一种提高室内定位精度的模糊逻辑方法

来源:用户上传      作者:

　　摘要：超宽带技术由于其精确的定时分辨率，在视距（LOS）和非视距（NIOS）混合环境中应用前景广阔。为提高跟踪精确度、消除与UWB跟踪系统测距数据集异常值，构建合适的误差抑制方法，提出一种误差抑制方法。首先对环境进行建模，分析LOS和NLOS環境中的信号参数;然后，采用基于模糊逻辑的两步自适应定位算法，分析和选择最佳测距数据，用于计算被跟踪设备的位置;使用模糊加权最小二乘估计（rWLSE）方法对非视距（NLOS）混合环境中的实际数据进行测试。实验结果表明，与其它已知算法相比，该方法定位精度显著提高18.28%.且在实际应用中易于实现。
　　关键词：室内跟踪;超宽带;模糊逻辑;加权最小二乘估计
　　DOI： 10. 11907/rjdk.192033
　　开放科学（资源服务）标识码（OSID）：
　　中图分类号：TP301
　　文献标识码：A
　　文章编号：1672-7800（2020）004-0097-05
　　A Fuzzy Logic Method for Improving Indoor Location Accuracy
　　ZHANG Jun-hao . ZHU Hai. HAN Bao-lei
　　（School of Electronic and Electrical Erzgineering ， rShanghai Univer.sity of Engineering Science ， Sh.anghai 20 1 620. China ）
　　Abstract： Ultra widehand （UWB） technology has been proven to be a promising technology in complex environruents due to its f'inetiming resolution. In this work . we f'ocus on error mitigation to improve the accuracy of' the tracking and elimination of outliers in rang-ing data sets associated with UWB tracking systems. We f'irst model the environment to analyse the behaviour of the signal parametersin both LOS and NLOS environments. Then. we apply a two-step adaptive algorithm for the localisation based on a fuzzy logic ap-proach f'or analysing and selecting the best ranging data to be used in the computation of the tracked device location. Our proposed ap-proach of using fuzzy logic-WLSE （FWLSE ） has been tested with real data collected in a heavy NLOS environment. which has demon-strated a significant gain in the localisation accuracy . This level of' improveruent can reach up t0 18% when compared to otherwell-known algorithms "-' hich are described in the relevant literature and the method is easy to implement in practical applications.Key Words ： indoor tracking; ultra wideband; fuzzy logic; weighted least squares estimation
　　O 引言
　　超宽带（UWB）频率传输依靠强大的信号机制、穿透墙壁的传播能力、对多径效应的强大抗扰性和高分辨率测距等性能使其定位比其它技术更精确[1-3]。然而，UWB跟踪系统部署由于在与非视距（NLOS）传播方面存在众多技术挑战，导致商业推广没有完全实现[4-5]，特别是非视距混合环境和多径效应[6]造成的异常值对定位精度有显著影响。
