设备的信息。
很容易计算往返时间 :
在这里,飞行时间(TOF)是由
在不对称双面双向测距,没有必要回复时间的两个设备是同步的,这意味着减少时钟系统的需求。在相同的信息传播,ADS-TWR可以保存消息流,这意味着节省电池供电和时空。时钟频率误差可以控制在皮秒级时晶体振荡器的质量不高。最重要的错误影响精度取决于以下方程: 实际频率的设备在哪里吗乘以期望频率,频率和实际设备B倍的期望频率。和在应用程序中是接近1。TWR数据出口定位处理。把100超宽频通信范围为例,TOF约300 ns,而错误时间大约是6 ps和相应的误差范围是2毫米。
2.2。目标辐射源的算法
根据系统模型图1假设目标的坐标标记 ,超宽频锚的数量 ,哪里有一个主传感器和二次传感器 ,他们的坐标 ,和 。假设每个车站的到达时间 。每一次要的时差和主传感器写成 ,这是由
距离差异也可以直接写成欧几里得距离目标的二级站-距离目标主站,给出的 在哪里 。
然后,我们有 减去在双方,我们有 在哪里 。
我们得到以下方程:
有米在方程(方程8),我们把它写成矩阵形式, 是未知的, 。
让 ,然后
根据线性方程的线性性质,解决方案的 的总和的解决方案 的解决方案 。当 ,一个根据克莱默是一个方阵,标准,解决方案是什么 ,在哪里行列式通过替换吗jth在一个常数项列元素。获得解决方案如下: 在哪里的解决方案是 ,和的解决方案是 。
在方程(11),是一个未知参数。我们从下面的计算方法:使用的定义 ,我们得到一个二元二次方程 ,如方程所示(12): 在哪里
我们可以得到一个变量二次方程的根:
根据这个根,辐射源算法3 d的情况有三个不同的位置结果:模棱两可,精度和损失。我们需要以不同的方式处理这三个案件。(1) 有两根(其中一个是一个错误的解决方案)。两根,可以获得两个位置,这意味着位置模糊需求增加锚。在该算法中,我们以共轭复杂的实部为根 。(2) 只有一个根,和目标位置可以唯一确定。(3)没有解决方案。这意味着目标位置不能确定。一个移动的目标,我们上一次的位置和运动状态来填补缺失值。
3所示。偏移误差分析和改进算法
目标辐射源的核心算法与主锚和二次锚之间的区别。首先,不同的推导过程表示为 在哪里 ,
利用方程(16),你可以得到一个标签位置误差向量:
根据这个方程,标签位置的准确性与传感器相关分布和测量误差。在以下部分中,辐射源算法的准确性将在这两个方面得到改善。
3.1。基于一个简化的MPGA进行优化分配
不同的传感器放置策略影响的几何精度因子(GDOP)的目标定位。GDOP可以表示为(18] 在哪里 , 。位置误差的方差 ,和测量误差的方差 。
的GDOP分布目标是最小的,分布可以达到最好的状态。本文采用MPGA找到最好的锚布局的GDOP的空间几乎是最优的。
在本部分中,被视为一个平面的平均GDOP的高度是什么 。
遗传算法搜索最佳结果由一个随机产生后代人口遗传算子。与遗传算法相比,MPGA使用更多的人口生产个人健身作为multi-population交叉(19]。整个空间搜索带来了大量的计算,而一个水平面搜索可以大大减少计算和有相似的精度。通过MATLAB仿真数据统计表明,简化计算量与传统的搜索算法相比减少了70%。在本部分中,采用这种简化MPGA方法计算最优布局。
这个简化的详细过程MPGA进行优化分配算法1所示,在那里表示给定空间的距离矩阵,测量平面的高度,限制最大迭代时间,人口规模的信息。此外,交叉概率的和概率的突变 。
|
在每个实验的开始,该算法可用于确保平均GDOP最小值的测量范围。在这个MPGA算法中,人口规模设置为10和最大迭代时间是设置为5。交叉率是一个值在0.7和0.9之间。变异概率是随机值在0.001和0.05之间。考虑位置和计算的方便,两侧设置锚的场景和一个锚固定条件的算法。
以下实验是为了测试的效率优化的基于简化MPGA分布。让 和 。表1给出了GDOP的随机位置的高度80厘米和比较结果与简化MPGA分别和硬度分布。
在这里我们可以看到,如果锚设置位置位于MPGA, GDOP可以很大程度上减少。这意味着优化分布可以降低测量数据的偏差。因此,这个提议MPGA能有效降低传感器分布误差引起的系统。
