基于指紋膜與航跡推算的井下人員定位系統(tǒng)

馬京，　胡青松，　宋泊明，　張申

(1.中國礦業(yè)大學(xué) 信息與電氣工程學(xué)院， 江蘇 徐州　221008；2.中國礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心， 江蘇 徐州　221008；3.礦山互聯(lián)網(wǎng)應(yīng)用技術(shù)國家地方聯(lián)合工程實驗室， 江蘇 徐州　221008)

?

基于指紋膜與航跡推算的井下人員定位系統(tǒng)

馬京1,2，胡青松2,3，宋泊明1,2，張申2,3

(1.中國礦業(yè)大學(xué) 信息與電氣工程學(xué)院， 江蘇 徐州221008；2.中國礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心， 江蘇 徐州221008；3.礦山互聯(lián)網(wǎng)應(yīng)用技術(shù)國家地方聯(lián)合工程實驗室， 江蘇 徐州221008)

針對RSSI指紋膜定位方法受礦井環(huán)境影響較大，而基于航跡推算的定位方法易形成誤差累積的問題，設(shè)計了基于指紋膜與航跡推算的井下人員定位系統(tǒng)。該系統(tǒng)周期性采集人員的位置信息與運動姿態(tài)信息，利用K近鄰和峰值檢測方法求解指紋定位結(jié)果和航跡推算結(jié)果，并對定位結(jié)果進行加權(quán)融合得到目標(biāo)位置。測試結(jié)果表明，該系統(tǒng)明顯提高了定位精度和穩(wěn)定性，對煤礦巷道復(fù)雜環(huán)境具有較強的適應(yīng)能力。

井下人員定位； 指紋膜； 航跡推算； 融合算法

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160429.1117.005.html

0　引言

當(dāng)前煤礦井下人員定位系統(tǒng)大多采用基于測距的定位方法[1]，其核心是采用AOA(Angle of Arrival)，TOA(Time of Arrival)，TDOA(Time Difference of Arrival)，RSSI(Received Signal Strength Indicator)等方法測定目標(biāo)節(jié)點與定位錨節(jié)點之間的距離[2-5]。在這些測距方法中，基于TOA和TDOA的定位方法簡單、易于實現(xiàn)且精度較高。但是，由于定位對收發(fā)節(jié)點之間的時間準(zhǔn)確性有嚴格要求，所以，該方法對硬件要求較高。基于RSSI的定位方法無需額外的傳感器設(shè)備，成本較低，在礦井中得到了廣泛應(yīng)用。但是，RSSI受環(huán)境影響較大，定位精度相對較低。基于AOA的定位方法要求節(jié)點配備天線陣列或智能天線[3]，成本較高，在礦井中尚未得到較多應(yīng)用。

由于加速度計、磁力計、陀螺儀等運動傳感器能夠捕捉運動者運動姿態(tài)信息，輔以恰當(dāng)?shù)慕馑惴椒ǎ型麑崿F(xiàn)較為準(zhǔn)確的礦井目標(biāo)定位[4-5]。航跡推算定位不依賴外部其他設(shè)備，受環(huán)境因素影響小，但是定位誤差會隨時間累積，且需要提供定位初始位置，不適于長期單獨工作。為此，本文綜合基于RSSI的指紋定位方法和航跡推算定位方法的優(yōu)勢，設(shè)計了煤礦井下人員定位系統(tǒng)，較好地兼顧了定位精度與系統(tǒng)成本等因素的平衡。實驗結(jié)果表明，該系統(tǒng)有效提高了人員定位精度，具有較強的煤礦巷道環(huán)境適應(yīng)能力。

1　系統(tǒng)結(jié)構(gòu)

基于指紋膜與航跡推算的井下人員定位系統(tǒng)由定位人員隨身攜帶的標(biāo)簽、錨節(jié)點(也稱定位基站或基站)、以太網(wǎng)有線傳輸網(wǎng)絡(luò)以及上位機解算軟件構(gòu)成，如圖1所示。

圖1　井下人員定位系統(tǒng)結(jié)構(gòu)

系統(tǒng)定位過程：井下人員攜帶標(biāo)簽在煤礦巷道移動的時候，標(biāo)簽中的傳感器周期性采集人體運動信息并傳輸給錨節(jié)點；錨節(jié)點接收到信號后，根據(jù)數(shù)據(jù)距離模型計算出該信號的RSSI值，隨后將RSSI值與人員運動信息重新整合成一個新的數(shù)據(jù)包，通過以太網(wǎng)傳輸至位于地面的上位機解算軟件進行定位信息解算，得到人員的空間位置。

