一种用于矿井非视距场景的目标定位跟踪方法技术

本发明专利技术公开了一种用于矿井非视距场景的目标定位跟踪方法，首先通过非视距误差向量和校正因子向量，判断测量值方差来鉴定是否有非视距信号传输，对具有非视距误差的基站进行识别；进而采用改进的Chan算法来减小系统测量误差，达到提高静止目标定位精度的目的；对于目标移动时的轨迹跟踪，本发明专利技术采用改进的粒子滤波算法进行移动目标的跟踪，其将静止目标定位时校正后的距离差值数据作为粒子滤波的观测量，降低后续跟踪轨迹的误差；引入有效粒子数的概念，通过设置阈值，来决定是否进行重采样过程，从而减少运算量，提高运行效率；并将ChopThin重采样引入到粒子滤波算法中，确保有效粒子的数量和粒子的多样性，从而缓解粒子多样性匮乏对滤波性能的影响。样性匮乏对滤波性能的影响。样性匮乏对滤波性能的影响。

【技术实现步骤摘要】
一种用于矿井非视距场景的目标定位跟踪方法


[0001]本专利技术涉及一种矿井下目标定位跟踪方法，具体为一种用于矿井非视距场景的目标定位跟踪方法。

技术介绍

[0002]矿井移动目标定位跟踪系统是煤矿生产的重要支撑系统之一，它能够确定井下人员和设备的位置与运动轨迹，以及突发事故时被困人员的位置，以便科学制定救援方案。在矿井定位跟踪系统中，主要采用到达时间(Time of Arrival，TOA)、到达时间差(Time Difference of Arrival，TDOA)、到达角度(Angle of Arrival，AOA)和接收信号强度(Received Signal Strength Indicator，RSSI)等技术的测距定位法，其中TDOA法易于实现，计算复杂度低，定位精度较高，是矿井目标定位跟踪的主流方法之一。
[0003]由于矿井巷道环境复杂多变，人员、车辆、装备等障碍物使得定位信号需通过巷道壁的反射甚至多次反射才能到达接收端，从而给TDOA测量值引入非视距(Non Line of Sight，NLOS)误差，限制了矿井动目标定位系统的定位精度。Chan算法是求解TDOA定位方程的经典算法，采用两步加权最小二乘实现对目标节点的位置解算，具有运算速度快的特点，在视距(Line of Sight，LOS)情况下能实现较高的定位精度，但在非视距环境中，Chan算法性能会急剧下降。此外，由于移动目标当前时刻的位置与上一时刻的位置具有关联性，若在下一时刻定位时仍使用上一时刻带有非视距误差的目标位置进行定位，势必会带来更大的误差累积。
[0004]另外在对目标定位后，如目标进行连续移动，对其进行跟踪定位的过程是一类典型的滤波问题，目前广泛使用的滤波算法有卡尔曼滤波(Kalman Filter，KF)、扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter，UKF)和粒子滤波(Particle Filter，PF)算法。KF适用于线性高斯系统，EKF和UKF虽然可以解决某些形式的非线性、非高斯条件下的目标状态估计问题，但对系统模型有很强的限制性。而PF对系统没有限制，对非线性非高斯系统有较好的估计性能，更加适用于复杂矿井环境下的移动目标跟踪。但传统PF算法重采样过程会引起粒子贫化问题，导致滤波性能变差，因此如何提供一种方法，在对矿井内非视距环境中的目标进行静止定位时有效降低非视距误差，从而提高其定位精度，同时能有效提高对该目标后续移动时的移动轨迹跟踪精度，是本行业的研究方向之一。