3.2。卡尔曼滤波器
目标辐射源定位过程中不稳定,导致测量误差。要解决这个问题,我们使用卡尔曼滤波器来提高定位的稳定性和精度。卡尔曼滤波可以达到最好的跟踪性能在处理目标的测量方程和运动方程线性和过程噪声服从高斯分布(20.]。当没有目标辐射源的算法解决方案,目标位置和运动状态的前面的时候,恒定速度(CV)模型用于填写缺失的位置。CV模型给出
状态方程是由方程(20.):X(k)是状态向量,这是一个N维列向量。在这里,N= 9;F(k)称为状态转换矩阵,W(k)是一个过程噪声,其协方差矩阵问(k),这是一个N×N在这个系统矩阵。方程(21)是测量方程:Z(k)测量向量,米维列向量(米= 3)。H(k)是测量矩阵和V(k)是测量噪声。的填充方法是估计丢失的位置使用状态转移矩阵和测量矩阵,即。最后测量值校正过程是在使用卡尔曼滤波器中删除。
系统的初始测试状态可以通过使用两点差分法获得初始化:
最初的测试状态误差的协方差矩阵如下:
初始化后,卡尔曼滤波可以开始工作的时间 。测量的标准偏差计算的数据范围
从四个基站,收集的数据和移动模型是简历。卡尔曼滤波的目标辐射源数据进一步处理。图3显示的位置的估计Chan-EKF [12],TWR-TDOA TWR-TDOA-KF算法当标签移动速度为0.2米/秒以下的3 d坐标。用MATLAB实现的算法和仿真环境。模拟器实现定位的过程在一个标签和四个锚的状况。直线上的标记移动((0,0,0)米(4、4、4)m)。四个锚采用MPGA提出最优布局。测试记录测量结果20倍。
根意味着平方误差(RMSE)是在图4测量的准确性在不同条件下的噪声标准差。RMSE可以由以下公式计算: 在哪里 代表的实际位置和标签 代表的估计位置标记。
可以得出结论,TWR-TDOA-KF算法具有更好的性能比和Chan-EKF TWR-TDOA算法。此外,该优化算法有更好的性能比未优化算法。更准确地说,三个不同的噪声标准差,RMSE TWR-TDOA-KF优化算法的平均低于Chan-EKF 1.67厘米,低于TWR-TDOA-EKF 1.03厘米。和的平均RMSE TWR-TDOA-KF低于TWR-TDOA 1.51厘米。
4所示。硬件平台和测量的场景
该系统测量模型如图5。硬件部分由单片机和超宽频通信模块。在我们的系统中,只有主锚连接上电脑通过USB数据线和二次定位是无线通信。ADS-TWR测距和无线数据传输应用标签和锚超宽频通讯模块。测量的距离后,二次锚锚传输数据,然后主锚传送数据到上面的电脑通过USB来计算目标的位置。在这里,我们使用最佳主持人的分布的基础上,提出了简化MPGA算法。内部硬件模块结构的标签和锚,我们采用DWM1000系统。时间误差在纳秒级别和典型的更新率是3.5赫兹。这个系统有一个功能的低成本、测距精度高、定位精度高、测距速度快,串口的硬件非常健壮。与传统的测距方式相比,能耗低得多(21]。
4.1。室外场景
我们的户外实验场景的布局图所示6(一),这是在农田中实现。锚1连接到PC作为主要的设备,和主持人2,3,4二次设备。在这个实验中, , ,和 。计算的简化MPGA后,锚1设置为(0,0,0),和其他锚设置为(0470370),(490、0370),(495470 0),分别。
(一)
(b)
在本节中,实验者调试定位系统锚3和锚4之间的中点的中点锚1和2,标签在一个恒定的速度为0.8米/秒。我们使用移动数据PG系统的链接,然后处理这些数据,我们提出的方法。结果如图所示6 (b)。真正的目标的运动轨迹是与顶部的蓝色线所示。与红点定位结果描述。卡尔曼滤波器的处理结果是用黄线绘制,这是最后的位置轨迹。结果表明,卡尔曼滤波器把分散的锚点跟踪进入平稳跟踪曲线,和锚点的跟踪偏离真正的轨迹是在一定程度上纠正。
4.2。室内场景
GPS信号无法穿透建筑物和不能在室内工作。在本部分中,我们设计了一个室内定位实验。在图所示的设置7(一),这是一个房间,一个长度为640厘米,宽430厘米,高374厘米。移动目标跟踪的蓝色长方形的桌子上,有80厘米的高度。锚1是主要的传感器和其他辅助传感器。
(一)
(b)
