安全视距范文

安全视距范文（精选7篇）

安全视距 第1篇

本文阐述了二维视距模型的计算方法, 给出了视距三角形尺寸的确定方法, 并根据不同类型交叉口的特征, 提出了视距安全评价方法。同时针对泰州具体交叉口展开调查, 利用视距三角形对其展开评价, 根据对交叉口视距的评价结果, 对视距不足的交叉口采取相应的措施来保障交叉口处的视距以提高交叉口的安全性。

1 二维停车视距模型及其计算方法

根据汽车行驶规律可知汽车在道路上行驶时停车过程大体可以如图1所示[2]。

根据图1可建立相应的停车视距模型, 在视距模型中, S1为反应距离, 是指驾驶员从发现障碍物到采取停车措施这一段时间内汽车所行驶的距离。S2为制动距离, 是指驾驶员采取制动措施到汽车完全停止这段时间内汽车行驶的距离。S3为安全距离, 是指汽车完全停止后与障碍物之间的安全距离, 这段距离通常取3~5 m。

根据运动学公式:

上述二维视距模型是道路停车视距的计算方法, 在不同类型的道路交叉口, 具体的视距模型与参数的取值都是不同的, 需要根据交叉口的类型而定。

2 交叉口的视距评价方法

2.1 视距三角形

视距三角形尺寸的计算主要取决于道路的设计速度及交叉口的控制类型, 具体的计算步骤如下[2,3]:

(1) 计算停车视距ST;

(2) 找出行车最危险冲突点, 在十字交叉路口, 右侧第一条与靠中心线的第一条的交叉点为最危险冲突点;在T形、X形交叉口, 直行线右侧第一条与靠中心线左转车道交叉点为最危险冲突点;

(3) 从最危险冲突点分别向后沿行车轨迹线各量取停车视距ST;

(4) 连接3个点构成视距三角形。

2.2 道路交叉口的视距评价

根据交通控制类型的不同, 可以将交叉口分为无优先交叉口、信号控制交叉口和主路优先交叉口, 不同类型的交叉口所需的视距是不同的。

2.2.1 无优先交叉口

无优先交叉口, 相互交叉的道路之间不存在先行和让行关系, 即当存在潜在交通冲突时, 都不会减速为零, 因此, 无优先道路交叉口的视距取决于车辆行驶至交叉口时的速度。不同的车辆行驶速度需要的视距是不同的, 具体数值如表1所示。

在无优先道路交叉口, 视距应该符合表1要求, 否则, 需要对交叉口采取视距保障措施来确保交叉口的安全。

2.2.2 有信号控制的交叉口

有信号控制的交叉口, 车辆行驶顺序明确, 在交叉口处的行驶速度低, 且车辆之间的直接冲突少。因此, 对于有信号控制的交叉口, 其对视距的要求相对较低, 只要保证任一车道的第一辆车能看到其他车道的第一辆车即可。

注:在道路设计中, 应该尽量满足停车视距, 如果受外界条件限制, 无法满足停车视距, 则至少需要满足安全视距。

2.2.3 主路优先交叉口

主路优先交叉口是指在道路通行时遵循主路优先通行的原则, 并对次路采取让行控制措施, 本次提出了次路转弯沿主路视距和主路转弯沿次路视距计算方式, 具体如下:

(1) 次路转弯沿主路视距计算公式如下:

式中:ISD为交叉口沿主路视距;v为转弯车辆行驶速度;t为次路转弯所能接受的主路来车的临界时间间隙。

(2) 主路转弯沿次路视距计算公式如下:

式中:S为交叉口沿次路视距;V为次路路段行驶速度;a为次路减速度, 取a=3.0 m/s2;t为识别时间, 取t=2 s。

综上, 为不同交通控制方式下的视距评价方式, 原则上在视距三角形范围内驾驶员的视距应该不受障碍物的阻碍, 对于评价方式中参数的取值要根据不同控制类型的交叉口而定。在特殊的情况下, 需要对交叉口的视距值进行修正, 对于条件限制无法满足停车视距的交叉口, 至少需要满足安全视距值。

3 实例分析

3.1 某学院东门交叉口视距评价

某学院与春晖路交叉口, 属于主路优先交叉口, 南北走向春晖路属于主路, 拥有优先通行权, 道路设计时速60 km/h, 车辆计算速度取设计时速的90%, 为了偏安全考虑, 车辆计算速度取55 km/h。而通往学校的道路属于次路, 需要在交叉口处采取让行措施, 次路车辆在出行时, 由于受到减速带的影响, 因此出校门时的速度取10 km/h。交叉口示意图如图2所示:

根据上文的公式和计算方法可知:

次路车辆左转和右转最不利情况下次路所需的视距:

上述交叉口为T型交叉口, 根据上述计算结果, 从行车最危险冲突点向后量取所在路段所需的停车视距, 构成视距三角形如图3所示:

由ISD计算结果和视距三角形示意图可知, 次路车辆左转和右转所需的最小视距分别为192 m和175 m, 同时, 在视距三角形范围内驾驶员的视距应该不受障碍物的阻碍, 但是, 经过对交叉口的现场调查, 发现交叉口处交通状况如图4所示:

对比视距三角形示意图及交叉口现场状况, 可知平面交叉口能够满足主路和次路转弯所需的视距, 但是在视距三角形范围内存在障碍物阻碍驾驶员视线, 障碍物主要为违规停放的三轮车, 因此, 某学院东门道路交叉口视距不符合视距安全的要求, 应该加强安全保障措施来改善交叉口视距, 提高交叉口的通行安全性。

3.2 交叉口视距保障

综上, 为了保证道路交叉口的交通安全, 应该着力解决交叉口视距的问题, 对于存在视距障碍的交叉口, 可以采用拆除视距三角形内障碍物、清理通视三角区内的植被、控制行车速度以及在交叉口处设置鸣喇叭标志或设置交通凸面镜。

4 结语

交叉口视距不良一直是引起交叉口事故的重要因素之一, 因此改善交叉口视距对于交叉口安全性的提高具有重要意义, 本文针对不同类型的交叉口给出了其视距评价方法, 并利用视距三角形对泰州具体交叉口展开视距安全评价, 提出了改善措施。

摘要：平面交叉口是整个道路网中安全较为薄弱的环节, 每条车道都应该能为驾驶员提供足够的视距来保证行车的安全。针对于交叉口视距评价问题, 文章阐述了二维停车视距模型和模型的计算方法, 给出了不同类型交叉口处的视距评价方法, 并利用视距三角形对泰州某些具体交叉口展开视距安全评价, 提出了改善措施, 可为保障交叉口视距和提高交叉口安全性提供参考。

关键词：交叉口,视距模型,视距三角形,评价方法

参考文献

[1]唐峥峥, 张铁军, 何勇.道路交通安全评价[M].北京:人民交通出版社, 2008.

[2]翟艺扬.公路视距安全评价技术研究[D].西安:长安大学, 2008.

