基于改进SHKF算法的UWB_IMU组合定位方法.pdf
《基于改进SHKF算法的UWB_IMU组合定位方法.pdf》由会员分享,可在线阅读,更多相关《基于改进SHKF算法的UWB_IMU组合定位方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第32卷第1期 中国惯性技术学报 Vol.32 No.1 2024 年 01 月 Journal of Chinese Inertial Technology Jan.2024 收稿日期:收稿日期:2023-07-20;修回日期:修回日期:2023-11-07 基金项目:基金项目:国家自然科学基金(62173261)作者简介:作者简介:黄卫华(1987),女,副教授,硕士生导师,从事室内组合定位研究。文章编号:文章编号:1005-6734(2024)01-0034-08 doi.10.13695/ki.12-1222/o3.2024.01.005 基于改进基于改进 SHKF 算法的算法的 UW
2、B/IMU 组合定位方法组合定位方法 黄卫华,梅宇恒,章 政,赵广营,刘思贤(武汉科技大学 信息科学与工程学院,武汉 430081)摘要:摘要:针对复杂环境下超宽带(UWB)无线定位系统存在非视距(NLOS)及随机误差的问题,提出一种基于改进 Sage-Husa 卡尔曼滤波算法(SHKF)的 UWB/IMU 组合定位方法。首先,设计了一种基于概率密度的提升树,将 UWB/IMU 特征数据的概率分布密度引入提升树的损失函数中,鉴别出 NLOS信号;然后,设计了一种改进 SHKF 算法,根据新息变化趋势定义自适应因子,实时调整对新息误差修正的策略以调节历史噪声对当前定位的影响,进而提升 UWB/I
3、MU 组合定位的稳定性和精度。实验结果表明,所提方法将 NLOS 信号鉴别精度提升至 99.12%,定位均方根误差降低至 4.30 cm,提升了复杂环境下 UWB/IMU 组合系统定位精度。关关 键键 词:词:非视距;Sage-Husa 卡尔曼滤波;UWB/IMU 组合定位;提升树 中图分类号:中图分类号:U666.1 文献标志码:文献标志码:A UWB/IMU combined positioning method based on improved SHKF algorithm HUANG Weihua,MEI Yuheng,ZHANG Zheng,ZHAO Guangying,LIU S
4、ixian(School of Information Science and Engineering,Wuhan University of Science and Technology,Wuhan 430081,China)Abstract:In view of the problem of non-line of sight(NLOS)and random error in ultra-wide band(UWB)wireless positioning system in complex environment,a UWB/IMU combined positioning algori
5、thm based on improved Sage-Husa Kalman filter(SHKF)is proposed.First,a boosting tree based on probability density is designed,and the NLOS signals is identified by introducing the probability distribution density of UWB/IMU collected feature data into the loss function of the boosting tree.Then,an i
6、mproved SHKF algorithm is designed to define an adaptive factor according to the changing trend of innovation,and adjust the strategy of correcting the error of innovation in real time to adjust the influence of historical noise on the current positioning,so as to improve the stability and accuracy