　　解决该问题的方法有两种：信道识别和误差缓解[7-8]。第一类方法通过区分视距和非视距环境实现精确定位，第二类方法通过分析测距误差缩小非直瞄测距误差。第二类方法使用迭代最小二乘估计（LSE）[9]，该方法计算简单且有效。然而，在室内环境存在多路径信号时，LSE性能较低[10]。因此，需要更为密集和复杂的方法缩小误差[11]。文献[12]提出的最小修剪平方算法和文献[13]提出的最小中值平方方法由于没有剔除目标位置结算中的测距误差，无法进行优化。为了克服这些限制，需将接收的测距数据进行优化;文献[14]提出一种基于两步统计的线性最小二乘法（LLS），使用统计方法消除非视距偏差，通过边界框算法获得中间估计。在此基础上，利用LLS估计量处理剩余测距误差;文献[15]也提出了类似方法，通过描述测距误差，并引入确定性模型修正非视距条件下的测距误差。然而，这两种解决方案均建立在误差测距统计模型基础上，不将噪声和接收功率视为潜在的有用信息[16-17]。本文从定位和导航模块锚单元中提取各种参数，提出一种替代方法——模糊加权最小二乘估计（FWLSE）方法，旨在消除非视距环境的异常值。本文对视距和非视距环境中的测距误差和参数行为进行分析。由于参数之间没有一般的线性关系，因此提出一种基于模糊逻辑的算法，作为评估锚点测距数据的最佳机制，并选择最佳锚点作为数据源，然后将其输入定位引擎，以确保持续的高精度跟踪。首先通过建模得到视距和非视距环境中的误差，并确定不同相关参数的行为;然后利用模糊逻辑方法对接收到的数据进行后期处理，识别和消除测距数据中的异常值，并选择最佳数据集用于定位计算;最后应用WLSE算法对移动目标进行定位。 　　1 室内跟踪平台概述
　　室内定位平台基于超宽带（UWB）技术，其组件包括：用于测距的预部署锚、跟踪的移动标签、用于数据管理和算法执行的服务器。
　　用于定位和导航的预部署锚模块包括UWB锚（板）、Raspherry PI（PRI）和連接锚与RPI的接口印刷电路板（PCB）。
　　PI用于无线连接UWB锚与服务器，它们从UWB锚中检索测距数据，并将其转发到数据库，以便WiFi定位。本文使用的锚由爱尔兰廷德尔国家研究所（TNI）设计和开发，主要包括一个符合IEEE802.15.4-2011 UWB标准的单芯片、基于UWB技术（DWlOOO）的无线收发器/测距芯片组以及一个UWB天线，还有蓝牙无线电、气压计和惯性测量单元（IMU）传感器，可用于活动识别应用。这些组件超出了当前工作范围[18-19]。
　　这些板也被用作移动标签，通过UWB锚定进行跟踪，然后将测距数据转发给服务器，用于计算和算法执行。服务器存储于数据库，该数据库由与范围数据相关联的静态表和动态表组成。静态表包括所有历史测距数据及相关时间戳，可利用动态表检索最新的测距数据，进行实时定位。本地化算法也托管在服务器上，该算法还用于计算定位坐标并将其显示在图形用户界面（Graphical User Inter-face，GUI）上。
　　2误差建模实验
　　2.1实验环境
　　利用上述平台组件，进行视距和非视距测距测试。试验在一个直径为65.5 cm的混凝土柱房间内进行，该混凝土柱用于评估非视距情况下标签的定位。将距离延伸至第二根柱，其厚度为70.5cm。在所有测试中，锚定在离柱子lOOcm的地方。同时，在标签/锚之间没有支柱的情况下进行LOS试验。在视距和非视距实验中，每进行一次测试，标签均以50cm的增量移动。但是，由于试验室场限制，最大距离为lOm。对于每个选定的距离（间隔50cin），在视距和非视距条件下进行300s的测距测试。电路板被编程为每秒采集一个样本，然后对一些参数在不同距离上的行为进行评估。功率指表示第一道振幅值（FPA），距离指表示测距数据一锚点和移动节点之间的距离;噪声指信道脉冲响应估计（CIRE）的标准偏差。20。。
　　2.2 LOS值计算
　　首先，通过式（1）估计接收信号功率（以dBm为单位）。
　　其中，C是信道脉冲响应功率值，Ⅳ是序文累计计数值，A是脉冲重复频率（PRF）为64MHz时的值（121.74）。
　　其次，通过式（2）估计第一路径的信号功率（以dBm为单位）。
　　其中，F1是第一路径幅度（点1）幅度值，f2是第一路径幅度（点2）幅度值，F3是第一路径幅度（点3）幅度值。
　　式（1）和式（2）的两个功率值之间的差异定义了LOS值。如果该值小于6dB，则信道可能是LOS;如果差值大于lOdB，则信道可能是NLOS[6]。
　　3模糊加权最小二乘估计算法
　　模糊加权最小二乘估计算法（FWISE）旨在处理来白锚点的接收测距数据，在对其执行定位算法之前仔细选择具有低测距误差的最佳测距数据。为了实现该目标，使用模糊逻辑方法进行误差缓解，然后使用定位引擎（使用WLSE）讲行定位。
　　3.1模糊逻辑方法
　　模糊逻辑方法灵活，易于设计，并且可为不确定的输人数据提供输[22]，非常适合无法预测LOS/NLOS的环境。因此可通过改变系统中不同参数（功率、LOS、噪声、距离）的隶属函数及表1定义的规则调整模糊逻辑方法。本文模糊逻辑用于设置误差概率作为每个接收读数输出（低、平均和高概率的误差）对应的4元组（功率、LOS值、噪声、距离）。输入/输出参数的隶属函数由具有标准偏差的高斯函数定义，平均值从建模实验中推断而来。
