范涌高,周怡敏,張玉璽,閆宋錕,朱麗娜
(1.中國電子科技集團公司 第三十六研究所,浙江 嘉興 314000; 2.西安電子科技大學 通信工程學院,西安 710071)
復合定位系統(tǒng)技術是一種包含粗定位和高精定位在內(nèi)的技術,可以實現(xiàn)系統(tǒng)的精確定位功能,可以應用到通信、軍事、民生等各種領域。本文從礦井下的應用開展研究。
煤炭是我國重要的能源供給來源[1],但是煤炭資源很大部分都在地下[2],這就對開采增加了困難,尤其在我國,煤炭資源的開采大都需要以開井的方式來進行[3-5]。然而由于井下環(huán)境復雜,作業(yè)人員發(fā)生危險的可能性很大[6-8],因此,對井下作業(yè)人員進行實時的位置監(jiān)控,尤其是在發(fā)生礦難等特殊情況下的人員快速定位,是實現(xiàn)及時救援和人員管理的重要保障。然而,井下作業(yè)人員的位置持續(xù)在變化,這導致采集定位相關信息的過程中,位置信息的滯后性。而在這種移動環(huán)境中,會涉及到數(shù)據(jù)可用性和安全性等重要問題[9-11]。這對快速持續(xù)的定位提出了巨大的挑戰(zhàn)。
為了解決這個問題,目前已有了很多可參考的工作。為了實現(xiàn)多目標定位,有研究學者提出了一種基于時差定位的算法[12-15]。該算法需要先關聯(lián)目標,然后根據(jù)時間差定位多個目標。但是目標關聯(lián)所需的時延較高,無法滿足實時位置監(jiān)測的要求。尤其是發(fā)生礦難特殊狀態(tài)下,地下設備大概率損毀,這類方法很難實現(xiàn)對深埋地下的人員定位[16]。同時,此類方法的定位精度也與各數(shù)據(jù)收集節(jié)點的工作時間息息相關,因此若有數(shù)據(jù)采集節(jié)點出現(xiàn)了暫時的毀壞,定位精度會大打折扣。此外,在[17-19]中,廣泛使用了純方位定位技術,通過計算多個監(jiān)測節(jié)點采集到的目標的方位角來實現(xiàn)簡單的目標定位。此類方法更適合用于對靜止目標進行定位,在這種情況下可以獲得較高的定位精度。然而一旦目標開始移動,單純的使用純方位定位技術只能得到移動目標在上一時刻的位置,無法及時判斷出移動節(jié)點的位置。因此該方法雖然簡單,但是在復雜的移動環(huán)境下會出現(xiàn)定位出過多冗余節(jié)點、無法確保定位精度問題??偟膩碚f,研究設計一種可以預測移動目標位置的定位方法是實現(xiàn)實時監(jiān)控井下作業(yè)人員位置的重要前提。
在本文中,我們提出了一種井下復合定位系統(tǒng)框架。該方法包括粗定位和高精定位兩部。面向井下場景,首先,我們提出了一種基于層次聚類的粗定位方法,利用目標測向數(shù)據(jù),可以對目標進行范圍定位,給出目標所在范圍圈。第二部利用現(xiàn)有的高精度定位技術,在范圍內(nèi)高精度搜索,最終可以實現(xiàn)對目標的高精度定位。
本文的后續(xù)安排如下。第一部分介紹了基于層次聚類的粗定位方法。在第二部分,進行了綜合仿真以驗證所提出方法的有效性。最后,我們在第三部分總結了這項工作。
本文提出的井下復合定位系統(tǒng)框架重點面向井下人員和設備定位。該系統(tǒng)主要包括粗定位和高精定位兩步。