安全视距 第2篇

1 基于停车视距的限制车速计算

由于高速公路路段车流呈车队形式,因此可从跟车状态来计算雨天车辆行驶所需的安全停车距离,获得相应的控制车速。

驾驶员通过对本车和前车速度差及加速度差的判断来决定刹车的必要性。如图1所示,一般情况下,驾驶员发现前面车辆时,前车速度小于本车且处于制动状态,此时后车停车所需的安全距离满足(1)式。

L1+L2+L安≤Lv+L3 (1)

由于车辆故障、轮胎损坏、抛锚、货物洒落及事故等原因,前方物体的速度为零,车流中出现严重的速度差,后车必须进行紧急制动,此时后车停车所需的安全距离满足(2)式。

L1+L2+L安≤Lv (2)

各参数定义如下:L1—车辆识别时间t1内的行驶距离;t1—车辆识别时间,即驾驶员见到前方车辆或障碍物后,在意识到应进行紧急制动的感觉反应时间和右脚从加速踏板移开到踩制动踏板的行动反应时间。t1因人而异,并受到环境、道路条件等一系列因素的影响,对95%的驾驶员来说,t1取2.5s已足够;L2—车辆制动时间t2内的行驶距离;t2—车辆制动时间,即制动器起作用到车完全停止所需要的时间;L3—前车在t1+t2时间内行驶的距离;Lv—路段的可视距离;L安—安全距离,一般为5～10m。

考虑前车静止情况,计算雨天安全行车的控制车速为(3)式。

L1+L2+L安+L前车≤Lv (3)

2 雨天路面附着系数

2.1 水膜厚度与降雨强度的关系

水膜厚度与降雨强度关系如(4)式[3]。

h=0.1258·l0.6715·i-0.3147·TD0.7261·q0.7786 (4)

其中l为坡长(m),i为坡度,q为降雨强度(mm/min);TD为构造深度(mm)。

根据此式,可得到对应不同水膜厚度、不同坡长、不同坡度、不同构造深度下的降雨强度如表1。

2.2 水膜厚度与小车附着系数的关系式

研究表明不同水膜厚度下小车(子午线轮胎185/70R13)附着系数与行驶速度关系如(5)式[4]。

f=0.9458-0.0057V-0.0118h (5)

根据(5)式算得不同水膜厚度下的附着系数见表2[5]。

3 基于AASHTO停车视距模型的限制车速计算

根据AASHTO停车视距模型,(3)式可转化为(6)式[6]。

$0.694\text{v}+\frac{\text{v}{}^2}{254(\text{f}-\text{i})}+\text{L}{}_{\text{前}\text{车}}+\text{L}$安≤Lv (6)

式中v为初速度,i为坡度,f为摩阻系数,L安、L车均取为5m。对于高速公路一般取i≤0.03(平原丘陵地形高速公路最大纵坡为3%),则将表1、表2数据代入式(6)得出限制车速如表3。

根据表3结果可知,坡度对车速的影响不是很大,为安全起见,取坡度为0.03时的计算结果作为不同水膜厚度不同能见度下的最终限制车速。将不同水膜厚度下的能见度与速度关系运用最小二乘法进行拟和,得到结果如图2所示。

由图2可得:

(1)限制车速的下降速率在能见度较低时较快,在能见度较高时较慢。

无论水膜厚度的大小,随着能见度的降低,限制车速的下降速率在能见度较低时较快,在能见度较高时较慢。可得当能见度从150m下降至100m时,车速要求下降为15km/h左右;当能见度从100m下降至50m时,车速要求下降约为30km/h,这说明在能见度低时,车速的高低对道路安全的影响较大,进行车速限制对提高行车安全具有重要的作用。

(2)随着水膜厚度的增加,相同能见度下的限制车速值略有减小。

可以看到,水膜厚度10.0mm的曲线位于厚度2.5mm曲线的下方。能见度50m下(限速40km/h),水膜厚度从2.5mm增加到10.0mm时,引起的车速变化为1km/h左右;能见度100m下(限速70km/h),水膜厚度变动引起车速的变化约为3km/h。这说明在水膜厚度变化相同的情况下,车速的减小量随着能见度的增加而增加。

*注:以上按照车辆不完全滑水情况下的附着系数计算。不考虑水的粘性作用,运用能量守恒原理得车辆发生动力滑水时的临界速度:$\text{V}=6.35\sqrt{\text{p}}$,我国比较常见的桑塔纳轿车的轮胎气压为250kPa,所以滑水临界速度在100km/h左右。

4 雨天高速公路管理措施

以湖北省黄黄高速公路为例,该公路地处平原微丘带,为双向四车道,计算行车速度100km/h,最大纵坡为3%。据2000～2007年事故统计表明:雨天行车的事故发生率是晴天的5.2倍,因此有进行雨天交通管制的必要。综和表3与图2,为保证雨天的交通安全,相应的控制措施可制定如表4。

5 结论

本文针对雨天低能见度及路面附着系数减小的情况,根据基于AASHTO停车视距模型的安全车速计算,考虑水膜的厚度,得出雨天的交通管理措施。但在实际使用时,由于降雨强度变动较快,同时能见度及路面附着系数变化(水膜厚度发生变化)较快,因此相应检测设备需要适时检测相关信息,并及时通过广播和可变信息板将交通管理信息及时发布给交通出行者,以确保行车安全。

参考文献

[1]陈江涛.高速公路停车视距分析[J].湖南交通科技,2005,31(2):128-132.

[2]William H.Levison,Alvah C.Bittner Jr.,Steven J.Hunn.Com-putational techniques used in the driver performance model of theinteractive highway safety design model.80th TRB Annual MeetingPaper No.01-2187.

[3]季天剑,黄晓明,牛清泉,等.道路表面水膜厚度预测模型[J].交通运输工程学报,2004,4(3):15-19.

安全视距 第3篇

关键词：NLOS,UWB,定位算法,最大似然估计,TOA

0 前言

当前所应用的UWB传感器网络定位系统中, 测电磁波到达时差值 ( TDOA) 和测电磁波到达时间值 ( TOA) 相对易于得到, 基于TDOA和TOA的定位方法具有较好的定位性能, 故对UWB传感器网络定位系统的定位多是集中在这两种基于测距的定位技术上, 但是, 在很多的实际应用中, 由于测量数据会受到非视距传播 ( NLOS) 的影响, 从而导致定位方程的求解往往会产生很大的误差, 甚至得不到定位目标的坐标值, 定位系统的性能将会受到很大挑战[1〗。

处理非视距 ( NLOS) 传播影响信号测量的准确性的问题, TOA方法能更好地降低NLOS所造成的误差的影响。目前, 经典的TOA定位方法有文献[2] 的LLOP ( Linear Line of Position) 方法, 它将3 个圆相交转化为2 条相交线相交, 通过多次测量求解, 得到多个测量交点, 并求出它们的质心以确定目标的位置, 此方法至少需要三个基站。另外, 文献[3] 提出的RSA ( Range Scaling Algorithm) 方法, 它利用尺度因子表示与真实距离的接近程度, 虽然定位精度有很大改善, 但仍不能满足要求。文献[4] 提出了一种精度较高的两步最大似然 ( ML) TDOA估计方法, 但它是在非视距 ( NLOS) 传播干扰影响较严重时不是很有效。目前, 在多径传播环境中, 一般将所能分离出来的多径支路中最早到达接收机的支路的传输时延作为信号的TOA。由于上述的一系列算法都没有考虑NLOS传播干扰对定位的影响, 在NLOS干扰严重时, 这些算法均会失效。因此, 本文提出了一种考虑NLOS传播的UWB定位算法。

1 不考虑NLOS的UWB定位算法

如图1 所示, 在三维空间中分布着M个锚点, 从目标节点 ( x, y, z) 发射的信号到达第i个锚点的TOA为Ti, 在多径环境下, Ti为信号最早到达锚点的支路的传输延时, 它可以通过采用扩展Kalman滤波器[5]或其它方法估计得到, 因此, 在视距传播时有:

式中:ki=xi2+y2i+z2i

上面式 (2) 中, 为电磁波的传播速度。令R=x2+y2+z2, 则式 (1) 可变换为:

在式 (3) 中, 令Za=[x, y, z]T, 则误差矢量为:

如果将真实值表示为: r10, r20, …, rM0测量值表示为: r1, r2, …, rM, 则ri= ri0+ cΔTi, 误差矢量表示为:

用最大似然法对式 ( 4) 进行估计可得:

在式 ( 7) 中, Q为估计噪声的协方差矩阵, B在估计时为未知数, 可先用测量值r1, r2, …, rM代替r10, r20, …, rM0估计出一个初始坐标值, 然后用此初始解算出对应的BB, 再将由式 ( 7) 求出 Ø代入式 ( 6) 求出更精确的解。如上进行迭代, 知道得到与实际值足够逼近的估计值。

