地鐵仿真環境下的非暴露空間魯棒定位方法研究

汪琮棠，薛志剛

（全圖通位置網絡有限公司，北京 100176）

0 引言

非暴露空間是相對于暴露空間定義的，多指室內或半室內場景，如地鐵、隧道、煤礦、地下車庫等。在暴露空間中，北斗衛星導航系統作為提供時間和空間信息的全球系統，在災害監測、貨物跟蹤、人員定位、坐標測量等領域有著重要應用［1］。然而，由于其天然脆弱性（信號弱、穿透能力差、易受干擾等），在非暴露空間導航與位置服務中存在壁壘。針對空間結構復雜、電磁信號傳播非平穩、資源分布易變化、定位精度要求高、位置服務高并發等難題，泛在、精準、連續、智能的非暴露空間導航與位置服務成為亟待拓展的領域。

當前，地鐵非暴露空間場景定位技術快速發展，相關產品高速迭代，可應用于地鐵時空的典型定位技術包括藍牙、射頻、Wi-Fi、RFID、超寬帶（Ultra Wide Band，UWB）等多種技術。在既有文獻中，肖雄等［2］描述了一種基于藍牙技術的地鐵站臺定位系統，該系統通過藍牙定位結合專用定位基站及標簽，為車站工作人員提供定位導航服務；陳曉玉等［3］考慮了Wi-Fi傳輸距離遠、部署簡單等特點，在地下停車場的車輛實時定位系統中采用基于位置指紋的Wi-Fi室內定位方法，幫助用戶準確判斷停車位置；陳龍鵬［4］針對現有RFID 定位精度不高的問題，提出一種基于雙神經網絡的RFID 室內定位算法，解決了因環境變化而路徑損耗系數仍取固定值所造成的定位誤差，實現對室內運動物體較高精度的跟蹤定位；張志忠［5］利用超聲波定位技術具有的信號易處理、成本低、定位精度高等優勢，優化了基站超聲波探頭布置效率低、超聲波收發端同步計時不準確、超聲波速率易受溫度影響等問題，改善室內定位效果。

綜上所述，針對地鐵非暴露空間環境的定位問題已形成相對完善的研究體系?；诎踩?、成本預算和定位精度等多方面考量，選取UWB 定位技術進行亞米級高精度定位。不同于傳統通信方式，UWB 定位技術采用ns～μs 級的極窄脈沖成形，具有功率譜密度低（≤110 dBm）、工作頻段高（7 235～8 750 MHz）、電磁兼容性和抗干擾能力強、穿透性能好、電量消耗低、發送功率小等特點，是廣泛應用于智慧交通、智慧工地、智慧礦區等千行百業工業級和消費級的成熟定位服務技術。室內定位技術的定位精度取決于覆蓋場景遮擋情況，以及多徑性、定位節點密度、信號強度、信號碼片速率、待測量參考信號長度等多種因素，主要定位技術的應用效果對比見表1。

表1 定位技術應用效果對比

基于UWB 技術的無線定位系統一般由定位標簽、定位基站和解算軟件構成。通過在特定區域布置合理數量的定位基站，不間斷地采集人員、車輛、資產、工具上的定位標簽回傳的時空坐標數據，實現室內空間實時精確定位、監控、預警等功能。然而，室內生產環境布局和拓撲易受人為因素影響，定位基站往往不能實現理想化布置?；靖鶕色@得的安裝站點的實際情況進行布置，可能高低不平；由于室內遮擋物較多，基站大多被布置于有一定高度的天花板或墻上，而被定位目標通常在地面移動，存在顯著的高度差。由高度差導致不理想的基站幾何構型，影響二維、三維位置信息解算，造成空間內定位精度變差。

針對以上問題，提出一種地鐵仿真環境下的非暴露空間定位方法，研究實際復雜場景中的UWB 定位改進算法，提升復雜基站構型下的UWB 定位性能?？紤]同時對基站和標簽進行時間同步的復雜性，選取到達時間差算法（Time Difference of Arrival，TDOA）進行定位精度優化，獲得實時運動軌跡。TDOA定位算法僅保持基站之間時間同步即可，計算過程中不需要進行信號解調，可直接處理接收到的信號。在充分收集、統計并利用定位基站和環境的先驗信息后，利用貝葉斯估計轉化為魯棒的TDOA定位算法，并采用遺傳粒子群混合算法實時解算迭代待測目標的位置估計值，保障非暴露空間UWB立體布站的靈活性和魯棒定位性能。

