CN106793077A - 一种自适应室内动态目标的uwb定位方法及*** - Google Patents

Abstract

本发明公开了一种自适应室内动态目标的UWB定位方法，首先利用UWB定位***测得TDOA值；其次利用小波分析自适应去噪法对测得的TDOA值进行处理，输出重构的TDOA值，将重构后的TDOA值转化为距离差值并建立非线性方程组，并得到方程组的最优解；然后将最优解作为初始值，采用扩展卡尔曼滤波算法对动态目标进行跟踪定位，求得最终估计值；最后输出最终估计值。本发明提供的自适应室内动态目标的UWB定位方法，可减弱甚至消除UWB信号传播过程中受到多径传播(Multipath)和非视距干扰(NLOS)影响所引起的测距误差，提高定位精度，并能够在非视距室内环境下实现对动态目标的精确定位。超宽带定位***验证了定位方法的有效性和实现了对定位动态目标的室内定位。

Description

一种自适应室内动态目标的UWB定位方法及***

技术领域

本发明涉及无线定位技术领域，特别是一种自适应室内动态目标的UWB定位方法及***。

背景技术

随着新型移动设备、移动通信以及无线传感网络(WSN)的快速发展以及基于位置感知应用的激增，定位技术已逐渐步入了全新的阶段。在广阔的室外，全球定位***(GPS)通过卫星定位可以达到高的精度。但是传统的全球定位***(GPS)在室内环境下由于被阻挡卫星通信不能满足人们的日常生活需要，随着现在人们生活的改善，人们更加迫切的需求对短距离室内定位***的应用。

目前，针对室内目标的定位计算，有很多新兴的实现技术和相关算法，比如红外线定位技术、蓝牙技术、ZigBee技术、RFID(射频识别)技术、超宽带(UWB)技术等在物联网、办公室、智能楼宇等生活工作的方方面面得到了广泛的应用，使得基于无线定位的应用有了更为宽广的前景。但是，现有的室内定位技术尽管在一定的环境下有较好的性能，却都不能很好地适应普遍计算环境下对定位感知***的要求，如精度高、适应能力强、实现成本低等。与传统的室内定位技术相比，超宽带定位技术因具有多径分辨率高、强穿透力、低功耗、易于集成、定位性能高等优势，成为目前应用最广泛的一项无线通信技术。

超宽带定位技术的研究主要有：R.Jean-Marc Cramer等人提出了一种基于CLEAN算法的TOA估计方法；Joon-Yong Lee等提出了一种基于相干机制的广义最大似然估计的方法；Pratt和Wheeler等人提出了基于天线阵列的超宽带定位方法，打破了以前超宽带定位中均使用单一天线的局面，这种方法提高了超宽带定位技术在非视距环境下的定位精度。英国的Ubisense公司推出了UWB无线定位技术的产品，频段为5.8-7.2GHz，使用TDOA/AOA联合定位技术，在20米到50米范围内，定位精度能够达到15cm。另外美国Time domain公司推出的基于UWB技术的穿墙***，它可以穿透数层墙面进行对物体的探测，该产品也得到了广泛的应用。

有效的室内定位解决方案需要满足以下几个要求：精度、覆盖范围、可靠性、成本、功耗、可扩展性和响应时间。当前室内定位面临的主要问题有：

第一，精度和可靠性，影响定位精度和稳定性的因素主要有：(1)多径效应；(2)非视距传播(NLOS)；(3)多址接入。

第二，覆盖范围，现有的技术基本上都依赖定位数据库，而数据库的产生大多依赖人工的现场勘测，这样带来的布局和维护成本很高。

第三，成本和功耗，要求所采用的定位技术功耗低，不增加额外成本。

因此，需要一种自适应室内动态目标的UWB定位方法及***。

发明内容

本发明的目的之一是提出一种自适应室内动态目标的UWB定位方法；本发明的目的之二是提出一种自适应室内动态目标的UWB定位***。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的一种自适应室内动态目标的UWB定位方法，包括以下步骤：