定位標(biāo)簽以CC2530作為主控制芯片，輔以加速度計、磁力計和電源等模塊，其結(jié)構(gòu)如圖2所示。其中，加速度計ADXL345的量程為±16 g，磁力計HMC5883的量程為±8 Ga。由于錨節(jié)點不需要進行數(shù)據(jù)采集工作，所以，無需包含加速度計和磁力計。

圖2　定位標(biāo)簽結(jié)構(gòu)

2　RSSI指紋膜定位與航跡推算

2.1RSSI指紋膜定位

RSSI指紋膜定位過程主要分為離線數(shù)據(jù)采集階段和在線實時定位階段[6]，如圖3所示。

圖3　指紋膜定位過程

離線數(shù)據(jù)采集階段的主要目標(biāo)是構(gòu)建指紋數(shù)據(jù)庫。需將待定位區(qū)域按照一定規(guī)則劃分為若干子區(qū)域，在每個子區(qū)域內(nèi)選取一個參考位置，測量該位置處的標(biāo)簽節(jié)點所發(fā)送的信號到達各個錨節(jié)點的RSSI值，所有子區(qū)域的信號強度值與其對應(yīng)的參考點位置構(gòu)成離線指紋數(shù)據(jù)庫。

在線實時定位階段將實測RSSI值與指紋數(shù)據(jù)庫中的RSSI值進行匹配，并將指紋數(shù)據(jù)庫中匹配項所對應(yīng)的位置作為目標(biāo)節(jié)點的估計位置。指紋數(shù)據(jù)庫匹配算法包括確定性算法、神經(jīng)網(wǎng)絡(luò)算法等[7-8]，其中，最為典型的是確定性方法中的K近鄰算法[7]。在該方法中，匹配標(biāo)準(zhǔn)為

(1)

在所有的歐氏距離計算完成后，選取其中K個最小的歐氏距離，其對應(yīng)的參考點即為目標(biāo)節(jié)點的K個相距最近的參考節(jié)點，它們的質(zhì)心即為目標(biāo)節(jié)點的估計位置。為了進一步提高定位精度，使用基于歐氏距離的加權(quán)質(zhì)心算法計算質(zhì)心位置(x,y)：

(2)

2.2航跡推算

航跡推算是利用已知的初始位置信息，根據(jù)運動傳感器提供的航向角和加速度變化信息，推算運動節(jié)點下一時刻位置的一種慣性導(dǎo)航定位方法[9]，其定位原理如圖4所示。

圖4　航跡推算原理

(3)

(4)

繼續(xù)按照節(jié)點的航跡進行推算，可得到點Pk的坐標(biāo)為

(5)

從航跡推算過程可以看出，航跡推算定位模型的關(guān)鍵是準(zhǔn)確獲取移動目標(biāo)的移動距離和航向角。由于普通加速計的精度較低，不能根據(jù)傳統(tǒng)慣性導(dǎo)航算法通過加速度積分求運動距離[10]，所以，行走距離l無法直接測得。為此，本文根據(jù)被測人員的行走特征，使用峰值檢測法[11]檢測行走的步頻，再通過估算目標(biāo)運動中每一步的步幅來計算運動距離。

3　聯(lián)合指紋膜和航跡推算的目標(biāo)位置解算

本節(jié)將指紋定位算法和航跡推算技術(shù)進行融合，解決初始位置獲取困難和航跡推算誤差累積的問題，以獲得更好的定位效果。

3.1目標(biāo)位置解算

混合定位算法流程如圖5所示。在定位起始階段，利用RSSI指紋定位算法求解目標(biāo)位置，作為目標(biāo)航跡推算的初始坐標(biāo)。在定位過程中，錨節(jié)點接收目標(biāo)運動姿態(tài)信息和RSSI值，分別利用K近鄰和峰值檢測方法求解指紋定位結(jié)果和航跡推算結(jié)果，最后對2種定位結(jié)果進行加權(quán)融合，得到最終的目標(biāo)位置。

圖5　混合定位算法流程

(6)

另外，注意到目標(biāo)航跡推算誤差會隨著時間而累積，因此，定義加權(quán)因子ω2：

(7)

式中T為定位時間。

將指紋定位與航跡推算的位置求解結(jié)果加權(quán)求和，得到最終的定位結(jié)果為

(8)

式中：P(t)為t時刻最終定位位置；PRSSI(t)為t時刻RSSI指紋法估計位置；PPDR(t)為t時刻航跡推算估計位置。

3.2基于RSSI衰減特性的誤差控制

基于指紋膜與航跡推算的混合定位算法利用指紋定位降低了航跡推算的累積誤差。不過，由于航跡推算的初始位置是由RSSI指紋膜方法求得的，所以，其本身不太精確，且誤差是隨機、不可控的。考慮到定位環(huán)境中的錨節(jié)點位置固定不變，本文提出根據(jù)接收信號的RSSI值與距離的變化特性，利用錨節(jié)點位置更新初始位置。