1 UWB定位技術

UWB 無線電是從信號帶寬角度定義的無線電信號［6］，沖激信號是其最典型的實現方式，以占空比極低、帶寬極窄的脈沖（脈沖寬度一般在ns或ns級以下）作為信息載體進行數據傳輸。UWB 無線通信技術直接通過發送和接收極窄脈沖進行數據傳輸，而傳統的窄帶通信方式需借助載波進行信息傳輸［7］。

1.1 UWB信號特征

根據美國聯邦通信委員會（FCC）規定，UWB 設備帶寬被定義為：-10 dB 相對帶寬>0.2 或占用帶寬>500 MHz，UWB 設備與傳統窄帶通信系統的功率譜占用帶寬對比見圖1。其中，fc為中心頻率；fH-fL為上截止頻率與下截止頻率之差；相對帶寬為截止頻率之差與中心頻率之比。UWB 信號的頻譜顯示信號幅度下降至原始峰值的1/10（即-10 dB）時，該信號的相對帶寬>0.2，優于傳統窄帶信號，使UWB 信號能在更寬的頻率范圍傳輸數據或信息，提供更高的數據傳輸速率和容量。

圖1 UWB與窄帶的功率譜占用帶寬對比

2023年1月4日，中華人民共和國工業和信息化部無線電管理局發布了《超寬帶（UWB）設備無線電管理規定（征求意見稿）》，將我國UWB 使用頻段調整為7 235～8 750 MHz，并對設備發射功率限值進行了統一（≤-41 dBm/MHz）。

UWB 系統通?？梢圆捎枚喾N不同的波形，且這些波形都是單周期脈沖波形，如高斯脈沖波形、升余弦脈沖波形等［8］。由于高斯脈沖信號頻譜寬度較寬，且其各次微分具有較簡單的形式，方便分析研究，因此，UWB 系統中最常用高斯脈沖或其微分形式作為信號波形（見圖2）。在實際應用中，隨著高斯脈沖求導次數增加，其時域峰值數量也增加，反而加大了接收機捕獲信號的難度。因此，工程中常用高斯脈沖的二階導數作為UWB系統發射的脈沖信號：

圖2 UWB信號波形

1.2 UWB信道特性

根據不同的應用范圍和頻率范圍，信道模型可分為：低頻信道模型、IEEE 802.15.3a 高頻信道模型、IEEE 802.15.4a 高頻信道模型。其中，低頻信道為1 GHz 以下，高頻信道則針對FCC 標定頻段3.1～10.6 GHz。IEEE 802.15.4a 模型在原有IEEE 802.15.4 標準基礎上，增加了對UWB 技術的支持，允許信號在非常寬的頻帶上傳輸，從而使信號具有很高的分辨率和準確性。模型中主要有路徑損耗、小尺度衰落、多路徑時延擴展等參數［9］。

UWB 信道的大尺度衰落主要由在無線網絡傳播中的路徑損耗所導致，損耗值可以近似于自由空間中的衰落。當信號從發送端到達接收端時，會經過許多障礙物，對信號產生衰減和反射，導致信號到達接收端時功率減少。高頻信號的波長更短，更容易被建筑物、樹木等障礙物所吸收，長距離傳輸造成路徑損耗增加。因此，對于UWB 定位系統，其占用頻帶帶寬很大，路徑損耗不僅與距離有關，也與頻率有關，表達式如下：

式中：PL為路徑損耗；d0為基準距離，可由測量決定；PL（d0）為在基準距離和基準頻率（fc=5 GHz）條件下的衰減值；d為信號從基站到標簽的距離；γ為路徑損耗指數；Xσ服從正態隨機分布，其標準偏差為σ。

UWB 的小尺度衰落主要由多徑效應引起。無線電信號在傳播過程中，受自然環境等因素影響，產生多個不同的到達接收機的路徑，不同路徑到達的無線電射線相位不一致且具有時變性。同一接收設備從不同傳播路徑收到的信號衰落程度各不相同，對使用互相關技術獲取時延參數估計的方法產生較大影響。不同路徑的信號相互干擾、相互疊加，接收器接收的信號發生一系列如信號強度、相位、時延等方面變化，導致信號小尺度衰落。由于UWB 脈沖極窄、波長極短，一般不考慮其相位變化帶來的影響，因此其隨機相位的快速變化不會引起瑞利衰落，表達式如下：