7、of UWB/IMU combined positioning.The experimental results show that the NLOS signal identification accuracy of the proposed method is up to 99.12%,and the root mean square error of positioning is reduced to 4.30 cm,which improves the positioning accuracy of UWB/IMU integrated system in complex enviro
8、nment.Key words:non-line of sight;Sage-Husa Kalman filter;UWB/IMU combined positioning;boosting tree 超宽带(Ultra-Wide Band,UWB)定位技术因其定位精度相对较高、信号功耗相对低且抗多径效应较好等特性,被广泛应用于室内定位、体育运动、智能制造等领域1-3。惯性测量单元(Inertial Measurement Unit,IMU)仅使用内部惯性信息,具有不易受外部环境影响、可提供即时相对位置信息等特点4-6。在复杂的环境下,UWB/IMU 组合定位方法既可利用 IMU 不易受环境干
9、扰的特点,修正易受复杂环境干扰的 UWB 信号;也可利用 UWB 的绝对位置信息消除 IMU 由于随机游走与温度漂移造成的累积误差7,8。同时,UWB 定位系统不可避免地会遇到非视距(Non-line of Sight,NLOS)场景,且存在因信号波动或扰动而产生的随机第1期 黄卫华等:基于改进SHKF算法的UWB/IMU组合定位方法 35 误差,使得 UWB/IMU 定位精度下降9。因此,研究鉴别 NLOS 信号,以及确定 UWB/IMU 传感器数据的组合定位方法具有重要意义。目前,许多学者采用机器学习的方法对 UWB 采集的测距信号进行分类鉴别。文献10同时分析 UWB信号总功率与首径功率
10、,构建深度学习模型,以鉴别出 NLOS 环境下的 UWB 基站测距数据。文献11以UWB 的信号强度和距离估算值作为输入特征,分别比较几种不同机器学习算法对 NLOS 信号鉴别的效果。文献12以 NLOS 环境下的误差序列作为输入,通过反向传播神经网络建立误差改进模型,改正预测得到标签的误差值。文献13以 UWB 波形信息作为特征,基于 python 的 Scikit-learn 库,使用支持向量机(Support Vector Machine,SVM)、随机森林与神经网络三种机器学习鉴别 NLOS 信号。在实际场景中,UWB 测距信号与室内障碍物的分布信息密切相关,测距信号的特征与标签映射关
11、系的不确定性会影响机器学习的效率。此外,在 UWB 测距信号采集过程中,不可避免会出现噪声,直接对 UWB 测距信号进行鉴别,会影响鉴别 NLOS 信号的准确性。Sage-Husa 卡尔曼滤波(Sage-Husa Kalman Filter,SHKF)算法是一种用于状态估计的滤波算法,具有应用灵活性高、估计结果准确性强等优点。文献14通过陀螺仪信息建立状态方程,通过加速度计与磁力计的信息建立量测方程,采用 SHKF 算法将陀螺仪、加速度计与磁力计组合以获取无人机的航姿信息。文献15以 SHKF 为基础,采用渐消因子进行动态调整,将捷联惯导系统与多普勒计程仪组合,提升了多普勒计程仪量测信息异常情
12、况下的导航精度。对于 UWB/IMU组合定位而言,传感器自身缺陷会引起如随机误差、温度漂移等噪声类型与幅值多变的问题,导致UWB/IMU 定位的新息误差产生随机性的异常值,从而 SHKF 算法对 UWB 与 IMU 噪声协方差估计值的准确性降低。由于历史噪声的影响,当两者均产生较大误差时,SHKF 算法无法将 UWB/IMU 组合定位系统的定位估计值与实际值的偏差及时消除,甚至滤波器会逐渐失去估计作用。鉴于上述情况,本文在实现基于概率密度提升树的 NLOS 信号鉴别方法的基础上,提出了一种改进SHKF 的 UWB/IMU 组合定位方法。首先,将UWB/IMU 特征数据的概率密度函数引入提升树的
