超寬頻技術助力車輛室內高精度定位
1
簡介
智能汽車近年來蓬勃發展，發展智能汽車已經上升為國家發展戰略之一。高精度定位技術是智能汽車的關鍵技術之一。可進行定位的信號是多種多樣的，定位系統種類繁多。如利用衛星無線RF信號的GPS、利用紅外和激光的光學定位、利用超聲波的聲學定位、利用圖像處理和計算機視覺的視覺定位、利用陀螺原理的相對定位等等。但是，到目前為止，還沒有一種是能夠覆蓋所有應用的理想定位技術。
其中，衛星定位是目前應用最成功的定位技術，在世界範圍內得到了廣泛的應用。然而在室內環境比如停車庫或隧道中，衛星導航信號經常會變差或檢測不到，為室內定位帶來了很大的難度。在此背景下，以超寬頻（Ultra Wide Band, UWB）信號定位為代表性的無線定位技術得到了越來越多的關注。
2
現狀概述
2.1 現有室內定位技術
室內定位技術是指在衛星定位信號無法到達的建築物內或特殊場地，通過測量確定移動標籤的空間位置，能夠為基於位置的服務（LBS）、物聯網（IoT）等提供定位服務。目前得到應用的室內定位技術有WIFI，藍牙，RFID，UWB，Zigbee，激光，超聲波等，也可以通過多種測量方式的組合實現定位。
相應的定位方法則有RSSI，CSI，AoA，ToA，TDoA，PoA等[F. Zafari, A. Gkelias, and K. K. Leung, 2017]。需要注意的是，定位方法的選擇往往要基於作為物理基礎的定位技術，一種定位技術通常具有最適合它的定位方法，比如激光技術可以結合PoA（Phase of Arrival，到達相位）方法測距，卻無法使用名為RSSI（Received Signal Strength Indicator，接收信號強度指標）的方法。
表2.1無線定位技術比較
在室內定位領域，UWB（Ultra Wideband）是一項非常有前景的技術，其中最重要的原因就是由於其獨特的信號形式，它是由納秒級別的極窄脈衝構成，所佔的頻帶很寬，信號占空比很小，並且幾乎對其他無線信號的干擾免疫。此外UWB信號能穿透很多種類的材料，它超高的時間解析度也使得對多徑信號的過濾變得容易。目前UWB室內定位系統的定位精度能達到10cm。但是其始終未能制定出一個統一的標準制約了UWB技術的發展。總而言之，對於汽車行業來說，UWB定位系統擁有低硬體成本、低功耗、高精度、不易受干擾等優秀特性。
2.2 UWB技術發展歷史
UWB技術早期應用于軍事領域，是美軍方首先開始使用UWB技術，當時採用擴頻跳頻技術對信號進行調製，並發現這一工作方式抗干擾能力強，通信安全性好。1993年美國南加州大學通信科學研究所論證了採用衝激脈衝進行跳時調製的多址技術，從而開闢了將衝激脈衝作為無線電通信信息載體新途徑。隨後在美國、英國、日本和韓國都先後頒布了民用超寬頻技術的監管法規，促進了UWB技術在民用和商業領域的發展。
與國外快速發展起來的UWB技術相比，我國在這方面的研究與應用相對比較落後。2001年9月，在「國家863計劃通信技術」主題會議中，有專家指出應將這項技術作為無線通信技術中的重點研究與創新的對象。2008年，國家工業和信息化部發布了超寬頻技術頻率使用的規定。現在關於UWB技術的研究已經在我國獲得了迅速發展。
圖2.1展示了2018年微軟室內定位大賽的結果，3D組前15名參賽隊伍中有7組都使用了UWB技術，而且相對來說達到了較高的定位精度。
圖2.1微軟2018室內定位大賽3D組結果
3
基於粒子演算法與CHAN氏演算法的UWB定位進度改進
為提高UWB定位系統的定位解算魯棒性，對標準的UWB技術定位演算法進行分析和改進。
3.1 UWB技術定位演算法（基於TDoA）實現和改進
3.1.1 定位方法的選擇
三種常用的UWB定位技術中常用的定位方法，均基於時間特徵進行位置估計。
A. ToA（Time of Arrival，到達時間）
ToA方法，有些文獻中又叫ToF（Time of Flight）,是利用信號到達時間估測距離，測距信號需要帶有發射器發射時的時間戳，以計算信號的飛行時間。該方法要求錨點基站（指固定的基站）和移動站時鐘同步。但一般來講，要做到錨點基站和移動站完全的時鐘同步並不容易，因此出現了雙向測距飛行時間（2-way Ranging Time of Flight）這種方法。
B. 2-way Ranging ToF（2-way Ranging Time of Flight，雙向測距飛行時間）
2-way Ranging ToF的原理是在發送用於定位估計的信號之前，先進行一輪發送站和接收站之間的通信，以同步兩基站時鐘並精確估計第三次發送時的信號飛行時間，圖3.2展示了具體步驟。
C. TDoA（Time Difference of Arrival，到達時間差）
TDoA方法是通過測量不同基站發出的信號的到達時間差，通過到達時間差可以算出移動站到各錨點基站的距離差，相當於移動站就被限制在一系列的雙曲線（hyperboloid）上。通過解交點方程能最終計算出移動站位置。TDoA方法一般需要各基站間通過線纜連接的同步器或者參考站的手段進行時鐘同步，但這一要求已經比ToA方法降低了。