步骤1：利用UWB定位***测得一组带有误差的TDOA值；

步骤2：利用小波分析自适应去噪法对测得的TDOA值进行处理，输出重构的TDOA值；

步骤3：将TDOA值转化为距离值，根据双曲线模型构造出含有目标节点位置坐标信息的非线性方程组，采用非线性最优化方法对构造的方程组进行无约束条件的非线性优化求出方程组的最优解，得到目标节点的估计值；

步骤4：将估计值作为扩展卡尔曼滤波的初始值，并利用扩展卡尔曼滤波算法对移动定位目标进行跟踪定位，求得最终估计值；

步骤5：选择克拉美罗下界CRLB作为方法结束的判断条件，当算法的均方误差小于克拉美罗下界CRLB，返回步骤1，重新测量TDOA值进行定位；当算法的均方误差大于克拉美罗下界CRLB，则算法结束，输出最终估计值。

进一步，所述步骤2中的利用小波分析自适应去噪法对测得的TDOA值进行处理，具体实现过程如下：

201：选择双正交小波族(biorthogonal(biorNr.Nd))对TDOA值进行小波分解；

202：初始化网络权重和神经元偏置：

203：迭代次数初始化；

204：按照以下公式向前求出各个隐含层和输出层的输出：

确定隐含层节点个数的取整公式：

其中，h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目；

采用小波重构函数作为目标函数，求出降噪后的重构信号作为输出值O_k；

205：求出输出层与预期输出的误差E_j：

其中，T_k是输出单元的期望输出；O_k表示神经网络的输出值；n是输出层节点数目；k表示1到n的数；j表示输出单元个数。

206：反向传播误差，求出所有隐含层的误差；

207：调节权值和神经元偏置：

调整权值的公式为：w_ij＝w_ij+Δw_ij＝w_ij+lO_iE_j；

调整神经元偏置的公式为：θ_j＝θ_j+Δθ_j＝θ_j+lE_j；

其中，l是学习率，取迭代次数的倒数；i和j表示网络单元的编号；w_ij表示上层单元i到单元j的网络权重；Δw_ij表示调整权重的参数；O_i表示单元i的输出值；θ_j表示单元j的偏置；Δθ_j表示调整偏置的参数；

208：判断神经网络训练结束：

对于每个样本，如果最终的输出误差或者迭代次数达到了预设阈值，则训练过程结束，输出重构的TDOA值；否则，迭代次数加1，然后转向步骤204继续使用当前样本训练。

进一步，所述步骤3中利用双曲线模型构造含有目标节点MS位置坐标信息的非线性方程组过程如下：

在二维平面内随机设m个定位基站，(x_i，y_i)是第i个基站的坐标,i＝1,…,m，待测节点MS的坐标为(x，y)，假定基站1为参考定位基站；

待测节点MS到第i个基站的距离为：

则有

其中，

待测节点MS到第i个基站的距离与待测节点MS到第1个基站的距离的差值r_i1为：

其中，t是视距环境下的TDOA测量值；n为***的测量误差，τ_NLOSi1为由NLOS引起的附加时延误差即NLOS误差；

由(2)式有：

将(3)式展开：

(1)式在i＝1时有：

(4)式减去(5)式得到：

即

式中，x_i1＝x_i-x₁,y_i1＝y_i-y₁,i＝2,…,m。

式(7)为构造的双曲线方程组。

进一步，所述步骤5中克拉美罗下界的计算公式为：

CRLB＝(G^TB^-TQ^-1B^-1G)^-1；

其中，CRLB表示克拉美罗下界；Q为NLOS误差的协方差阵；B表示由定位目标与基站之间距离构成的对角阵，B^-T表示B的逆矩阵的转置矩阵；G表示双曲线方程组的系数矩阵；G^T表示G的转置矩阵。

B＝diag{r₂,r₃,…,r_m}；

g_i＝r_i1+(r_i-r₁)^T，i＝2,…,m；

其中，(x,y)表示待定位目标的坐标；(x_i,y_i)表示第i个基站的坐标；m表示参与基站的数目；i表示基站编号；r_i表示定位目标到第i个基站的距离；r_i1表示定位目标到第i个基站与定位目标到第1个基站。