3次實測得到的RSSI值與距離關(guān)系曲線如圖6所示。從圖6可看出，當(dāng)目標(biāo)節(jié)點與錨節(jié)點相距較近時，RSSI值與目標(biāo)位置對應(yīng)關(guān)系比較好；隨著距離的增大，RSSI值的隨機誤差不斷增大。因此，可以根據(jù)RSSI值的衰減特性進行短距離輔助定位。設(shè)定信號強度閾值R(本文設(shè)R=-55 dB)，當(dāng)錨節(jié)點收到的目標(biāo)節(jié)點RSSI值大于閾值時，認為運動目標(biāo)與錨節(jié)點距離較短(如3 m)，將當(dāng)前錨節(jié)點的位置作為目標(biāo)節(jié)點的實際位置，并將航跡推算的定位時間T置零。這樣既保障了目標(biāo)節(jié)點真實位置與糾正位置之間的距離不超過3 m，有效控制了更新位置的誤差范圍，同時清空了航跡推算過程中的累積誤差，有效提高了定位精度。

圖6　RSSI值與距離關(guān)系曲線

基于誤差控制的混合定位算法流程如圖7所示，具體步驟如下：

(1) 錨節(jié)點收到目標(biāo)節(jié)點RSSI信號之后，比較RSSI值與信號強度閾值R的大小關(guān)系，判斷目標(biāo)節(jié)點是否在錨節(jié)點有效范圍內(nèi)，若RSSI>R，則執(zhí)行步驟(2)，否則，執(zhí)行步驟(3)。

(2) 選定接收到的信號強度最大值，確定距目標(biāo)節(jié)點最近的錨節(jié)點，將該錨節(jié)點的物理位置坐標(biāo)設(shè)定為目標(biāo)節(jié)點的定位結(jié)果。

(3) 分別利用傳感數(shù)據(jù)和信號強度值進行航跡推算定位和指紋定位，得到2種定位結(jié)果后進行加權(quán)融合，將融合結(jié)果設(shè)定為目標(biāo)節(jié)點的定位結(jié)果。

(4) 利用定位結(jié)果更新航跡推算的初始位置。

圖7　基于誤差控制的混合定位算法流程

4　測試分析

在某模擬巷道內(nèi)進行系統(tǒng)測試，模擬巷道為直線結(jié)構(gòu)，寬為2.8 m，選取的測試區(qū)域巷道長度為100 m，區(qū)域內(nèi)有2個相距約30 m的硐室，如圖8所示。

圖8　模擬巷道結(jié)構(gòu)

實際測試中，在選取的測試區(qū)域兩端分別放置1個錨節(jié)點。在離線采樣階段，以錨節(jié)點1為初始零點位置，每隔3 m進行一次指紋采樣，并遍歷所需定位區(qū)域，將采集到的數(shù)據(jù)按圖3要求建立指紋數(shù)據(jù)庫。在線定位階段，用戶攜帶定位標(biāo)簽由錨節(jié)點1向錨節(jié)點2方向移動，行走路程為100 m，歷時70 s。移動過程中數(shù)據(jù)采樣周期為150 ms，定位周期為1 500 ms，共進行20組實驗。

指紋定位算法、航跡推算法、混合定位算法的定位誤差如圖9所示。從圖9可以看出，指紋定位結(jié)果存在一定的位置偏移，其誤差在靠近錨節(jié)點位置處較小，遠離錨節(jié)點位置處較大。航跡推算的定位誤差隨著采樣時間的增加而增大，存在誤差累積現(xiàn)象。當(dāng)定位標(biāo)簽靠近錨節(jié)點2(即采樣時間在70 s左右)時，航跡推算誤差大幅度減小，誤差累積現(xiàn)象明顯改善。

圖9　各算法定位誤差

經(jīng)過20組測試得到的定位平均誤差和標(biāo)準(zhǔn)差見表1。從表1可以看出，混合定位算法明顯減小了定位誤差，提高了系統(tǒng)的定位精度和穩(wěn)定性。

表1　各算法平均誤差和標(biāo)準(zhǔn)差

5　結(jié)語

為了提高煤礦人員安全保障，設(shè)計了基于指紋膜與航跡推算的井下人員定位系統(tǒng)。該系統(tǒng)將基于RSSI的指紋定位方法和航跡推算相結(jié)合，根據(jù)RSSI衰減特性對航跡推算進行誤差控制。測試結(jié)果表明，該系統(tǒng)解決了航跡推算法初始位置獲取困難和誤差累積問題，有效提高了定位精度和穩(wěn)定性。

[1]姜華,袁曉兵,付耀先,等.無線傳感器網(wǎng)絡(luò)中信道仿真模型的研究[J].計算機仿真,2006,23(11): 129-133.

