[发明专利]一种基于无线通信基站的室内三维定位算法

摘要

本发明公开了一种基于无线通信基站的室内三维定位算法，包括：首先，针对在室内场景中，GPS及Wi‑Fi设备定位性能较差、覆盖范围有限且频段容易受到干扰等问题，决定采用基于运营商无线通信基站设备对办公室内手持终端进行定位；然后，针对手机终端与通信基站的TOA数据建立误差修正函数，降低了NLOS对定位精度的影响。进而利用TOA的传播时延缩小解的搜索域。最后使用遗传算法对其进行求解。本发明为室内三维定位提供了一种合理、高精度、便捷的解决方案，不仅克服了主流定位技术覆盖广度和深度性能较差的问题，并且更加适应于室内无线通信基站三维定位场景，拥有定位精度高、算简单、收敛速度快等优点。

主权项

1.一种基于无线通信基站的室内三维定位算法，其特征在于：包括：S1：根据移动终端与通信基站的TOA数据建立室内基站定位误差方程；S2：缩小定位搜索域；S3：使用遗传算法求解改进的TOA定位模型；具体地，所述步骤S1包括：由于NLOS、多径效应和时钟同步问题会给TOA测量带来一定的误差，假设TOA测量中存在的误差为μ，则测量到的TOA值TOAexp与真实TOA值TOAreal之间的关系为：TOAexp＝TOAreal+μ     (1)则基站i与终端之间的估计距离与真实TOA之间的关系为：其中，误差μ与被测终端所处的环境密切相关；若能估计出当前环境下的μ值，那么就能对测量数据进行误差修正，消除由各种因素产生的误差，从而得出更精确的解；对于采集到的TOA数据，其中包含基站坐标、使用终端在某点测得的TOA值以及真实测量点的坐标；本文通过测量到的TOA值得出测量点与基站i之间的估计距离：终端与基站i之间的真实距离可以通过终端的真实坐标(x₀,y₀,z₀)与基站i的坐标(x_i,y_i,z_i)得到：将真实距离与估计距离之间的差ΔRi作为基站i到终端之间距离的绝对误差，其中而为基站i到终端之间的TOA的绝对误差；使用上式对5组测试用例进行分析；首先对于单一环境的不同终端进行测试，通过对不同环境下的测试用例能得出每个终端到每个基站ΔR_i与之间的关系：对所有终端进行测试，对于五组测试用例，得出每个环境下所有ΔR_i与之间的关系；通过对五组测试用例ΔR_i与之间关系图，能明显地看出它们之间呈现出很强的线性关系；对于基站固定的单一环境，虽然终端在环境中的位置不同，但是它们与基站之间距离的误差关系是一样的；不同环境下终端到基站的距离误差仍与到基站的估计距离线性相关；由此可以构建与ΔR_i之间的线性关系式：ΔR＝k·Rexp+b     (7)从而可得ΔTOA与TOAexp之间的线性关系式：ΔTOA＝k·TOAexp+b     (8)其中k，b为未知参数，对于同一环境，关系式中的k，b始终保持不变；通过上述推导得出在无线通信基站的室内三维定位中，终端与基站的TOA误差方程如下：μ＝k·TOAexp+b     (9)具体地，所述的S2包括：对于实际场景中TOA数据的误差，由于时钟不同步问题引起的误差在400ns以内，由于NLOS导致的时延最高可能超过400ns；对此分析出TOA的平均时延为：因此，在绝大多数情况下TOA数据的误差一定会大于实际值，即误差μ一定为非负数；通过分析测试数据发现，几乎所有终端的真实位置都落入以基站为球心，相应R^exp为半径的球内(特别地，以最小TOA^exp值的基站为球心，相应为半径的球内)；这也说明了TOA的测量值一般都会大于其真实值；因此，将定位过程中将终端位置的搜索域缩小至终端获得的的基站为球心，相应为半径的球内，其约束条件如下：搜索空间的缩小将大大提高定位算法收敛速度，同时也提高了定位的精确度；具体地，所述的S3包括：S1析了在室内基站定位情况下所产生的误差与μ实际测量TOA值TOAexp的关系，从而得出了TOA的误差方程；基于这个误差方程对样例中给出的TOAexp进行修正，从而得出更加准确的估计测量值TOAcor：TOAcor＝TOAexp‑(k·TOAexp+b)    (12)对应更加准确的测量半径Rcor：Rcor＝Rexp‑(k·Rexp+b)     (13)再用修正后的估计测量值代入基础的TOA定位模型，对NLOS误差进行修正：若此时有n组TOA数据，那么经过误差修正后的TOA定位模型即为n个非线性方程组：其中(xi,yi,zi)为第i个基站的坐标；结合S2中对定位搜索空间的讨论，再将定位空间的约束条件加入非线性方程组(15)：可得出n个带约束的非线性方程组，即为最终的经过优化后的改进TOA定位模型；对于某个固定情形下若使用此模型求解，那么其中包含x,y,z,k,b这5个未知量；将改进后的TOA定位模型对应的非线性方程组转化为如下形式：其中ΔRi为终端与基站i的真实距离与修正后的测量距离之间的绝对误差；然后将绝对误差的和作为目标函数，结合搜索区域限制，构建最优化模型如下：对于上述最优化模型，若当前位置(x,y,z)离修正后的每个基站到终端的测量距离的绝对误差之和G越小，那么就证明当前位置越接近于真实终端的位置；因此，当在满足约束条件的情况下，若G值越小，那么获得终端位置的精确度就越高；使用改进的遗传算法来求解上述优化模型，设置参数如下：搜索空间：使用一种改进遗传算法；该算法首先S2中所述的缩小的定位空间作为算法的搜索空间，然后采用估计点到各个适应度函数，浮点数编码，用染色体矢量中的各分量代表待定坐标，在确定的坐标范围内进行搜索；遗传编码：传统遗传算法采用二进制编码方式，通过增加编码位数的方法来满足高精度要求；由于编码位数增加，会导致解码时延增加，而且当解空间范围未知时，无法进行二进制编码；为此，改进遗传算法采用浮点数编码，即每个染色体向量被编码成浮点数向量，解向量具有相同的长度；变异算子：为了提高精度，本文采用非均匀变异算子，即当搜索时间增加时，变异算子动态地由全空间变异逐步转为局部微调；这一变异算子定义为适应度函数：因为优化模型中对于解的限定条件较少，所以直接选取目标函数作为适应度函数来评价每个个体的适应度；遗传算法的主要执行步骤为：步骤1：设定初始种群规模、搜索空间、空间维度、终止准则、迭代次数限制等参数，然后在可行域中随机初始化种群；步骤2：判断当前种群是否满足终止准则，若满足则输出最优个体，若不满足则进入步骤3；步骤3：对种群中的每个个体使用适应度函数计算其适应度；步骤4：按一定概率对每个个体运用交叉算子；步骤5：按一定概率对每个个体运用变异算子；步骤6：转步骤2。