基于多目标自适应DE算法在UWB中的应用研究.pdf

Microcomputer Applications Vol.39,No.9,2023文章编号：10 0 7-7 57 X（2 0 2 3)0 9-0 0 54-0 3基于多目标自适应DE算法在UWB中的应用研究基金项目微型电脑应用2 0 2 3年第39 卷第9 期尤谍，陈勇，张修伟，段刚鹏（重庆师范大学，计算机与信息科学学院，重庆40 1331)摘要：在室内定位的应用中，超宽带（UWB)技术可以实现厘米级的定位，并且具有良好的抗多径干扰和衰弱的性能，具有较强的穿透能力。但实际上室内环境多变，UWB信号极易被遮挡，即使UWB技术具有穿透能力，在较强干扰时基本无法完成室内定位，因此提出一种多目标自适应差分室内UWB精确位置标定方法。利用改进后的自适应差分进化算法和UWB方法结合实现精确定位。实验表明，此方法能有效提高定位精度，减少NLOS误差。关键词：UWB；差分进化算法；室内环境适应；精确定位中图分类号：TP301Research on the Application of Multi-objective Adaptive DE Algorithm in UWB(College of Computer and Information Science,Chongqing Normal University,Chongqing 401331,China)Abstract:In the application of indoor positioning,ultra-wideband(UWB)technology can achieve centimeter-level positioning,and has good anti-multipath interference,weakening performance and strong penetration ability.However,in fact,the indoorenvironment is changeable,and UWB signals are easily blocked.Even if UWB technology has the ability to penetrate,it is ba-sically impossible to complete indoor positioning under strong interference.Therefore,a multi-target adaptive differential in-door UWB accurate position calibration method is proposed.The combination of the improved adaptive differential evolution al-gorithm and the UWB method is used to achieve precise positioning.The experiments show that this method can effectively im-prove the positioning accuracy and reduce the NLOS error.Key words:UWB;differential evolution algorithm;indoor environment adaptation;precise positioning0引言室外定位依赖于GNSS，提供载体姿态和位置信息-2，具有足够的精度，但它的工作能力仅限于能够实现无遮蔽卫星跟踪的室外环境。环境超出GPS的覆盖范围，室内定位技术不断涌现，比如ZigBee、U W B、W i-Fi、RFI D 等定位技术 3-4。UWB技术被称之为“超宽带”，又称之为脉冲无线电技术，利用纳秒至微秒级的非正弦波窄脉冲传输数据，UWB发射功率很小，应用范围很广 S-1。U W B具有高时间分辨率和良好的过障能力，能在室内区域实现高精度测距。UWB定位被视为高精度需求的最佳解决方案之一，在室内通信、高速无线LAN、家庭网络、安全检测、位置测定、雷达、医疗及军事领域都有广泛应用。室内复杂环境下超宽带信号传播存在非线性视距(NLOS)误差问题 7。室内超宽带定位技术关键在于测距，测距主要取决于到达时间（TOA）的估计。TOA存在一些关键挑战，如电子干扰、NLOS条件等。UWB信号在传播过程中不可避免地产生多径效应，从而导致明显基金项目：重庆师范大学校级研究生科研创新项目（YKC21056)作者简介：尤谍（1995一），女，硕士，研究方向为进化算法、多目标优化；陈勇（197 1一），男，博士，副教授，研究方向为图像处理、网络信息安全、进化算法；张修伟（1996 一），男，硕士，研究方向为进化算法、多目标优化；段刚鹏（1996 一），男，硕士，研究方向为图像处理、网络信息安全。54文献标志码：AYOU Die,CHEN Yong,ZHANG Xiuwei,DUAN Gangpeng1UWB定位技术原理UWB的定位技术有多种方法，通常采用距离信息定位算法。本文采用飞行时间（TOF）的测距。TOF测距技术是UWB定位法中最常见的定位方法。1.1TOF测距技术双边双向测距原理如图1所示。双边双向测距分2 次进行。设备A先发起第一次测距并记录发送的时间戳，设备B收到数据，记录接收时间戳；设备B响应，发送信号给A并记录发送时间戳，当设备A收到数据之后，再返回数据。