基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法

摘要

本发明涉及一种基于NB‑IoT改进的融合超宽带和蓝牙的室内定位方法，它包括以下步骤：S1.基于采集到的超宽带基站的信号和数据进行超宽带的测距定位；S2.基于采集到的蓝牙信标的信号和数据进行蓝牙的测距定位；S3.将定位标签到超宽带基站及定位标签到蓝牙信标的测距距离作为卡尔曼算法的输入激励，使用三边定位算法和第一次输入激励计算出定位坐标的初始位置，并且根据后续激励的连续输入扩展卡尔曼算法对定位坐标进行连续的预测和更新。本发明的目的在于提供一种基于NB‑IoT改进的融合超宽带和蓝牙的室内定位方法。本发明的优点在于：最终本发明的定位系统整体上实现了厘米级别的精准定位，并且可以应对不同场景的定位服务。

说明书

技术领域

本发明涉及室内定位领域，特别是一种基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法。

背景技术

近年来，伴随着物联网以及大数据的飞速发展，基于位置服务的室内定位系统在工厂、医院、家居以及安保领域都有一个很好的发展和创新。而在二十世纪以来，在应对室外环境定位的时候，我们已经伴随着全球卫星导航系统(Global Positioning System，GPS)、北斗定位系统(BD)、伽利略定位系统和俄罗斯GLONASS四大定位系统广泛应用于军事、工农业生产、智慧城市、智慧交通等各个领域。但是全球覆盖的卫星和定位目标之间的信号传播是LOS(Non Line of Sight)传播，而在当今的城市已经出现了大量的高楼建筑，这使得定位的空间环境进一步复杂化。在复杂的空间内信号就会产生非视距NLOS(NonLine of Sight)传输，例如高楼对于信号的阻拦让信号产生的衰减和多径效应，这些都影响着室内环境下的定位性能。但是在室内的场景下，例如大型停车场、商城、医院等的定位服务的精度一半需要控制在2米以内才合格。甚至一些无人机技术等都要求厘米级别的定位精度。

针对室内定位的需求，无线传感网络的快速发展便顺利为LBS服务的室内范畴提供了重要服务。在WSN框架下，用户以及定位目标可以接受各种射频信号，并且根据不同的定位技术，目前也有不同的大量研究。而常用的无线传感网络技术有WiFi、BLE、UWB、RFID和ZigBee。WiFi定位得益于其普遍性以及便利性，其在各大场景内都存在并且无需额外布置基站等设备，具有别的系统没有的优点，而其定位的精度大致在米级别。而蓝牙技术方面，由蓝牙技术联盟在2016年提出的蓝牙技术标准，蓝牙5.0针对低功耗设备速度有相应提升和优化，蓝牙5.0结合wifi对室内位置进行辅助定位，提高传输速度，增加有效工作距离。相比WiFi有着更好稳定性，以及更低的功耗，从而有更好的一个定位的性能。低功耗也让蓝牙在信标的布置维护中更加方便。另外在利用UWB信号极高的多径分辨率对室内环境进行厘米级定位测量也是在室内定位领域一个比较流行的做法。

Shengkai Zhang等人公开了一种室内定位系统Rover，该系统使用一个装有惯性传感器的机器人来定位多个后向散射标签，融合来自背散射WiFi信号和惯性传感器的测量数据，其定位精度大约在75cm左右。但是系统整体的稳定性较差，主要依靠惯性传感器进行精度优化。

中国专利CN111698774A发明了一种基于多源信息融合的室内定位方法，该系统基于蓝牙信标信号和数据进行蓝牙定位得到蓝牙定位的结果，并基于采集的航向信息和加速度信息进行轨迹判断。将两者方法相互融合，最终将定位精度定位在1.4m-2.0m左右，定位精度相对较低，而且系统鲁棒性不强。

中国专利CN111726750A提出了一种基于超宽带的室内定位导航系统，该发明公开了一种基于超宽带室内定位技术的三边定位系统，根据终端控制基站和标签进行室内定位。但是定位手段未经优化，而且使用基站需求造价高，精度适用场景单一。

