一种UWB定位系统干扰识别模型库建立方法和系统与流程

一种uwb定位系统干扰识别模型库建立方法和系统
技术领域
1.本发明属于uwb精确定位领域，尤其涉及一种uwb定位系统干扰识别模型库建立方法和系统。


背景技术：

2.应用toa定位算法的uwb定位系统，一般采用twr方式进行测距。这种方式要对整个要定位的区域，按照一定的规则分区，按照划分的区域进行基站的布置，一般一个小区设置3-4个基站，各个小区有所重叠。采用一些时隙分配和调度算法，使标签只与其所在小区的基站进行通信，而与该标签小区外的基站不进行通信，这样整个系统的容量较大，标签的工作所占时隙较小。但同时，也产生一些问题，例如在一个小区内只有3-4个基站，当人佩戴标签时，人身体必然会挡住部分基站，造成基站与标签之间的非可视测距(nlos)数据，导致定位误差较大。如何进行nlos识别，即干扰识别是本发明要解决的问题。
3.为解决上述nlos问题，已提出多种解决方法。
4.现有技术中，在非视距条件下，基于自适应bp神经网络的uwb定位方法提出了估计距离差以及基于统计的前k组估计距离差的均值和标准差作为特征，采用基于无监督学习的k means++聚类算法将观测数据划分为los、nlosl和nlosh三类，且没有采样过程。
5.现有技术中，虽然提出了在复杂室内环境下能自动识别出非视距(nlos)信道环境，并开启imu和uwb的融合定位，减少因为nlos导致的定位误差，达到较好的定位精度，重点在说明两种技术融合，没有提出分典型小区学习、采样、建模过程。
6.在现有技术中，提出了基于非参数的机器学习方法进行nlos鉴别，对机器学习的训练参数的选取进行分析，但没有提出分典型场景学习、采样、建模过程。


技术实现要素：

7.为解决上述技术问题，本发明提出一种uwb定位系统干扰识别模型库建立方法的技术方案，以解决上述技术问题。
8.本发明第一方面公开了一种uwb定位系统干扰识别模型库建立方法，所述方法包括：
9.步骤s1、将整个室内地图划分为多个小区，并根据各种干扰环境对小区分类，确定干扰环境的典型小区，对典型小区编号；
10.步骤s2、将标签放置于第m个典型小区内第k个位置；
11.步骤s3、主站软件配置基站与标签的参数和采样的干扰环境，调整标签所在干扰环境使其符合主站软件配置的要求；
12.步骤s4、标签与基站进行通信，所述基站将采集的训练数据发送给所述主站软件；主站软件接收到训练数据，将所述训练数据保存在模型数据库中；
13.步骤s5、重复步骤s3～步骤s4，完成所有配置的训练数据采集；重复步骤s2～步骤s4，完成所有典型小区内的所有位置的训练数据采集；
14.步骤s6、应用采集到的训练数据对机器学习算法进行训练，得到识别测量距离的nlos/los数据的模型；所述机器学习算法为：二叉树或k最近邻算法；
15.步骤s7、所述主站软件接收基站采集的实时数据，并将实时数据输入模型，所述模型输出每一个测量距离的nlos/los数据；去掉nlos数据，进行坐标解算；所述实时数据包括：标签类型、基站id、测量距离、rss和可视度。
16.根据本发明第一方面的方法，在所述步骤s1中，所述各种干扰环境的类型包括：
17.遮挡的物体有：人体遮挡、立柱遮挡、金属遮挡和石膏板遮挡；
18.反射的物体有：人体反射、手机反射、小件塑料制品反射、墙体反射、镜面反射和金属反射。
19.根据本发明第一方面的方法，在所述步骤s2中，所述标签包括：
20.卡片式标签、腰带式标签、信息矿灯、智能安全帽和定位手环；
21.应用静态采样的方法对典型小区进行采样。
22.根据本发明第一方面的方法，在所述步骤s3中，调整标签所在干扰环境使其符合主站软件配置的要求的方法包括：
23.在主站软件的配置下，举高标签，让标签与小区内的基站均可视，在这种情况下记录标签与基站的测试距离；调整人体佩戴标签的位置，通过上位机软件进行查看，直到按照配置的要求，可视的基站与标签的距离不变；不可视的基站与标签的距离改变或没有数据；这样调整标签环境，达到了使标签环境符合了上一步设置的主站软件配置的要求。
24.根据本发明第一方面的方法，在所述步骤s4中，所述训练数据包括：
25.标签类型、基站id、实际距离、rss、可视度和nlos/los标志；
26.所述标签类型、实际距离、nlos/los标志是从主站软件配置文件中获取；
27.基站id、rss和可视度从基站发送给主站软件的报文中获得。
28.根据本发明第一方面的方法，在所述步骤s5中，所述训练数据需要保证nlos识别率达到95％以上。
29.本发明第二方面公开了一种uwb定位系统干扰识别模型库建立系统，所述系统包括：