　　锚和移动标签之间的大距离与高噪声相结合会增加出错可能性。如图1所示，此时最大距离已增加到15m，即被测房间的对角线。图2显示了距离、LOS值参数和误差概率之间的相关性。通过图2可看出具有低LOS值的短距离导致了不确定的错误概率。当LOS值高且距离大时.计算范围误差概率也会很高。 图3展示了功率、LOS值和误差概率之间的相关性。通过实验发现，无论功率值如何，高LOS值均会产生很高的误差概率。但是，规则和观察并不适用于所有情况，因为元组之间没有线性关系。因此，模糊逻辑是用于发现参数之间相关性的优秀方法，该方法将概率归因于每个接收的读取数据，调整系统后影响每个规则权重。模糊逻辑规则如表1所示。
　　模糊系统（P）输出的质心方法如式（3）所示。
　　其中ui是具有隶属度值ri的模糊值。
　　3.2定位引擎
　　该算法利用模糊逻辑对系统进行建模，处理锚点测距数据的不确定性。根据模糊规则计算所有锚每个测距数据的概率误差。误差概率有助于选择更可靠的测距数据。当数据点超过3个时，所选数据将用于定位[11]。由于锚的数量和测试区域有限，将阈值设置为概率0.5，但是也可以动态设置该概率，例如，基于所有读数概率的运行平均值。FWLSE算法流程如图4所示。
　　位置坐标的计算通过加权最小二乘算法（WLSE）实现，WLSE可表示为：线性模型可表示为：
　　其中，
　　则WLSE坐标解算公式为：
　　WLSE坐标解算公式对应式（9）成本函数的最小化。
　　其中权重 β，计算公式为：
　　4 实验结果与分析
　　为评估本文算法性能，在上海工程技术大学实验室进行测试。部署面积约为40m2，实验室包含多个基础设施障碍物，如支柱和桌椅等较小的物体，是一个典型的混乱环境。因此，实验在NLOS情景下进行。测试使用具有已知位置的4个锚（AN）。这些锚部署在桌子或三脚架上，均具有预定位置（坐标），随后将用于计算移动标签的位置。这些单位的位置统一设置在跟踪区域，其间距设定为约5.6m。为验证算法有效性，将其与现有的3种算法进行比较。统计结果如表2所示，包括标准偏差（μ）、最大值（MAX）、最小值（MIN）和平均值误差（AVG），所有值均以m作为单位。均方根误差见表2。 　　将总误差在90cm以下的百分比代人式（II）中计算均方根误差值。
　　FLSE算法在计算定位坐标之前进行了预处理、测距数据选择等改进，因此与其它3种算法（LSE、LST和LSTA）相比，在平均和最大误差及最小误差方面均表现更佳，如表2所示。此外，FWLSE算法实现了71.17%以上的小于90cm的总误差（见表2测试2）。图5-图6分别展示了测试1-3跟踪执行过程（彩图扫描OSID码可见，下同）。其中黑线描绘固定路径（参考路径），绿线描绘基于均匀速度计算的实验实际路径。蓝线和红线分别是用LSE和FLSE算法计算的路径。从这些图中可以观察到一些异常值，例如测试1中对应位置（10.9，15.9）的异常值。这些是明显的异常值，使用FWLSE方法计算定位时应被排除。表3展示了3次测试中FWLSE与LSE的改进情况，改进根据方程式（12）计算得来，其中AVGAVGWLSE分别是使用LSE和FWLSE算法获得的平均误差。从表3可以看出，与LSE算法相比，FWLSE算法改进比例高达18.28%。
　　对24种算法的累积分布函数（CDF）进行测试（见图8）。从图8可以看出，在90cin以下的误差中，FWLSE达到71%，其中LSE分别占67.5%和63%，LTS和LTSA仅占62%.
　　同样，对于1.2m以下的误差，FWLSE改进比例为91%，而LTS、LTSA、LSE仅分别达到88%、82%、84%，本文算法提高了FWLSE精度。从表2可以看出，模糊算法平均误差小于LTS、LTSA、LSE等3种算法的平均误差。这主要是由于来白锚的测距数据被拒绝，而锚更有可能报告错误数据。最大误差在FWLSE情况下通常较低，这表明该算法在进行定位计算之前，剔除异常值和误差方面的性能更加优越。
　　5 结语
　　本文提出了一种基于UWB技术的室内定位NLOS错误缓解方法。该方法采用模糊逻辑方法的两步算法和用于提高系统跟踪精度的加权最小二乘估计算法。首先分析了测距数据，并进行过滤以消除异常值;然后将其送入定位引擎，从而提高系统整体定位精度。该算法已在一个步行场景进行测试，在该场景中标签附着在人体上，在一个杂乱的环境中分别对视距和非视距环境进行测试。与现有算法相比，本文算法室内定位精度有所提高。未来研究将利用神经网络跟踪系统识别受试者正在执行的动作、跟踪第一反应者等，其中位置跟踪和对受试者当前身体活動的识别是一项重要研究任务。
　　参考文献：
　　[1]方晨晨.基于UWB的自主跟随机器人定位方法[J].软件导刊，2016，15（9）：127-129
　　[2]王娅.一种基于UWB的WSN节点定位技术[J]软件导刊，2010，9（6）：129-131
　　[3]盛利，段斌，钟小鹏.基于UWB技术的无人机室内飞行测试平台设计[J].传感器与微系统，2019，38（6）：79-82
　　[4]刘超，符世琛，成龙，等.基于超宽带TSOA定位原理的掘进机定位误差分析[J].煤炭工程，2019，51（6）：133-135.