目前的定位技术中，蓝牙，zigbee，wifi等技术的定位精度方面仅仅只是米级别的精度，优化程度不高，大部精度在2米左右。而UWB超宽带定位系统又相对来说过于单一，而且UWB基站的布置较为昂贵，在大型工厂范畴内成本较高。而且大多数的设备不能很好做到实时性的传送数据到系统端。

发明内容

本发明的目的在于提供一种基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法，其整体上实现了厘米级别的精准定位，并且可以应对不同场景和代价下的定位服务。

本发明的目的通过如下技术方案实现：一种基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法，它包括以下步骤：S1.基于采集到的超宽带基站的信号和数据进行超宽带的测距定位，从而确定超宽带基站到定位标签之间的距离；S2.基于采集到的蓝牙信标的信号和数据进行蓝牙的测距定位，从而确定蓝牙信标到定位标签之间的距离；S3.将定位标签到超宽带基站及定位标签到蓝牙信标的测距距离作为卡尔曼算法的输入激励，使用三边定位算法和第一次输入激励计算出定位坐标的初始位置，并且根据后续激励的连续输入扩展卡尔曼算法对定位坐标进行连续的预测和更新，以得到最优的定位坐标。

进一步的，步骤1中得到的超宽带基站到定位标签之间的距离，需要经过超宽带修正误差测距模型的数据修正后，再作为步骤3的卡尔曼算法的输入激励；

超宽带修正误差测距模型为：

其中r是实际距离，

进一步的，步骤2中的蓝牙信标通过信号强度进行测距定位，其采用分段蓝牙信号衰减测距模型：

其中rss为蓝牙信标接收的信号RSSI值，d为蓝牙信标测距得到的蓝牙信标到定位标签之间的距离。

进一步的，步骤3的具体过程如下：

S3-1.将第k时刻的定位标签到超宽带基站及定位标签到蓝牙信标的测距距离作为卡尔曼算法的输入激励；

S3-2.根据第k-1时刻的状态预测第k时刻的状态

S3-3.根据第k-1时刻的系统误差协方差预测第k时刻的系统误差协方差

S3-4.计算第k时刻的卡尔曼增益Kk；

S3-5.计算第k时刻的系统最优估算值X

S3-6.计算第k时刻的系统误差协方差P

进一步的，定位标签上集成有NB-IoT模块，定位标签通过NB-IoT模块将定位数据借助物联网发送至物联网云平台端，再通过互联网实时传输至服务器，并在服务器上做算法模型的演算，并传输至定位终端。

较之现有技术而言，本发明的优点在于：本发明融合了超宽带(UWB)定位和蓝牙定位(BLE)，并提供超宽带修正误差测距模型以及分段蓝牙信号衰减测距模型对数据进行修正，最后利用卡尔曼滤波进一步进行信息融合优化，可以达到对应不同场景下的多种精度，如：

一、3个超宽带基站：传统定位精度13.8厘米，本发明定位系统模型改进后达到了5厘米精度。二、两个超宽带基站和一个蓝牙信标：传统定位精度42厘米，定位系统模型改进后达到28厘米精度。三、一个超宽带基站和两个蓝牙信标：传统定位精度81.6厘米，定位系统模型改进后达到71厘米。

最终本发明的定位系统整体上实现了厘米级别的精准定位，并且可以应对不同场景和代价下的定位服务。此外，本发明加入了NB-IoT模块的定位系统也可以做到实时获得数据，从性能以及实用性广泛性都优于传统的定位系统。

