【技术实现步骤摘要】
本专利技术涉及目标定位，且更为具体地，涉及基于uwb技术的煤矿井下车辆精确定位方法和系统。
技术介绍
1、随着采矿业的不断发展，煤矿井下作业自动化和智能化水平的提升成为提高生产效率与安全性的重要途径。在这一进程中，车辆精确定位系统扮演着核心角色，尤其在复杂、狭窄且光线昏暗淡的井下环境中，准确追踪和指挥车辆的实时位置至关重要。超宽带(uwb,ultra-wideband)技术以其高分辨率、强穿透力和对多径效应的鲁棒性，成为煤矿井下车辆定位的理想选择。
2、然而，现有uwb定位系统在煤矿井下应用中面临若干挑战。目前的解决方案中应用最广泛的是到达时间差法(tdoa)，即根据信号达到基站的时间差来进行定位。但是在煤矿井下的复杂环境下，基于到达时间差法的车辆定位方式在精准性方面存在不足。因此，迫切需要一种创新的技术方案，对煤矿井下车辆提供更高效、精确、可靠的定位服务，推动煤矿井下作业的智能化进程。
技术实现思路
1、为了解决上述技术问题，提出了本申请，以提供一种对煤矿井下车辆提供更高效、精确、可靠的定位服务的基于uwb技术的煤矿井下车辆精确定位方法和系统。
2、第一方面，本专利技术提供了一种基于uwb技术的煤矿井下车辆精确定位方法，包括：在煤矿井下的预设区域内部署多个uwb基站；在所述煤矿井下的车辆上安装uwb信号发射器，通过所述车辆发射信号并记录信号发射时间，通过所述多个基站接收所述车辆发射的信号并记录信号到达时间；基于所述车辆的信号发射时间以及所述多个基站记录的信
3、可选地，前述的基于uwb技术的煤矿井下车辆精确定位方法，所述通过所述多个基站接收所述车辆发射的信号并记录信号到达时间，还包括：将所述多个基站中的任一基站作为目标基站，获取所述目标基站在历史时间接收的历史信号b1，在所述历史时间通过滤波器对所述历史信号b1处理后得到的信号b2，所述滤波器在所述历史时间的系数向量w1，以及所述历史信号b1对应的原始发射信号a；检测所述目标基站在当前时间接收的信号的功率谱密度p；设置所述滤波器在所述当前时间的系数向量其中μ为预设的调整系数；使用所述滤波器对所述目标基站在所述当前时间接收的信号进行处理。
4、可选地，前述的基于uwb技术的煤矿井下车辆精确定位方法，所述通过所述多个基站接收所述车辆发射的信号并记录信号到达时间，还包括：根据所述煤矿井下的地质结构，设置所述煤矿井下的信号传播介电系数∈；获取所述车辆在所述历史时间的历史位置s1；计算所述目标基站在所述当前时间接收的信号的路径损耗其中f为所述目标基站在所述当前时间接收的信号的频率，c为光速，γ所述目标基站在所述当前时间接收的信号的波长，s2为所述目标基站的位置，k为预设的权重系数，n为预设的路径损耗指数；基于所述目标基站在所述当前时间接收的信号的路径损耗l，对所述目标基站在所述当前时间接收的信号进行修正。
5、可选地，前述的基于uwb技术的煤矿井下车辆精确定位方法，在所述基于所述车辆的信号发射时间以及所述多个基站记录的信号到达时间，计算所述多个基站的toa数据和tdoa数据之前，还包括：计算所述多个基站记录的多个信号到达时间的最大差值；在所述多个信号到达时间的最大差值低于预设阈值时，执行所述基于所述车辆的信号发射时间以及所述多个基站记录的信号到达时间，计算所述多个基站的toa数据和tdoa数据；在所述多个信号到达时间的最大差值超过所述预设阈值时，重新执行所述通过所述多个基站接收所述车辆发射的信号并记录信号到达时间。
6、可选地，前述的基于uwb技术的煤矿井下车辆精确定位方法，在所述将所述输入特征输入经过训练的神经网络之前，还包括：根据对所述车辆进行定位的时限，设置所述神经网络的计算时限；根据所述神经网络的计算时限，设置所述神经网络中神经元的最大个数；在每次对所述神经网络进行迭代训练时，统计训练后所述神经网络中每个神经元的权重值，并从所述神经网络中提出权重值最低的一组神经元，直至所述神经网络中的神经元数量不超过所述最大个数。
7、可选地，前述的基于uwb技术的煤矿井下车辆精确定位方法，在所述将所述输入特征输入经过训练的神经网络之前，还包括：在每次对所述神经网络进行迭代训练后，计算所述训练结果的安全约束损失loss1＝max(0，d-dist(s，ss))，其中，d为预设的安全约束距离，s为所述神经网络训练时预测的所述车辆的位置，ss为预设的所述煤矿井下的安全作业区域边界上与s距离最近的点，dist函数用于计算两个位置间的距离；计算所述神经网络的损失函数loss＝αmse(s，s0)+(1-α)loss1，其中α为预设的权重系数，s0为所述神经网络训练时所述车辆的真实位置，mse函数用于计算两个位置间的均方误差；根据所述神经网络的损失函数对所述神经网络中的一个或多个神经元的权重值进行调整。