13、损失函数中,对 NLOS 信号进行鉴别。然后,为了降低历史噪声对当前定位的影响,在 SHKF 算法中引入渐消因子,修改临近量测数据的权值,并定义表示新息变化趋势的自适应因子,自动调整用于补偿新息误差所采用的策略,从而提升 SHKF 算法的准确性和稳定性。1 基于概率密度提升树的1 基于概率密度提升树的 NLOS 信号鉴别方法 信号鉴别方法 提升树算法是以决策树为基学习器,采用加法模型和前向分布算法的提升方法,具有模型简便、训练数据量少的优点。在复杂环境下,UWB 测距存在的NLOS 问题影响 UWB/IMU 定位精度,采用提升树对UWB 信号进行鉴别,可以提升 UWB 传感器定位数据的质量。同
14、时,考虑到提升树中训练数据特征属性与训练效率的关联性,为了细化 UWB/IMU 特征数据属性,提高提升树的训练效率,将 UWB/IMU 采集的特征数据进行统计分析,把所得特征数据的分布密度引入提升树中。基于概率密度提升树的 NLOS 信号鉴别方法如图 1 所示。图 1 基于概率密度提升树的 NLOS 信号鉴别方法 Fig.1 NLOS signal identification method based on probability density boosting tree 1.1 UWB/IMU 数据特征选取 一般而言,可由 UWB 的信道信息与量测信息鉴别出 NLOS 信号。当出现 NL
15、OS 情况时,UWB 信号功率会产生显著变化,因此选取信号功率估计偏差作为特征一;此外,由于 IMU 定位属于无信标定位,不易受 NLOS 环境干扰,解算 UWB 标签与 UWB 基站的距离以及 IMU 传感器与 UWB 基站的距离,通过比36 中国惯性技术学报 第 32 卷 较这两者的差值判断 UWB 测距数据的情况,并将其作为特征二。特征一1T与特征二2T分别表示为:PowerPower1TRxFp (1)IUUU2TDisDis (2)其中,PowerRx表示 UWB 信号接收估计功率;PowerFp表示 UWB 首径信号计算估计功率;IUDis表示 IMU传感器与 UWB 基站的距离;
16、UUDis表示 UWB 标签与UWB 基站的距离。定义特征向量T12TTT,则含有N组训练数据的集合Sd为:12TT,1,2NiiiBiNSdSdSdSdSdT (3)其中,iT、iB分别表示第i组数据集的特征向量与其标签;iSd表示第i组数据。设置标签为:1NLOS1LOSiiiBSdSd 1.2 基于概率密度提升树的构建 1)融合概率密度的损失函数定义 当UWB传感器采集的数据出现噪声时,特征值方差大的数据难以与标签映射,导致采用提升树对UWB信号进行特征分类时,难以鉴别出NLOS信号。通过在损失函数中融入UWB/IMU特征数据的分布密度,进而细化特征数据属性,提高提升树的学习效率。假设前
17、m次迭代产生的决策树所构建的提升树模型mTr为:1kmmmimTrGTTr (4)其中,()kmiGT表示以特征值向量iT中的第k(1k 或2)个特征为切分点的第m次迭代产生的决策树;m表示其权重系数。设以特征值kiT为切分点的第m次迭代的概率密度函数()kmip T为:1/21/1log()max(1,)()()log()1(),kikiTkkmiiNmiNkiTkNiiGTBpTTTTTN其他 (5)其中,kiT表示每个特征点的分离程度;1/N表示特征集的方差;()kmiiG TB表示以特征值kiT为切分点时,信号鉴别错误的情况;T表示特征集的平均值。第m次迭代的累积概率密度函数为:11(
18、)mJkkJmmimimiPpTpTP (6)将式(6)引入提升树的损失函数,则有:(,)imB TrJimmL B TrP e (7)2)决策树的构建 每一轮迭代都以求解损失函数的极小值为目标产生决策树,进而不断提升模型的准确性,即解算出()kmiGT与m:1,argmin,NkmimimiGTL B Tr=(8)联立式(4)以及式(6)式(8),则有:1,argminkimmiNBGTkkmimmimiiGTw pTe=(9)其中,1()1()imB TrJmimwPeTT表示第m次迭代的训练特征数据kiT的权重。初始化时11/iwN,1()1kip T。根据式(9)可得miw的迭代公式为
19、:()1(1)1()kimmiBGTkmimimimimiNmiiwpTwewww (10)其中,miw表示归一化过后的权重miw。考虑到UWB信号鉴别可以表示为鉴别正确情况与错误情况的组合形式,则可将式(9)极小化的损失函数重新整理为:,argminmkimimkimikkmimmimiBGTkmimiBGTGTw pTew pTe=(11)其中,()kimiBG T表示以特征值iT为切分点时,信号鉴别正确的情况。根据极值判别式,式(11)对m求一阶导并令其等于0,则可以解算出m:1ln2kimikimikmimiBGTmkmimiBGTw pTw pT (12)为了方便算法迭代,采用分类误