本发明的目的之二是通过以下技术方案来实现的：

本发明提供的一种自适应室内动态目标的UWB定位***，包括定位标签、固定基站和上位机，所述上位机中设置有可视化定位处理模块；

所述定位标签设置于待定位目标处，所述定位标签按照预设间隔时间发出UWB信号，所述固定基站接收到UWB信号；所述固定基站将接收到的UWB信号上传到上位机；所述UWB信号包括到达时间戳、标签的身份识别编号、信号接收强度；

所述上位机中的可视化定位处理模块按照以下步骤实现对动态目标的UWB定位，具体包括以下步骤：

步骤1：利用UWB定位***测得一组带有误差的TDOA值；

步骤2：利用小波分析自适应去噪法对测得的TDOA值进行处理，输出重构的TDOA值；

步骤3：将TDOA值转化为距离值，根据双曲线模型构造出含有目标节点位置坐标信息的非线性方程组，采用非线性最优化方法对构造的方程组进行无约束条件的非线性优化求出方程组的最优解，得到目标节点的估计值；

步骤4：将估计值作为扩展卡尔曼滤波的初始值，并利用扩展卡尔曼滤波算法对移动定位目标进行跟踪定位，求得最终估计值；

步骤5：选择克拉美罗下界CRLB作为方法结束的判断条件，当算法的均方误差小于克拉美罗下界CRLB，返回步骤1，重新测量TDOA值进行定位；当算法的均方误差大于克拉美罗下界CRLB，则算法结束；输出最终估计值。

进一步，所述可视化定位处理模块还包括定位结果显示单元；所述定位结果显示采用在浏览器端实现Web三维显示。

由于采用了上述技术方案，本发明具有如下的优点：

本发明提供的自适应室内动态目标的UWB定位方法，可自适应地减弱甚至消除UWB信号传播过程中受到多径传播(Multipath)和非视距干扰(NLOS)影响所引起的测距误差，提高定位精度，并能够实现在非视距室内环境下对动态目标的精确定位。超宽带定位***用来验证定位方法的有效性和实现对定位动态目标的室内定位；有益效果具体如下：

(1)本发明中定位方法通过自适应小波分析去噪法减弱非视距误差。常规的小波分析去噪法通过硬阈值或软阈值作用于细节系数，阈值没有一种通用的模型，它们都有自己的适用范围，而且这种方法会损失原信号的能量成分。本发明的方法结合BP神经网络，可以自适应得到作用于每个细节系数的最佳阈值。

(2)将卡尔曼滤波应用于动态目标的定位***中，既可以实时精确的跟踪目标也可以进一步滤除数据中的噪声得出相对真值，提高定位精度。因为实际定位过程中目标节点是不断移动的，充分利用扩展卡尔曼滤波的良好跟踪特性，可以实时精确的跟踪目标，而且卡尔曼滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态***的状态，可以对含噪声的数据进行滤波。由于小波分析处理过的TDOA值可能仍会存在误差，利用扩展卡尔曼滤波可以进一步滤除数据中的误差成分得出相对真值。

(3)本发明的方法防止了历史数据出现较大偏差对卡尔曼滤波结果产生的负面影响。因为方法利用TDOA值构造的非线性方程组的优化解当作扩展卡尔曼滤波的历史定位数据，先对受到NLOS干扰严重的测量数据进行处理，提高扩展卡尔曼滤波算法的定位精度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的UWB定位***实施例的示意图。

图2为上位机软件整体框架的结构图。

图3为自适应室内动态目标的定位方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

本实施例提供的自适应室内动态目标的UWB定位方法，具体实现过程如下：

步骤1：利用UWB定位***测得一组带有误差的TDOA值；

步骤2：利用小波分析自适应去噪法对测得的TDOA值进行处理，输出重构的TDOA值。

因为有用信号分解系数的绝对值大，存放在各层近似系数中，噪声信号分解系数的绝对值小，存放在各层细节系数中，且分解后的各层细节系数对有用信号的影响不同，自适应去噪对细节系数进行处理，得到最佳影响因子(即网络中的权重)下的输出值；具体如下：

