基于物聯網的井下人員定位算法

馮 丁，李燈熬，趙菊敏

(太原理工大學信息工程學院，山西太原030024)

目前很多礦井下都已裝備人員定位系統，但其精度較差且定位范圍小，無法實時了解井下全面信息，在井下建立物聯網系統，實現實時感知人員、感知設備、感知災害有重大意義［1－2］，同時能夠提高人員定位的實時性與可靠性。煤礦井下物聯網設備分成已知節點和未知節點兩類，實現物聯網網絡和“感知”，重點就是將未知節點接入已知節點，并組成一個邏輯結構復雜、龐大的網絡［3］。本文首先在井下采用我國自主知識產權的TD－SCDMA技術鋪設TD基站，組建井下無線專網，為實現井下人員定位提供可靠網絡。此外，針對井下傳統定位算法中存在的不足，對其進行改進。首先用Kalman濾波器對基站獲得的TOA值進行濾波，減小NLOS產生的誤差，利用TD－SCDMA的先天優勢，采用TDOA和AOA混合Chan算法和Taylor算法進行定位估計，然后對得到的位置估計值先后進行兩次數據融合。經過仿真分析，該算法在一定程度上克服了煤礦井下惡劣環境的影響，大大提高了定位精度。

1 井下物聯網通信鏈路的組建

本文充分分析井下復雜的實際環境和系統需求，在井下原有工業以太網的基礎上建立井下有線傳輸網絡［1］，在井下適當鋪設帶有以太網接口的TD基站，將部分基站作為無線網絡接入點(無線AP)接入井下有線傳輸網絡，把這些基站作為根AP，普通AP通過無線連接在根AP上，實現井上井下網絡連接，根AP和普通AP之間采用WiFi－Mesh協議。由于井下多為狹長巷道，所以普通AP之間采用線型結構進行無線連接，此網絡結構方便級聯，進而實現井下網絡的無縫覆蓋［4－5］。煤礦井下物聯網的通信系統如圖1所示。

2 基于物聯網的混合數據融合定位算法

2.1 利用改進的Kalman濾波算法對TOA進行濾波

礦井下環境復雜、巷道狹窄且存在大量障礙物，因此井下通信必然存在NLOS傳播，它的存在對TOA、TDOA和AOA等的測量帶來了很大誤差，從而嚴重影響定位精度。為了提高井下人員NLOS環境下的定位精度，本文首先采用卡爾曼濾波器對TOA估計值進行濾波處理，減輕NLOS誤差的影響，然后根據優化后的TOA值求差得到TDOA值進行定位。

圖1 煤礦井下物聯網系統

若rm(ti)表示在ti時刻從移動臺MS到基站BSm的距離測量值(由TOA測量值乘以電波傳播速度獲得)，則rm(ti)等于真實距離dm(ti)、系統測量誤差nm(ti)和NLOS誤差NLOS(ti)之和。其中nm(ti)為均值為0的高斯噪聲，NLOS(ti)一般認為是符合基于均方根時延擴展τrms的服從指數、均勻或Delta分布的正隨機變量。

卡爾曼濾波器通過狀態轉移方程和系統測量方程把某一時刻的狀態值與當前以及以前時刻的測量值聯系起來，從而得到當前時刻的最優值。假設每隔周期T獲取一次TOA數據，則Kalman濾波的狀態方程為

觀測方程為

式中:H是測量矩陣，H=［1 0］;測量噪聲V(k)主要包括標準測量誤差nm(ti)和NLOS誤差NLOS(ti)。測量噪聲V(k)的協方差矩陣為R。

卡爾曼濾波遞推運算過程如下:

1)狀態預測方程為

2)預測誤差協方差為

3)計算Kalman濾波增益為

4)計算最優濾波值為

5)計算濾波誤差協方差為

6)返回式(3)，開始下一次濾波。

Kalman濾波需要給定初始條件，由于NLOS產生一個正值誤差，所以這里取前5次獲得的信號到達時間的平均值對應的TOA值為初始值。

如果測量噪聲V(k)受到NLOS的影響，則濾波估計值(k|k)也會受到影響而高于正常值。由于卡爾曼濾波器具有記憶性，這種影響會一直持續下去。為減小NLOS誤差對TOA估計值的影響，以下對其進行改進。

在迭代過程中，首先設定一個門限值，然后將測量值與該門限值進行比較。如果大于門限值，則通過將卡爾曼增益置零來舍去該值，并用上一時刻的狀態估計值來代替該時刻的狀態估計值。反之，則通過保持卡爾曼增益來保留該值。重復迭代，可以有效地克服NLOS影響［6－7］。

改進前后的Kalman濾波效果對比如圖2所示。仿真過程中服務基站與移動臺的真實距離為1 000 m，系統噪聲服從均值為0、標準差為100 m的高斯分布，NLOS噪聲服從指數分布，步長為200。

