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(nèi)定位算法進(jìn)行研究. 首先描述室內(nèi)定位中的常用技術(shù)和算法(航跡推算、指紋識別定位、鄰近探測、極點(diǎn)定位、三角定位、多邊定位、質(zhì)心定位), 概括其原理、優(yōu)缺點(diǎn)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(tǒng)計學(xué)方法、幾何關(guān)系法、機(jī)器學(xué)習(xí)法、信道特征提取法和虛點(diǎn)密度識別法, NLOS抑制算法包括模糊理論法、引入平衡參數(shù)法、幾何關(guān)系法、小波去噪法、機(jī)器學(xué)習(xí)類算法、凸優(yōu)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(jìn)行總結(jié)并指出NLOS室內(nèi)定位亟待解決的問題.

引言

全球定位系統(tǒng)(global positioning system, GPS), 憑借其廣泛的應(yīng)用范圍和較高的定位精度, 受到了各方面專家和學(xué)者的青睞, 其在室外可以提供比較可靠的定位服務(wù). 然而, 由于室內(nèi)環(huán)境較為復(fù)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(fā)生反射、折射或散射, 導(dǎo)致強(qiáng)度減弱, GPS并不能實(shí)現(xiàn)精確的定位, 即在存在非視距(non-line-of-sight, NLOS)的室內(nèi)環(huán)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(nèi)定位研究的熱點(diǎn)問題之一. 室內(nèi)定位作為定位技術(shù)在室內(nèi)環(huán)境的延續(xù), 應(yīng)用更加廣泛. 精確的節(jié)點(diǎn)位置信息可以應(yīng)用在環(huán)境監(jiān)測、軍事偵察、定位打擊目標(biāo)、公共安全及應(yīng)急響應(yīng)等方面.

當(dāng)發(fā)生地震、火災(zāi)等意外災(zāi)害時, 室內(nèi)環(huán)境由于崩塌、火燒等會發(fā)生改變, 根據(jù)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(jī)等實(shí)地采集信息, 利用室內(nèi)定位技術(shù)可以快速進(jìn)行搜救, 既節(jié)省時間又能規(guī)劃出安全的救援路徑. 當(dāng)發(fā)生恐怖襲擊或者人質(zhì)劫持等社會安全事件時, 利用室內(nèi)定位技術(shù)可以快速確定襲擊者或人質(zhì)的位置. 反恐人員進(jìn)入室內(nèi)執(zhí)行任務(wù)時, 通過室內(nèi)協(xié)同定位算法進(jìn)行配合, 可以精確地獲得自己和同伴的位置, 對于任務(wù)的解決起到了更好的促進(jìn)作用. 當(dāng)處于火車站、高鐵站、飛機(jī)場或地下停車場時, 室內(nèi)定位技術(shù)可以為用戶提供導(dǎo)航定位、停車、找車服務(wù), 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(qiáng)用戶體驗感.

1 室內(nèi)定位中的常用技術(shù)與算法

目前, 在室內(nèi)定位方面所使用的技術(shù)有很多, 包括地磁技術(shù)[1]、Wi-Fi[2]、藍(lán)牙[3]、超聲波技術(shù)[4]、激光技術(shù)[5]、計算機(jī)視覺技術(shù)[6]、超寬帶(ultra wide band, UWB)技術(shù)[7]等.

地磁技術(shù)主要依據(jù)地磁場強(qiáng)度實(shí)現(xiàn)定位, 成本較低, 而且對環(huán)境的要求不高. Wi-Fi技術(shù)不受燈光、濕度、溫度等外界因素的影響, 在一定頻段內(nèi)可以很好地穿越障礙, 但在室內(nèi)極易受到多徑效應(yīng)的影響, 定位精度中等[2]. 低功耗藍(lán)牙具有功耗低、成本低、部署方便等優(yōu)點(diǎn), 誤差可達(dá)到2 m左右[3]. 超聲波技術(shù)由固定的參考基礎(chǔ)設(shè)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(huán)境中仍可以應(yīng)用, 但其頻率受多普勒效應(yīng)的影響且成本較高. 激光技術(shù)可根據(jù)信號和反射信號的時間差值計算距離, 結(jié)合角度信息完成相對定位, 成本較高.

