超宽带技术助力车辆室内高精度定位

1简介

智能汽车近年来蓬勃发展，发展智能汽车已经上升为国家发展战略之一。高精度定位技术是智能汽车的关键技术之一。可进行定位的信号是多种多样的，定位系统种类繁多。如利用卫星无线RF信号的GPS、利用红外和激光的光学定位、利用超声波的声学定位、利用图像处理和计算机视觉的视觉定位、利用陀螺原理的相对定位等等。但是，到目前为止，还没有一种是能够覆盖所有应用的理想定位技术。

其中，卫星定位是目前应用最成功的定位技术，在世界范围内得到了广泛的应用。然而在室内环境比如停车库或隧道中，卫星导航信号经常会变差或检测不到，为室内定位带来了很大的难度。在此背景下，以超宽带（Ultra Wide Band, UWB）信号定位为代表性的无线定位技术得到了越来越多的关注。

2现状概述

2.1 现有室内定位技术
室内定位技术是指在卫星定位信号无法到达的建筑物内或特殊场地，通过测量确定移动标签的空间位置，能够为基于位置的服务（LBS）、物联网（IoT）等提供定位服务。目前得到应用的室内定位技术有WIFI，蓝牙，RFID，UWB，Zigbee，激光，超声波等，也可以通过多种测量方式的组合实现定位。

相应的定位方法则有RSSI，CSI，AoA，ToA，TDoA，PoA等[F. Zafari, A. Gkelias, and K. K. Leung, 2017]。需要注意的是，定位方法的选择往往要基于作为物理基础的定位技术，一种定位技术通常具有最适合它的定位方法，比如激光技术可以结合PoA（Phase of Arrival，到达相位）方法测距，却无法使用名为RSSI（Received Signal Strength Indicator，接收信号强度指标）的方法。



表2.1 无线定位技术比较

在室内定位领域，UWB（Ultra Wideband）是一项非常有前景的技术，其中最重要的原因就是由于其独特的信号形式，它是由纳秒级别的极窄脉冲构成，所占的频带很宽，信号占空比很小，并且几乎对其他无线信号的干扰免疫。此外UWB信号能穿透很多种类的材料，它超高的时间分辨率也使得对多径信号的过滤变得容易。目前UWB室内定位系统的定位精度能达到10cm。但是其始终未能制定出一个统一的标准制约了UWB技术的发展。总而言之，对于汽车行业来说，UWB定位系统拥有低硬件成本、低功耗、高精度、不易受干扰等优秀特性。

2.2 UWB技术发展历史
UWB技术早期应用于军事领域，是美军方首先开始使用UWB技术，当时采用扩频跳频技术对信号进行调制，并发现这一工作方式抗干扰能力强，通信安全性好。1993年美国南加州大学通信科学研究所论证了采用冲激脉冲进行跳时调制的多址技术，从而开辟了将冲激脉冲作为无线电通信信息载体新途径。随后在美国、英国、日本和韩国都先后颁布了民用超宽带技术的监管法规，促进了UWB技术在民用和商业领域的发展。

与国外快速发展起来的UWB技术相比，我国在这方面的研究与应用相对比较落后。2001年9月，在“国家863计划通信技术”主题会议中，有专家指出应将这项技术作为无线通信技术中的重点研究与创新的对象。2008年，国家工业和信息化部发布了超宽带技术频率使用的规定。现在关于UWB技术的研究已经在我国获得了迅速发展。

图2.1展示了2018年微软室内定位大赛的结果，3D组前15名参赛队伍中有7组都使用了UWB技术，而且相对来说达到了较高的定位精度。



图2.1 微软2018室内定位大赛3D组结果

3基于粒子算法与CHAN氏算法的UWB定位进度改进

为提高UWB定位系统的定位解算鲁棒性，对标准的UWB技术定位算法进行分析和改进。

3.1 UWB技术定位算法（基于TDoA）实现和改进

3.1.1 定位方法的选择
三种常用的UWB定位技术中常用的定位方法，均基于时间特征进行位置估计。

A. ToA（Time of Arrival，到达时间）
ToA方法，有些文献中又叫ToF（Time of Flight）,是利用信号到达时间估测距离，测距信号需要带有发射器发射时的时间戳，以计算信号的飞行时间。该方法要求锚点基站（指固定的基站）和移动站时钟同步。但一般来讲，要做到锚点基站和移动站完全的时钟同步并不容易，因此出现了双向测距飞行时间（2-way Ranging Time of Flight）这种方法。

B. 2-way Ranging ToF（2-way Ranging Time of Flight，双向测距飞行时间）
2-way Ranging ToF的原理是在发送用于定位估计的信号之前，先进行一轮发送站和接收站之间的通信，以同步两基站时钟并精确估计第三次发送时的信号飞行时间，图3.2展示了具体步骤。

C. TDoA（Time Difference of Arrival，到达时间差）
TDoA方法是通过测量不同基站发出的信号的到达时间差，通过到达时间差可以算出移动站到各锚点基站的距离差，相当于移动站就被限制在一系列的双曲线（hyperboloid）上。通过解交点方程能最终计算出移动站位置。TDoA方法一般需要各基站间通过线缆连接的同步器或者参考站的手段进行时钟同步，但这一要求已经比ToA方法降低了。



图3.1 测距原理TDoA



图3.2 测距原理2-way

ToA以及2-way Ranging ToF能实现较高的定位精度，但是它们的最大缺陷在于可扩展性太差，即定位系统能同时处理的移动站数量有限，一旦地下车库内的汽车数量增长到一定程度，定位系统就会来不及处理。而TDoA方法的定位过程是广播式的，基站只需定期向场内发送定位信号，所有定位计算都可以在车辆内自行完成。