20、差率代替损失函数来选择切分点,分类误差率的定义为:()()kimikmmimiBGTew pT 选择分类误差率最低的切分点iT,得到第m次迭代产生的决策树为:第1期 黄卫华等:基于改进SHKF算法的UWB/IMU组合定位方法 37 11,211,2kjikmikjiTTjNGTTTjN (13)将UWB测距数据经过基于概率密度提升树分类后,将鉴别为NLOS的信号剔除,并利用鉴别为LOS的信号构建UWB定位模型,进而用于UWB/IMU组合定位。2 基于改进2 基于改进 SHKF 的的 UWB/IMU 组合定位算法 组合定位算法 UWB/IMU组合定位时,SHKF算法通过指数衰减法修正UWB的噪声
21、协方差矩阵,弥补模型估计结果与实际定位结果的误差,但这一效果会随时间逐渐减弱。考虑到传感器受到的噪声类型与幅值多样且多变,导致SHKF算法易产生滤波发散的现象,本文设计了一种改进的SHKF算法。为了防止历史UWB和IMU数据噪声对当前新息误差的修正产生负面影响,将新息误差分成两部分:其一采用指数衰减法,降低当前量测数据对噪声协方差的影响;其二采用变窗口长度的加权平均法,解算出渐消因子以增强临近量测对预测协方差矩阵的影响。同时,设计表征新息误差变化趋势的自适应因子,实时调整采用指数衰减法与加权平均法对新息误差调整的占比,达到跟随噪声变化的目的。2.1 UWB/IMU定位模型 UWB定位模型根据环
22、境建立坐标系,采用多个基站与单个标签得到UWB标签与基站的绝对位置信息,称为全局定位16;IMU定位模型根据自身运动建立坐标系,基于加速度计与陀螺仪的数据得到IMU相对于自动导航车(Automated Guided Vehicle,AGV)的位置信息,称为局部定位。令搭载UWB与IMU定位模块的AGV面向x方向行驶,其法线方向为y方向。设k时刻系统的状态向量syskX为:sysT,pxpyvxvykkkkkXXXXX 其中,pxkX、pykX分别表示k时刻全局坐标系x、y方向的位移;vxkX、vykX分别表示x、y方向的速度。对于UWB定位系统,采用双向双边测距法得到UWB三个基站与标签的距离
23、1UUDis、2UUDis、3UUDis。在此基础上,通过三边定位法,求解以UWB基站为圆心、三边距离为半径的定位方程组UWBpfun为:221U1U1UUUWBp222U2U2UU223U3U3UU()()()()()()pxxpyypxxpyypxxpyyXOXODisfunXOXODisXOXODis(14)其中,UxjO、UyjO分别表示UWB基站 j 在全局坐标系下的横坐标与纵坐标。根据式(14)解算出k时刻的UWB定位坐标,并依据1k时刻UWB的坐标信息解算出速度信息,UWB的定位模型1f为:UWBp111(,)()()()pxpykkkpxpxvxkkkpypyvykkkXXso
24、lve funXXfXdtXXXdt (15)其中,()solve 表示对函数求解;UWBpkfun表示k时刻UWB的定位方程dt为相邻时刻的时间间隔。对于IMU定位系统,设1k时刻至k时刻局部坐标系x、y方向的加速度分别为xka、yka,偏航角角速度为yawk,俯仰角角速度为pitchk,则k时刻的总加速度IMUka、偏航角yawk与俯仰角pitchk分别为:IMU22yawyawyaw1pitchpitchpitch1()()xykkkkkkkkkaaadtdt (16)得到IMU定位模型2f为:112112yawpitch2yawpitchyawpitchyawpitch10001000
25、1000011coscos21sincos2coscossincospxpxkkpypykkvxvxkkvyvykkkkkkkkkkXXdtXXdtfXXXXdtdtdtdtIMUka (17)2.2 改进的SHKF算法设计 1)SHKF算法 将UWB量测信息作为量测更新、IMU量测信息作为预测更新,根据UWB定位模型1f和IMU定位模型2f,设k时 刻UWB定 位 建 模 方 程 为sysUWB11(,)kkkffXrr,IMU定 位 建 模 方 程 为sysIMU12(,)kkkffXqq。其中,kr与kq分别为k时刻UWB、IMU传感器的噪声,表达式为:2yawpitchdisdis2y
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 SHKF 算法 UWB_IMU 组合 定位 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。