為了快速檢測井下人員或設備目標的位置,本文提出先對目標進行粗粒度的定位,即利用簡單的測向設備,采集目標的純方位測向信息,在此基礎上提出了一種基于層次聚類的粗定位方法,該方法支持對監(jiān)測節(jié)點采集到的信息進行檢測、關聯(lián)、組合和估計處理,實現(xiàn)信息融合和信息冗余并快速響應移動節(jié)點的變化。具體來說,我們首先使用純方位定位算法作為初始定位方法,記錄移動節(jié)點可能的位置。然后,基于復雜的監(jiān)測信息,我們再利用層次聚類算法來計算多個監(jiān)測點同時檢測到的移動節(jié)點的位置。通過這個粗定位方法,我們可以縮小定位范圍,從而降低高精度定位設備的使用數(shù)量,進而降低成本。
在粗粒度定位后,已經(jīng)獲取到目標的范圍信息,在該范圍內(nèi),進行高精度定位設備的使用,如能實現(xiàn)1米以內(nèi)精度的RFID定位、UWB等定位技術,進而可快速捕獲目標的高精度位置信息。
由于現(xiàn)有的高精度定位方法和設備已有較多研究成果[20-26],但當前的測向粗粒度定位方向,目前使用較多的還是交叉定位方法,具有定位出冗余節(jié)點、定位精度差等問題,因此本文提出了一種新的利用層次聚類技術實現(xiàn)粗定位的方法。
在本節(jié)中,我們將詳細介紹所提出的定位方法。首先,我們采用純方位定位算法作為初始定位方法,將可能的節(jié)點位置記錄在初始集合DI中。 然后,根據(jù)復雜的監(jiān)測信息(如節(jié)點數(shù)、起始頻率、終止頻率、頻率數(shù)、駐留時間、信號電平、方位角和置信度),計算DI中多個監(jiān)測節(jié)點同時檢測到的移動節(jié)點位置以獲取拓撲結構。該方法主要包括以下6個步驟,流程如圖1所示。
圖1 基于層次聚類的井下定位系統(tǒng)流程圖
1)場景初始化。假設有M個監(jiān)控節(jié)點和N個移動節(jié)點(即井下作業(yè)人員),它們的通信范圍都是r,監(jiān)測范圍為R。兩種類型的節(jié)點都隨機分布在該區(qū)域中。另外,每個監(jiān)控節(jié)點的位置是已知的和固定的,而每個移動節(jié)點的位置是未知的和變化的。然后,通過監(jiān)測節(jié)點收集移動節(jié)點的信息,為計算位置提供數(shù)據(jù)。供參考的節(jié)點分布如圖2所示。在這個場景中,我們綜合選擇M4作為控制中心處理信息。每個節(jié)點的定位方法都是一樣的。因此,我們引入以節(jié)點T為參考的井下定位系統(tǒng),它同時被M1和M2檢測到。
2)數(shù)據(jù)采集。監(jiān)測節(jié)點向M4上報T的監(jiān)測數(shù)據(jù),包括節(jié)點編號、起始頻率、終止頻率、頻率個數(shù)、駐留時間、信號電平、方位角、置信度等核心信息。
3)數(shù)據(jù)預處理??刂浦行腗4過濾出同時、同頻采集的數(shù)據(jù),再根據(jù)純方位定位算法簡單地計算出T的位置,并將結果記錄到中。具體計算原理如下。
圖2 節(jié)點分布情況
純方位定位算法主要是基于兩個監(jiān)測點的數(shù)據(jù),通過視線交匯得到交點位置,從而求得目標位置的方法。假設目標與監(jiān)測點在同一平面運動。純方位交匯定位算法原理如圖3所示。
圖3 純方位定位算法原理
首先建立二維坐標系,假設監(jiān)測點i、j的X軸指向方向為正東方向,Y軸指向方向為正北方向。兩個監(jiān)測點位置可由GPS測得,分別為(xi,yi)、(xj,yj)。兩個監(jiān)測點的距離即基線長度為Lij,基線與正東方向的夾角為βij,測得的目標方位角分別為αi,αj方位角區(qū)分正負:規(guī)定以正北方向為基準,順時針方向取正值,逆時針方向取負值。