在这个实验中, , ,和 。MPGA运行后,锚1设置为(0,0,0)和其他设置锚(500、0370),(500400 0),分别为(0400370)。在室内实验中,利用该算法,三维定位之间的比较结果和真实的轨迹如图7 (b)。应该提到的电磁干扰GPS和WiFi可能会影响测量精度。
5。结果和分析
对于室内和室外环境,进行有效的测量实验。实际位置之间的RMSE评估和估计的位置。的RMSE户外场景如图8(一个),误差结果计算室内场景,如图8 (b)。
(一)
(b)
平均RMSE位置误差的室外环境是9.8厘米,平均定位误差约11.21厘米的室内场景。室内的错误比,在室外环境中,这可能是由于相邻频率电磁干扰。结合室外和室内场景,3 d移动目标的全系统RMSE错误是10厘米左右。
比较基于之间的定位精度和定位方法实现该技术和其他报道算法列在表2。本文中提出的技术最好的精度性能当新TWR-TDOA应用解决方案和布局优化,优势是,它可以适应不同的环境。
6。结论和讨论
系统本文成功地演示了一个移动的目标的目标定位和跟踪过程3 d超宽频室内和室外场景。系统的想法是使用范围来实现定位。在获得目标和基站之间的距离,该目标辐射源算法用于定位解决方案。我们还讨论哪些因素影响理论的准确性。最佳布局较低复杂度的基础上3 d MPGA用于降低定位精度误差。单一的水平面搜索可以大大减少计算和精度也有类似的整个空间搜索。硬件的系统使用一个超宽频通信实现数据传输测量目标与基站之间,然后实现距离测量。这是一个重要的步骤来获取原始数据。提供室内和室外实验。如果采用新的TWR-TDOA解决方案,它具有稳定性差。 Kalman filter algorithm is used to solve the problems related to fuzzy and missing subjects of TDOA positioning in the indoor and outdoor experiments, which has better location results. Our proposed system has better precision than mainstream algorithms. Due to the limited experimental conditions, the error test of the system is not very accurate. If the stepping motor is used to simulate and analyze the moving target in actual scenes, the system error can be further reduced. In this design, the Kalman filter is selected to filter the TDOA positioning results when tracking the target. In fact, this method has the problem of filter divergence, that is, when the target motion state does not meet the filter setting, the Kalman filter results will deviate and accumulate gradually. This problem can be improved by some specific algorithms for tracking maneuvering targets, such as the Singer algorithm, Interactive Multi-Model algorithm, and so on.
数据可用性
MatLab和python代码用于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。
确认
支持的项目是由中国国家自然科学基金(批准号61801231和61801231),江苏省高等教育的自然科学基金(批准号17 kjb510020)。