对应Za的协方差矩阵为:

上面的情况是在假设x, y, z, R无关的情况下求解的, 但是在实际应用中它们之间是有一定关系的, 下面我们将结合这种关系进行更好的估计。假设x, y, z, R的估计误差分别为e1, e2, e3, e4, 则有:

将 ( 10) 式代入 ( 9) 式, 可得:

式 ( 11) 是e1, e2, e3在非常小的情况下获得的, 此时 φ'的协方差矩阵为:

其中: B' = diag { x0, y0, z0, 0. 5} , B'元素可用Za中元素x, y, z的近似值得到, 类似地, zp的最大似然估计为:

最后估计位置为为:, 正负号与Za对应符号一致。

2 考虑NLOS影响的TOA算法

在实际应用中, 如在变电站安全区域三维定位系统中, 由于变电站内电器设备密集区内障碍物较多, 从目标节点到锚点发出的信号, 往往不能直接到达, 而是要通过反射或穿透, 其测试路径距离必然比直射路径长, 如仍用上述方法计算, 所引起的误差可能会超出接收的范围, 此时必须考虑NLOS传播对定位精度的影响。当存在NLOS传播时, 上面式 ( 3) 变为:

在式 ( 14) 加入松弛变量, 可变为等式:

显然, 在式 ( 15) 组成的方程组中有M + 4个未知数, 因此, 这是个不定方程组。若任采用前面所使用的最大似然估计法进行求解, 必然会使得系数矩阵奇异。在此我们只考虑将其中的个松弛变量作为未知量, 将剩下的4 个松弛变量作为已知, 于是有:

令Za=[x, y, z, R, v1, v2, …, vM-4]T, 则误差矢量为:

其中:

用最大似然法对式 ( 17) 估计得:

Q为估计噪声的协方差矩阵, 在实际应用中, 可将不考虑NLOS干扰的TOA算法估计出的一组值作为式 ( 19) 中的初值, 然后运用重复迭代法获得更高精度的值。显然, 由上面所计算Za的是一个关于vM - 3, vM - 2, vM - 1的函数, Za可分解为:

由于v1, v2, …, vM-4都可以表示为关于vM-3, vM-2, vM-1, vM的函数, 所以方程组 (15) 中的限制条件0≤vi≤r2i可转化为:

其中:C'=C (5:M, 1:3) , Z'ac=Zac (5:M, 1:3)

大部分情况下, 式 (21) 所定义的解空间范围比较大, 从而导致解空间中一些解与目标节点的真实值相差很大, 因此我们需要在此解空间中找到最大程度的与目标位置接近的解。假设上面不考虑NLOS传播时计算出的目标节点为 (x', y', z') , 则此问题可转化为一求最优解的问题:

对式 (22) 的最优化问题求解, 然后将其解代入式 (20) 求出Za及其协方差矩阵

同样, x, y, z, R在实际应用中它们之间是有一定关系的, 下面我们将结合这种关系进行估计。假设x, y, z, R的估计误差分别为e1, e2, e3, e4, 则有

将式 (24) 代入式 (25) , 可得

上式在e1, e2, e3非常小时成立, 则此时 φ'的协方差矩阵为:

其中:B'=diag{x0, y0, z0, 0.5}, P=cov (Za) (1:4, 1:4)

则类似地, Zp的最大似然估计为:

最后估计位置为, 正负号与Za对应符号一致。

3 结束语

本文在原有的最大似然估计目标节点位置的基础长, 引入了松弛变量, 采用迭代计算的方式进行计算, 消除了NLOS传播对定位算法精度的影响, 此中算法结构简单, 计算量不大, 易于实现, 对于类似于变电站电器设备密集区一样复杂的环境, 可以实现更精确的定位, 具有很强的理论和实践意义。

参考文献

[1]陈健, 卓永宁.一种基于TOA的定位优化算法[J].无线电通信技术, 2010, 36 (4) :52-54

[2]CAFFERY J.A new approach to the geometry of TOA location[C].IEEE VTC2000 Fall September 24-28, Boston, USA, 2000:1943-1949.

[3]HUANG Y T.An Efficient Linear-correction Lesat-squares Approach to Source Localization[C].IEEE Workshop on the Applications of Sjgllal Processing to Audio and Acoustics, 2001:67-70.

[4]SMITH J O, ABEL J S.Closed-form least-squares source location estimation from range difference measurement[J].IEEE Trans Acoust SApeech, Signal Processing, 1987, ASSP-35 (12) :1661-1669

安全视距 第4篇

随着无线通信、微电子、传感器等技术以及分布式信息处理技术的高速发展,无线传感器网络领域已经成为研究热点[1]。而无线定位技术作为无线传感器网络的重要组成部分也得到了越来越多的关注。传感器节点自身的位置不仅可以标定网络采集的数据来源,还可以辅助网络实现目标跟踪、高效路由以及进行网络管理等用途。因此研究无线传感器网络定位技术具有积极的理论意义和广泛的应用价值。

截至目前,无线传感器网络定位研究已广泛开展并取得了许多研究成果,但仍存在着一些没有被解决或被发现的问题,目前最为关键的问题仍然是WSN节点的能耗问题[2]。采用CSS的定位技术使用双边双向测距(SDS-TWR)方法,其能够较好地抑制晶振的漂移,目前室内外定位精度均在3 m之内[3],具有良好的应用前景。本文在学习和分析现有的定位技术和定位算法后,给出了基于CSS技术的无线定位系统,并在算法上立足于抑制无线定位中普遍存在的非视距误差,最终给出了定位算法的实验测试结果。

1 无线定位算法及其仿真

实时定位系统模型由N(N≥3)个固定基站和需定位的未知标签节点组成。设基站的位置坐标为θi(xi,yi),i=1,2,…,N,未知标签位置坐标为θs(xs,ys)。利用基于飞行时间(TOF)的测距手段可得到未知标签与各基站的距离为di,i=1,2,…,N,所有样本满足约束方程:

式中:hi(θs)为标签与基站i的空间高斯距离;vi为独立同分布(IID)测量误差。实际测量误差vi通常包含系统测量随机噪声和非视距引起的有偏误差。本节讨论测量误差的假设是其具有测量高斯白噪声和非视距偏差两者混合概率密度(PDF)。

1.1 非视距下稳健定位算法

M估计使用关于残差的特殊惩罚函数ρ(v)而不是如最小二乘法中的平方函数关系;该设计降低了由NLOS扰动引起的大残差对参数估计的有害影响[4]。M估计可由最小化代价函数给出。转折点参数太小会导致在高斯噪声情况下损失精度甚至当污染率ε增加时会导致收敛性问题。相反,如果转折点参数选择太大,则在NLOS环境中会失去鲁棒性。M估计利用特定评价函数来计算位置估计的流程算法如下所述,该方法选择加权最小二乘法估计量来更新权重:

步骤1:初始化起始点以及迭代次数l=0;

步骤2:估计残差

步骤3:计算δG=1.483⋅mad(v),其中

步骤4:估计其中

步骤5:检查收敛条件(α为指定的精度)或者迭代次数l<Ct(Ct为最大迭代次数);如不满足则l=l+1,进入步骤2。

由于非参数算法是建立在误差的概率密度函数不可知的前提下,所以必须利用自身样本计算得出的残差并结合非参数核估计误差概率密度,最终利用最大似然得到估算值。半参数化概率密度估计正好结合了参数化方法和非参数化方法的优点,它在数据分布具有一定先验知识的基础上,通过非参数化方法对参数化概率密度估计进行修正,达到提高概率密度估计精度的目的[5]。