30.第一处理模块，被配置为，将整个室内地图划分为多个小区，并根据各种干扰环境对小区分类，确定干扰环境的典型小区，对典型小区编号；
31.第二处理模块，被配置为，将标签放置于第m个典型小区内第k个位置；
32.第三处理模块，被配置为，主站软件配置基站与标签的参数和采样的干扰环境，调整标签所在干扰环境使符合主站软件配置的要求；
33.第四处理模块，被配置为，标签与基站进行通信，所述基站将采集的训练数据发送给所述主站软件；主站软件接收到训练数据，将所述训练数据保存在模型数据库中；
34.第五处理模块，被配置为，重复第三处理模块和第四处理模块，完成所有配置的训练数据采集；重复第二处理模块～第四处理模块，完成所有典型小区内的所有位置的训练数据采集；
35.第六处理模块，被配置为，应用采集到的训练数据对机器学习算法进行训练，得到识别测量距离的nlos/los数据的模型；所述机器学习算法采用二叉树或k最近邻算法；
36.第七处理模块，被配置为，所述主站软件接收基站采集的实时数据，并将实时数据
输入模型，所述模型输出每一个测量距离的nlos/los数据；去掉nlos数据，进行坐标解算；所述实时数据包括：标签类型、基站id、测量距离、rss和可视度。
37.根据本发明第二方面的系统，第一处理模块，被配置为，所述各种干扰环境的类型包括：
38.遮挡的物体有：人体遮挡、立柱遮挡、金属遮挡和石膏板遮挡；
39.反射的物体有：人体反射、手机反射、小件塑料制品反射、墙体反射、镜面反射和金属反射。
40.根据本发明第二方面的系统，第二处理模块，被配置为，所述标签包括：
41.卡片式标签、腰带式标签、信息矿灯、智能安全帽和定位手环；
42.应用静态采样的方法对典型小区进行采样。
43.根据本发明第二方面的系统，第三处理模块，被配置为，调整标签所在干扰环境使其符合主站软件配置的要求包括：
44.在主站软件的配置下，举高标签，让标签与小区内的基站均可视，在这种情况下记录标签与基站的测试距离；调整人体佩戴标签的位置，通过上位机软件进行查看，直到按照配置的要求，可视的基站与标签的距离不变；不可视的基站与标签的距离改变或没有数据；这样调整标签环境，达到了使标签环境符合了上一步设置的主站软件配置的要求。
45.根据本发明第二方面的系统，第四处理模块，被配置为，所述训练数据包括：
46.标签类型、基站id、实际距离、rss、可视度和nlos/los标志；
47.所述标签类型、实际距离、nlos/los标志是从主站软件配置文件中获取；
48.基站id、rss和可视度从基站发送给主站软件的报文中获得。
49.根据本发明第二方面的系统，第五处理模块，被配置为，所述训练数据需要保证nlos识别率达到95％以上。
50.本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种uwb定位系统干扰识别模型库建立方法中的步骤。
51.本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种uwb定位系统干扰识别模型库建立方法中的步骤。
52.本发明提出的方案：
53.(1)将整个地图进行划分小区，对每个小区进行编号，确定典型小区进行学习，减少无效学习，提高学习针对性，提高识别准确率。
54.(2)先将标签置于一固定位置，再采集不同配置下的数据，只需修改软件，将该定点下的各种情况测试一遍，然后变更地点；而不是在同一软件配置下，不断更换采集地点，减少位置移动，工作效率较高。
55.(3)特别提到建模要采集的数据对象，包括标签类型、基站id、测量距离、rss、可视度、nlos/los标志等，相比其它方法，采样对象更容易获得，不需要复杂的计算，主站可以直接从基站获得采样对象，直接输入数据库而无须计算。
56.(4)采样方式和机器学习方法，使标签无需imu配合，即可以准确识别出nlos/los数据，标签实现的成本较低。
附图说明
57.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
58.图1为根据本发明实施例的一种uwb定位系统干扰识别模型库建立方法的流程图；
59.图2为根据本发明实施例的单小区通信网络图；
60.图3为根据本发明实施例的一种uwb定位系统干扰识别模型库建立系统的结构图；
61.图4为根据本发明实施例的一种电子设备的结构图。
具体实施方式
62.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
