基于無線信號強度的城軌列車組合定位方法研究

邱慶根

【摘 要】近年來，城市軌道交通發展迅速，其在方便人們出行的同時也帶來了巨大的能源消耗。城軌列車節能運行是一種重要的節能技術，需要具有統一時間、空間標尺的列車運行能耗數據作為分析基礎。其中，列車位置信息無法直接測量，并且難以通過接口從信號車載設備等獲得，因此必須設計一種相對獨立的列車定位方法。考慮到城軌列車運行環境的特殊性，所設計的定位方法首先不能影響行車安全，其次需要在地上、地下均可獲得列車位置，同時還要在減少硬件成本的基礎上滿足列車節能運行分析對定位精度的要求。

【關鍵詞】無線信號強度；城軌列車；組合定位；研究

引言：無線定位技術的發展與基礎設施的完善與升級是密切相關的。在我國，高速鐵路和城市軌道交通系統中，存在大量用于通信的基站，這對無線定位技術在軌道交通領域的應用是一個重要機遇。但由于目前無線定位應用場景多為室內或接收者靜止或移動速度較慢的場景，因此無線定位技術應用于運行速度較快的軌道交通領域也是一個挑戰。在軌道交通領域，實時的列車位置對保證列車安全、高效運行有著極其重要的作用。與傳統的基于軌道電路、應答器等列車定位方法不同，基于無線網絡的定位方法有著低成本、易維護等優點。因此，在非安全應用、定位精度需求較低的場景下，無線定位逐漸成為為列車提供位置信息的一種新型方式。

1、基于無線信號強度的城軌列車定位方法

1.1無線定位技術介紹

由于基于全球衛星導航系統的定位方法需要接收者位于空曠無遮擋的室外環境，因而無法在室內或地下等地形復雜的環境下應用。近年來，隨著地面無線網絡基礎設施的增多，基于地面網絡的定位系統也迅速發展，這類定位系統也被稱為無線定位系統。無線定位技術按其定位機制的不同可以分為無需測距的定位和基于測距的定位[1]。為了方便讀者理解，本文先對下文出現的術語進行說明。

（1）錨節點：己知或能夠自己獲取地理位置信息的節點。

（2）未知節點：事先不知道地理位置信息的節點。

（3）跳數：數據從一個節點到下一個節點經過的跳轉次數。

（4）跳距：數據從一個節點到下一個節點經過的距離。

（5）接收范圍：節點能夠有效接收數據的范圍。

1.2Range-free型無線定位

無需測距的定位技術無需測量節點間的絕對距離或者角度信息，實現簡單，成本較低。但由于其只能實現粗精度定位，因此其應用范圍也受限于對定位精度需求較低的場景。本文將對四種具有代表性的算法進行介紹。

（1）質心定位算法

質心定位算法由南加州大學學者提出，是一種完全依靠網絡連通性進行定位的算法。其基本原理是：錨節點周期地向外發送信標信號，信標中包括描節點的標識和坐標。待定位節點收到多個來自其接收范圍內的錨節點發送的信標，由多個錨節點組成的多邊形的質心便是待定位節點的位置估計。

（2）DV-hop算法

在DV-hop算法中，錨節點以泛洪的方式向外發送信標信號，信標包含錨節點的位置信息和一個初值為1的跳數參數。跳數值隨轉發次數增加而增加。當所有節點均保存距錨節點的最小跳數信息時，錨節點便可根據自身的位置信息和與其他錨節點間的最小跳數計算平均跳距，之后將平均跳距發送至所有節點進行校正。

隨著信息時代的發展，越來越多的數據信息可以被用來描述位置信息，這樣的數據信息被稱作指紋。指紋類型有很多種，其中視覺指紋、動作指紋和信號指紋是最常用的三種。本文中的無線信號強度便是信號指紋中的一種。指紋定位方法一般由離線訓練和在線定位兩個階段組成。離線訓練階段需要在某個區域內，采集所有可探測到的無線接入點的信號強度，并將其與位置相對應存入數據庫中，再根據數據庫中的數據訓練得到信號強度與位置之間的匹配關系。在線定位階段也可稱為指紋匹配階段，該階段無線接收設備采集當前位置所有可探測到的AP的信號強度，并根據采集的信號強度，通過適當的算法在離線數據庫中找到與之最符合的目標位置。匹配過程一般會用到數據挖掘、機器學習、深度學習等智能算法，如K近鄰法或神經網絡。

2、城軌列車組合指紋定位方法研究

隨著移動設備和其他電子設備計算能力和存儲容量的大幅度提升，指紋定位技術己成為一種靈活、多變的定位技術。指紋定位的精度與選取的指紋特征以及數據庫的構建方式密切相關，其與信號強度質量好壞關系較小。如指紋定位在多徑效應和非視距等信號強度值噪聲大、衰減快的環境中仍有較高的定位精度，這是因為指紋定位方法在不利的傳播環境中具有較好的魯棒性[2]。此外，指紋定位方法還具有無需事先知道錨節點位置的優勢。指紋定位的缺點主要有兩點。

其一：為更好的描述指紋與位置的關系，需要采集大量的數據，因此指紋定位會占用較大的存儲空間。一些存儲容量受到嚴格限制的應用因此無法使用指紋定位。

其二：當環境中出現如新增AP、移除AP或移動AP位置等影響原有信號強度分布的情況時，指紋數據庫和匹配關系也必須隨之進行更新，以便適應新的“環境”。

隨著技術的發展，深度學習在圖像識別、數據分類和語音處理等領域也展現出越來越好的效果。在本研宄中，需要將無線信號強度的值與列車位置聯系起來，根據無線信號強度的值來計算列車的位置。解決該類問題有很多方法，如貝葉斯估計、神經網絡等。但由于城軌列車多運行于隧道環境，無線信號強度受多徑效應影響較大，且存在較大噪聲，因此使用傳統的方法無法準確地提取無線信號強度的特征。

結語：本文所做工作主要是為了滿足城軌列車節能運行研究的需求，最終的列車定位精度也遠未達到能夠為列控系統提供位置信息的水平。但利用無線信號強度獲取列車位置的方法是將無線定位技術應用于列車定位的一次探索，由于本人知識水平有限，對該問題的探索還不夠深入。

對無線定位在列車定位中的探索也不應僅局限于列車節能運行研宄中。無線定位作為未來移動互聯網和物聯網的重要核心業務之一，在人工智能飛速發展的今天，其在未來會得到更加廣泛的應用。在經過安全性、穩定性、準確性等相關驗證后，替代擁有較多硬件設備的列車定位方法己經不再遙不可及。

參考文獻：

[1]崔耕.淺析城市軌道交通中塵土對列車車載控制器的危害[J].科技創新與應用，2017（17）：151-151.

[2]姜君.城市軌道交通列車再生制動能量利用系統方案對比分析[J].現代城市軌道交通，2017（9）：1-4.

（作者單位：成都地鐵運營有限公司）