一种基于UWB定位的非视距基站部署优化方法技术

本发明专利技术公开了一种基于UWB定位的非视距基站部署优化方法。本发明专利技术首先设定参考点，并根据地形场景特点和经验进行粗略区域划分，每个参考点进行数据采集。其次根据采集的数据，构建测距误差的概率分布图和不同距离误差的直方图，拟合得到误差模型分布，并对不同区域内参考点的参数值进行统计和分析。然后根据聚类算法划分的测距区域，并结合函数拟合关系得到测距误差的方差表达式。最后以几何精度稀释因子评价指标为基础，构建非视距情形下基站部署评价指标，并围绕该评价指标建立基站部署优化模型。本发明专利技术弥补了非视距场景下GDOP评价指标的不足，并且给非视距复杂室内场景的基站部署策略提供一定的参考价值。策略提供一定的参考价值。策略提供一定的参考价值。

【技术实现步骤摘要】
一种基于UWB定位的非视距基站部署优化方法


[0001]本专利技术属于室内定位/基站部署领域，具体涉及一种基于UWB定位的非视距基站部署优化方法。

技术介绍

[0002]目前的定位技术有Wi
‑
Fi、蓝牙、超声波、红外、Zigbee等定位技术，这些技术在视距情形都有较好的定位性能，但由于复杂室内环境中的非视距(Non
‑
Line
‑
of
‑
Sight，NLOS)因素，这些技术都不能很好展现精准的定位感知。超宽带(Ultra
‑
wide Band，UWB)以其高精度、强穿透力和低功耗等优势，成为了目前最具发展潜力的室内定位技术之一。在复杂室内环境中的非视距状态，基站部署的好坏是提高UWB的定位精度的关键。然而，针对室内定位，基站部署工作大多依赖于工作人员的经验和典型规则的部署方式(正方形、Y形、菱形、T形等)。除此之外，大部分研究是在假设测距误差服从均值为零，方差为定值的高斯分布前提下，构建的GDOP(几何精度稀释因子)基站部署评价指标并进行优化求解，该评价指标仅适用于视距情形的基站部署。在UWB的定位基站部署策略中，构建合适的基站部署评价指标是十分必要的，评价指标也涉及到布设的好坏程度、定位精度以及成本问题等。
[0003]目前，主流的基站部署方式主要基于人员的经验和一些典型规则的部署方式，尽管其布站快速且易调整，但从本质的角度考虑，这种部署方式仍然只是特殊位置上的部署方法，针对实际情形下的基站部署不具有普遍性。其次，基于GDOP评价指标的基站部署优化模型，是在假设测距误差服从均值为零，方差为定值的高斯分布的前提，并未考虑基站与目标位置、非视距等因素对测量误差的影响，因此该评价指标不适用于非视距情形的基站部署。对于复杂的非视距室内环境，对于不同区域的待测目标，每个基站的测距误差并不服从相同的分布，其概率分布参数也各不相同。因此，提出一种新的评价指标来判定非视距场景下基站部署的优劣程度对基站部署优化工作具有十分重要的意义。