63.本发明第一方面公开了一种uwb定位系统干扰识别模型库建立方法。图1为根据本发明实施例的一种uwb定位系统干扰识别模型库建立方法的流程图，如图1所示，所述方法包括：
64.步骤s1、将整个室内地图划分为多个小区，并根据各种干扰环境对小区分类，确定干扰环境的典型小区，对典型小区编号；
65.步骤s2、将标签放置于第m个典型小区内第k个位置；
66.步骤s3、主站软件配置基站与标签的参数和采样的干扰环境，调整标签所在干扰环境使符合主站软件配置的要求；
67.步骤s4、标签与基站进行通信，所述基站将采集的训练数据发送给所述主站软件；主站软件接收到训练数据，将所述训练数据保存在模型数据库中；
68.步骤s5、重复步骤s3～步骤s4，完成所有配置的训练数据采集；重复步骤s2～步骤s4，完成所有典型小区内的所有位置的训练数据采集；
69.步骤s6、应用采集到的训练数据对机器学习算法进行训练，得到识别测量距离的nlos/los数据的模型；所述机器学习算法为：二叉树或k最近邻算法；
70.步骤s7、所述主站软件接收基站采集的实时数据，并将实时数据输入模型，所述模型输出每一个测量距离的nlos/los数据；去掉nlos数据，进行坐标解算；所述实时数据包括：标签类型、基站id、测量距离、rss和可视度。
71.在步骤s1，将整个室内地图划分为多个小区，并根据各种干扰环境对小区分类，确定干扰环境的典型小区，对典型小区编号。
72.在一些实施例中，在所述步骤s1中，所述各种干扰环境的类型包括：
73.遮挡的物体有：人体遮挡、立柱遮挡、金属遮挡和石膏板遮挡；
74.反射的物体有：人体反射、手机反射、小件塑料制品反射、墙体反射、镜面反射和金属反射。
75.具体地，首先对uwb定位系统最小单元进行说明，如图2所示，是定位系统一个小区
的通信网络图。系统由基站、标签、交换机、主站等组成，基站与交换机之间用以太网方式进行通信，交换机与主站采用以太网方式进行通信，标签与基站之间采用uwb无线信号进行通信。
76.图2中的小区可能存在各种干扰环境，遮挡的物体可能有：人体遮挡、立柱遮挡、金属遮挡、石膏板遮挡等。遮挡后，可能造成测距不成功或测距误差，由于介质不同，电磁波传播速度可能存在不同程度降低，造成测量距离错误；如果遮挡严重，造成通信不成功。反射的物体可能有：人体反射、手机反射、小件塑料制品反射、墙体反射、镜面反射、金属反射等。反射、遮挡位置不同也形成不同的环境状态。
77.将固定的大型设备、墙体等特征作为区分典型场景的分类标准，移动的小件设备作为随机性干扰处理。
78.对整个要定位的地图进行小区划分，并对各个小区进行编号，编号用n表示，从1到n个，但不需要对n个小区进行全部学习。对各个典型小区进行编号，用m表示，从1到m个。例如针对水泥墙单墙体场景典型小区编号为m＝1，对镜面墙体场景典型小区编号为m＝2，依次编号。需要学习的小区m远小于n。
79.在步骤s2，将标签放置于第m个典型小区内第k个位置。
80.在一些实施例中，在所述步骤s2中，所述标签包括：
81.卡片式标签、腰带式标签、信息矿灯、智能安全帽和定位手环；
82.应用静态采样的方法对典型小区进行采样。
83.具体地，对典型小区m进行采样。采样分为静态采样、动态采样。动态采样时，不将实际距离信息作为采样与学习数据。静态采样较简单，数据可靠。
84.所述标签包括：卡片式标签、腰带式标签、信息矿灯、智能安全帽和定位手环。由于设备不同，采样的数据可能会存在较大差别，不同种类的标签采样得到的数据，相互使用会降低识成功率。标签类型tci表示，例如在此使用tc1卡片式标签进行数据采样。将标签t1放置于定位系统某小区内，共设置k个采样点，编号从1-k，当前编号用k表示，先将标签t1放置在第k个位置上。
85.在步骤s3，主站软件配置基站与标签的参数和采样的干扰环境，调整标签所在干扰环境使符合主站软件配置的要求。
86.在一些实施例中，在所述步骤s3中，调整标签所在干扰环境使符合主站软件配置的要求的方法包括：
87.在主站软件的配置下，举高标签，让标签与小区内的基站均可视，在这种情况下记录标签与基站的测试距离；调整人体佩戴标签的位置，通过上位机软件进行查看，直到按照配置的要求，可视的基站与标签的距离不变；不可视的基站与标签的距离改变或没有数据；这样调整标签环境，达到了使标签环境符合了上一步设置的主站软件配置的要求。
88.具体地，用主站软件对其要采样的遮挡情况进行配置，配置情况可有j种，编号从1到j，当前配置用j表示，当前配置定义为setj。先设置软件为第1种，如面向墙体，背后两基站被遮挡、前边两基站不被遮挡，这种配置下采样完成后，再设置为第2种，以此类推。