采用BP神经网络对小波分解后的细节系数进行训练，网络通过输出值与预期输出之间的误差调整网络权重和神经元偏置。网络取TDOA信号被分解后的各层细节系数值作为神经元的输入值，预期输出取未被分解的TDOA值，神经元的输出值取处理过的各层系数重构的TDOA值。

以下是自适应小波去噪的具体实现过程：

201：选择双正交小波族biorthogonal(biorNr.Nd)对TDOA值进行小波分解；

因为biorthogonal小波具有对称性、自相似性、消失矩阶数大、精确重构性，用该小波处理后的TDOA信号与原信号保持自相似、不会产生相移、能量集中、重构精确，符合本方法对重构信号的要求。

202：初始化网络权重和神经元偏置：

网络权重被初始化为一个很小的随机数,范围在(-1，1)；神经元偏置初始化为一个随机数。

203：迭代次数t初始化：t＝1；

204：向前求出各个隐含层和输出层的输出：

确定隐含层节点个数的取整公式：其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目。

采用小波重构函数作为目标函数，求出降噪后的重构信号作为输出值O_k。

205：求出输出层与预期输出的误差E_j；

其中，T_k是输出单元的期望输出；O_k表示神经网络的输出值；n是输出层节点数目；k表示1到n的数；j表示输出单元编号；

206：反向传播误差，求出所有隐含层的误差；

207：调节权值和神经元偏置：

调整权值的公式为：w_ij＝w_ij+Δw_ij＝w_ij+lO_iE_j；

调整神经元偏置的公式为：θ_j＝θ_j+Δθ_j＝θ_j+lE_j；

其中，l是学习率，取迭代次数的倒数；i和j表示网络单元的编号；w_ij表示上层单元i到单元j的网络权重；Δw_ij表示调整权重的参数；O_i表示单元i的输出值；θ_j表示单元j的偏置；Δθ_j表示调整偏置的参数；

208：判断神经网络训练结束：

对于每个样本，如果最终的输出误差或者迭代次数达到了预设阈值，则训练过程结束，输出重构的TDOA值；否则，迭代次数加1，然后转向步骤204继续使用当前样本训练。

步骤3：将步骤2得到的重构TDOA值转化为距离值，根据双曲线模型构造出含有目标节点位置坐标信息的非线性方程组，采用非线性最优化方法对构造的方程组进行无约束条件的非线性优化求出方程组的最优解，得到目标节点的估计值。

步骤4：选取步骤3得到的估计值作为扩展卡尔曼滤波的初始值，并利用扩展卡尔曼滤波算法对移动定位目标进行跟踪定位，求得最终的估计值。

步骤5：选择克拉美罗下界(Cramer-Rao Lower Bound，简称CRLB)作为方法结束的判断条件，当算法的均方误差大于CRLB，算法结束；否则，返回步骤1，重新测量TDOA值进行定位。

其中，均方误差与CRLB在非视距环境下定位应呈现正相关。当m个基站参与定位时，克拉美罗下界的计算公式为：CRLB＝(G^TB^-TQ^-1B^-1G)^-1；

其中，CRLB表示克拉美罗下界；Q为NLOS误差的协方差阵；B表示由定位目标与基站之间距离构成的对角阵，B^-T表示B的逆矩阵的转置矩阵；G表示双曲线方程组的系数矩阵；G^T表示G的转置矩阵。

B＝diag{r₂,r₃,…,r_m}；

g_i＝r_i1+(r_i-r₁)^T，i＝2,…,m；

其中，(x,y)表示待定位目标的坐标；(x_i,y_i)表示第i个基站的坐标；m表示参与基站的数目；i表示基站编号；r_i表示定位目标到第i个基站的距离；r_i1表示定位目标到第i个基站与定位目标到第1个基站。