1.2 算法仿真

为了验证理论算法,设置实时定位系统如图1 所示,在二维平面内一个移动标签节点周围配置10 个固定基站。基站的部署坐标如表1 所示,所有坐标均在300 m×300 m的区域内。标签的x轴和y轴的每次蒙特卡罗仿真均匀分布在100~200 m之间,其移动范围为图1中正方形阴影区域。

实时定位系统的仿真环境需设置为视距和非视距混合的环境,在仿真中非视距噪声H(v)定义为有偏高斯分布,则噪声概率密度函数为:

m

为了评价各算法的实际表现,使用大规模的蒙特卡罗方法[6],仿真参数如表2 所示。所有迭代算法的收敛精度条件和迭代次数的限制均满足表2 中的设置。

最小二乘法、加权最小二乘法、M估计、最小中值算法、非参数估计、半参数估计以及克拉美罗下限的仿真结果如图2 所示。

当非视距污染率 ε = 0,即测距在视距情况下进行时,所有算法位置估计的误差均逼近克拉美罗下限。最小二乘法和加权最小二乘法估计随着 ε 的增加迅速偏离克拉美罗下限,因为两者都不能适应非对称的非视距噪声模型。当 ε 较小时加权最小二乘法比最小二乘法表现更优,加权最小二乘法利用测距距离加权能够抑制部分异常点。最小中值算法得到 ε =0.3时只损失较小的定位精度,但当 ε =0.5时最小中值误差较大,其原因在于中值算法的临界点为样本中异常点的密度为50%。M估计方法比较依赖于转折点的选择,当非视距污染率 ε 增加时转折点无法适应噪声模型,故而失去鲁棒性,误差较大。

非参数估计方法的整体误差较小,该方法利用自身残差估计噪声概率密度而不是经验或理论间的估计,具有较强的鲁棒性。本文提出的半参数回归方法具有较好的整体性能,但当 ε 较小时误差相对于其他算法较大。

1.3 算法改进

未加权的半参数回归方法不是全局最优的,当非视距污染率 ε 较小时该算法相比其他稳健估计误差较大。而最小中值算法在 ε 较小时只损失较小的定位精度。可以将最小中值算法的权重引入到半参数估计中,从而改善污染率较小情况下的表现。此外还需考虑 ε =0.5 平衡点。加权的非参数方法达到了全局最优。当非视距污染率较小时该算法能贴近克拉美罗下限估计,而当 ε =0.5 时该算法与未加权的半参数算法表现一致。

为了检验稳健算法在其他误差概率密度的表现,在仿真中非视距噪声H(v)定义为瑞利分布,则噪声概率密度函数为:

仿真中定义 σNLOS=50 m并设置单周期内采样次数K = 5,仿真结果如图3 所示。本节提出的加权半参数估计依然具有较强的鲁棒性,其在所有算法里表现最好。结合非视距噪声,从有偏高斯分布和瑞利分布的仿真结果中可以看到本文提出的算法能够在非视距污染率较低(<10%)时与传统方法表现一致,而且在非视距污染率较高(>40%)时也有较强的鲁棒性。

2 基于CSS技术的无线定位系统设计

2.1 硬件设计

本系统的硬件设计框图如图4 所示,该系统以ATmega1280 单片机和Nano PAN5375 模块为核心,满足了无线传感器节点的通信和测距功能需求。为了进一步获得实时性和稳定性,在单片机内部扩展实时时钟、E2PROM掉电存储、SRAM和FLASH存储等功能[6],片外拓展JTAG调试接口、RS 485通信接口、SHT10传感器接口以及外部复位看门狗。单片机软件层为IEEE 802.15.4a协议栈,其主要任务是负责射频模块、通信模块和传感器模块等的硬件驱动。无线通信测距Nano PAN5375 模块内部核心为NA5TR1 芯片,射频模块内部集成带通滤波器和Balun等电路,并采用高增益棒状天线射频通信。ATmega1280 单片机与射频模块之间采用SPI总线和中断方式通信,由于两者的电源供电电压不同,故在设计上通过电平转换Buffer缓存。

2.2 架构设计

单向双边(TWR)和双向双边(SDS-TWR)测距算法为nano LOC射频芯片采用,这两种算法不需要节点间时钟同步且能够抑制节点时钟漂移等问题,提高了测距精度[7]。令应答时间reply Bt满足N(400,10 000)和N(1 000,40 000)时间的高斯分布,统计晶振的漂移为10 ppm,20 ppm,30 ppm下的误差,对称双边双向测距算法在市场上晶振精度比较容易达到20 ppm的情况下,仿真结果表明理论误差在1 m之内。

Nano LOC驱动采用IEEE 802.15.4a协议[8],该架构应用层通过上行函数APPCallback解析,包括测距请求确认、测距数据确认和测距完成等数据包,该函数的主要任务是完成测距数据包应答和上层的距离滤波算法;物理层通过PDSap函数接收应用层发送的数据包,主要完成测距执行请求、测距数据请求、测距中间过程如回复1 和回复2 阶段执行等功能。PLMESap函数接收应用层发送的配置信息,设置包括射频通信信道、输出功率、硬件应答功能、带宽、FEC功能、工作模式和MAC匹配地址等。此外,回调函数PDCallback接收硬件适配层的信息,完成CRC校验、数据有效校验和配置硬件收发寄存器等功能;该架构采用基于ATmega1280 单片机的硬件适配层,硬件上采用SPI总线、中断和复位等方式与Nano LOC芯片通信。

3 定位系统及算法测试

3.1 测距测试

节点测距测试主要流程如下:基站与标签之间通信数据后,基站按照协议打包发送至测试计算机,上传数据主要包含测距值、场强值、标签地址、基站地址和通信状态,帧的起始以“#”开始,所有测量值之间以“:”分隔。数据帧中场强信息被量化为无符号型6位二进制整数即数值范围为0~63,通信状态分为正常状态0 和通信错误状态1。测试计算机采用C#语言对底层串口Serialport类进行二次开发完成数据协议解析,并完成数据库数据录入。

本文设计的无线节点采用全向5 d Bi增益棒状天线,模块的发射功率均为20 d Bm,考虑到垂直于棒状天线的方向辐射最强,因此本节所有的测试基站和标签的天线都垂直安装。标签和基站均安装在高度为1.4 m的三脚架上,测试计算机为笔记本电脑。测试条件为空旷的室外且节点通信为视距情况下,测试时天气温度为3 ℃,相对湿度28%,微风,天气晴朗。测试结果关键数据如表3 所示,每个测试点的数据均为测距100 次的平均值。

室外视距下的测试图见图5。通过曲线可以看到节点在视距情况下通信,测距的值普遍大于真实值,而且随着距离的增大误差逐渐增加,如当距离为50 m时误差达到4 m。另外场强在距离比较小的情况下衰减比较明显,而当通信距离大于5 m之后衰减比较平缓。该测试部署中,节点间距离大于50 m后,测距会有明显的丢包且测距误差偏差较大。另外,由图5 可知,采用基于飞行时间的测距方法与以场强衰弱为模型的测距相比,鲁棒性较强、精度更高。

3.2 定位测试

为了衡量节点在非视距条件下的表现,利用之前的测距实验节点部署重新测试[9],测试结果如图6 所示。通过图中视距距离、非视距距离与真实视距距离的对比可以得出:在视距情况下,节点的测距精度较高,误差都控制在3 m之内;而在有明显遮挡的非视距下测距结果明显偏大于真实值,随着测距距离的增加误差有增大的趋势,整体而言误差无明显分布规律。