89.在步骤s4，标签与基站进行通信，所述基站将采集的训练数据发送给所述主站软件；主站软件接收到训练数据，将所述训练数据保存在模型数据库中。
90.在一些实施例中，在所述步骤s4中，所述训练数据包括：
91.标签类型、基站id、实际距离、rss、可视度和nlos/los标志；
92.所述标签类型、实际距离、nlos/los标志是从主站软件配置文件中获取；
93.基站id、rss和可视度从基站发送给主站软件的报文中获得。
94.具体地，达到setj配置要求后，主站软件正常工作，从而标签与4个基站进行正常通信，标签与基站之间采用twr模式进行测距。该模式标签发送一个poll报文，给4个基站，4个基站依次回令respose，标签收到4个基站的respose后，发送final报文给4个基站，4个基站收到final后计算标签与基站的距离。计算完成后，4个基站分别将自身的计算结果、相关信号强度rss、可视度等信息发送给主站软件。
95.在静态采样时，主站应采集标签类型tci、基站id、实际距离l
ii
、rss、可视度、nlos/los标志。标签类型tci、实际距离、nlos/los标志是从配置setj中获取，每次采样时按照软件配置，写入数据库中。基站id、rss、可视度从报文中获得。
96.在步骤s5，重复步骤s3～步骤s4，完成所有配置的训练数据采集；重复步骤s2～步骤s4，完成所有典型小区内的所有位置的训练数据采集。
97.在一些实施例中，在所述步骤s5中，所述训练数据需要保证nlos识别率达到95％以上。
98.具体地，主站软件不断进行采集，直到采集mn条数据，通过试验mn条数据可以保证nlos识别率达到95％以上。主站软件将采集到的数据保存在模型数据库中。
99.当前配置setj数据采集完成，更换下一配置setj+1，再次进行采样。
100.当前位置k采集完成，更换下一位置k+1，再次进行配置、采样过程。
101.当前典型小区场景cm采集完成后，更换下一典型小区场景c
m+1
，再次进行更换位置、配置、采样过程。
102.在步骤s6，应用采集到的训练数据对机器学习算法进行训练，得到识别测量距离的nlos/los数据的模型。
103.在一些实施例中，在所述步骤s6中，所述机器学习算法为：二叉树或k最近邻算法。
104.具体地，k-最近邻居算法是一种分类算法，算法思想是一个样本与数据集中的k个样本最相似，如果这k个样本中的大多数属于某一类别，则该样本也属于某一类别。二叉树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。
105.在步骤s7，所述主站软件接收基站采集的实时数据，并将实时数据输入模型，所述模型输出每一个测量距离的nlos/los数据；去掉nlos数据，进行坐标解算。所述实时数据包括：标签类型、基站id、测量距离、rss和可视度。
106.具体地，模型学习完成后，系统开始工作。当标签进入某一小区时，标签与4个基站进行通信，采用twr测距方法，4个基站得到测量距离和相关信息后，将这些信息通过以太网，经过交换机上传到主站。
107.主站采集的实时数据包括标签类型、基站id、测量距离、rss、可视度等。这些信息与学习时的训练数据基本一致，只是缺少nlos与los数据，而这是本算法要输出的信息。
108.站采样完成后，将上述采集的实时数据输入到机器学习模型中。在该模型中，完成对输入数据的分类判断。
109.从上述模型输出测量距离是否是nlos数据。
110.识别出nlos数据后，去掉nlos数据，进行坐标解算。
111.采用本技术模型数据库建立和使用方法，不同算法下nlos识别效果，测试数据如表1：
112.表1
113.序号算法采样数量(次)准确率(％)1二叉树14143797.20493972线性回归14143737.32196663k-最近邻居算法14143796.8325792
114.在不采用本技术的方法，不对干扰数据进行建库、学习、识别的情况下，干扰数据很多，尤其是在人身体遮挡、墙体反射情况下，标签的定位位置很容易发生飘移。通过本技术的方法，进行建库、学习、识别后，可以达到较高的nlos识别准确率。
115.综上，本发明提出的方案能够，
116.(1)将整个地图进行划分小区，对每个小区进行编号，确定典型小区进行学习，减少无效学习，提高学习针对性，提高识别准确率。
117.(2)先将标签置于一固定位置，再采集不同配置下的数据，只需修改软件，将该定点下的各种情况测试一遍，然后变更地点；而不是在同一软件配置下，不断更换采集地点，减少位置移动，工作效率较高。