圖2 改進前和改進后的Kalman濾波結果

從仿真結果可以看出，改進后的Kalman濾波算法的濾波效果更加平滑，更加接近真實值，從而有效減小NLOS誤差。

2.2 Kalman濾波后的TDOA/AOA混合Taylor算法

TD－SCDMA采用的智能天線技術可以精確測量電波的到達角度，因此本文采用MUSIC算法測量移動臺到達服務基站的角度AOA，利用濾波后的TOA值求差得到TDOA值，然后采用TDOA/AOA混合Chan算法求得移動臺的估計位置，并用求得的估計值作為Taylor算法的初始值，進一步求得移動臺的位置，這樣不但提高了定位精度，還克服了Taylor算法可能不收斂的問題［8－9］。圖3分別對加入角度信息的定位算法、經過濾波處理的定位算法和傳統的定位算法進行了比較，仿真結果表明，TDOA/AOA混合定位算法的定位精度高于單一的TDOA定位算法，而經過Kalman濾波的定位算法的性能又明顯優于TDOA/AOA混合定位算法。所以采用Kalman濾波處理可以有效地減小NLOS誤差對定位精度的影響。

圖3 改進算法與傳統算法的比較

2.3 混合數據融合定位算法

數據融合的基本目標是通過數據優化組合導出更多有效信息。本算法在傳統定位算法上進行改進，首先采用兩種方法(Kalman濾波后的混合Chan算法和混合Taylor算法)得到移動臺的聯合位置估計值，然后對其進行兩次數據融合:首先對位置估計值進行殘差加權，然后根據貝葉斯推理對第1次數據融合后的定位估計值和Taylor定位估計值進行第2次融合，以減小誤差。具體流程如圖4所示。

2.3.1 Chan算法和Taylor算法的殘差加權

為了計算加權系數，首先定義定位結果與測量值之間的殘差Res為

圖4 數據融合定位算法流程圖

2.3.2 貝葉斯數據融合

設方差為σ的向量X的加權向量為? =(ω1，…，ωN)，則殘差加權后的結果為

2.4 仿真結果及分析

煤礦井下條件復雜，信號衰減較大，每個基站的覆蓋范圍比地面上要小很多。經過綜合分析，在本算法的仿真過程中，每個基站的覆蓋范圍定為1 000 m，沿巷道成帶狀分布，NLOS噪聲符合指數分布。圖5和圖6分別為未經Kalman濾波處理和經過Kalman濾波處理的數據融合算法的定位誤差。

圖5 未經Kalman濾波的數據融合算法

圖6 Kalman濾波后的數據融合算法

由圖5分析，經過貝葉斯數據融合后的定位精度明顯高于Chan算法和Taylor算法的定位精度，而且相對平緩穩定。圖6為經過Kalman濾波處理后的數據融合定位算法(即本文提出的算法)，經過對比可以發現，本文提出的算法在很大程度上提高了系統的定位精度，且該算法在很大程度上克服了Chan算和Taylor算法自身缺陷帶來的誤差和井下惡劣環境帶來的誤差，提高了定位精度，而且具有較強的魯棒性。

3 結論

針對傳統的井下無線通信網絡的弊端，本文將物聯網技術應用于井下環境，組建井下無線通信專網，井下人員手持終端通過無線技術接入井下專網，為井下人員定位提供保證。同時，充分利用物聯網技術和TD－SCDMA技術的優勢，將傳統算法與Kalman算法和數據融合算法相結合，提出了一種混合數據融合定位算法。經過仿真分析，本文提出的基于物聯網的定位算法與傳統網絡下的定位算法相比，在定位精度和可靠性上得到了很大的提高。

［1］孔曉波.物聯網概念和演進路徑［J］.電信工程技術與標準化，2009(12):12－14.

［2］ 楊震.物聯網發展研究［J］.南京郵電大學學報，2010(6):1－10.

［3］劉洋.基于物聯網的煤礦井下環境監測及人員定位系統的設計與實現［D］.北京:北京交通大學，2011:2－4.

［4］葛磊.無線Mesh應急通信網的網絡技術研究［D］.南京:東南大學，2010:5－11.

［5］ AKYILDIZ I，WANGXD，WANGW L.Wirelessmesh networks:a survey［J］.Computer Networks，2005，47(4):445－487.

［6］邱鳳云.Kalman濾波理論及其在通信與信號處理中的應用［D］.濟南:山東大學，2008:6－8.

［7］ WELCH G，BISHOPG.An introduction to the Kalman filter［R］.［S.l.］:University of North Carolina at Chapel Hill，2001.

［8］宋悅銘.移動通信網中移動終端TDOA/AOA混合定位算法研究［D］.長春:吉林大學，2007:20－25.

［9］劉琚，李靜.一種在非視距環境中的TDO/AOA混合定位方法［J］.通信學報，2006(26):5－10.

［10］鄧平.蜂窩網絡移動臺定位技術研究［D］.成都:西南交通大學，2002:5.

［11］劉林，鄧平，范平志.基于Chan氏算法和Taylor級數展開法的協同定位方法［J］.電子與信息學報，2004(1):41－46.

［12］周俊奇，孟慶民.基于貝葉斯推理的TDOA/AOA定位算法［J］.計算機應用與軟件，2012(6):234－235.

［13］毛永毅，李明遠，張寶軍.一種減小NLOS影響的TDOA/AOA數據融合定位算法［J］.西安電子科技大學學報，2008(5):942－945.