圖3.1測距原理TDoA
圖3.2測距原理2-way
ToA以及2-way Ranging ToF能實現較高的定位精度，但是它們的最大缺陷在於可擴展性太差，即定位系統能同時處理的移動站數量有限，一旦地下車庫內的汽車數量增長到一定程度，定位系統就會來不及處理。而TDoA方法的定位過程是廣播式的，基站只需定期向場內發送定位信號，所有定位計算都可以在車輛內自行完成。
綜上所述，對於基於UWB技術構建的多標籤車輛室內定位系統而言，TDoA是比較理想的定位方法。
3.1.2 TDoA方法下的定位演算法
TDoA定位方法不需要移動站和基站之間時間同步，僅需各基站之間時間同步。設移動站為R，基站為T=[T1,…,Tn]（共n個基站）。因為信號傳輸時間是未知的，所以從Tn到R的距離dn不能直接通過信號接收時間tn求得。但是從R到Tn的距離差可以求得，選擇T1作為參照，對Tn距離差的估計為
其中C是光速。由於，接收器R的位置可以通過以下方程解出
其中R的坐標為R=[xr,yr,zr]，Tn的坐標為Tn=[xn,yn,zn]，對於基站n=1,2,…,N。
當N等於4時，能直接解方程；當N等於3時，結果不是點而是一條圓錐曲線。而當N大於4時，上述方程將變成一組超定方程，即可以解算出多個定位結果，此時可以使用數據融合方法，比如最小二乘法獲得最終的估計結果。另外對於地下停車庫中的定位，可以將3維的定位問題降級到2維，即不考慮z方向坐標，N等於3時即可求解方程。
上述TDoA的基本解算方法需要解形式非常複雜的方程，在實際應用中是不實用的。實際上，在工業應用中，TDoA的解算方法常用的有：
A. Chan氏演算法。
它是一種非遞歸的演算法，不需要初始值，在視距傳輸的情況下定位效果較好。
B. Taylor級數展開演算法。
它是一種遞歸的演算法，需要移動站初始位置的估計值，移動站估計位置的改進是通過在每一次遞歸中求解TDoA 偏差的局部最小二乘（LS）解實現的。
本文嘗試使用粒子群優化演算法（Particle Swarm Optimization，PSO）求解TDoA定位結果。PSO演算法是一種模仿生物群體智能的隨機搜索方法，屬於演化演算法大類（EA，演化演算法是一類模擬自然界遺傳進化規律的仿生學演算法，還包括著名的遺傳演算法GA）。它基於對自然界中動物的集群現象的觀察所得結論，即在群體系統中，智能不僅僅只儲存在個體上，更多的是分布於一個包含很多個體的群體中，以提高動物們躲避天敵、尋找食物、更快移動等等能力。其核心意義在於，動物集群之後不僅僅提高了某些任務上群體共同的表現，甚至讓每一個個體也表現地更加出色。
圖3.3 PSO演算法用於定位搜索
三基站Chan氏演算法推導出了移動站位置的解析解。但是在複雜場地中的多基站定位場景中，當樣本集中某些TDoA測量值存在嚴重的NLOS誤差時，分組計算獲得的移動站位置估計值也會出現較大誤差。而在PSO演算法中，部分樣本誤差對整體定位精度影響較小，在多基站定位時魯棒性更強。
在模擬分析中發現PSO演算法進行隨機初始化比較消耗時間，為了加快演算法收斂，使用三基站下Chan氏演算法分組對標籤位置進行初步估計，為PSO演算法進行較為精確的初始化，設計一種分兩步的多基站下TDoA定位解算演算法（TDoA+PSO演算法）。
4
改進前後的定位演算法模擬對比
4.1定位演算法模擬
利用ROS操作系統架構設計一款模擬車輛定位的模擬器，其中虛擬車輛的控制部分由C++寫成的ROS節點管理，定位計算部分由ROS節點調用定位解算函數完成，定位結果可視化實現如圖4.1。
圖4.1 模擬器結果可視化
4.2結果分析
試驗結果如下表4.2所示。相比Chan(MLE)演算法，Chan+PSO在非視距干擾迅速增大的情況下有效抑制了定位誤差的增大。
表4.2 多錨點基站隨機定位試驗結果（2-3基站間出現嚴重NLOS誤差時）
圖4.2 多基站定位試驗結果（2-3基站間出現嚴重NLOS誤差時）
5
總結
本文所描述的工作是面向智能汽車在室內場景下的高精度定位需求，以開發高精度定位演算法為研究目標，主要對UWB定位技術和TDoA定位方法進行了演算法設計和模擬，在Chan氏演算法基礎上，結合粒子群優化演算法進行改進，提高了定位系統的魯棒性。
6
參考文獻
[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] 吳文文. 基於MEMS輔助UWB室內定位的優化研究[D].北京交通大學,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] 王一強, 孫罡. UWB超寬頻技術研究及應用[J]. 通信技術, 2009, 42(3):9-12.
[9] 朱永龍. 基於UWB的室內定位演算法研究與應用[D]. 山東大學, 2014.
TAG:同濟智能汽車研究所 |