进一步，步骤3中利用双曲线模型构造含有目标节点MS位置坐标x，y的非线性方程组过程如下：

在二维平面内随机设m个定位基站，(x_i，y_i)是第i个基站的坐标，i＝1,…,m，待测节点MS的坐标为(x，y)，假定基站1为参考定位基站。

MS到第i个基站的距离r_i为：

则有

其中

MS到第i个基站的距离与MS到第1个基站的距离的差值r_i1为：

其中t是视距环境下的TDOA测量值；n为***的测量误差，τ_NLOSi1为由NLOS引起的附加时延误差即NLOS误差。

由(2)式有：

将(3)式展开：

(1)式在i＝1时有：

(4)式减去(5)式得到：

即

式中：x_i1＝x_i-x₁，y_i1＝y_i-y₁，i＝2,…,m。

式(7)为构造的双曲线方程组。

本实施例中的UWB室内定位***主要由定位标签、固定基站(也叫锚点)等硬件设备和可视化定位所需的上位机软件组成，具体如下：

被定位的人员或物体需要佩戴标签，通过定位标签间隔时间发出的UWB信号，基站接收到该信号形成到达时间戳，并经由基站间的信息交互通道汇总到上位机。基站接收到UWB信号形成的信息数据中包含到达时间戳、标签的身份识别编号、信号接收强度及其他自定义的信息。上位机软件主要由算法和可视化定位界面构成。定位基站与上位机服务端的信息按照一定的通讯协议进行双向传输，包括TDOA信息和基站自身的配置信息，传输通信方式是UDP。

硬件平台的标签是UWB信号发送端，结合实际需要设定相应的工作频率，最大频率可达100Hz。标签设备由可充电电池供电，定期进入休眠状态。此外，整个定位***存在一种较为特殊的基站(通常称作AP基站)，其除了具备常规的UWB信号接收功能外，还作为其他基站的集中器或路由器使用，其它基站的信息数据经过该基站上传至位置显示终端，基站的配置基本和传统的路由器配置方式一致。

上位机软件是整个UWB定位***的软件平台，包括数据接入、数据处理、算法输出、效果展示等模块。整个可视化定位的实现流程如下：

(1)数据接收和处理：基站通过UDP的方式上传信息数据到服务器，要求服务器持续监听某一端口。除了常规的测量值数据，基站间隔发送心跳包，可以通过心跳包数据了解基站当前的工作状态。基站独立上传时间戳数据，在标签工作频率稍大的情况下，同一次定位产生的时间戳信息可能在不同的时间段被服务端接收，因此需要利用数据编号对信息数据进行分组处理。当某一组数据的数目达到最低定位要求时，数据才会杯传输进入下一处理环节；

(2)位置估计：经过处理的一组数据被传入到算法处理模块，TDOA算法使用这些测量值和当前定位环境的配置数据计算出待定位标签的当前位置坐标估计值，然后通过UDP的方式传送给可视化显示模块；

(3)定位结果显示：实时位置显示方式包括两种：一种是通过调用Matlab接口，直接在Matlab中实现二维显示；另一种是在浏览器端实现Web三维显示；二者的刷新率不一致，前者数据刷新频率高，后者基于性能要求，刷新频率较低。

实施例2

如图1所示，本实施例提供的UWB定位***包括由被定位的人员携带的定位标签，该定位标签按照设定的频率间隔发送UWB信号。有5个基站参与定位，其中有一个特殊的AP基站(也叫WiFi Router)，它负责将其它基站的信息数据上传至位置显示管理终端。

如图2所示，图2为上位机软件整体框架的结构图，上位机软件包括数据接收、数据处理、算法输出、效果展示等模块，所有的模块都基于Java语言实现，以下详细介绍各模块的功能实现过程：

(1)数据接入模块：其主要功能是对锚点上传的原始数据进行解析预处理，通常处理的数据包主要是间隔时间的心跳包和被动的定位数据包，心跳包接收后可以选择处理进而显示基站的一些状态信息，也可以直接抛弃。整个数据接入模块是基于Apache MINA框架实现的，MINA是一个能够帮助用户开发高性能和高伸缩性的网络应用程序框架，它在Javanio技术基础上对TCP/IP和UDP/IP协议进行了封装，然后提供抽象的、事件驱动的、异步的API。定位数据包在被解析后进入一个分组处理环节，数据分组基于二维数组实现，并定时清理不可用数据，这是源于某一编号基站数据缺失导致该编号数据的数量永远不能达到最低定位要求的数目，进而成为不可用数据。