技术实现思路

[0005]针对上述现有技术存在的问题，本专利技术提供一种用于矿井非视距场景的目标定位跟踪方法，在对矿井内非视距环境中的目标进行静止定位时有效降低非视距误差，从而提高其定位精度，同时能有效提高对该目标后续移动时的移动轨迹跟踪精度。
[0006]为了实现上述目的，本专利技术采用的技术方案是：一种用于矿井非视距场景的目标定位跟踪方法，具体步骤为：
[0007]步骤一、确定定位跟踪范围及基站数量：先确定在矿井下所需进行目标定位跟踪的范围区域，根据该范围区域确定处于范围区域内的基站数量；
[0008]步骤二、确定视距环境及非视距环境下静止目标定位模型：设基站数量的为M，坐标为z
i
＝[x
i y
i
]T
，i＝1,2,
…
,M，并进行依次编号；待测目标坐标为z＝[x y]T
；将编号为1的基站作为参考站，在视距环境及非视距环境下分别建立目标到其他基站i与参考基站的距离差值方程组；
[0009]步骤三、判断各个基站通信定位过程中是否存在非视距误差：设测量误差e
i,1
服从均值为0、方差为高斯分布，非视距误差n
i,1
的均值为u
ni,1
，方差为则其标准差为σ
ni,1
；设置存在非视距误差的基站向量A＝[A
1 A2ꢀ…ꢀ
A
i
]，其中A
i
∈[0,1]；若A
i
＝1，则确定第i个基站为存在非视距误差基站，否则该基站不存在非视距误差；设置校正因子向量α＝[α
1 α2ꢀ…ꢀ
α
i
]，第i个基站接收到的非视距误差(即NLOS误差)为α
i
μ
ni,1
，对首次判断时的校正因子向量α
i
赋予一个初始值，后续每次判断时的校正因子向量α
i
的值通过更新求解获得；当α
i
σ
ni,1
≥0.5时，此时使A
i
＝1，则第i个基站为存在非视距误差基站；根据本步骤能对各个基站在定位通信过程中是否存在非视距误差进行判别；
[0010]步骤四、在视距场景下进行静止目标定位：根据步骤三的判别结果，若各个基站通信定位过程中不存在非视距误差，则采用Chan算法对步骤二获得的视距环境下目标到其他基站i与参考基站的距离差值方程组进行求解，从而获取视距场景下的目标位置，完成静止目标定位过程并进入步骤六；若各个基站通信定位过程中存在非视距误差，则进入步骤五；
[0011]步骤五、在非视距场景下进行静止目标定位：根据步骤三的判别结果，若各个基站通信定位过程中存在非视距误差，则通过非视距误差均值u
ni,1
和非视距误差的基站向量A
i
对步骤二获得的非视距环境下目标到其他基站i与参考基站的距离差值方程组进行修正，然后采用Chan算法对修正后的距离差值方程组进行求解，从而获取非视距场景下的目标位置，完成静止目标定位过程并进入步骤六；
[0012]步骤六、对目标后续移动过程进行跟踪：采用改进的粒子滤波算法对目标移动过程中进行状态估计，具体为：
[0013]改进的粒子滤波算法基于状态方程和观测方程，即
[0014]x
k
＝Fx
k
‑1+Q
k
‑1[0015]z
k
＝h(x
k
)+R
k
[0016]其中F为状态转移矩阵，Q
k
、R
k
分别为状态转移噪声和观测噪声；将步骤五获得的修正后距离差值作为改进的粒子滤波算法的观测量；
[0017]改进的粒子滤波算法具体步骤为：
[0018]①
初始化：在k＝0时刻，从先验分布p(x0)中采样得到原始粒子集设置粒子权重由于开始对粒子分布情况未知，因此初始化阶段的先验分布p(x0)可为任意分布，如平均分布等；
[0019]②
预测阶段：由于方程的非线性，无法对其后验概率直接采样，因此引入便于采样的重要性分布q(x
k
|x
0:k
‑1)，即
[0020]③