式中：m為Nakagami分布的因子；Ω為幅度平均值。

在多重衰落疊加影響下，認為UWB 脈沖發射并經過多徑環境后，信號成簇到達接收機，并表現出衰減的特征。若關注每簇最高的路徑，將接收機觀測所得信道沖激響應簡化如下：

式中：N為多徑條目總數；an為該徑的增益；τn為多徑的時延。

UWB 信道的模型是由上述模型綜合之后得到的，這些模型中的參數值都是IEEE 802.15.4a 工作小組根據大量實測數據擬合得出的。然而，由于各種應用場景的復雜多樣性，不同的工作環境下擬合得到UWB 信道模型參數差別很大，還需要進一步進行位置估計。

1.3 UWB定位算法

1.3.1 TDOA算法原理

TDOA 算法是一種基于多個接收器間的時間差測量，從而實現對信號源的定位的算法。首先，選定1個基站作為參考，當定位標簽發出信號時，信號在到達每個基站之前會經歷一定的時間延遲。通過比較每個基站記錄的時間戳，將每個到達時間值相減，計算出信號在每個基站的到達時間差。多條雙曲線的交點可得待測標簽的位置坐標（見圖3）。如果只求得待測標簽的二維空間坐標，則至少需要3個基站參與定位，建立2個雙曲線方程即可求解。

圖3 TDOA定位原理

設共有N個基站參與計算，第i個基站的位置坐標如下：

基站和目標位置的關系方程如下：

建立（x，y）和距離差之間的關系方程組如下：

式中：ri為第i個基站到目標位置之間的距離；ri，1為基站BS1 到目標位置的距離與第i個基站（除第1 臺基站外）到目標位置的距離之差。通過最優化算法求解，可得待測標簽的位置估計值。

TDOA 算法可以在低信噪比下實現高精度定位，通過測量接收器間的時間差，抵消信號所受干擾。相對于其他定位算法，TDOA具有高精度、高可靠性、抗多徑效應強等優勢。另外，TDOA算法僅要求基站間時間同步，不要求基站與標簽時間同步，由于基站位置固定，基站之間進行時間同步相對于基站和標簽之間進行同步更容易實現。該項目的TDOA 算法采用IEEE 1588V2協議中PTP協議所提供的高精度時間同步功能，設計了單區域多基站串聯相結合的系統網絡架構和時間同步系統，實現了整個網絡的時間同步精度優于1 ms，相鄰基站間的時間同步精度優于1 μs。

定位算法評價指標常采用均方根誤差，不僅考慮定位誤差的大小，還考慮誤差的方向和分布情況，能真實反映定位算法的真實定位精度，表達式如下：

在高斯噪聲環境下，小區半徑設為1 000 m，隨著參與定位的基站數增加，能利用的TDOA測量值的數目增加，可得更高的定位精度（見圖4）。但是，當參與定位的基站數≥5，定位精度改變不大。因此，利用TDOA測量值的定位算法，需要參與定位的基站至少為3個；當參與定位的基站數≥5，定位性能達到最優。

圖4 不同基站數目下TDOA算法性能對比

1.3.2 基于最大后驗估計的TDOA定位算法

目前，針對TDOA定位中求解非線性方程的計算復雜度高、時間長等問題已有諸多研究，如Chan 算法、Fang 算法、泰勒級數展開法等，但這些方法對初始解要求較高，涉及繁雜的矩陣運算，且易陷入局部最優解。胡駿等［10］以TDOA/AOA混合定位算法為對象，用最大似然法得到定位標簽的估計函數，將估計函數作為適應度函數產生初始種群，用IMPSO 算法對種群進行尋優，得到最優估計位置。而在非暴露空間定位場景中，被定位目標的位置或運動特征通常有一定的先驗知識，該類先驗信息可很大程度上彌補由基站布置約束所導致的問題。觀察待定位目標所處定位環境，其統計學特征可看作是目標在三維空間中的先驗信息，表達式如下：