(2)算法处理模块：其核心是TDOA定位算法，TDOA算法的输入值包含传入的测量值数据和环境相关的配置数据。环境配置是指当前基站在自定义坐标系当中的坐标位置，通过基站的唯一识别号与测量值数据中的基站号相匹配，算法处理模块决定了整个定位***的性能。

(3)结果实时显示模块：由算法模块输出的待定位标签当前位置的估计值使用UDP的方式发送给显示模块。通过在Java中直接调用Matlab的绘图接口可以实现二维的显示，其实现原理是通过将Matlab中的自定义函数输出为Java的包文件，然后导入到当前的Java项目中，同使用普通的Java函数方式一致，直接调用自定义的函数接口就可以达到Matlab显示的目的。这种方式常作为UWB定位原型测试***的算法测试使用，可以直观的显示当前的定位误差范围，对评估TDOA算法的性能起着关键性的作用。与此同时，基于Java Web技术的Web三维显示方案能够提供更具形象化的定位效果，其核心技术是WebGL。WebGL是浏览器端绘制3D图形和动画的基础，这种绘图技术标准允许把Javascript与OpenGL ES 2.0结合在一起，通过增加Javascript的绑定，WebGL可以为HTML5Canvas提供硬件的GPU加速渲染。WebGL完美地解决了现有的Web交互式三维动画的两个问题：通过HTML脚本本身实现Web交互式三维动画的制作，无需任何浏览器插件支持；它利用底层的图形硬件GPU加速功能进行图形渲染，是通过统一的、标准的、跨平台的OpenGL接口实现的。本文的实现方案是基于WebGL的第三方库Three.js完成，其支持大部分的三维图形格式，可以通过其提供的转换工具，将普通的三维模型格式转换为json格式，进而可以直接将模型导入到当前的场景中。

(4)配置和日志模块：在定位测试过程中，需要记录所有的中间过程信息数据，方便分析误差产生原因和评估算法的稳定性和定位精度。整个日志记录模块基于ApacheLog4j库完成，其可以方便的控制日志信息的输出方式：控制台、文件、GUI组件等，日志记录模块最终输出压缩形式的txt文件。基站的配置基于配置客户端实现，整个基站配置客户端基于上文提及的通讯协议完成，支持大部分的配置管理，包括基站工作模式、标签工作模式、定位周期等。

本实施例验证UWB定位方法，通过验证知道，自适应室内动态目标的定位方法在计算量、定位精度等方面都有优势。

如图3所示，图3为自适应室内动态目标的定位方法的流程图，具体过程如下：

301利用UWB定位***测得一组带有NLOS误差的TDOA值；

302选定小波对TDOA值进行小波分解：

303初始化网络权重和神经元偏置：

网络权重被初始化为一个很小的随机数,范围在(-1，1)；神经元偏置初始化为一个随机数。

304迭代次数初始化；

305向前求出各个隐含层和输出层的输出：

样本提供神经元的输入值：TDOA值小波分解后各层细节系数值；预期输出：带有误差未被分解的TDOA值。采用小波重构函数作为目标函数，求出降噪后的重构信号作为输出值Ok。

306求出输出值与预期输出的误差；

307反向传播误差，求出所有隐含层的误差；

308调节权值和神经元偏置：

调整权值的公式为：w_ij＝w_ij+Δw_ij＝w_ij+lO_iE；

调节神经元偏置的公式为：θ_j＝θ_j+Δθ_j＝θ_j+lE；

其中，l是学习率，取迭代次数的倒数；i和j表示网络单元的编号；E表示各隐含层和输出层的误差，w_ij表示上层单元i到单元j的网络权重；Δw_ij表示调整权重的参数；O_i表示单元i的输出值；θ_j表示单元j的偏置；Δθ_j表示调整偏置的参数；