8、可选地，前述的基于uwb技术的煤矿井下车辆精确定位方法，所述将所述输入特征输入经过训练的神经网络，并获取所述神经网络输出的所述车辆的位置，还包括：计算在所述煤矿井下使用所述神经网络进行定位的误差之和t1；计算所述煤矿井下使用所述神经网络以外的预设方式进行定位的误差之和t2；通过所述预设方式计算所述车辆在当前时间的位置sa；对所述神经网络输出的所述车辆的位置进行修正，修正后所述车辆的位置其中m1为使用所述神经网络进行定位的次数，m2为使用所述预设方式进行定位的次数。
9、第一方面，本专利技术提供了一种基于uwb技术的煤矿井下车辆精确定位系统，包括：多个uwb基站，部署在煤矿井下的预设区域内；uwb信号发射器，安装在所述煤矿井下的车辆上，通过所述车辆发射信号并记录信号发射时间，通过所述多个基站接收所述车辆发射的信号并记录信号到达时间；数据计算模块，基于所述车辆的信号发射时间以及所述多个基站记录的信号到达时间，计算所述多个基站的toa数据和tdoa数据；曲线建立模块，基于多个基站的tdoa数据建立多个双曲线，其中每个双曲线反映了所述车辆的估计位置；特征计算模块，计算所述多个基站的toa数据的均值和标准差、所述多个双曲线的交集点和中心点、所述多个双曲线的覆盖区域和重叠区域、所述多个双曲线的相对位置，并作为输入特征；位置计算模块，将所述输入特征输入经过训练的神经网络，并获取所述神经网络输出的所述车辆的位置。
10、本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：
11、本专利技术的技术方案对现有的uwb技术进行创新，计算toa数据的统计特征与toda数据对应的双曲线的交集、中心点等作为输入特征，同时引本文档来自技高网...
【技术保护点】
1.一种基于UWB技术的煤矿井下车辆精确定位方法，其特征在于，包括：
2.根据权利要求1所述的基于UWB技术的煤矿井下车辆精确定位方法，其特征在于，通过所述多个基站接收所述车辆发射的信号并记录信号到达时间包括：
3.根据权利要求2所述的基于UWB技术的煤矿井下车辆精确定位方法，其特征在于，通过所述多个基站接收所述车辆发射的信号并记录信号到达时间还包括：
4.根据权利要求1所述的基于UWB技术的煤矿井下车辆精确定位方法，其特征在于，在基于所述车辆的信号发射时间以及所述多个基站记录的信号到达时间，计算所述多个基站的TOA数据和TDOA数据之前，所述基于UWB技术的煤矿井下车辆精确定位方法还包括：
5.根据权利要求1所述的基于UWB技术的煤矿井下车辆精确定位方法，其特征在于，在将所述输入特征输入经过训练的神经网络之前，所述基于UWB技术的煤矿井下车辆精确定位方法还包括：
6.根据权利要求1所述的基于UWB技术的煤矿井下车辆精确定位方法，其特征在于，在将所述输入特征输入经过训练的神经网络之前，所述基于UWB技术的煤矿井下车辆精确
7.根据权利要求6所述的基于UWB技术的煤矿井下车辆精确定位方法，其特征在于，将所述输入特征输入经过训练的神经网络，并获取所述神经网络输出的所述车辆的位置包括：
8.一种基于UWB技术的煤矿井下车辆精确定位系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于uwb技术的煤矿井下车辆精确定位方法，其特征在于，包括：
2.根据权利要求1所述的基于uwb技术的煤矿井下车辆精确定位方法，其特征在于，通过所述多个基站接收所述车辆发射的信号并记录信号到达时间包括：
3.根据权利要求2所述的基于uwb技术的煤矿井下车辆精确定位方法，其特征在于，通过所述多个基站接收所述车辆发射的信号并记录信号到达时间还包括：
4.根据权利要求1所述的基于uwb技术的煤矿井下车辆精确定位方法，其特征在于，在基于所述车辆的信号发射时间以及所述多个基站记录的信号到达时间，计算所述多个基站的toa数据和tdoa数据之前，所述基于uwb技术的煤矿井下车辆精确定位方法还包括：...
【专利技术属性】
技术研发人员：腾光华，周攀搏，毕晓华，王洪恩，董庆伟，宋相强，宗志林，李凯歌，余洋，唐彦森，谢保国，王振亚，毋东东，徐成亮，
申请(专利权)人：河南沃德电气科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。