　　[5]FLATT H. KOCH N. ROCKER C， et al.A context aware assistancesvstem for maintenance applications in smart factories hased on aug-mented realitY and indoor localization[C]. IEEE 20th Conference onEmerging Technologies& Factorv Automation. 2015： 1-4.
　　[6]DARDARI D. CLOSAS P， DJURIC P M. Indoor tracking： theory，methods， and technologies[J] IEEE Transactions on Vehicular Tech-nology， 2015， 64（4）： 1263-1278.
　　[7]GHENDIR S，SBAA S，AL-SHERBAZ A. et al. Tr，wards 5G Wirelesssvstems：a modified rake receirer for UWB indoor multipath channels[J]Physical Communication. 2019.35：1156-1198.
　　[8]胡瑜基于UWB通信的无线传感网络技术研究[D].哈尔滨：哈尔滨工业大学，2018
　　[9]Universitv of Science and Technology of China. Design of an interac-tive spatial augmented realitv system fnr stage performance based onUWB positioning and wireless triggering technolrigy[R].2019.
　　[10]GAO H K， LI X. Tightly-coupled ，Vehicle positioning method at inter-sections aided by UWB[J]. Sensors（Basel， Switzerland）， 2019.19（13）：944-949.
　　[11]YANC Y. ZHAO Y，KYAS M.A statistics-based least squares（SLS）method for non-line-of-sight error of indoor localizatinn[C].Wire-less Communications and Networking Conference， 2013： 2299-2304. 　　[12]胡海兵，张文达，郑希鹏，等基于UWB的智能跟随车导航定位算法研究[J].电子技术应用，2019，45（3）：80-83，87.
　　[13] 梁丰，熊凌.基于GA-BP神经网络的移动机器人UWB室内定位[J].微电子学与计算机，2019. 36（ 4）：33-37 .42.
　　[14]王勇，张新景，史颖刚.UWB/陀螺仪组合的温室喷药机器人导航系统设计[j]信息技术与信息化，2019（6）：60-62
　　[15]李国友，宋成全，孟岩.基于超宽带室内定位联合算法的研究[J].电子技术应用，2019.45（7）：93-96，101.
　　[16]ALBAIDHANI A，MORELL A. VICARIO J L.Anchor selection forUWB indoor positioning[J]. Transactions on Emerging Telecommu-nications Technologies， 2019.30（6）： 168-178
　　[17]RETSCHER G，GIKAS V， HOFER H. et al. Range validation ofUWB and Wi-Fi for integrated indoor positioning[J]. Applied Ceo-matics.2019. 11（2）： 187-195
　　[18]XIN L.YAN W，KHOSHELHAM K. Comparative anal、sis of rohustextended Kalman filter and incremental smoothing for LWB/PDR fu-sion positioning in NLOS environmentsFJl. Acta Geodaetica et Ceo-physica， 2019， 54（2）： 157-179.
　　[19]董云峰，劉强.基于UWB的化工厂人员定位系统设计[J].智能物联技术.2019， 51（3）：42-48.
　　[20]罗晴明基于北斗/LWB的高精度室内外定位系统及其定位方法[J].电子世界，2019（7）：184-185
　　[21]梁丰，熊凌.基于CA-BP神经网络的移动机器人UWB室内定位 [J].微电子学与计算机，2019.36（4）：33-37.42.
　　[22]姜春生，廖颖慧，蔡博基于UWB的物流仓储自动导引车的定位系统研究[J].计算机时代，2019（5）：5-8
　　（责任编辑：江艳）
　　收稿日期：2019-07-25
　　基金项目：国家自然科学基金项目（61272097）;上海市科技学术委员会重点项目（18511101600）
　　作者简介：张峻豪（1995-），男，上海工程技术大学电子电气工程学院硕士研究生，研究方向为无线定位;朱海（1992-），男，博士，上海
　　工程技术大学讲师，研究方向为无限感知、室内定位;韩宝磊（1995-），男，上海工程技术大学电子电气工程学院硕士研究
　　生，研究方向为室内定位。
转载注明来源:https://www.xzbu.com/8/view-15247561.htm