这样可以得到4个时间差：Tro1、T r o 2、T r e l、T r e 2。由设备A的时间差Trol、T r o 2，设备B的时间差Trel、Tre2，得到无线信号飞行时间Tp：Tp=2Tp2=1(T ro2-Tre2)2的NLOS定位误差。(1)(2)Microcomputer Applications Vol.39,No.9,2023设备A()TX设备B()RX图1双边双向测距原理图如Tp1=Tp2=Tp，则进一步计算可得：Trol Tro2=(2Tp+Trel)(2T,+Tre2）)=4T,+2T,(Trel+Tre2)+Trel Tre2可得到飞行时间Tp计算式：Troi Tro2-Trel T re2Tp=Troi+Tro2+Trel+Tre2若响应时间对称,设 Tre1=Tre2,则Tr-I(Tm-T.+Te-Tre)42差分进化算法2.1种群初始化在目标空间中随机产生均匀M个个体，每个个体由n维向量组成，当前世代种群的第i个个体表示方法如下：X.=(i.,.i2.G,.is.G,i.)第i个个体的第维取值方式：aij.o=Aj,min+rand(0,1)X(aj.max-Xj.min)其中，rand(0,1)是介于0 到1之间的随机数，tj.min和aj.mx分别为；在第i维的最小值和最大值。2.2变异操作在第G次选代中，从种群中随机选择3个个体X1l.G、Xp2.G、Xp 3.G 且1p2p3,则生成的变异向量为Vi.G=Xpl.G+F(Xp2.G-Xp3.G)2.3自适应交叉i;j.G,如果(rand(O,l)CR orj=jrand)Ui.j.G=其他(ai.j.G,CR是交叉算子，自适应调整，CR,、C R u 是CR的下限和上限。f:是个体X，的适应度，fmaxfmin分别是当前种群中最差和最优个体适应度。CR是交叉算子,当rand(O,1)=CR时,第i个向量的后代u向量的第j维等于变异向量；的第j维；否则ui,等于ij；从1,2，D中随机选择一个数作为jrand，以保证Ui.G至少有一个维度来自Vi.G。2.4环境选择(Ui.G，女如果f(Ui,G)f(Xi.G)Xi.G+1=(Xi.G，其他环境选择过程会根据适应度值作出判断，若子代优于父代则选择子代，反之则选择父代。2.5变异策略为了防止陷入局部搜索，采用3种不同的变异策略：Vi.G=Xbest.G-F(Xpl.G-Xp2.G)Vi.G=Xi.G+F(Xbest.G-Xi.G)+F(Xp1.G-Xp2.G)基金项目TrolTro2RXTXTXRXTrlTre2微型电脑应用2 0 2 3年第39 卷第9 期Vi.G=Xp1.G+F(Xp2.G-Xp3.G)+F(Xp4.G-Xp5.G)(13)time,3多目标差分进化算法3.1传统多目标差分进化算法算法1给出了传统的多目标差分进化算法8-91的总体框架。算法1传统多目标差分进化算法1 Initialize the population P(3)2Evaluation(P)3whilegen=Max_gen4for each individual p in P(4)56(5)789end for10 C=P,01l nondominated_sorting(C)(6)12 Calculate_crowding_distance(C)13 P=Environmental selection(C)(7)14 end while15 Output the final population P3.2改进的多目标差分进化算法传统的多目标差分进化算法存在2 个问题：（1）种群中的个体共用相同的参数。比如所有个体使用相同的变异策略以及交叉算子CR等参数。种群中的每(8)个个体所处的环境是不同的，有些个体所处的环境比较拥挤，而有些个体则处于稀疏的环境中，因此对它们使用相同的参数是不合理的。（2）参数全局固定。进化算法在初期更侧重于全局搜(9)索、扩大搜索范围，在后期则更侧重于局部搜索。固定的变异策略、交叉算子等参数显然会影响算法的性能。针对上述问题，提出自适应多目标差分进化算法：Step1:根据种群中每个个体所处的环境为其分配参数，且所分配的参数会动态地调整以适应环境的变化。Step2:根据拥挤距离的大小，将个体所处的环境划分为3个等级，每个等级使用一套参数。Step3：权重系数w会随着迭代的进行逐渐降低算法的搜索能力，在不影响算法前期搜索能力的情况下增大算法后(10)期的局部开发能力。r0.8CDmin CD;CDiF=30.5z0CD CD;CD2(o.30其他10.8wCDmin CD;CDi(11)CR;=30.5wCDI CD;CD2(12)(o.3w其他55.select individuals to generate difference vectorv=mutation(p)o=crossover(v,p)Evaluation(o)(14)(15)Microcomputer Applications Vol.39,No.9,2023Vi.G=3 Xi.G+F(Xpl.G-Xi.G)+F(Xp2.G-Xp3.G)(Xi,G+F,(Xp1.G-Xp2.c)CD,=CDmin+（CD ma x -CD mi n)/3CDz=CDmax（CD ma x CD mi n)/3w=0.5+(Max,gen=gen+1)其中，gen和Max_gen分别表示当前迭代次数和最大迭代次数，CDmin和CDmax分别为种群中个体拥挤距离的最小值和最大值，CD，为种群中第i个个体的拥挤距离。