式中：A為n行3列矩陣；θ為3維列向量；b為n維列向量；n∈（1，2，3）；Σ為n維聯合正態分布的協方差矩陣。θ代表待測目標三維空間的坐標估計值，當n取不同值時，分別對應以下3種約束：

（1）當n=1 時，目標以一定概率分布在1 個平面附近；A為平面的法向量；Σ為目標距平面距離分布的方差。

（2）當n=2 時，目標被2 個平面所約束，目標以一定概率分布在1 條直線附近；A中包含2 個相交平面的法向量；Σ為目標距直線距離分布的方差。

（3）當n=3 時，目標被3 個平面所約束，目標以一定概率分布在1 個點附近；A中包含3 個相交平面的法向量；Σ為目標距離該點分布的方差。

基站觀測得基站間到達時間差值的觀測量為τdi，0，考慮測量噪聲影響，表達式如下：

則N個基站的時差觀測量構成向量：

根據貝葉斯公式，最大后驗估計是使得后驗概率函數p(θ|τd0)最大的θ，該三維空間坐標估計值的最大后驗概率為：

觀測量τd0的條件概率密度函數為：

θ的先驗概率為：

式中：Υ(.)為廣義無先驗信息概率密度函數，其值為1；A⊥為與A中所有行向量正交的向量構成的矩陣，且自身行向量間也正交。代入后將最大后驗估計等價于：

由此得到需要最小化的目標函數，將其作為遺傳粒子群混合算法的目標函數以求解最優解。

2 遺傳粒子群混合算法

傳統迭代算法若要保證遞歸運算收斂，應選取恰當的初始值，然而面對算法計算復雜程度較高的場景，若初始值位置出現過大誤差，則會導致定位結果發散，迭代不收斂的現象，定位效果遠不及預期。遺傳粒子群混合算法考慮了非暴露空間復雜場景的非線性和不確定性，在算法前期利用遺傳算法生成一部分粒子群算法求解所需的初始位置值，優化了粒子群算法初始值的生成過程，在保證全局收斂的同時，隨機分布于解空間中；算法后期采用粒子群算法進行快速局部搜索，通過強并行能力從多點出發尋找最優解，提高了求解最優解的效率，最后趨近于真實坐標值。

2.1 遺傳算法

遺傳算法（Genetic Algorithm，GA）是一種常用來解決復雜非線性問題的參數優化算法，在實際問題中，只需要給出目標函數的信息和一定的搜索空間（參數上下限），即可進行參數尋優。而且，它對初始值要求不是很高，也不受搜索空間內是否可微的限制。遺傳算法根據達爾文自然淘汰假說，借鑒進化論中的優勝劣汰和適者生存的自然法則，模擬并深化自然環境中的基因遺傳模式，形成計算模型。種群由經過基因編碼的一定數目的個體或染色體組成，可以把每個個體都當成算法空間里的1個解。對每個種群中的獨立個體進行編碼，從而建立起表現型與基因型的對應關系模型?；虻淖儺惡椭亟M使大部分個體有了全新的表達方式、全新且多樣的性狀，讓遺傳算子具備選擇、交叉和變異的功能。通過逐代篩選產生優秀的新個體也可作為目標的候選解進行迭代，可限制一些性能約束指標尋優來生成一部分粒子群算法求解所需的初始位置值。

若想解決一個用遺傳算法優化的問題，需要先進行初始化種群。種群數量（N）要足夠大，應盡量分散于解空間內；其次，要設置迭代次數（T），迭代次數應根據變量參數的多少決定，對于多變量的復雜優化，則需要迭代次數多一些，過少或過多的迭代次數都會對算法本身效率產生影響。遺傳算法的核心則在于選擇操作、交叉操作和變異操作［11］：

（1）選擇操作。執行選擇操作的過程是整個算法的第1步，基于個體適應度函數的選擇不僅關系到遺傳算法能否收斂，更是遺傳算法用來選育優良子代的唯一基礎依據，它通過預設的目標函數來對整個種群內的所有個體的染色體進行篩選，體現了全局搜索的特點。當對所有個體進行適應性函數值計算后，就進行判決擇優，被判定為優秀通過的個體進入繁衍流程，開始交叉和變異操作。