[2]AFZAL S. A review of localization techniques for wireless sensor networks[J]. Journal of Basic and Applied Scientific Research, 2012, 2(8):7795-7801.

[3]翟彥蓉,黃歡,張申,等.基于DOA和TDOA的井下定位算法研究[J].工礦自動化,2013,39(11):57-60.

[4]ZHANG Y, BROWN A K, MALIK W Q,etal. High resolution 3-D angle of arrival determination for indoor UWB multipath propagation[J]. IEEE Transaction on Wireless Communications, 2008, 7(8): 3047-3055.

[5]HU Qingsong, DING Yishan, WU Lixin,etal. An enhanced localization method for moving targets in coal mines based on witness nodes[J]. International Journal of Distributed Sensor Networks, 2015, Article ID 876721:1-10.

[6]HASTIE T, TIBSHIRANI R. Discriminant adaptive nearest neighbor classification[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996, 18(6): 607-616.

[7]李澤民, 段鳳陽, 李贊平. 基于MEMS傳感器的數(shù)字式航姿系統(tǒng)設(shè)計[J]. 傳感器與微系統(tǒng), 2012, 31(6): 94-96.

[8]LEE S,KIM B,KIM H,etal.Inertial sensor-based indoor pedestrian localization with minimum 802.15.4a configuration[J]. IEEE Transactions on Industrial Informatics,2011,7(3):455-466.

[9]周亮, 付永濤, 李廣軍. 無線定位與慣性導(dǎo)航結(jié)合的室內(nèi)定位系統(tǒng)設(shè)計[J].電子技術(shù)應(yīng)用, 2014, 40(4): 73-76.

[10]劉勇, 羅宇鋒, 王紅旗, 等. 一種新型井下人員組合定位系統(tǒng)設(shè)計[J]. 工礦自動化, 2014, 40(2): 11-15.

[11]陳國良, 李飛, 張言哲. 一種基于自適應(yīng)波峰檢測的MEMS計步算法[J].中國慣性技術(shù)學(xué)報, 2015, 23(3): 315-321.

[12]FANG S H, LIN T N, LEE K C. A novel algorithm for multipath fingerprinting in indoor WLAN environments[J].IEEE Transaction on Wireless Communications,2008,7(9): 3579-3588.

Underground personnel positioning system based on fingerprint and dead-reckoning

MA Jing1,2，HU Qingsong2,3，SONG Boming1,2，ZHANG Shen2,3

(1.School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou 221008, China； 2.IoT Perception Mine Research Center, China University of Mining and Technology, Xuzhou 221008,China; 3.The National and Local Joint Engineering Laboratory of Internet Application Technology on Mine, China University of Mining and Technology, Xuzhou 221008,China)

In view of problem that RSSI-based fingerprint positioning method is greatly influenced by environment of coal mine tunnel, and localization method based on dead-reckoning is easy to form accumulation of errors, underground personnel positioning system based on fingerprint and dead-reckoning was designed. The system periodically collects location and attitude information, uses KNN and peak detection method to solve result of fingerprint and dead-reckoning, and the target position was obtained by weighted fusion of the two positioning results. The test results demonstrate that the system can obviously improve positioning accuracy and stability, and has strong adaptability to the complex environment of coal mine tunnel.

underground personnel positioning; fingerprint; dead-reckoning; fusion algorithm

1671-251X(2016)05-0019-05

10.13272/j.issn.1671-251x.2016.05.005

2016-01-20；

2016-03-11；責(zé)任編輯：胡嫻。

國家自然科學(xué)基金項目(51204177)；江蘇省自然科學(xué)基金項目(BK20151148)；中央高校基本科研業(yè)務(wù)費專項基金項目(2015XKMS097)。

馬京(1991-)，女，山東菏澤人，碩士研究生，主要研究方向為無線傳感器網(wǎng)絡(luò)定位，E-mail:1148587652@qq.com。 通信作者：張申(1955-)，男，江蘇興化人，教授，博士研究生導(dǎo)師，主要研究方向為礦山通信與信息化，E-mail:yunnan05@tom.com。

TD655.3

A網(wǎng)絡(luò)出版時間：2016-04-29 11:17

馬京，胡青松，宋泊明，等.基于指紋膜與航跡推算的井下人員定位系統(tǒng)[J].工礦自動化，2016,42(5)：19-23.