Fork me on GitHub

室内定位中非视距的识别和抑制算法研究综述

针对存在非视距(non-line-of-sight, NLOS)的室内定位算法进行研究. 首先描述室内定位中的常用技术和算法(航迹推算、指纹识别定位、邻近探测、极点定位、三角定位、多边定位、质心定位), 概括其原理、优缺点和适用场景; 其次, 通过仿真测试说明研究NLOS识别和抑制的必要性; 再次, 分别介绍NLOS识别和NLOS抑制的几类算法, NLOS识别算法包括统计学方法、几何关系法、机器学习法、信道特征提取法和虚点密度识别法, NLOS抑制算法包括模糊理论法、引入平衡参数法、几何关系法、小波去噪法、机器学习类算法、凸优化类算法、残差类算法、最小二乘类算法和多维缩放类算法; 最后, 对全文进行总结并指出NLOS室内定位亟待解决的问题.
全球定位系统(global positioning system, GPS), 凭借其广泛的应用范围和较高的定位精度, 受到了各方面专家和学者的青睐, 其在室外可以提供比较可靠的定位服务. 然而, 由于室内环境较为复杂, 信号的传播过程中会遇到障碍物(行人、墙壁、桌椅等)的阻塞, 使得信号发生反射、折射或散射, 导致强度减弱, GPS并不能实现精确的定位, 即在存在非视距(non-line-of-sight, NLOS)的室内环境中, 定位精度会有所下降. 如何有效识别和抑制NLOS, 从而提高定位精度是目前室内定位研究的热点问题之一. 室内定位作为定位技术在室内环境的延续, 应用更加广泛. 精确的节点位置信息可以应用在环境监测、军事侦察、定位打击目标、公共安全及应急响应等方面.

当发生地震、火灾等意外灾害时, 室内环境由于崩塌、火烧等会发生改变, 根据感觉盲目寻找很难快速找到被救援人员的位置. 而通过无人机等实地采集信息, 利用室内定位技术可以快速进行搜救, 既节省时间又能规划出安全的救援路径. 当发生恐怖袭击或者人质劫持等社会安全事件时, 利用室内定位技术可以快速确定袭击者或人质的位置. 反恐人员进入室内执行任务时, 通过室内协同定位算法进行配合, 可以精确地获得自己和同伴的位置, 对于任务的解决起到了更好的促进作用. 当处于火车站、高铁站、飞机场或地下停车场时, 室内定位技术可以为用户提供导航定位、停车、找车服务, 提高用户的满意度. 在商场或者仓库可以帮助用户快速找到心仪的商品, 增强用户体验感.
目前, 在室内定位方面所使用的技术有很多, 包括地磁技术[1]、Wi-Fi[2]、蓝牙[3]、超声波技术[4]、激光技术[5]、计算机视觉技术[6]、超宽带(ultra wide band, UWB)技术[7]等.

地磁技术主要依据地磁场强度实现定位, 成本较低, 而且对环境的要求不高. Wi-Fi技术不受灯光、湿度、温度等外界因素的影响, 在一定频段内可以很好地穿越障碍, 但在室内极易受到多径效应的影响, 定位精度中等[2]. 低功耗蓝牙具有功耗低、成本低、部署方便等优点, 误差可达到2 m左右[3]. 超声波技术由固定的参考基础设施和多种移动单元组成[4], 可以穿透部分固体和液体, 在黑暗、有毒等环境中仍可以应用, 但其频率受多普勒效应的影响且成本较高. 激光技术可根据信号和反射信号的时间差值计算距离, 结合角度信息完成相对定位, 成本较高.

计算机视觉技术主要分为利用地标包含的信息解算为矩阵实现定位和对数据库内存储的相机位置信息进行图像指纹匹配实现定位[6]两种. 伴随计算机视觉技术的发展和成熟, 使得基于视觉的用于同时定位与地图构建(simultaneous localization and mapping, SLAM)的技术可获得图形和视觉的支持. 视觉SLAM技术包括前端和后端两部分, 前端又称视觉里程计(visual odometry, VO), 主要进行特征检测和数据关联任务; 后端主要对前端的输出结果进行优化, 得到最优的位姿估计和地图[8].

由于较高的时空分辨率、良好的隐私保护、强穿透性以及高精度的定位性能, 使得UWB技术能为室内定位提供良好的解决方案. 同时也为许多应用程序提供了便利, 如医疗监控、安全和资产跟踪等[7].

室内定位中的常用算法包括航迹推算、指纹识别定位、邻近探测、极点定位、三角定位、多边定位和质心定位等.下面主要介绍这些算法定位的原理以及优缺点.

1.指纹识别定位
指纹识别定位算法[11-13]主要由离线阶段和在线阶段两部分构成.在离线阶段, 用小网格划分待定位区域, 得到交点并记录其坐标, 对在交点处接收到的无线电信号提取特征(常用接收信号强度(received signal strength, RSS)), 利用交点的坐标和相应的特征构成的信息链建成指纹数据库; 在线阶段, 通过匹配算法对比实际信息提取的特征与指纹数据库中的参数实现定位, 具体的流程如图 2所示.
图二.jpg

图 2 指纹识别定位原理图
优缺点: 此算法自主性较高, 有较高的定位精度; 但在离线阶段建立指纹库工作量较大, 且一旦更换定位场地, 需要重新构建指纹库.

2.邻近探测

邻近探测法通过是否接收到物理信号来判断目标是否位于发射源四周[14], 主要取决于信号的传输范围. 由图 3可以看出, 目标节点位于基站B附近.
图三.jpg

图 3 邻近探测原理图

3.极点定位
极点定位根据测量的相对锚节点的距离和角度信息推测出目标的位置[14], 其原理如图 4所示. 若仅已知锚节点与目标节点之间的距离d1d1, 则可以初步确定目标节点是在以锚节点为圆心、d1d1为半径的圆上, 然后通过角度信息可以得到目标节点的精确位置.
图四.jpg

图 4 极点定位原理图

优缺点: 只需要根据一个锚节点的位置即可进行测量, 应用较为方便, 常用于大地测量; 但定位结果的准确性易受测距和测量角度仪器的精度的影响.

获取更多资讯内容请关注vh“人工智能技术与咨询”


本文地址:https://www.6aiq.com/article/1658540226469
本文版权归作者和AIQ共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出