分布式監(jiān)測點與目標的距離分別為Ri,Rj。由幾何關系有:
進一步可得:
由此可得,目標T的大地坐標:
4)層次聚類。在實際情況下,所采集的T的信息可能會出現(xiàn)延遲,這意味著僅根據(jù)純方位定位算法無法利用這些信息準確得到T的當前位置。因此,我們提出了一種基于層次聚類的位置預測方法,通過對現(xiàn)有完整數(shù)據(jù)和可能位置進行信息融合和冗余去除,提取關鍵信息并計算T的當前位置。然后將獲得的位置記錄到預測節(jié)點集DP中。
層次聚類算法分成凝聚的和分裂的兩種,取決于層次分解是以自底向上(合并)還是以自頂向下(分裂)方式形成。所謂從底而上地合并,就是每次找到距離最短的兩個簇,然后進行合并成一個大的簇,直到全部合并為一個簇,整個過程就是建立一個樹結構。而自頂向下的策略首先是將所有對象置于一個簇中,然后按照某種既定的規(guī)則逐漸細分為越來越小的簇(比如最大的歐式距離),直到達到某個終結條件(簇數(shù)目或者簇距離達到閾值)。
考慮到多個監(jiān)測節(jié)點采集到的信息都是分散的,若想要通過層次聚類獲得目標節(jié)點的位置信息,采用凝聚的層次聚類方法是可行的。凝聚的層次聚類方法使用自底向上的策略,假設N個對象,開始時每個對象自己是獨立的類,然后不斷合并成越來越大的類,直到所有的對象都在一個類中,或者滿足某個終止條件。合并過程中,找出兩個距離最近的類合并形成一個類,所以最多進行N次迭代即可將所有對象合并到一起。具體的層次聚類流程如下:
步驟一:輸入樣本集合D,聚類數(shù)目k或者某個條件(一般是樣本距離的閾值,這樣就可不設置聚類數(shù)目)。
步驟二:將樣本集D中的所有的樣本點ci都當做一個獨立的類簇。其中,ci表示第i個樣本在集合D中的位置,坐標可以表示為ci={ci,1,ci,2,...,ci,ni}。ci,ni表示第i個樣本的第ni個特征。
步驟三:計算兩兩類簇之間的距離,即ci和cj之間的距離D(ci,cj),其中i≠j,D(ci,cj)的計算方法如下:
D(ci,cj)=
步驟四:在所有的距離D(ci,cj)中,找出最小值D(cm,cn),即類簇cm和cn是距離最近的兩個類簇。
步驟五:合并類簇cm和cn為一個新的類簇;
步驟六:重復步驟三至步驟五,直到達到聚類的數(shù)目或者達到設定的條件。
5)節(jié)點確認。利用時間、頻率與歷史軌跡匹配法,判斷預測節(jié)點集中的點是否真實被監(jiān)測節(jié)點探測到,若是,則該點作為探測到的移動節(jié)點位置輸出;否則則刪除該點。
6)節(jié)點坐標。對保留集合中的節(jié)點,計算中心坐標,即為最終預測點的位置。將預測點保存到控制中心。
在這個部分,我們給出了基于層次聚類的粗定位方法的仿真結果,以驗證其有效性。
我們假設在15 km×15 km的范圍內(nèi)對井下移動節(jié)點進行粗定位。具體地,以均勻分布的方式隨機部署10~25個移動節(jié)點,以及8個監(jiān)測節(jié)點。其中,移動節(jié)點按照隨機游走模型移動,且監(jiān)測節(jié)點不移動。監(jiān)測節(jié)點的最大探測范圍是5 km,模擬監(jiān)測節(jié)點對移動節(jié)點的探測情況。通過我們所提出的移動節(jié)點定位方法根據(jù)監(jiān)測節(jié)點的探測到的方位角、頻率和監(jiān)測節(jié)點的坐標計算并預測移動節(jié)點的位置。具體的仿真參數(shù)如表1所示。