309判断神经网络训练过程的结束：

对于每个样本，如果最终的输出误差或者迭代次数达到了预设的阈值，则训练过程结束；否则，迭代次数加1，然后转向步骤305继续使用当前样本训练。

310将步骤309得到的重构TDOA值转化为距离值，根据双曲线模型构造出含有目标节点位置坐标信息的非线性方程组，采用非线性最优化方法对构造的方程组进行无约束条件的非线性优化求出方程组的最优解，得到目标节点的估计值。

311选取步骤310得到的估计值作为扩展卡尔曼滤波的初始值，利用扩展卡尔曼滤波算法对移动定位目标进行跟踪定位，求得最终的估计值。

312选择克拉美罗下界(Cramer-Rao Lower Bound，简称CRLB)作为判断方法结束的条件，当算法的均方误差大于CRLB，算法结束，输出定位目标的估计值，否则，返回步骤301，重新测量TDOA值进行定位。

本发明的自适应室内动态目标的定位方法可通过编程实现，该方法的流程图如图3所示，通过该定位算法能准确快速地计算出定位目标的位置坐标，实现对定位目标的精确定位。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (6)

1.一种自适应室内动态目标的UWB定位方法，其特征在于：包括以下步骤：

步骤1：利用UWB定位***测得一组带有误差的TDOA值；

步骤2：利用小波分析自适应去噪法对测得的TDOA值进行处理，输出重构的TDOA值；

步骤3：将TDOA值转化为距离值，根据双曲线模型构造出含有目标节点位置坐标信息的非线性方程组，采用非线性最优化方法对构造的方程组进行无约束条件的非线性优化求出方程组的最优解，得到目标节点的估计值；

步骤4：将估计值作为扩展卡尔曼滤波的初始值，并利用扩展卡尔曼滤波算法对移动定位目标进行跟踪定位，求得最终估计值；

步骤5：选择克拉美罗下界CRLB作为方法结束的判断条件，当算法的均方误差小于克拉美罗下界CRLB，返回步骤1，重新测量TDOA值进行定位；当算法的均方误差大于克拉美罗下界CRLB，则算法结束，输出最终估计值。

2.如权利要求1所述的自适应室内动态目标的UWB定位方法，其特征在于：所述步骤2中的利用小波分析自适应去噪法对测得的TDOA值进行处理，具体实现过程如下：

201：选择双正交小波族对TDOA值进行小波分解；

202：初始化网络权重和神经元偏置：

203：迭代次数初始化；

204：按照以下公式向前求出各个隐含层和输出层的输出：

确定隐含层节点个数的取整公式：

其中，h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目；

采用小波重构函数作为目标函数，求出降噪后的重构信号作为输出值O_k；

205：求出输出层与预期输出的误差E_j：

其中，T_k是输出单元的期望输出；O_k表示网络单元k的输出值；n是输出层节点数目；k表示1到n的数；j表示输出单元编号；

206：反向传播误差，求出所有隐含层的误差；

207：调节权值和神经元偏置：

调整权值的公式为：w_ij＝w_ij+Δw_ij＝w_ij+lO_iE_j；

调整神经元偏置的公式为：θ_j＝θ_j+Δθ_j＝θ_j+lE_j；

其中，l是学习率，取迭代次数的倒数；i和j表示网络单元的编号；w_ij表示上层单元i到单元j的网络权重；Δw_ij表示调整权重的参数；O_i表示单元i的输出值；θ_j表示单元j的偏置；Δθ_j表示调整偏置的参数；