118.(3)特别提到建模要采集的数据对象，包括标签类型、基站id、测量距离、rss、可视度、nlos/los标志等，相比其它方法，采样对象更容易获得，不需要复杂的计算，主站可以直接从基站获得采样对象，直接输入数据库而无须计算。
119.(4)采样方式和机器学习方法，使标签无需imu配合，即可以准确识别出nlos/los数据，标签实现的成本较低。
120.本发明第二方面公开了一种uwb定位系统干扰识别模型库建立系统。图3为根据本发明实施例的一种uwb定位系统干扰识别模型库建立系统的结构图；如图3所示，所述系统100包括：
121.第一处理模块101，被配置为，将整个室内地图划分为多个小区，并根据各种干扰环境对小区分类，确定干扰环境的典型小区，对典型小区编号；
122.第二处理模块102，被配置为，将标签放置于第m个典型小区内第k个位置；
123.第三处理模块103，被配置为，主站软件配置基站与标签的参数和采样的干扰环境，调整标签所在干扰环境使符合主站软件配置的要求；
124.第四处理模块104，被配置为，标签与基站进行通信，所述基站将采集的训练数据发送给所述主站软件；主站软件接收到训练数据，将所述训练数据保存在模型数据库中；
125.第五处理模块105，被配置为，重复第三处理模块和第四处理模块，完成所有配置的训练数据采集；重复第二处理模块～第四处理模块，完成所有典型小区内的所有位置的训练数据采集；
126.第六处理模块，被配置为，应用采集到的训练数据对机器学习算法进行训练，得到识别测量距离的nlos/los数据的模型；所述机器学习算法采用二叉树或k最近邻算法；
127.第七处理模块，被配置为，所述主站软件接收基站采集的实时数据，并将实时数据输入模型，所述模型输出每一个测量距离的nlos/los数据；去掉nlos数据，进行坐标解算；所述实时数据包括：标签类型、基站id、测量距离、rss和可视度。
128.根据本发明第二方面的系统，第一处理模块101，被配置为，所述各种干扰环境的类型包括：
129.遮挡的物体有：人体遮挡、立柱遮挡、金属遮挡和石膏板遮挡；
130.反射的物体有：人体反射、手机反射、小件塑料制品反射、墙体反射、镜面反射和金属反射。
131.根据本发明第二方面的系统，第二处理模块102，被配置为，所述标签包括：
132.卡片式标签、腰带式标签、信息矿灯、智能安全帽和定位手环；
133.应用静态采样的方法对典型小区进行采样。
134.根据本发明第二方面的系统，第三处理模块103，被配置为，调整标签所在干扰环境使其符合主站软件配置的要求包括：
135.在主站软件的配置下，举高标签，让标签与小区内的基站均可视，在这种情况下记录标签与基站的测试距离；调整人体佩戴标签的位置，通过上位机软件进行查看，直到按照配置的要求，可视的基站与标签的距离不变；不可视的基站与标签的距离改变或没有数据；这样调整标签环境，达到了使标签环境符合了上一步设置的主站软件配置的要求。
136.根据本发明第二方面的系统，第四处理模块104，被配置为，所述训练数据包括：
137.标签类型、基站id、实际距离、rss、可视度和nlos/los标志；
138.所述标签类型、实际距离、nlos/los标志是从主站软件配置文件中获取；
139.基站id、rss和可视度从基站发送给主站软件的报文中获得。
140.根据本发明第二方面的系统，第五处理模块105，被配置为，所述训练数据需要保证nlos识别率达到95％以上。
141.本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种uwb定位系统干扰识别模型库建立方法中的步骤。
142.图4为根据本发明实施例的一种电子设备的结构图，如图4所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、近场通信(nfc)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
143.本领域技术人员可以理解，图4中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
144.本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种uwb定位系统干扰识别模型库建立方法中的步骤中的步骤。
145.请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述
实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。