附图说明

图1为本发明室内定位系统的整体流程图；

图2为本发明SS-TWR测距原理图；

图3为本发明具体实施蓝牙RSSI指纹定位模型的定位算法构架图；

图4为本发明具体实施UWB-BLE融合定位算法系统图；

图5为本发明具体实施三边定位原理图；

图6为本发明具体实施基于NB-IoT的一个室内定位系统框架图；

图7为本发明具体实施UWB-BLE融合信息下EKF算法误差累积分布函数图；

图8为本发明具体实施配置一改良前后定位散点图；

图9为本发明具体实施配置二改良前后定位散点图。

具体实施方式

下面结合说明书附图和实施例对本发明内容进行详细说明：

如图1-9所示为本发明提供的一种基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法的实施例示意图。

一种基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法，它包括以下步骤：

S1.基于采集到的超宽带基站的信号和数据进行超宽带的测距定位，从而确定超宽带基站到定位标签之间的距离；

S2.基于采集到的蓝牙信标的信号和数据进行蓝牙的测距定位，从而确定蓝牙信标到定位标签之间的距离；

S3.将定位标签到超宽带基站及定位标签到蓝牙信标的测距距离作为卡尔曼算法的输入激励，使用三边定位算法和第一次输入激励计算出定位坐标的初始位置，并且根据后续激励的连续输入扩展卡尔曼算法对定位坐标进行连续的预测和更新，以得到最优的定位坐标。

步骤1具体如下：

本发明将在空间内的N个超宽带定位点部署超宽带基站。然后将定位目标称为定位标签。部署的定位标签对锚结点发起交换，锚节点做出响应后便完成交换。每一个设备对于信息帧的发送和接受时间都有一个时间戳标记，再通过简单计算信号在标签和锚节点直接的飞行时间，从而得到锚节点和标签之间距离。

本发明采用的是基于TWR测距算法中的SS-TWR算法。图2为SS-TWR测距原理图。

首先由定位标签发射数据并记录时间戳t

T

T

从而我们可以得到定位标签与锚节点之间距离：T

在得到了距离之后，由于实际操作过程中信号误差、设备延迟误差和实际环境下噪声干扰误差会使得测距距离和实际距离有一定偏差。本发明通过测试1-20米内连续200个测量值(以米为单位)。并连续取5组取平均。根据误差统计拟合后得到一个统计模型：

公式中，r是定位的实际距离，

v(r)＝a·r+b (5)

在模型估计的时候本发明利用最小二乘法去计算得到公式(5)中的系数，在本发明中，在n个不同位置的样本(v

在这里面，

v(r)＝0.018·r-0.016 (8)

将其带入误差统计模型则得到：

其中r是实际距离，

步骤2具体如下：

本发明提出了一种基于分段的蓝牙信号强度的测距模型，在一个自由空间中，没有任何障碍物，信号是从发射源呈球面形状发射的，而信号功率与距离之间是呈现一个反比的关系：

而在室内定位范畴中RSS的代表的就信号的功率，而RSS信号的衰减过程也是和距离的对数呈一个对数模型。定义为：

其中d

附图3则是蓝牙RSSI指纹定位模型的定位算法构架图。

本发明通过在离线阶段采集到的RSSI信息处理形成指纹库，然后在在线阶段通过随机森林算法找到位置的最优估计点。利用CART算法进行二叉树的多次决策得出最终结果。

在本发明中，我们利用蓝牙RSS信号强度损耗的特性，构建蓝牙的测距模型：

其中A是信标在1米标准下的功率，rss则是基站接受的信号RSSI值。和UWB测距模型类似，我们通过测试0-6米范围内的连续120个测量值，并且通过对测量值进行中值滤波的预处理后。得到RSSI在1米处的值为40dBm，故我们将A值取为40。并且拟合0-6米内的测量值，得到n值为2.5。带入公式中，得到蓝牙测距模型：

表一 BLE路径衰减测距模型误差表

从表一可以看到，当测距模型的适应场景超过3米的时候模型误差便呈现随着距离增长的趋势，这是由于蓝牙信号在传播的过程会随着距离产生一部分误差损耗，所以会在超过3米范围误差波动，所以我们采取分段建模。拟合超过3米范围(rss＞48)的测距模型的系数n，得到超过3米的最优n值为1.8。得到最终的BLE路径衰减测距模型：