技术实现思路

[0004]为了解决上述问题，本专利技术提出一种基于UWB定位的非视距基站部署优化方法。具体包括以下步骤：
[0005]S1：根据基站部署的非视距场景环境复杂、各种障碍物较多导致室内通信视线受阻的特点，设定参考点来探究非视距测距误差的分布。
[0006]S2：结合S1中的非视距场景，根据地形场景特点和经验进行初步区域划分，将基站通过采用正方形、矩形、菱形等典型传统规则部署于相应位置，尽可能使得整个区域覆盖面积范围大，将UWB标签分别置于所设的参考点，在每个参考点进行数据采集。
[0007]S3：根据S2所采集的数据，由于基站和参考点位置真实坐标已知，因此基站和参考点之间的真实距离值由真实坐标计算得出。各基站和标签的传感器测距得到测距值，由于非视距的影响，各基站测距值偏大于真实距离值，带有正误差，显然测距精度已降低。
[0008]为更详细地分析测距误差(测量距离减去真实距离)，由UWB标签的测距和真实坐
标计算误差，并构建测距误差的概率分布图(PDF)和不同距离误差的直方图。根据测距误差概率分布图和不同距离误差的直方图，可通过伽马(Gamma)曲线对其进行拟合，其误差模型分布为：
[0009][0010]其中，x为测距误差，α、β分别为伽马分布的形状参数和尺度参数，Γ(
·
)为伽马函数，其函数表达式为：
[0011][0012]利用伽马函数的性质，可以得到伽马分布的数学期望为：
[0013][0014]又
[0015][0016]则伽马分布的方差为：
[0017][0018]由以上分析可知，要获得伽马分布的方差，最重要的参数则为形状参数α和尺度参数β。因此，将不同位置参考点的测距误差通过伽马分布拟合得到相应的α、β参数值。
[0019]S4：对S3中不同位置内参考点的参数值α、β进行统计和分析，会发现各区域参数值不尽相同。由于进行区域划分时是依据场景特点和经验所进行的初步划分工作，其作用是来探究各区域测距误差分布参数的情况。基于S2中初步区域划分的工作，通过无监督学习方法的K
‑
means算法对各区域所得的分布参数进行聚类处理，精准划分测距区域。
[0020]S5：根据S4的K
‑
means聚类算法所划分的测距区域结果，对复杂室内非视距的地形和场景进行考察，固定遮挡物会占据一定的空间，由于条件限制和几何位置的约束，在该场景下进行基站部署时将基站坐标约束在贴近墙边的三边上，使得基站位置不受固定遮挡物的影响，且通信范围大、易于覆盖。
[0021]基站坐标进行移动并对各区域内参考点进行测距，得到各测距误差分布的参数值，并构建基站和各区域参数值的函数拟合关系。结合函数拟合关系得到测距误差的方差表达式，该方差表达形式与伽马分布形式一致。如下表示：
[0022][0023]其中，i为基站约束条件序号。
[0024]S6：构建非视距情形基站部署评价指标。
[0025]以几何精度稀释因子(GDOP)评价指标为基础，结合测距误差的方差表达式，构建非视距情形下基站部署评价指标COV。其物理意义是在考虑到测距误差分布不同的情况下，若某时刻目标函数的值越小，则说明定位误差越小，进而也表明在该时刻基站部署方式越
好。
[0026]S7：根据S6所提COV评价指标，围绕该评价指标建立基站部署优化模型。根据实际场景确定模型自变量、约束条件以及目标函数，并求解模型最优解。
[0027](1)自变量
[0028]自变量选取的是各基站的坐标位置。
[0029](2)约束条件
[0030]由于场景的特殊性，以S5所分析的基站几何约束条件作为基站部署优化模型的约束条件。通过S5得到各区域测距误差分布参数值的拟合函数与基站约束条件的函数关系。
[0031](3)目标函数
[0032]对于非视距场景，本专利技术所提出的COV评价指标是权衡在该布站方式下基站对目标标签平均定位精度。基于COV评价指标，目的是使得所有区域平均COV最小。对于该场景所划分的N个区域，目标函数可设为：
[0033][0034]其中，自变量X＝[x1,y1,z1,x2,y2,z2,...,x4,y4,z4]T
为各基站的坐标向量，。设置S2中的16个测试点作为样本点。
[0035]通过以上设定的自变量、约束条件以及目标函数可以构建非视距情形的UWB基站部署优化模型。同理，在基站部署约束区域和目标区域内，可采用启发式优化算法对目标函数进行迭代寻优，当目标函数值最小时则确定自变量为基站的最优部署位置。
[0036]本专利技术有益效果：
[0037]1、本专利技术主要提出一种非视距情形下的UWB基站部署的方法与策略，提出一种目标函数COV作为评价指标来判定已知非视距场景下基站部署的优劣程度，弥补了应用于非视距场景下GDOP本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于UWB定位的非视距基站部署优化方法，其特征在于，具体包括以下步骤：S1：根据基站部署的非视距场景环境复杂，以及障碍物导致通信视线受阻的特点，设定参考点；S2：结合S1中的非视距场景，根据地形场景进行初步区域划分，将基站通过采用典型传统规则部署；将UWB标签分别置于所设的参考点，在每个参考点进行数据采集；S3：根据S2所采集的数据，得到基站和参考点位置真实坐标，由真实坐标计算出基站和参考点之间的真实距离值；由UWB标签的测距和真实坐标计算误差，并构建测距误差的概率分布图和不同距离误差的直方图，通过伽马曲线进行拟合；将不同位置参考点的测距误差通过伽马分布拟合，得到形状参数和尺度参数α、β的参数值；S4：基于S2中初步区域划分，通过无监督学习对各区域所得的参数值α、β进行聚类处理，精准划分测距区域；S5：根据S4所划分的测距区域，进行基站部署，将基站坐标约束在贴近墙边的三边上；将基站坐标进行移动并对各区域内参考点进行测距，得到各测距误差分布的参数值α、β，并构建基站和各区域参数值的函数拟合关系；结合函数拟合关系得到测距误差的方差表达式，该方差表达形式与伽马分布方差形式一致；S6：以几何精度稀释因子GDOP评价指标为基础，结合测距误差的方差表达式，构建非视距情形下基站部署评价指标COV；S7：由S6所提的COV评价指标，建立基站部署优化模型，根据非视距场景确定模型自变量、约束条件以及目标函数，并求解模型最优解，得到基站的最优部署位置。2.根据权利要求1所述的一种基于UWB定位的非视距基站部署优化方法，其特征在于，在S2中，所述将基站通过采用典型传统规则部署，包括采用正方形、矩形和菱形传统规则部署基站。3.根据权利要求2所述的一种基于UWB定位的非视距基站部署优化方法，其特征在于，在S3中，通过所述伽马曲线进行拟合得到的误差模型分布为：其中，x为测距误差，α、β分别为伽马分布的形状参数和尺度参数，Γ(
·
)为伽马函数，其函数表达式为：利用伽马函数的性质，得到伽马分布的数学期望为：又
则伽马分布的方差为：4.根据权利要求3所述的一种基于UWB定位的非视距基站部署优化方法，其特征在于，在S4中，所述无监督学习采用K...

【专利技术属性】
技术研发人员：邹洪波，罗鹏浩，孔亚广，陈张平，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：