综上所述，对于基于UWB技术构建的多标签车辆室内定位系统而言，TDoA是比较理想的定位方法。

3.1.2 TDoA方法下的定位算法
TDoA定位方法不需要移动站和基站之间时间同步，仅需各基站之间时间同步。设移动站为R，基站为T=[T1,…,Tn]（共n个基站）。因为信号传输时间是未知的，所以从Tn到R的距离dn不能直接通过信号接收时间tn求得。但是从R到Tn的距离差可以求得，选择T1作为参照，对Tn距离差的估计为



其中C是光速。由于，接收器R的位置可以通过以下方程解出



其中R的坐标为R=[xr,yr,zr]，Tn的坐标为Tn=[xn,yn,zn]，对于基站n=1,2,…,N。

当N等于4时，能直接解方程；当N等于3时，结果不是点而是一条圆锥曲线。而当N大于4时，上述方程将变成一组超定方程，即可以解算出多个定位结果，此时可以使用数据融合方法，比如最小二乘法获得最终的估计结果。另外对于地下停车库中的定位，可以将3维的定位问题降级到2维，即不考虑z方向坐标，N等于3时即可求解方程。

上述TDoA的基本解算方法需要解形式非常复杂的方程，在实际应用中是不实用的。实际上，在工业应用中，TDoA的解算方法常用的有：

A. Chan氏算法。
它是一种非递归的算法，不需要初始值，在视距传输的情况下定位效果较好。

B. Taylor级数展开算法。
它是一种递归的算法，需要移动站初始位置的估计值，移动站估计位置的改进是通过在每一次递归中求解TDoA 偏差的局部最小二乘（LS）解实现的。

本文尝试使用粒子群优化算法（Particle Swarm Optimization，PSO）求解TDoA定位结果。PSO算法是一种模仿生物群体智能的随机搜索方法，属于演化算法大类（EA，演化算法是一类模拟自然界遗传进化规律的仿生学算法，还包括著名的遗传算法GA）。它基于对自然界中动物的集群现象的观察所得结论，即在群体系统中，智能不仅仅只储存在个体上，更多的是分布于一个包含很多个体的群体中，以提高动物们躲避天敌、寻找食物、更快移动等等能力。其核心意义在于，动物集群之后不仅仅提高了某些任务上群体共同的表现，甚至让每一个个体也表现地更加出色。



图3.3 PSO算法用于定位搜索

三基站Chan氏算法推导出了移动站位置的解析解。但是在复杂场地中的多基站定位场景中，当样本集中某些TDoA测量值存在严重的NLOS误差时，分组计算获得的移动站位置估计值也会出现较大误差。而在PSO算法中，部分样本误差对整体定位精度影响较小，在多基站定位时鲁棒性更强。

在仿真分析中发现PSO算法进行随机初始化比较消耗时间，为了加快算法收敛，使用三基站下Chan氏算法分组对标签位置进行初步估计，为PSO算法进行较为精确的初始化，设计一种分两步的多基站下TDoA定位解算算法（TDoA+PSO算法）。

4改进前后的定位算法仿真对比

4.1定位算法仿真
利用ROS操作系统架构设计一款模拟车辆定位的仿真器，其中虚拟车辆的控制部分由C++写成的ROS节点管理，定位计算部分由ROS节点调用定位解算函数完成，定位结果可视化实现如图4.1。



图4.1 仿真器结果可视化

4.2结果分析
试验结果如下表4.2所示。相比Chan(MLE)算法，Chan+PSO在非视距干扰迅速增大的情况下有效抑制了定位误差的增大。



表4.2 多锚点基站随机定位试验结果（2-3基站间出现严重NLOS误差时）



图4.2 多基站定位试验结果（2-3基站间出现严重NLOS误差时）

5总结

本文所描述的工作是面向智能汽车在室内场景下的高精度定位需求，以开发高精度定位算法为研究目标，主要对UWB定位技术和TDoA定位方法进行了算法设计和仿真，在Chan氏算法基础上，结合粒子群优化算法进行改进，提高了定位系统的鲁棒性。

6参考文献
[1] F. Zafari, A. Gkelias, and K. K. Leung, A Survey of Indoor Localization Systems and Technologies, arXiv:1709.01015, 2017.
[2] Chan, Yiu-Tong, and K. C. Ho. "A simple and efficient estimator for hyperbolic location." IEEE Transactions on signal processing 42.8 (1994): 1905-1915.
[3] 吴文文. 基于MEMS辅助UWB室内定位的优化研究[D].北京交通大学,2018.
[4] S. Gezici and H. V. Poor, Position estimation via ultra-wideband signals, Proc. IEEE, vol. 97, no. 2, Feb. 2009.
[5] D. Simon, Evolutionary Optimization Algorithms, John Wiley & Sons, vol.772, Jun. 2013.
[6] Shikur, Behailu Y., and Tobias Weber. Tdoa/aod/aoa localization in nlos environments. Acoustics, Speech and Signal Processing (ICASSP), 2014 IEEE International Conference on. IEEE, 2014.
[7] Guvenc, Ismail, and Chia-Chin Chong. A survey on TOA based wireless localization and NLOS mitigation techniques. IEEE Communications Surveys & Tutorials 11.3 (2009).
[8] 王一强, 孙罡. UWB超宽带技术研究及应用[J]. 通信技术, 2009, 42(3):9-12.
[9] 朱永龙. 基于UWB的室内定位算法研究与应用[D]. 山东大学, 2014.