室外测试选取在某处花园,该测试场景为典型非视距场景,场景中的石碑、树木和行人等会对测距及通信产生干扰。实验中共部署8 个基站,测试中标签的精确位置采用差分GPS来标定,差分GPS定位精度在2 cm左右(3D)。实验测试时天气温度为15 ℃、相对湿度30%、轻风、阴天。测试误差累积分布函数如图7 所示,关键统计数据如表4 所示。通过对比可以看到,加权半参数比最小二乘法的定位效果有显著提高,在累积分布函数80%的误差点的测距误差为1.35 m,而相比之下最小二乘法的误差为2.58 m,本文采用的算法精度提高近50%。加权半参数法的最大误差控制在4 m之内,而最小二乘法达到了9 m,定位效果的提高是比较明显的。总体来说,系统在采用本文提出的加权半参数算法后整体定位的误差基本控制在3 m之内,具有应用价值。

室内测试选取普通的室内环境,测试面积在960 cm×660 cm之内。该环境下如杂物、电脑、柜子等物体会对定位效果产生不利影响,且测试时节点间会存在非视距的传播。实验测试时共部署4 个基站,测试时标签与基站在同一高度,即测试是在二维平面上的定位。测试时随机选取一组测量数据,并绘制误差曲线如图8 所示。图中横坐标为测量点,纵坐标为定位绝对误差,可以看到大部分情况下本文采用的算法优于最小二乘法,最小二乘法的最大误差为2.5 m,而本文的算法误差在1.5 m左右。此外,最小二乘法的误差集中在1.5 m左右,而本文采用的算法误差控制在1 m之内,定位精度提高了50%左右。

mmm

4 结论

本文在借鉴和吸收现有的定位技术和定位算法基础上,结合实际应用给出了基于CSS技术的无线定位系统,并在算法上立足于抑制无线定位中普遍存在的非视距传播带来的影响。本文提出的基于半参数算法是针对测量误差的概率密度未知情况下的稳健算法,仿真结果表明,此算法在视距、非视距和混合环境中都有较强鲁棒性。建立基于CSS技术的无线定位系统,定位测试给出室内和室外两种情况,经验证,文中提出的无线定位系统以及非视距抑制算法均表现出较强的实用价值。文中设计的定位系统在室内定位测试中表现一般,还需提升。下一步工作主要考虑采用多传感器融合技术,如将基于飞升时间技术与场强定位技术相结合,从而使节点在近距离的测距值得到很大程度上的修正,优化最终的定位效果。

摘要：针对测量误差概率密度未知的情况,提出了基于半参数的非视距噪声抑制算法。在基于飞行时间的固定标签模型基础上,通过应用大规模蒙特卡罗方法将提出的算法和传统方法进行对比,仿真结果表明,当非视距误差为有偏高斯分布和瑞利分布时,提出的算法能够在非视距污染率较低时与传统方法表现一致,且在污染率较高时也有较强的鲁棒性。结合室内和室外定位的应用进行基站部署,对相应场合下的定位算法进行测试。测试结果表明,提出的算法能够比最小二乘法提高50%左右的定位精度,整体而言,系统定位能达到在可视环境1 m,非可视环境3 m的精度。

关键词：非视距抑制算法,实时定位系统,半参数法,双向双边测距算法

参考文献

[1]LIU D,LEE M C,PUN C M,et al.Analysis of wireless localization in nonline-of-sight conditions[J].IEEE transactions on vehicular technology,2013,62(4):1484-1492.

[2]OH D,KWAK M,CHONG J W.A subspace-based two-way ranging system using a chirp spread spectrum modem,robust to frequency offset[J].IEEE transactions on wireless communications,2012,11(4):1478-1487.

[3]彭宇,王丹.无线传感器网络定位技术综述[J].电子测量与仪器学报,2011,25(5):389-399.

[4]FENG Y,ZOUBIR A M.Robust positioning in NLOS environments using nonparametric adaptive kernel density estimation[C]//Proceedings of 2012 IEEE International Conference on Acoustics,Speech and Signal Processing.Kyoto:IEEE,2012:3517-3520.

[5]FENG Y,FRITSCHE C,GUSTAFSSON F,et al.TOA based robust wireless geolocation and Cramér-Rao lower bound analysis in harsh LOS/NLOS environments[J].IEEE transactions on signal processing,2013,61(9):2243-2255.

[6]WU S,LI J,LIU S.Improved localization algorithms based on reference selection of linear least squares in LOS and NLOS environments[J].Wireless personal communications,2013,68(1):187-200.

[7]CHEN H,WANG G,WANG Z,et al.Non-line-of-sight node localization based on semi-definite programming in wireless sensor networks[J].IEEE transactions on wireless communications,2012,11(1):108-116.

[8]吴超,吴明赞,李竹.基于电磁兼容的高速无线节点PCB设计与仿真[J].电子器件,2012,35(3):291-295.

安全视距 第5篇

LTE定位协议[1]中定义了3种定位方法:辅助全球导航卫星系统 (Assisted Global Navigation Satellite System, A-GNSS) 、增强型小区ID (Enhanced Cell ID, E-CID) 和可观测到达时间差 (Observed Time Difference of Arrival, OTDOA) 。OTDOA是LTE系统中使用最多的定位技术, 相比A-GNSS无需改动终端, 且较E-CID定位精度高。LTE协议规定, OTDOA技术中利用服务基站到终端的距离作为参考距离, 与其他基站的距离相减构成相应的双曲线模型实现终端定位。

Chan提出一种经典的OTDOA定位算法———Chan算法[2], 该算法在视距环境下定位精度高, 计算复杂度低, 但在非视距环境下, Chan算法定位精度将大大降低。为了消除NLOS误差的影响, Gentner C提出了基于粒子滤波器和卡尔曼滤波器的定位方法, 能实现对动态用户的跟踪和定位, 终端位置估计的均方根误差 (RMSE) 明显降低[3]。阎龙等提出一种适用于NLOS环境下的LTE终端迭代定位算法, 算法无需信道先验信息, 并可通过简单的分层细化来降低计算复杂度[4]。Yu K等提出了一种基于Taylor级数展开算法的二次线性规划算法来抑制NLOS误差的影响, 但计算复杂度较高[5]。周康磊等提出利用残差值对定位结果进行加权以降低NLOS误差的影响, 但计算复杂度高[6]。崔玮等提出利用高斯混合模型对含非视距误差的距离测量信息进行训练, 并结合残差加权算法来降低NLOS误差的影响[7]。赵军辉等将点到点的距离转化为点到线的距离估计, 但定位精度低[8]。Hara S等将摄动法引入终端定位算法中, 在NLOS环境下可有效提高定位精度, 但计算复杂度较高[9]。Kay S等基于最大似然估计算法提出一种新的最小加权二乘定位技术以消除NLOS误差带来的影响, 但OTDOA先验信息难以估计[10]。在实际中, OTDOA误差先验信息未知, 因此以上算法的应用存在局限性。为了解决这一问题, 本文提出一种抑制非视距误差的LTE终端分层协同定位算法。首先对非视距误差进行鉴别, 再根据残差加权法估计OTDOA值的先验信息, 从而改进Chan算法和Taylor级数展开算法, 将二者联合起来对LTE终端进行分层协同定位。在仿真中, 将两种经典定位算法与其改进算法以及本文所提出的分层协同定位算法进行了对比。仿真结果表明, HCLA算法能有效鉴别出含非视距误差传播的基站, 且其抑制非视距误差的能力强。

1 基于OTDOA的双曲线定位模型

设 (x, y) 为LTE终端坐标, (Xi, Yi) 为第i个基站的已知位置, LTE终端到各基站距离为

式中:i=1, 2, …, N, N为基站个数, 则

式中:c为电波传播速度;τi, 1为OTDOA测量值;Ri, 1为LTE终端到基站i和到服务基站1的距离差。将Ri2= (Ri, 1+R1) 2展开并化简得

式中:Ki=Xi2+Yi2, Xi, 1=Xi-X1, Yi, 1=Yi-Y1。

式 (2) 中由于NLOS误差的存在, 使得含非视距误差的基站所在双曲线远离真实位置, 形成一条新的双曲线, 如图1所示。

设基站3含NLOS误差, 其余基站均为LOS传播, 则由于非视距误差的影响, 将基站3所在双曲线H3推移至H3', 使得双曲线H2与H3'形成交点A, 以及H4与H3'形成交点B, 均远离LTE终端真实位置。因此, 有必要鉴别和抑制NLOS误差。