更新阶段：当观测到数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于矿井非视距场景的目标定位跟踪方法，其特征在于，具体步骤为：步骤一、确定定位跟踪范围及基站数量：先确定在矿井下所需进行目标定位跟踪的范围区域，根据该范围区域确定处于范围区域内的基站数量；步骤二、确定视距环境及非视距环境下静止目标定位模型：设基站数量为M，坐标为z
i
＝[x
i y
i
]
T
，i＝1，2，...，M，并进行依次编号；待测目标坐标为z＝[x y]
T
；将编号为1的基站作为参考站，在视距环境及非视距环境下分别建立目标到其他基站i与参考基站的距离差值方程组；步骤三、判断各个基站通信定位过程中是否存在非视距误差：设测量误差e
i，1
服从均值为0、方差为高斯分布，非视距误差n
i，1
的均值为u
ni，1
，方差为则其标准差为σ
ni，1
；设置存在非视距误差的基站向量A＝[A
1 A
2 ... A
i
]，其中A
i
∈[0，1]；若A
i
＝1，则确定第i个基站为存在非视距误差基站，否则该基站不存在非视距误差；设置校正因子向量α＝[α
1 α
2 ... α
i
]，第i个基站接收到的非视距误差为α
i
μ
ni，1
，对首次判断时的校正因子向量α
i
赋予一个初始值，后续每次判断时的校正因子向量α
i
的值通过更新求解获得；当α
i
σ
ni，1
≥0.5时，此时使A
i
＝1，则第i个基站为存在非视距误差基站；根据本步骤能对各个基站在定位通信过程中是否存在非视距误差进行判别；步骤四、在视距场景下进行静止目标定位：根据步骤三的判别结果，若各个基站通信定位过程中不存在非视距误差，则采用Chan算法对步骤二获得的视距环境下目标到其他基站i与参考基站的距离差值方程组进行求解，从而获取视距场景下的目标位置，完成静止目标定位过程并进入步骤六；若各个基站通信定位过程中存在非视距误差，则进入步骤五；步骤五、在非视距场景下进行静止目标定位：根据步骤三的判别结果，若各个基站通信定位过程中存在非视距误差，则通过非视距误差均值u
ni，1
和非视距误差的基站向量A
i
对步骤二获得的非视距环境下目标到其他基站i与参考基站的距离差值方程组进行修正，然后采用Chan算法对修正后的距离差值方程组进行求解，从而获取非视距场景下的目标位置，完成静止目标定位过程并进入步骤六；步骤六、对目标后续移动过程进行跟踪：采用改进的粒子滤波算法对目标移动过程进行状态估计，具体为：改进的粒子滤波算法基于状态方程和观测方程，即x
k
＝Fx
k
‑1+Q
k
‑1z
k
＝h(x
k
)+R
k
其中F为状态转移矩阵，Q
k
、R
k
分别为状态转移噪声和观测噪声；将步骤五获得的修正后距离差值作为改进的粒子滤波算法的观测量；改进的粒子滤波算法具体步骤为：
①
初始化：在k＝0时刻，从先验分布p(x0)中采样得到原始粒子集设置粒子权重
②
预测阶段：由于方程的非线性，无法对其后验概率直接采样，因此引入便于采样的重要性分布q(x
k
|x
0：k
‑1)，即
③
更新阶段：当观测到数据z时，更新每个粒子的权重并归一化：
其中，为似然分布，为状态转移分布；此时后验概率密度为新的粒子集为
④
计算有效粒子数，并设置阈值：定义有效粒子数为N
eff
，为了降低粒子滤波算法的运算量，设置阈值若N
eff
＜N
t
，则进入步骤
⑤
，否则进入步骤
⑥
；其中，round是取整运算；
⑤
重采样：采用ChopThin重采样，得到一组权重不相等的粒子；
⑥
输出状态估计：将获得的数据按照下式得出目标每一时刻的状态估计：从而实现对目标移动时进行移动轨迹跟踪的过程。2.根据权利要求1所述的用于矿井非视距场景的目标定位跟踪方...

【专利技术属性】
技术研发人员：胡青松，蔡雪婷，陈艳，李世银，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：