208：判断神经网络训练结束：

对于每个样本，如果最终的输出误差或者迭代次数达到了预设阈值，则训练过程结束，输出重构的TDOA值；否则，迭代次数加1，然后转向步骤204继续使用当前样本训练。

3.如权利要求1所述的自适应室内动态目标的UWB定位方法，其特征在于：所述步骤3中利用双曲线模型构造含有目标节点MS位置坐标信息的非线性方程组过程如下：

在二维平面内随机设m个定位基站，(x_i，y_i)是第i个基站的坐标,i＝1,…,m，待测节点MS的坐标为(x，y)，假定基站1为参考定位基站；

待测节点MS到第i个基站的距离为：

$r_i=\sqrt{{(x-x_i)}^2+{(y-y_i)}^2},i=2,...,m;$

则有r_i ²＝(x-x_i)²+(y-y_i)²＝K_i-2x_ix-2y_iy+x²+y² (1)

其中，

待测节点MS到第i个基站的距离与待测节点MS到第1个基站的距离的差值r_i1为：

$r_{i1}=c(t+n+{\mathrm{\τ}}_{NLOSi1})=r_i-r_1=\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}-\sqrt{{(x-x_1)}^2+{(y-y_1)}^2}---\left(2\right)$

其中，t是视距环境下的TDOA测量值；n为***的测量误差，τ_NLOSi1为由NLOS引起的附加时延误差即NLOS误差；

由(2)式有：r_i ²＝(r_i1+r₁)²,i＝2,…,m (3)

将(3)式展开：

(1)式在i＝1时有：

(4)式减去(5)式得到：

即

式中，x_i1＝x_i-x₁,y_i1＝y_i-y₁,i＝2,…,m；

式(7)为构造的双曲线方程组。

4.如权利要求1所述的自适应室内动态目标的UWB定位方法，其特征在于：所述克拉美罗下界的计算公式为：

CRLB＝(G^TB^-TQ^-1B^-1G)^-1；

其中，CRLB表示克拉美罗下界；Q为NLOS误差的协方差阵；B表示由定位目标与基站之间距离构成的对角阵，B^-T表示B的逆矩阵的转置矩阵；G表示由距离差构建的双曲线方程组的系数矩阵，G^T表示G的转置矩阵；

B＝diag{r₂,r₃,…,r_m}；

$r_i=\sqrt{{(x-x_i)}^2+{(y-y_i)}^2};$

$G={\[g_2^T,g_3^T,...,g_m^T\]}^T;$

g_i＝r_i1+(r_i-r₁)^T，i＝2,…,m；

其中，(x,y)表示待定位目标的坐标；(x_i,y_i)表示第i个基站的坐标；m表示参与基站的数目；i表示基站编号；r_i表示定位目标到第i个基站的距离；r_i1表示定位目标到第i个基站与定位目标到第1个基站。

5.一种自适应室内动态目标的UWB定位***，其特征在于：包括定位标签、固定基站和上位机，所述上位机中设置有可视化定位处理模块；

所述定位标签设置于待定位目标处，所述定位标签按照预设间隔时间发出UWB信号，所述固定基站接收到UWB信号；所述固定基站将接收到的UWB信号上传到上位机；所述UWB信号包括到达时间戳、标签的身份识别编号、信号接收强度；

所述上位机中的可视化定位处理模块按照以下步骤实现对动态目标的UWB定位，具体包括以下步骤：

步骤1：利用UWB定位***测得一组带有误差的TDOA值；

步骤2：利用小波分析自适应去噪法对测得的TDOA值进行处理，输出重构的TDOA值；

步骤3：将TDOA值转化为距离值，根据双曲线模型构造出含有目标节点位置坐标信息的非线性方程组，采用非线性最优化方法对构造的方程组进行无约束条件的非线性优化求出方程组的最优解，得到目标节点的估计值；

步骤4：将估计值作为扩展卡尔曼滤波的初始值，并利用扩展卡尔曼滤波算法对移动定位目标进行跟踪定位，求得最终估计值；

步骤5：选择克拉美罗下界CRLB作为方法结束的判断条件，当算法的均方误差小于克拉美罗下界CRLB，返回步骤1，重新测量TDOA值进行定位；当算法的均方误差大于克拉美罗下界CRLB，则算法结束；输出最终估计值。

6.如权利要求5所述的自适应室内动态目标的UWB定位***，其特征在于：所述可视化定位处理模块还包括定位结果显示单元；所述定位结果显示采用在浏览器端实现Web三维显示。