其中rss为蓝牙信标接收的信号RSSI值，d为蓝牙信标测距得到的蓝牙信标到定位标签之间的距离。

步骤3具体如下：

附图4是基于扩展卡尔曼滤波(EKF)的融合定位算法的基本结构。

其过程为：采集UWB-BLE融合测距模型的距离，这一步分别采用上述步骤一和步骤二中提出的超宽带修正误差测距模型以及分段蓝牙信号衰减测距模型得到定位标签到超宽带基站及定位标签到蓝牙信标的测距距离。

将定位标签与每一个基站之间的距离作为拓展卡尔曼算法的输入，并且使用三边定位算法计算出定位坐标，并且随着输入的连续输入，持续预测和更新，从而得到最优位置。

其中三边定位算法利用测距模型测到定位标签和基站之间距离为d的半径。利用三个锚节点确定的圆得到一个二维坐标。

附图5为三边定位的原理图。图中S为定位基站，d则是定位标签到三个基站之间的距离。通过公式(13)解得目标节点坐标。

本发明根据卡尔曼滤波将定位系统状态定义为：

X

其中X

公式(13)中Ts为传感器的采样间隔。

本发明系统的融合模型定义为：

Z

其中Z

本发明系统中基站数量为3个，故观测矩阵的雅可比行列式H

基于上述模型，EKF分为预测和更新两个不同阶段对标签位置进行估计。

预测阶段：EKF对状态向量X

根据第k-1时刻的状态向量X

更新阶段：计算k时刻的卡尔曼增益K

其中

R

接下来利用卡尔曼增益K

不断重复更新、预测阶段，从而得到最优的定位标签的位置，达到融合UWB-BLE定位模型算法的优化。本方法最终实现对每个不同方案精度方面大幅度的提升。

此外，定位标签上集成有NB-IoT模块，定位标签通过NB-IoT模块将定位数据借助物联网发送至物联网云平台端，再通过互联网实时传输至服务器，并在服务器上做算法模型的演算，并传输至定位终端。附图6为基于NB-IoT的一个室内定位系统框架图。

在本发明中，定位标签集成了UWB-BLE以及NB-IoT模块，NB-IoT可以同时获取定位信标上UWB以及BLE的定位信息，并且通过NB-IoT将定位信息传输至物联网云平台。

再从物联网云平台将定位数据在服务器端进行定位算法的计算从而生成定位坐标，并通过互联网在定位终端显示。

对本实施例的UWB-BLE融合定位方法进行试验，实验场地选择厦门大学嘉庚宏网实验室环境，长5米，宽4米。分别给出3种组合配置定位系统：

配置一：3个UWB定位基站

配置二：2个UWB定位基站和1个BLE信标

配置三：1个UWB定位基站和2个BLE信标

配置四：3个BLE信标

进行定位验证时，经过实验证明：使用传统三边定位算法的平均精度下四种配置的平均定位精度分别为：13.8厘米、44.2厘米、108.3厘米、132.2厘米。使用本发明UWB-BLE测距模型进行改进后分别为9.4厘米、37.7厘米、81.5厘米、101.2厘米。分别提升了31.8％、14.1％、24.7％、23.4％。在使用了UWB-BLE测距融合信息EKF方法优化后。精度分别为：6.7厘米、29厘米、70厘米、82厘米。相对于传统EKF方法的精度：12.2厘米、34.3厘米、101厘米、122厘米。分别提升了44.3％、15.4％、30.6％、32％。可以看到本发明相对于传统的定位方法，精度提升的幅度大，而且可以根据定位场景的需求(米级-厘米级别)做出相应的配置。最高精度可以得到5厘米。比大部分室内定位系统的精度更加高，应用更加灵活和广泛。

定位的误差累计分布函数对于定位性能也是一个很重要的评价指标。附图7是配置1-配置4EKF算法前后的定位误差累计分布函数。

附图8为配置1算法改进前后的的定位散点图，附图9为配置2算法改进前后的的定位散点图。

可以看出EKF算法获取相同定位精度的概率都提升了，则可以说明本发明的定位系统的改进对于不同的算法定位性能均有很好的提升作用。