2 HCLA算法

2.1 非视距误差的鉴别

根据式 (2) , OTDOA残差[6]定义为

NLOS传播鉴别步骤如下:

1) 假设LTE终端和服务基站间为LOS传播, 其余基站中有一个是NLOS传播, 从N个基站中选取L (3≤L≤N) 个基站来定位, 共有CNL--11种组合 (每个组合必包括服务基站) ;

2) 每种基站组合分别计算出终端的估计位置作为其参考位置, 利用式 (4) 计算OTDOA的残差, 作为权值赋给组合内的每个基站;

3) 将每个基站从各个组合得到的权值相累加, 得到各基站的总权值;

4) 对每个基站的总权值排序, 总权值最大的基站即为含NLOS误差的基站。

2.2 非视距误差的抑制

2.2.1 残差加权算法

从式 (3) 中所构成的N-1个方程组中任选两个构成二元一次线性方程组, 求出每种基站组合下的LTE终端位置中间结果, 分别记为 (xk, yk) , k=1, 2, …, M, 其中M=C2N-1, 每种组合必含服务基站。如eNodB1, eNodeB2和eNodeB3组合, 得LTE终端位置 (x1, y1) 的矩阵表示形式

定义残差函数为

所有残差平方和为

对所有的 (xk, yk) 按下式加权得位置估计值

2.2.2 改进的Chan算法

在传统Chan算法中, OTDOA协方差矩阵通常假设为单位矩阵I, 对非视距误差没有抑制作用, 故在此提出将式 (8) 估计的初始值 (xRW, yRW) 代入式 (6) 得每个方程的残差, 令

其中, Q为OTDOA协方差矩阵。

从式 (3) 中求得的具有OTDOA测量噪声的误差矢量为

由Ri0=Ri0, 1+R10, 得噪声的误差矢量

式中:B=diag{R20, R30, …, RN0}, 噪声矢量n服从近似的正态分布, ⊙表示Schur乘积, 误差矢量ψ具有以下协方差矩阵

式中:Q为OTDOA协方差矩阵。假设Za中的各元素相互独立, 对Za进行第一次加权最小二乘 (WLS) 求解

Za的协方差矩阵为cov (Za) = (Ga0Tφ-1Ga0) -1。再利用x, y与R1的关系来改进定位估计, 重新构造误差矢量

ψ'的协方差矩阵为

式中:B'=diag{x0-X1, y0-Y1, R10}。

进行第二次WLS估计

最终LTE终端的定位计算结果为

在传统Chan算法中, 由于B未知, 利用Za= (GaTQ-1Ga) -1GaTQ-1h近似得到的Za来计算B所得出的结果误差很大, 故可利用式 (9) 给出的残差加权值函数矩阵来计算B。且式 (15) 中 (x0, y0) 可用初始值 (xRW, yRW) 近似代替, 这样便使Chan算法得到了改进。

2.2.3 改进的Taylor级数展开算法

传统的Taylor级数展开算法中, 由于Q未知, 可采用类似式 (9) 的方法来构造Q矩阵。

将式 (2) 进行泰勒级数展开, 可得误差矢量

采用WLS算法对式 (18) 求解得

式中:Q为OTDOA的协方差矩阵。Ri可由Ri2= (Xi-x) 2+ (Yi-y) 2中令x=x0, y=y0计算出。在下一次递归中, 令x'0=x0+Δx, y'0=y0+Δy。重复以上过程, 直到Δx和Δy足够小, 满足预先设定的一个门限值ε, 即

此时的 (x, y) 即为LTE终端位置估计值。

Taylor级数展开后是否收敛取决于初始值 (x0, y0) , 可将改进的Chan算法估计的结果 (xc, yc) 作为其初始值展开, 这样便得到改进的Taylor级数展开算法。

2.2.4 分层协同定位算法

为了更好地抑制非视距误差, 将改进的Chan算法和Taylor级数展开算法联合起来进行分层协同定位, 其流程如图2所示。

首先利用残差分析判决法对含NLOS误差的基站进行鉴别, 然后采用残差加权法估计Q矩阵和位置初值, 将Q矩阵和初值代入改进的Chan算法进行位置粗估计, 更新Q值, 再将粗估计值和更新的Q矩阵作为初始值代入Taylor级数展开算法中进行展开, 得OTDOA测量误差的局部LS解, 改进估计位置, 然后继续代入改进的Chan算法进行位置估计, 并更新Q矩阵, 进行第i次Taylor迭代, 直到OTDOA测量误差的局部LS解满足其设定的门限ε。

3 算法仿真及分析

为了检验HCLA算法的实际定位性能, 本文将HCLA算法和几种典型的定位算法在不同非视距误差、不同信道环境[11] (远郊, 郊区, 一般市区B, 一般市区A, 闹市区) 下进行仿真对比。假设LTE网络拓扑为经典的7基站, 正六边形蜂窝网结构, 小区半径为3 km, 收敛门限为1 m, OTDOA测量误差服从均值为零, 标准差为30 m的理想高斯分布, 非视距误差分别为确定值 (大小为视距传播距离的0～10%) 和服从COST259信道模型两种情况。其中一个基站 (非服务基站) 含非视距误差, 且所有基站均不提供OTDOA测量值先验信息。参与比较的算法为Chan算法、Taylor级数展开算法和残差加权算法, 改进的Chan算法, 改进的Taylor级数展开算法以及HCLA算法, 用均方根误差 (RMSE) 和误差累计分布 (CDF) 表示定位精度, 以上几种定位算法在NLOS误差传播环境下进行3 000次Monte-Carlo仿真。

非视距误差鉴别的仿真结果如图3所示。

从图3中可以清晰看出, 基站3的总加权值最大, 故判定基站3含NLOS误差, 与初始设定相符。

其次对各算法的定位性能进行仿真对比, 实验结果如图4和图5所示。

由图4可知, 当NLOS误差超过一定程度, HCLA算法的均方根误差最小, 且非视距误差越大, 越能有效地抑制非视距误差对LTE节点定位精度的影响。由图5可知, HCLA算法在70%的概率下定位精度为50 m左右, 在95%的概率下定位精度为100 m左右, 优于其他典型定位算法的定位精度。

最后对各个定位算法在不同信道环境下的定位性能进行仿真对比, 如图6所示。

从图6可以看出, 随信道环境的恶化, HCLA算法抑制NLOS误差的能力变得显著, 特别是在闹市区环境下。可见, HCLA算法在恶劣的信道环境下抑制NLOS误差的能力较强。

根据实验结果, 算法的定位精度和迭代次数对比结果分别如表1和表2所示。

%

注:算法1为Taylor算法, 算法2为改进的Taylor算法, 算法3为HCLA算法。

%

注:算法1为Taylor算法, 算法2为改进的Taylor算法, 算法3为HCLA算法。

由表1、2可知, HCLA算法达到门限值时所需迭代次数较大, 故与其他几种定位算法相比, 计算复杂度较高, 但其可以提高LTE终端的定位精度, 因此综合考虑计算复杂度与定位精度间的关系, 本改进算法具有更好的性能。

4 小结

本文对非视距误差的鉴别算法进行了改进, 同时提出了一种无需OTDOA误差先验信息的分层协同定位算法 (HCLA) , 先鉴别出含NLOS误差的基站, 再基于改进的Chan算法和Taylor级数展开算法对LTE终端位置进行分层协同定位。经过仿真分析, 本算法能准确鉴别出含非视距误差的基站, 且HCLA算法与几种典型的定位算法在同等条件下相比, 对NLOS误差的抑制能力更强, 定位精度更高, 具有实际的应用价值。

参考文献

[1]3GPP TS 36.355 v9.0.0, 3rd generation partnership project;technical specification group radio access network;E-UTRA;LTE positioning protocol[S].2009.