計算機(jī)視覺技術(shù)主要分為利用地標(biāo)包含的信息解算為矩陣實(shí)現(xiàn)定位和對數(shù)據(jù)庫內(nèi)存儲的相機(jī)位置信息進(jìn)行圖像指紋匹配實(shí)現(xiàn)定位[6]兩種. 伴隨計算機(jī)視覺技術(shù)的發(fā)展和成熟, 使得基于視覺的用于同時定位與地圖構(gòu)建(simultaneous localization and mapping, SLAM)的技術(shù)可獲得圖形和視覺的支持. 視覺SLAM技術(shù)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(jìn)行特征檢測和數(shù)據(jù)關(guān)聯(lián)任務(wù); 后端主要對前端的輸出結(jié)果進(jìn)行優(yōu)化, 得到最優(yōu)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(hù)、強(qiáng)穿透性以及高精度的定位性能, 使得UWB技術(shù)能為室內(nèi)定位提供良好的解決方案. 同時也為許多應(yīng)用程序提供了便利, 如醫(yī)療監(jiān)控、安全和資產(chǎn)跟蹤等[7].

室內(nèi)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(diǎn)定位、三角定位、多邊定位和質(zhì)心定位等.下面主要介紹這些算法定位的原理以及優(yōu)缺點(diǎn).

1?航跡推算

目標(biāo)節(jié)點(diǎn)位置由所對應(yīng)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(yīng)用于慣性導(dǎo)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(shù)據(jù)計算節(jié)點(diǎn)位置和軌跡.

?

?

圖?1?航跡推算定位原理圖

優(yōu)缺點(diǎn): 此算法不需要借助外部設(shè)備即可實(shí)現(xiàn)定位, 采集的數(shù)據(jù)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(gòu)成.在離線階段, 用小網(wǎng)格劃分待定位區(qū)域, 得到交點(diǎn)并記錄其坐標(biāo), 對在交點(diǎn)處接收到的無線電信號提取特征(常用接收信號強(qiáng)度(received signal strength, RSS)), 利用交點(diǎn)的坐標(biāo)和相應(yīng)的特征構(gòu)成的信息鏈建成指紋數(shù)據(jù)庫; 在線階段, 通過匹配算法對比實(shí)際信息提取的特征與指紋數(shù)據(jù)庫中的參數(shù)實(shí)現(xiàn)定位, 具體的流程如圖 2所示.

?

圖?2?指紋識別定位原理圖

優(yōu)缺點(diǎn): 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(gòu)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(biāo)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(biāo)節(jié)點(diǎn)位于****B附近.

?

圖?3?鄰近探測原理圖

優(yōu)缺點(diǎn): 此算法易于搭建, 易于實(shí)現(xiàn)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(diǎn)定位

極點(diǎn)定位根據(jù)測量的相對錨節(jié)點(diǎn)的距離和角度信息推測出目標(biāo)的位置[14], 其原理如圖 4所示. 若僅已知錨節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)之間的距離d1d1, 則可以初步確定目標(biāo)節(jié)點(diǎn)是在以錨節(jié)點(diǎn)為圓心、d1d1為半徑的圓上, 然后通過角度信息可以得到目標(biāo)節(jié)點(diǎn)的精確位置.

圖?4?極點(diǎn)定位原理圖

優(yōu)缺點(diǎn): 只需要根據(jù)一個錨節(jié)點(diǎn)的位置即可進(jìn)行測量, 應(yīng)用較為方便, 常用于大地測量; 但定位結(jié)果的準(zhǔn)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(jié)點(diǎn)的測量信息(包括距離和角度)相結(jié)合, 利用幾何原理獲取目標(biāo)位置.