表1 仿真參數(shù)設置
圖4給出了態(tài)勢形成時間隨移動節(jié)點數(shù)目的變化曲線。從圖中可以看出,隨著節(jié)點數(shù)目的增多,態(tài)勢行程時間呈現(xiàn)明顯增大的趨勢,這是因為態(tài)勢分析的算法的處理速度受數(shù)據(jù)限制,隨著移動節(jié)點數(shù)目的增多,產(chǎn)生的數(shù)據(jù)量急劇增加,因此,態(tài)勢形成時間增大。從圖中可見,當移動節(jié)點數(shù)目為10時,態(tài)勢形成時間僅為 0.068 s。當節(jié)點數(shù)目增加至25時,態(tài)勢形成時間為0.929 s。
圖4 態(tài)勢形成時間隨移動節(jié)點個數(shù)變化曲線
圖5反映了位置誤差隨敵方節(jié)點個數(shù)變化趨勢,節(jié)點增多,數(shù)據(jù)量變大,誤差變大,但沒有較大起伏,當節(jié)點數(shù)目較少時,可以將定位范圍縮小至500 m左右。圖6描述了位置與節(jié)點個數(shù)的關系。從圖6中可以看出本文所提出的定位方法的位置預測精度可達到100%。圖7描述了移動節(jié)點的拓撲關系。可以看出,隨著移動節(jié)點數(shù)目增加,拓撲預測精度依然能達到100%。因此,我們可以得出結論,我們的粗定位方法可以在縮小的定位范圍內(nèi)得到準確的節(jié)點位置和拓撲關系,且不會出現(xiàn)冗余定位。
圖5 位置誤差隨敵方節(jié)點個數(shù)變化趨勢
圖6 位置預測精度隨移動節(jié)點個數(shù)變化趨勢
圖7 拓撲預測精度隨移動節(jié)點個數(shù)變化趨勢
從圖8、9中可以看出,數(shù)據(jù)融合后的信息數(shù)大幅度減少,說明了融合算法的有效性。圖8顯示了信息數(shù)量與去冗率隨移動節(jié)點數(shù)變化的趨勢,即使在高密度移動節(jié)點個數(shù)下,也能保證98%以上的去冗余率。圖9表示信息數(shù)量與關鍵信息提取率隨移動節(jié)點數(shù)的變化,在低節(jié)點密度時,可以保證100%的關鍵信息提取率,在高節(jié)點密度下,也可以保證98%以上的提取率。
圖8 信息數(shù)量與去冗率隨移動節(jié)點數(shù)變化曲線
圖9 信息數(shù)量與關鍵信息提取率隨移動節(jié)點數(shù)變化曲線
在本文中,我們提出了一種井下復合定位系統(tǒng)框架來監(jiān)測移動節(jié)點的位置變化,其分為粗定位和高精定位。我們研究了一種基于層次聚類的粗定位方法,可以縮小定位范圍,并確定范圍內(nèi)節(jié)點的個數(shù)與拓撲結構,從而減少高精度定位設備的布設數(shù)量并降低成本。具體地,我們首先提取出同時、同頻采集的位置數(shù)據(jù)。然后,使用純方位定位算法作為初始定位方法。隨后,為了克服信息滯后的問題,我們使用層次聚類算法進行數(shù)據(jù)融合,通過對現(xiàn)有完整數(shù)據(jù)和節(jié)點可能位置進行信息融合和冗余去除來預測位置。最后,我們對所提出的系統(tǒng)進行了全面的模擬。仿真結果證明我們的方法是有效的。該方法可以將定位范圍從15 km縮小至500 m,并能得到范圍內(nèi)準確率為100%的節(jié)點位置和拓撲關系,且不會出現(xiàn)冗余定位。