[2]CHAN Y T, HO K C.A simple and efficient estimator for hyperbolic location[J].IEEE Trans.Signal Processing, 1994, 42 (8) :1905-1915.

[3]GENTNER C, MUNOZ E, KHIDER M, et al.Particle filter based positioning with 3GPP-LTE in indoor environments[C]//Proc.Position Location and Navigation Symposium (PLANS) .Myrtle Beach, SC:IEEE Press, 2012:301-308.

[4]阎龙, 高泽华, 高峰, 等.一种适用于NLOS环境的LTE终端迭代定位算法[J].计算机应用研究, 2014, 31 (3) :876-878.

[5]YU K, GUO Y J.Improved positioning algorithms for non-line-ofsight environments[J].IEEE Trans.Vehicular Technology, 2008, 57 (4) :2342-2353.

[6]周康磊, 毛永毅.基于残差加权的Taylor级数展开TDOA无线定位算法[J].西安邮电学院学报, 2010 (3) :10-13.

[7]崔玮, 吴成东, 张云洲, 等.基于高斯混合模型的非视距定位算法[J].通信学报, 2014 (1) :99-106.

[8]赵军辉, 张雪雪, 曾龙基.提高NLOS环境下室内定位精度的新方法[J].北京邮电大学学报, 2012 (6) :38-43.

[9]HARA S, ANZAI D, YABU T, et al.A perturbation analysis on the performance of TOA and TDOA localization in mixed LOS/NLOS environments[J].IEEE Trans.Communications, 2013, 61 (2) :679-689.

[10]KAY S, VANKAYALAPATI N.Improvement of TDOA position fixing using the likelihood curvature[J].IEEE Trans.Signal Processing, 2013, 61 (8) :1910-1914.

安全视距 第6篇

判定反射面是否光滑是根据瑞利准则。首先, 用公式 (1) 来定义一个表面由于粗糙而凸起的高度hc:

其中兹c是入射射线与反射面之间的角度。如果物体凹凸不平的高度差驻h

通常用反射系数来描述微波反射能量的损失情况, 具体公式如下:

其中, R⊥、R∥分别为考虑了粗糙度影响的垂直极化和水平极化时的反射系数, 兹i为入射角, 着r为建筑物表面相对介电常数, 籽s为散射系数;滓h为表征反射面粗糙度的标准方差。

二、环境模型

针对一个具体的室内复杂环境进行建模仿真, 仿真信号频段选择移动通信频段2410 MHz, 环境模型和参考文献[1]保持一致, 该环境的平面结构图如图1所示。

模型长宽高分别为27.5m、1.6m、2.7m, 地板、天花板厚度均为0.3m。墙体厚度为0.2m。玻璃门厚度为0.03m。图1中发射天线距走廊左端1.5m。从发射天线开始设置接收天线组, 直至25m处结束, 天线间隔为0.05m, 共501个接收点。

三、仿真结果

接收功率是接收信号强度大小的表征, 决定着接收端是否能很好的接收信息, 是评价通信系统的一个重要参数。粗糙度为0、0.025、0.05三种情况下接收功率的分布图如图2所示:

四、结论

图2显示了视距传播模式 (LOS) 下, 接收功率在不同粗糙度的条件下伴随距离的变化情况。由图2可:知伴随着距离的增长, 接收功率逐步减小;且粗糙度越大, 接收功率减小的趋势越明显。这是由于考虑粗糙度, 使反射能量会发生减少, 多径信号减小, 从而影响接收功率。于此同时, 伴随着粗糙度的增加接收功率变化曲线也趋于平滑, 这从侧边说明了多径信号的减少。同时, 值得注意是同一个点的接收功率不一定会伴随着粗糙度的增加而减小。

摘要：本文基于入射及反弹射线法对视距传播模式下的信道电波传播特性进行研究。在不同粗糙度条件下, 针对接收功率的分布情况以及其特点进行了比较分析。仿真结果与文献已知结论一致性良好。

关键词：入射及反弹射线法,视距传播,接收功率

参考文献

[1]A.M.Hammoudeh, Millimetric wavelengths radio waves propagation for line of sight indoor microcellular mobile communications[J].IEEE transcations on vehicular technology, 1995, 44 (3) :449-460.

[2]宋铮, 张建华, 黄冶.天线与电波传播[M].西安:西安电子科技大学出版社, 2003

安全视距 第7篇

矿井目标 定位经历 了射频识 别 (Radio Frequency Identification,RFID)、电磁波测 距技术2个不同的阶段[1,2]。 早期的人 员定位系 统采用RFID技术,系统主要由读卡器和识别卡组成,其定位精度由2个相邻读卡器之间的距离决定。目前, 采用电磁波测距技术的矿井定位系统已逐渐成为主流产品[3,4,5]。电磁波测距定位技术通过测量目标节点到参考节点的距离,再根据参考节点的位置信息建立方程组,进而求得目标节点的位置信息。

电磁波测距 定位技术 主要包括 到达角度 (Angle of Arrival,AOA)、接收信号 强度 (Receive Signal Strength,RSSI)、到达时间 (Time of Arrival,TOA)、到达时间 差 (Time Difference of Arrival,TDOA)等。其中AOA技术硬件复杂,安装维护苛刻,目前煤矿井下定位系统没有采用AOA技术的产品。RSSI技术硬件组成最简单,但矿井电磁噪声干 扰会影响RSSI定位精度[6]。TOA和TDOA技术的基本原理是测量电磁波从目标节点到参考节点的传播时间,由此得到目标节点到参考节点的距离,在已知参考节点位置坐标的条件下,通过求解联立方程得到目标节点的位置[7,8,9]。将电磁波传播时间换算为距离,需要系统硬件有很强的处理能力。随着电子技术的飞速发展,芯片的处理能力有了快速提高,频率为百GHz级芯片的推出和应用,为基于TOA和TDOA的定位方法应用于煤矿井下提供了技术保障。

煤矿井下无线传输多径效应较严重,基于TOA测距方法应用于井下时面临的主要困难是对非视距传播时延进行鉴别和抑制。针对该问题,本文在分析非视距误差产生原因的基础上,提出一种能量检测非视距误差抑制方法。

1TOA测距原理

TOA技术通过测量2个(或多个)已知参考节点与目标节点之间的信号传播时间,分别得出目标节点与参考节点之间的估计距离,然后以各参考节点位置为圆心,以测得的估计距离为半径画圆,得到2个(或多个)圆,这些圆的交点从理论上讲就应该是目标节点的位置。至少要有3个参考节点才能准确得出目标节点的位置信息,如图1所示。

设各参考节点位置为(xi,yi),i=1,2,3,目标节点位置为(x,y),建立方程组:

式中:di为目标节点与各参考节点的距离;c为电磁波传播速度;ti为参考节点发射的定位测量信号到达目标节点的时间。

求解式 (1),即可计算 出目标节 点的位置 (x,y)。

TDOA技术通过测量电磁波在2个参考节点和目标节点之间到达时间的差值,建立2个方程,得出目标节点与参考节点之间的距离。

TOA和TDOA技术都需要求解方程组,定位精度最高。以TOA为例,在理想情况下,3个定位圆相交于一点,如图1中虚线所示。但当存在误差时,3个定位圆不能汇聚到一点,如图1中实线所 示,这时利用式(1)无法得到目标的唯一解。实际巷道出现误差是难免的,会出现定位圆不能汇聚到一点的情况,目标定位问题演变成求解方程组最小值的非线性规划问题。目前,求解非线性问题的主要位置估算方法[10,11]:1泰勒级数展开线性化最小二乘位置估计算法(TS-LS)。TS-LS是最基本的位置迭代估计算法,其简单、适用环境范围广,但需要迭代初值,初值选择不当容易陷入局部最小点,导致算法不收敛。2具有闭合解的Fang算法、球面相交SX算法、球面插值SI算法和Chan两步加权最小二乘最大似然位置估计算法。上述方法都希望测距误差尽可能小,使得位置估计精确度高。下面讨论井下巷道中基于到达时间测距方法误差产生的主要原因。

