非视距环境下基于UWB的室内动态目标定位

发布时间：2021-01-02 00:50

　　针对超宽带（UWB）定位技术受到环境中非视距（NLOS）因素的影响,造成定位精度低、定位稳定性差的问题,提出对UWB采集的原始数据进行两次粒子滤波,从而实现精准的动态目标定位。第一次粒子滤波算法用于存储每个锚点测量距离与误差关系模型。第二次粒子滤波在更新阶段根据距离误差模型调节权重,进一步约束估计的目标粒子,实现更精准的动态目标定位。不同环境下的实验结果表明:该算法能有效抑制NLOS误差的影响,在非视距严重的环境中定位精度能达到0.29 m,相比于系统提供的三边测量定位算法精度提高48.21%,相比传统粒子滤波精度提高17.14%,明显提高了NLOS传播环境下的动态目标定位精度。 

【文章来源】：传感器与微系统. 2020年08期

【文章页数】：5 页

【部分图文】：

NLOS环境

图2是对每个锚点的距离误差关系模型的统计，第一次粒子滤波算法用于识别出采集UWB数据的过程中产生的NLOS数据。由于实验环境的影响，可以看出4个锚点的平均误差不一致。锚点1～锚点4的平均误差分别为0.32,0.42,0.30,0.53 m。UWB模块本身在理想环境中即存在测距误差。当UWB信号在人体周围进行传播时，由于人体的遮挡，环境中障碍物的反射[9]，会对测距误差产生影响，所以在大于10 m后误差较严重。图3分别给出了NLOS不严重情况下目标运动的真实轨迹以及不同算法的定位轨迹。如图3所示，本文算法解算出的轨迹更贴近真实轨迹。因为传统粒子滤波算法(固定σ为0.3)在更新阶段假设每次测量的距离误差服从固定的高斯分布，来对粒子进行更新。而本文提出的算法则需要在第一次粒子滤波阶段存储不同锚点的距离误差关系模型，在第二次粒子滤波更新阶段通过测量的距离误差分布判定测量数据定测量数据是否正常，以此进行粒子权重的更新，从而提高了目标的定位精度。3.2.2 NLOS严重环境下的实验结果

实验中在锚点2附近增加了障碍物，因此在采集UWB的数据中增加了更多的NLOS数据。图4为NLOS误差不严重和NLOS误差严重环境下锚点2的距离误差关系对比图。图4 不同环境下锚点2的距离误差关系

【参考文献】：
期刊论文
[1]人体对UWB测距误差影响模型[J]. 何杰,吴雅南,段世红,徐丽媛,吕家慧,徐诚,齐悦.  通信学报. 2017(S1)
[2]基于Fang算法的TDOA室内定位技术[J]. 陈思翰.  太赫兹科学与电子信息学报. 2017(05)
[3]基于相位差测距的RFID室内定位系统设计[J]. 蓝威涛,张卫强,罗健宇,蒋金涛.  传感器与微系统. 2017(10)
[4]UWB室内定位测量数据处理方法研究[J]. 贾骏超.  计算机应用与软件. 2017(10)



本文编号：2952319