（2）交叉操作。其實質是根據交叉概率（Pc）進行個體選取，種群中的每個個體之間要進行信息交互，隨著交叉概率變大，信息交互增多。

（3）變異操作。變異概率（Pm）防止其最終變成局部最優解，通過改變個體染色體的值，如二進制編碼中把0 值改為1 值以增加多樣性，通常設為較低值。最后進行迭代次數比較，若滿足迭代次數，則輸出保存的最優的1代個體的值。

2.2 粒子群算法

粒子群優化算法（Particle Swarm Optimization，PSO）是一種源于對鳥群捕食行為研究的智能算法。該算法起源于小型群落生物尋找食物的過程。每個個體各自的飛行軌跡、飛行方向、速度等都是類似的，其內部傳遞著關于想要搜索的某個目標的信息。每個粒子的初始位置都不一樣，有的近、有的遠，但均按照一定準則（即適應度值）去搜尋目標。粒子在搜索的過程中，不斷交流自身的位置信息，離目標越近，則越把自身位置通報給其他粒子，在已有信息和種群信息的幫助下，得到自己離目標的距離差。該過程中，為避免有的粒子脫離限定范圍，要提前告知所有粒子的速度保持在某個范圍以內。粒子群算法中的每個粒子被賦予2 個屬性：速度和位置。速度代表移動的快慢，保證它們不會過遠或過近；位置代表將選擇的移動方向，是所有粒子爭取靠近的目標值。

若考慮用粒子群算法解決問題，首先應設定PSO算法的各參數，如群體規模N、粒子速度界限vmax、位置搜索邊界xmax、學習因子c1和c2、最大迭代次數T、慣性因子ω等。設D為所考慮的搜索空間的維數，在T次迭代中速度向量、位置向量分別為：

速度更新公式如下：

位置更新公式如下：

式中：pbestT為個體極值；gbestT為全局極值；r1、r2為0～1 區間內的隨機數；種群規模N同上述遺傳算法一樣，衡量了算法精度問題，該值越大，種群之間相互溝通的信息協作能力越強；學習因子c1和c2為自我學習能力和向群體中優秀個體學習的能力，通過將最佳位置與自身位置作差，可感知自己提升多少、自己離群落中最好的個體差距多少。

粒子群算法在不滿足最大迭代數終止條件時，應根據適應度函數計算所有個體位置的適應度值。適應度值作為評估種群中哪個個體將作為中心來吸引其他粒子聚攏，然后根據適應度值更新自己最好的位置，并根據種群以往最好的位置估算更新全局歷史位置，不斷朝向最優解靠攏。直至滿足迭代次數條件后，跳出循環，結束粒子群目標函數優化過程。

2.3 遺傳粒子群混合算法

遺傳粒子群算法的改進是將前半部分用遺傳算法全局搜索得到初始預優化種群，使優化種群隨機分布于解空間，提高原有種群個體的多樣性，獲得粗定位值。遺傳算法因為前期的選擇、交叉、變異等操作可能會舍棄一些適應度值較高的個體，導致收斂速度慢等問題，所以后期需要一種更快速的局部收斂算法，即粒子群算法。在不斷迭代的過程中，粒子群算法反復比較對迭代指定標準的設定，保留了較多的歷史速度和位置較優解，并向著最優解不斷靠攏，收斂速度較快。將粗定位值導入粒子群算法，形成新粒子群的初始位置，構建初始的粒子群種群。通常該2種算法的編碼方式均可采用二進制或實數編碼，因此2種算法在編碼結構上有實現統一的可能。遺傳粒子群混合算法操作流程見圖5。遺傳算法和粒子群算法采用線性組合方式，時間復雜度為一次階，相較而言算法效率高。經過改進的遺傳粒子群混合定位算法對于目標點尋優并輸出最優初始坐標的效率更高，相比單一遺傳算法具有求解速度快、收斂性好等優勢，且提高了在非視距下的定位精度。

圖5 遺傳粒子群混合算法操作流程

為了驗證提出算法的有效性，從常見測試函數中選用Ackley 標準測試函數進行仿真測試。Ackley 函數是一種不同維之間不可分離的多峰連續的測試函數。函數圖像是1 個空間內由余弦波調制形成一個個孔或峰，從而使曲面震蕩不平。對于輸入的多維變量x，函數值y在x=(0，0，…，0)處有全局極小值0 點。這是一個復雜的函數，很多算法如梯度下降法都會在一定層次的迭代后陷入局部最優。運用該算法測試比較單一遺傳算法和遺傳粒子群混合算法的仿真結果，測試混合算法的收斂能力是否得到提高是對算法本身水平的考驗。Ackley函數表達式如下：

