联合场景识别与测距测角误差校准的单站定位方法及系统技术方案

本发明专利技术提供一种联合场景识别与测距测角误差校准的单站定位方法及系统，基于室内定位场景，采集室内定位场景内带标注定位信号的波形以及真实距离角度信息，构建场景特征数据库；基于场景特征数据库构建训练池，训练生成学习网络；基于生成的学习网络，通过变分自编码器进行处理，得到距离码字、角度码字和场景码字，并将距离码字、角度码字和场景码字输入至对应的校准器中，对新输入的测距及测角测量值进行校准，输出校准后的定位结果，同时更新场景特征数据库，本发明专利技术解决了现有技术中测距测角误差校准分离设计、标注成本高的问题，实现单基站测距测角误差联合校正。现单基站测距测角误差联合校正。现单基站测距测角误差联合校正。

【技术实现步骤摘要】
联合场景识别与测距测角误差校准的单站定位方法及系统


[0001]本专利技术涉及定位校准
，尤其涉及一种联合场景识别与测距测角误差校准的单站定位方法及系统。

技术介绍

[0002]目前现有技术多针对多基站结合非视距误差校准算法实现室内高精度定位，包括：基于视距与非视距判别的TOA测距误差纠正方法，基于神经网络的非视距误差校准方法，基于LS
‑
SVM的超宽带非视距鉴别与消除方法。在室内定位场景中，多径及非视距(NLoS，Non
‑
Line
‑
of
‑
Sight)效应是导致定位误差的主要来源之一，尤其在多天线单站定位技术应用中。在方位角(AoA，Angle
‑
of
‑
Arrival)估计上，多径可能会导致直达角分量误检，而非视距导致直达角不存在，无法正确提供目标相对于基站所在角度；在距离(ToF，Time
‑
of
‑
Flight)估计上，多径效应会导致直达分量误判，而非视距则会导致距离估计上存在正向偏差，导致目标到基站间距离估计相对真实值较大。如果直接使用基站测距及测角测量值进行定位，将导致定位结果严重偏差，因此在实际测量中需要对测量值进行校准，实现定位精度的提升。
[0003]当前多径非视距测距测角误差校准技术会出现单纯的非视距测角误差校准缺乏其他信息支撑，可靠性较低；室内定位场景差异性较大，仅采用视距/非视场景识别难以提供可延展的定位方案；测距测角误差校准都基于不同理论、框架以及算法，没有考虑实际环境下两者的相关性，缺乏一体化联合设计；室内定位场景区别较大，全监督方案需要大量的标签数据，标签采集成本较高。