2非视距误差

在井下巷道中,电磁波直线传播的路径称为DP (Direct Path,直达路径)或LOS(Line of Sight,视距)。当有障碍物阻挡时,电磁波经反射到达接收端,为NLOS(Non Line of Sight,非视距)传播,由此给测量值 带来的误 差称为NLOS误差。NLOS对定位的影响如图1所示。对于基于到达时间的测距方法,无论是TOA还是TDOA,测距误差主要是由电磁波NLOS传播造成 的[12,13],因此需要 研究NLOS误差消除或减弱的方法。

NLOS传播情况下会对时间参数的估计带来很大误差。以TOA为例,设τi为目标节点和第i个参考节点之间的时间参数估计结果,则

式中:τi0为LOS情况下时间参数估计值;ni为系统误差;Ii为NLOS状态标志参量,当目标节点与参考节点i之间的LOS传播路径上存在障碍物时,Ii为1,否则为0;bi为障碍物引起的NLOS误差,其值恒为正。

由式(2)可看出,如果定位模块不经过任何处理就进行定位估计,会导致定位精度降低。因此在使用测距结果之前,需要对测距信道的NLOS状态进行鉴别,然后根据鉴别结果赋予各距离估计结果不同的权值,消减NLOS误差效应,以提高定位精度, 如图3所示,其中ri为来自基站i的测距接收信号, ^di为与基站i的距离估算结果。

对于基于到达时间定位方法,最有价值的时延参数是首达路径或DP对应的时间参数。为避免复杂的信道估计,以所选取的参考节点定位时间参数测量值为依据,研究一种从接收信号的输出采样信号中进行特征提取的NLOS鉴别方法,原理如图4所示。在1帧长度的输出采样中,仅截取一段信噪比足够高且包含NLOS信息的信号段,通过矿井巷道测量、统计得出DP的门限值和信号截取的时间段, 并在截取的信号段中提取DP和SP(Strongest Path) 的特征,构造相应的鉴别参量,鉴别出NLOS信号。

3能量检测非视距误差抑制方法

采用基于非信道估计的方式,直接对接收信号进行采样,依据定位时间参数测量值,提取特征参量进行NLOS鉴别。根据鉴别结果,结合相应的非视距误差统计模型,对数据进行加权,实现视距重构。

信号采样采用基于能量检测估计算法,其原理是将接收到的信号通过平方器后再进行积分采样, 以获得信号的能量采样序列。设积分周期为Tb,则1帧内能量块数为

式中:Tf为帧周期。

则第j个帧中,采样序列为

式中:r(t)为能量块。

由式(4)可看出,将1帧数据分为多个能量块进行采样,采样率明显降低,从而降低了复杂度。为使采样序列Yn更趋于统计特性,在多帧内采集能量,即

将能量采样序列与设定的门限值θ进行比较, 认为第1个超出门 限的能量 块为DP所在的采 样块,即

式中 :为DP到达目标节点的时间 ;为DP所在的能量块 。

由于DP所在的能量块门限与具体巷道的信道特性有关,所以选择门限时应充分考虑巷道的实际情况。门限θ的值依据能量采样的最大值和最小值计算:

式中 : θ norm为门限因子 。

不同信噪比、不同信道的门限值不同,需要在矿井巷道进行实地测量,以获得门限值的统计信息。

确定了DP所在的能量块之后,以DP的检测点为截取起点,截取接收信号,如图4所示。由于DP及峰值单径SP的幅值与NLOS有直接关系,因此截取的信号段需要同时包括DP和SP。截取长度根据特定信道环境下DP与SP的到达时间差δ 的统计结果来设定,因此需通过实测得到。

为确定DP门限θ 及DP与SP的到达时间差δ,在煤矿井下进行现场测试,测量原理如图5所示。

宽带脉冲发生器产生的脉冲信号经过宽带功率放大器放大,通过射频天线发出,信号经过矿井巷道传输信道后被接收天线接收,然后经宽带低噪放大器和平方器后由数字抽样进行抽样采集,被存入计算机进行统计分析,测定DP的门限值和截取信号段的时间;将测定值加入到NLOS鉴别算法中,重新进行测量,对测定值进行实验验证和修正,最终确定DP门限值和截取信号的长度后,构造NLOS鉴别参量。

在截取的接收信号中,选取DP与SP的相对能量乘积作为NLOS鉴别的参量:

式中:{sn}为截取信号的采样序列;{s1}为DP采样序列;N为截取信号中的能量块数。

当截取信号能量大于鉴别参量时,接收信号为视距信号,否则为非视距信号。

在不同的信道环境下,NLOS时延误差可认为服从指数分布、均匀分布或Delta分布,煤矿巷道的NLOS时延误差函数根据实地测量进行统计分析。

以指数分布为 例进行分 析。NLOS时延误差 分布:

式中:tnlos为NLOS情况下定位信号到达目标的时间;τrms为由信道环境决定的均方根时延扩展,为服从对数正态分布的随机变量,τrms=T1dεy,T1为d处时延扩展的中值,ε取值为0.5~1,y为一个标准差为σ 的对数正态分布随机变量,σ 取值由信道环境决定。

最后,根据实测得到的NLOS时延误差分布进行视距重构,即利用r′=ri-τ′ic重构近似LOS下距离测量值。采用N阶多项式对距离测量值ri进行平滑处理,最终得到较为精确的距离值。

4测距与定位误差分析

为了对提出的非视距误差抑制方法的性能进行评估,进行了实验测试。以一个相对封闭的楼道模拟矿井巷道环境,射频信号在楼道内传输时会存在反射、散射、墙壁吸收等情况,与电磁波在巷道内传输有很大的相似性,因此采用实验楼道模拟矿井巷道可行。实验场景配置如图6所示,实验楼道的长、 宽、高分别为30,4,4m,参考节点沿实验楼道的一侧线性部署,相邻参考节点的水平距离为8m。

采用基于能量检测非视距误差抑制的TOA定位方法对参考节点和目标节点之间的距离进行估 计,重复多次测量得到一组距离估计值。将该组距离估计值与参考节点和目标节点之间的实际距离进行比较,计算出相应的测距误差,得出测距误差的累积概率分布函数,如图7所示,可看出采用本文算法估算DP到达时间时,95%的测距误差小于1m,可达到较高的测距精度。

采用Matlab仿真软件对测距误差与定位误差之间的关系进行分析,结果如图8所示。可看出, LOS情况下测距误差的标准差为5.69cm,即方差 σ2=0.003 2时,定位误差为0.23m2;NLOS情况下测距误差的标准差为10.45cm,即方差σ2=0.011 0时,定位误差为0.65m2。可见基于TOA位置估算得益于TOA的精确测距。

5结论

(1)研究了基于到达时间方法在矿井目标定位中的应用,分析了基于到达时间方法的测距误差产生的原因,提出对于基于到达时间的测距定位,定位误差主要由电磁波非视距传播时延造成,提出了基于到达时间测距的矿井目标定位非视距鉴别方法。

(2)分析研究得出基于到达时间的矿井定位方法中的传输时延参数是由DP能量块的到达时间决定的,提出根据实测矿井巷道信道特征,统计分析得出DP的门限值和信号截取的时间长度,构造相应的鉴别参量,在截取的信号段中提取直达路径能量块的到达时间,以此鉴别出NLOS信号。