式中：x的定義域標準是［-5，5］；學習因子c1=c2=2；種群大小設為100；迭代次數T設為50；交叉概率Pc=0.7；變異概率Pm=0.1。采用遺傳粒子群混合算法，在最優函數值上更逼近零點、準確率更高。算法適應度收斂曲線對比見圖6，可明顯看出在收斂速度上，混合算法效率高于單個遺傳算法。

圖6 算法適應度收斂曲線對比

3 魯棒定位算法優化與性能驗證

具有魯棒性的系統和算法能夠在輸入數據發生變化時保持穩定性和可靠性，不會因為輸入數據的變化而產生嚴重誤差。經過前期研究，決定使用遺傳粒子群混合算法，對基于最大后驗估計的TDOA定位算法模型進行迭代尋求最優解，即待測目標位置信息，后續將用于地鐵仿真環境服務器的可視化地圖中，提升定位系統的魯棒性能。

3.1 TDOA魯棒定位算法優化

根據遺傳粒子群混合算法操作流程（見圖5），在初始化各項參數和目標函數之后，采用實數編碼的方式對個體進行編碼，保證在種群數量最大情況下得到最優結果。根據設定的交叉概率，隨機將2個優良個體中的特定基因片段進行交換，重組得到具有新性狀的優良個體；依據變異概率隨機替換指定種群中的基因變異點，增加遺傳算法中種群的多樣性。在達到迭代次數后，生成若干組優化位置坐標，輸入粒子群算法中。適應度值根據位置和速度公式進行迭代尋優，直至收斂趨近于0，此時認為當前得到的θ為最優位置估計坐標。重要步驟如下：

（1）定義適應度函數。

根據式（15），設：

將其作一階泰勒展開變化，則：

式中：Jg(θ)為g(θ)在θ處的雅克比矩陣，代入可得：

在θ點用g(θ)的一階泰勒展開近似原函數J后，轉化為對于δ*的凸優化問題，原問題可轉換為迭代求解偏差值δ，使目標函數具有最小值。

對于凸函數而言，任何局部極小值都是全局最小值，因此最小化目標函數可以得到全局最優解。遺傳粒子群混合算法的適應度函數即為δ*，要求算法中的每個個體所對應的位置向量在目標函數中取得最小值。表達式如下：

（2）初始化遺傳算法和粒子群算法參數。

首先，在仿真環境中布置多臺基站，通過全站儀測量獲得各臺基站的三維坐標。標簽會廣播測距請求，獲得基站與標簽的雙向測距產生的TDOA測量值。由基站坐標、TDOA測量值和平面約束方程共同生成初始的位置估計值θ0。其次，設置算法參數：種群數量N=100、迭代次數T1=T2=10、空間維度D=3、交叉概率Pc=0.7、變異概率Pm=0.1、學習因子c1=c2=1、慣性因子ω=0.5。參數選擇將影響全局收斂速度和定位精度，根據先驗經驗選擇以上參數。

3.2 UWB定位系統部署方案

UWB定位系統由定位標簽、定位基站、服務器和授時同步設備等組件組成［12］。上述算法的解算單元集成于服務器，用于處理從基站和標簽收集的數據，并計算待測標簽的位置。服務器還具備添加基站和標簽以及地圖可視化的功能，實現對基站和標簽基本信息的創建、修改、刪除（基站：編碼、型號、經緯高位置信息；標簽：編碼、型號、數據上傳時間間隔），以及設置服務器IP及PORT，進行瀏覽查詢?；镜闹饕饔檬前l送、接收信號，實現對定位目標的精確測量和定位。同時，基站之間可相互通信，實現對整個定位區域的覆蓋和監測。UWB 基站采用基于NXP SR150 開發設計的UM150芯片，UM150芯片設計見圖7。UM150集成了射頻收發器、數字信號處理器、嵌入式處理器的UWB射頻芯片，采用3天線設計，具有低功耗、高可靠性、高精度等特點，并支持多種不同通信協議和應用場景。