技术实现思路

[0004]本专利技术提供联合场景识别与测距测角误差校准的单站定位方法及系统，用以解决现有技术中测距测角误差校准分离设计、标注成本高的问题，实现单基站测距测角误差校正。
[0005]本专利技术提供一种联合场景识别与测距测角误差校准的单站定位方法，包括：
[0006]基于室内定位场景，采集室内定位场景内带标注定位信号的波形以及真实距离角度信息，构建场景特征数据库；
[0007]基于场景特征数据库构建训练池，训练生成学习网络；
[0008]基于生成的学习网络，通过变分自编码器进行处理，得到距离码字、角度码字和场景码字，并将距离码字、角度码字和场景码字输入至对应的校准器中，对新输入的测距及测角测量值进行校准，输出校准后的定位结果，同时更新场景特征数据库。
[0009]根据本专利技术提供的一种联合场景识别与测距测角误差校准的单站定位方法，所述基于室内定位场景，采集室内定位场景内带标注定位信号的波形以及真实距离角度信息，构建场景特征数据库，具体包括：
[0010]选择场景的环境和区域，场景以房间类型和内部隔断做区分，定义场景标签，并将
场景网格化，场景中设置有基站和目标点，测量基站与目标点之间的测距值、测角值、波形、波形特征、真实距离及角度数值，直到可识别特征不再新增为止；
[0011]更改基站和目标点的格点位置，测量基站与目标点之间的测距值、测角值、波形、波形特征、真实距离及角度数值，直到可识别特征不再新增为止，将所有格点位置均测量完毕；
[0012]更换场景，重复进行格点位置测量，直至涵盖应用环境下所有场景为止。
[0013]根据本专利技术提供的一种联合场景识别与测距测角误差校准的单站定位方法，所述基于场景特征数据库构建训练池，训练生成学习网络，具体包括：
[0014]构建训练池，训练池中包括标注数据集和非标数据集所述标注数据集包括场景特征数据库，所述非标数据集包括工作校准过程中挑选出的优质结果，其中x
(i)
为波形特征数据，Δd
(i)
为测距误差，Δθ
(i)
为测角误差，k
(i)
为场景标签；
[0015]利用训练池中的数据训练生成学习网络，针对训练池内分别为标注数据集构建监督损失项，针对训练池内非标数据集构建非监督损失项，通过监督损失项和非监督损失项，构建针对训练池的整体网络损失函数，生成学习网络。
[0016]根据本专利技术提供的一种联合场景识别与测距测角误差校准的单站定位方法，所述基于生成的学习网络，通过变分自编码器进行处理，得到距离码字、角度码字和场景码字，并将距离码字、角度码字和场景码字输入至对应的校准器中，具体包括：
[0017]将波形数据x输入至变分自编码器中，生成三个高斯隐变量表征，包括：距离码字y
d
，角度码字y
θ
，场景环境码字y
k
；
[0018]基于非监督损失项，将非标注数据集中数据代入变分自编码器中训练，学习其与标注数据集的隐变量映射关系；
[0019]基于监督损失项，将标注数据生成的距离码字y
d
，角度码字y
θ
，场景环境码字y
k
，代入对应的距离估计器、角度估计器、场景识别器中进行训练；
[0020]基于整体损失函数，联合标注和非标注数据进行迭代优化，输出测距、测角及场景参数估计。
[0021]根据本专利技术提供的一种联合场景识别与测距测角误差校准的单站定位方法，所述对新输入的测距及测角测量值进行校准，输出校准后的定位结果，同时更新场景特征数据库，具体包括：
[0022]在线训练阶段和离线校准阶段；
[0023]所述在线训练阶段，输入训练池数据集、学习速率、批量处理长度、初始化编码参数、初始化解码参数和初始化子模块参数；
[0024]从训练池中抽取一个批量的样本进行训练，采用梯度下降算法训练生成网络编码器和网络解码器；
[0025]重复训练过程直至收敛，输出学习结果。
[0026]根据本专利技术提供的一种联合场景识别与测距测角误差校准的单站定位方法，所述对新输入的测距及测角测量值进行校准，输出校准后的定位结果，同时更新场景特征数据库，具体包括：
[0027]在离线校准阶段，输入实时观测信道冲击响应波形数据以及基于数据集训练学习所得的编码参数、距离校准器参数、角度校准器参数和场景识别器参数；
[0028]基于编码参数，将观测数据编码生成距离码字，角度码字，场景环境码字；
[0029]将距离码字y
d
输入距离校准器，获得距离偏差估计值；
[0030]将角度码字y
θ
输入角度校准器，获得角度偏差估计值；
[0031]将场景识别码字y
k
输入场景识别器，获得场景估计值；
[0032]输出距离偏差估计值、角度偏差估计值和场景估计值，并对训练池非标数据进行筛选，更新场景特征数据库。
[0033]本专利技术还提供一种联合场景识别与测距测角误差校准的单站定位系统，所述系统包括：
[0034]场景特征数据库生成模块，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合场景识别与测距测角误差校准的单站定位方法，其特征在于，包括：基于室内定位场景，采集室内定位场景内带标注定位信号的波形以及真实距离角度信息，构建场景特征数据库；基于场景特征数据库构建训练池，训练生成学习网络；基于生成的学习网络，通过变分自编码器进行处理，得到距离码字、角度码字和场景码字，并将距离码字、角度码字和场景码字输入至对应的校准器中，对新输入的测距及测角测量值进行校准，输出校准后的定位结果，同时更新场景特征数据库。2.根据权利要求1所述的联合场景识别与测距测角误差校准的单站定位方法，其特征在于，所述基于室内定位场景，采集室内定位场景内带标注定位信号的波形以及真实距离角度信息，构建场景特征数据库，具体包括：选择场景的环境和区域，场景以房间类型和内部隔断做区分，定义场景标签，并将场景网格化，场景中设置有基站和目标点，测量基站与目标点之间的测距值、测角值、波形、波形特征、真实距离及角度数值，直到可识别特征不再新增为止；更改基站和目标点的格点位置，测量基站与目标点之间的测距值、测角值、波形、波形特征、真实距离及角度数值，直到可识别特征不再新增为止，将所有格点位置均测量完毕；更换场景，重复进行格点位置测量，直至涵盖应用环境下所有场景为止。3.根据权利要求1所述的联合场景识别与测距测角误差校准的单站定位方法，其特征在于，所述基于场景特征数据库构建训练池，训练生成学习网络，具体包括：构建训练池，所述训练池中包括标注数据集和非标数据集所述标注数据集包括场景特征数据库，所述非标数据集包括工作校准过程中挑选出的优质结果，其中x
(i)
为波形特征数据，Δd
(i)
为测距误差，Δθ
(i)
为测角误差，k
(i)
为场景标签；利用训练池中的数据训练生成学习网络，针对训练池内分别为标注数据集构建监督损失项，针对训练池内非标数据集构建非监督损失项，通过监督损失项和非监督损失项，构建针对训练池的整体网络损失函数，生成学习网络。4.根据权利要求1所述的联合场景识别与测距测角误差校准的单站定位方法，其特征在于，所述基于生成的学习网络，通过变分自编码器进行处理，得到距离码字、角度码字和场景码字，并将距离码字、角度码字和场景码字输入至对应的校准器中，具体包括：将波形数据x输入至变分自编码器中，生成三个高斯隐变量表征，包括：距离码字y
d
，角度码字y
θ
，场景环境码字y
k
；基于非监督损失项，将非标注数据集中数据代入变分自编码器中训练，学习其与标注数据集的隐变量映射关系；基于监督损失项，将标注数据生成的距离码字y
d
，角度码字y
θ
...

【专利技术属性】
技术研发人员：沈渊，李玉箫，胡可可，
申请(专利权)人：清华大学，
类型：发明
国别省市：