圖?5?三角定位原理圖

根據(jù)相對位置關(guān)系即可求得目標(biāo)節(jié)點(diǎn)的位置.

優(yōu)缺點(diǎn): 此算法原理較為簡單, 定位誤差較小, 應(yīng)用較為廣泛; 但對于普通設(shè)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(shù)大于變量的個數(shù), 其主要利用最小二乘(least squares, LS)[17]算法進(jìn)行求解. 如圖 6所示, 已知錨節(jié)點(diǎn)的位置以及錨節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的距離, 利用畢達(dá)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(biāo)節(jié)點(diǎn)的位置為

??

優(yōu)缺點(diǎn): 相比于三邊定位引入了較多的錨節(jié)點(diǎn), 且節(jié)點(diǎn)越多定位越準(zhǔn)確; 但是實(shí)際定位場景會存在沒有足夠多錨節(jié)點(diǎn)的情況, 所以仍然會存在誤差.

7?質(zhì)心定位

對于定位算法而言, 質(zhì)心指的是節(jié)點(diǎn)橫、縱坐標(biāo)的平均值.質(zhì)心定位算法的定位精度完全取決于錨節(jié)點(diǎn)的大小和分布密度[18], 其原理如圖 7所示.

?

圖?7?質(zhì)心定位算法原理圖

已知與目標(biāo)節(jié)點(diǎn)相鄰的錨節(jié)點(diǎn)的位置, 可求得目標(biāo)節(jié)點(diǎn)的坐標(biāo)為

?

?

?優(yōu)缺點(diǎn): 此算法計算量較小且易于理解; 但當(dāng)與目標(biāo)節(jié)點(diǎn)相鄰的錨節(jié)點(diǎn)個數(shù)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(nèi)進(jìn)行定位時, 由于障礙物(桌椅板凳、行人、墻壁)的阻塞, 節(jié)點(diǎn)之間為NLOS狀態(tài), 導(dǎo)致測距誤差較大, 從而嚴(yán)重影響定位的精度. 本節(jié)主要測試NLOS對測距結(jié)果的影響. 利用UWB節(jié)點(diǎn)(如圖 8(a)所示)進(jìn)行測距, 通過串口實(shí)時導(dǎo)出測量數(shù)據(jù).

?

圖?8?UWB節(jié)點(diǎn)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(jié)合了箱形圖和密度圖的特征, 主要用于展示多組數(shù)據(jù)的分布狀態(tài)以及概率密度.?圖 8(b)中的虛線分別表示的是同組數(shù)據(jù)中位數(shù)和四分位數(shù)所對應(yīng)的數(shù)值.

小提琴圖中橫坐標(biāo)表示實(shí)際距離, 縱坐標(biāo)表示測得的距離數(shù)據(jù)與實(shí)際距離的差值, 即LOS誤差. 從圖 8(b)中可以看出節(jié)點(diǎn)的LOS誤差較大, 大部分?jǐn)?shù)據(jù)超過1 m. 對LOS情況下的測距結(jié)果進(jìn)行擬合可得出節(jié)點(diǎn)的系統(tǒng)誤差. 在進(jìn)行NLOS測試時, 需消除系統(tǒng)誤差之后再進(jìn)行具體分析.

利用UWB節(jié)點(diǎn)進(jìn)行測距, 在消除系統(tǒng)誤差之后, 不同障礙物阻塞下的測距結(jié)果如圖 9所示.

?

圖?9?不同障礙物阻塞下的測距結(jié)果

圖?9分別為實(shí)測3.6 m所對應(yīng)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(jié)果. 從上述的仿真測試結(jié)果可以看出, 在存在NLOS的室內(nèi)定位場景中, 錨節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)之間的平均測距比實(shí)際距離誤差大. 利用距離信息進(jìn)行定位時, 會增大定位誤差. 所以為達(dá)到更好的定位精度, 定位之前進(jìn)行NLOS的識別和抑制尤為重要.

關(guān)注“人工智能技術(shù)與咨詢”，了解更多資訊！

總結(jié)

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(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。