圖7 UM150芯片設計

UWB定位系統通信過程見圖8。如圖8所示，標簽向1組基站發出beacon 請求，基站將轉發標簽的beacon包傳送至服務器，服務器收到消息按信號擇優選取臨近基站組，開始1次雙向測距過程。當基站組接收到信息，發送Poll，接收標簽的Poll back，然后向服務器上傳TDOA 測距信息，如TDOA 測量值、坐標等。服務器組合多個異步測距信息，通過基于TDOA的魯棒定位算法，計算定位信息取得最優位置估計值，并顯示在可視化平臺界面。

圖8 UWB定位系統通信過程

UWB 基站覆蓋范圍可達40 m，考慮到模擬地下非暴露空間環境，選擇在倉庫布置6 臺基站用于測試（見圖9）。

圖9 UWB基站部署位置圖

4 臺基站位于屋頂，中間2 臺基站位于靠近地面墻壁，以制造高度差。倉庫長40 m、寬15 m、高3 m；模擬部分真實地鐵站廳場景，部署高3.0 m、半徑1.5 m的支撐柱；若干高約2.2 m 的柜子模擬展廳售貨機；若干高約1.2 m 的雜物模擬閘機、售票機、防汛柜等設施。由于非暴露空間的環境局限性，部分基站不能安裝于與地面平行的平面上，無法形成一個平面約束方程，所以特意構建仿真環境用于模擬。使用全站儀獲得的各基站絕對坐標見表2。

表2 各基站絕對坐標

3.3 定位精度測試

北坐標和東坐標是經緯度地圖投影后得到的直角坐標系下的坐標，即x軸和y軸；高程作為z軸。為研究地鐵非暴露空間場景下的定位精度，至多只需要4臺基站?？紤]到各站地下各層均分布UWB 基站，僅對每層做二維定位即可。在仿真環境下，測試人員手持定位標簽，在密閉倉庫中沿S型曲線行走，其二維定位實時軌跡見圖10。

圖10 二維定位實時動態軌跡

如圖10 所示，藍色實線為測試人員手持標簽的行走軌跡，紅色虛線為TDOA 動態定位軌跡。測試結果表明，通信基站與移動終端的測距信息實時刷新，可通過服務器實時接收并實時解算，即能夠對處于雜物堆積的非暴露空間環境中移動終端作出與原點距離的測量?；赥DOA 的魯棒定位方法可以很好地進行人員的動態定位并顯示軌跡，在基站所圍成的定位區域內誤差保持在0.5 m 內，滿足亞米級的精度需求。

在靜態定位方面，測試人員手持標簽位于倉庫內某一位置不動，標簽不停顯示廣播發送測距請求，擇優選擇基站進行定位解算，最終在可視化地圖上呈現1個定點表示人員的位置。在地圖上呈現的位置是固定的，但有細微的精度誤差無法表達，需要調用真實測距信息。根據TDOA 測量值進行魯棒方法優化后的定位誤差見圖11。如圖11所示，其靜態測量值相對穩定，4臺基站的定位距離分別集中在5.42、9.27、5.12、4.73 m附近，誤差均不超過0.2 m。靜態測量值上下波動在可接受范圍內，證明經過最大后驗估計和遺傳粒子群混合算法迭代后，位置估計值在非視距條件下保持較好的抗多徑能力和魯棒性能，不依賴基站位于1個平面的情況，滿足實際場景厘米級高精度定位需求。

圖11 基站定位誤差統計

4 結束語

現代工業和社會化的快速發展帶來大量復雜的非暴露空間環境，而基于位置服務的需求和應用也逐漸向非暴露空間轉移。針對北斗衛星信號薄弱的非暴露空間區域，在地鐵仿真環境中模擬站廳站臺構建了完整的UWB 定位系統，包括基站、標簽、服務器和授時設備，并探討了UWB 信號在地下和室內環境中的定位方法。針對三維空間中定位算法受到基站幾何構型的影響，研究提出基于最大后驗估計的TDOA 定位算法，并采用遺傳粒子群混合算法進行全局搜索和局部快速收斂。實驗結果表明，優化后的算法在復雜幾何構型下表現出魯棒性，并能快速收斂，滿足亞米級的高精度定位需求。