3.3多目标差分进化精确定位模型建立DE群体中突变和交叉操作被用于探索空间，而选择用来确保有希望的个体可以进一步利用，通过种群不断的迭代变异，估计出Tag的精确位置。根据估计的Tag到锚点的距离和Tag到锚点的真实距离差设置目标函数，提出UWB方法结合多目标差分进化精确定位目标函数为fi(a)=|(/(-i)+(y-yi)+(-zi)-R)|(20)fa(a)=|(/(-2)+(y-ye)+(-)-R)/(21)fs(a)=|(/(-a)+(y-y)+(-2,)-R)/(22)fa(a)=|(/(-)+(-y)+(-2)-R)/(23)其中，（i，y;，z）是第i个Anchor坐标，i的范围为1，4，（,y，2)是使用此定位模型定位出的Tag坐标,R，是到An-chor的真实值。目标函数值越小，（，y，)越逼近Tag的精确定位。由此，定位问题可转化为优化问题：(F(r)=minLfi(),fz(),fs(),fa()(s.t.A14差分进化精确定位模型实验结果A2A3本次实验在室内的测试环境中，分别在测试环境的4个角落A0、A 1、A 2、A 3放置UWB锚点（Anchor），并向所有方向发送信号。Tag是需要定位的目标。其实验场景示意图如图2 所示。利用TOF技术，测算飞行时间，按照信号是否有遮挡分为场景1和场景2。()A1()TagA0A3图2 实验测试环境示意图4.1已知信号有无干扰定位实验场景1测得无干扰的正常数据与场景2 测得有干扰的异常数据比较，明显异常数据分散，如图3所示。基金项目Xpl.G+F,(Xp2.G-Xp3.G)+F;(Xp4.G-Xp5.G)70006000500040003000(16)2000(17)1000F000.5 1.0 1.5 2.0 2.5 3.0(18)锚点位置2Max_gen(19)(24)A56微型电脑应用2 0 2 3年第39 卷第9 期16 000r14.000F12.000.10.000F8000：6000F40002000F000.51.01.52.02.53.0锚点位置800016.000700014000600012.000500010.000F4000800030006000F200040001000200000123Anchor ID(a)场景1图3有无信号干扰实验对比利用多目标差分进化算法定位，结果如图4所示。图中心位置为定位出的Tag位置，四角为Anchor。3000r2000F1000060004000200001000(a）场景1无干扰图4有无信号干扰定位效果图为证明此算法定位的精确性，进行误差计算，误差结果如表1、表2 所示。表1中，场景1在无信号干扰条件下，计算出Tag坐标为（52 1.18,52 0.8 3，10 7 6.2），单位为mm。表1无干扰下定位精度锚点真实值/mmA0760455045506300表2 有干扰下定位精度锚点真实值/mmA0760A14550A24550A36300表2 中，场景2 在有信号干扰条件下，计算出Tag坐标为（516.7 4,52 5.8 3,112 0.3)，单位为mm。4.2未知信号有无干扰定位实验此定位模型可以应用于不同场景，在未知是否存在干扰时，也有良好表现。设置场景3随机施加扰动，将测得的数据进行精确定位实验，结果如图5所示。场景3在未知是否有干扰条件下，计算出Tag坐标为（下转第6 7 页）0123Anchor ID(b)场景 23000200010006000500040003000200001000(b)场景2 有干扰定位值/mm各方向误差/mm749.95210.044548.051.944547.672.326299.760.23定位值/mm各方向误差/mm758.831.164551.06-1.064541.078.926292.367.6350003000Microcomputer Applications Vol.39,No.9,2023建试验台将磁感应强度转化为感应电动势，进一步验证有限元仿真的正确性。通过选择测点4的信号值，将t=4.0813ms和U=1.89mV作为标准信号值，对2 1组测点数据做剖面处理，可以看出在缺陷处感应电压信号明显低于无缺陷，且缺陷越大，电压越低。利用电压的大小和衰减位置可以确定金属管道破损点情况，表明电磁法可以对金属管道腐蚀情况作出评价，为后续金属管道完整性评估提供试验支撑。1曹爱松，张烨，张蒲根，等.基于聚焦型探头脉冲涡流检测的保温层下腐蚀仿真研究J.化工装备技术，2020,41(4):10-14.2黄黄平，杨理践，高松巍，等.利兹线在低频脉冲涡流检测技术中的应用J.仪表技术与传感器，2 0 2 1（6）：95-99.3刘晓青，张涛.基于瞬变电磁法的传感器设计及仿真研究J.电子测量技术，2 0 19，42（5）：12 3-12 7.4赵桐，彭斌。基于脉冲涡流的金属薄板厚度检测研究J.仪表技术与传感器，2 0 2 0（1)：117-12 1.5任旭虎，张圣坤，张振，等.铁磁性材料缺陷的脉冲涡流检测系统设计J.无损检测，2 0 2 0，42（10）：7 2-7 5.33333333333333333333533333333333333333333333333333（上接第56 页）（518.9 4，52 6.12，110 0），单位为mm。定位精确度如表3所示。3000r2000F1000FOL600040002000图5未知有无信号干扰定位效果图表3未知是否有干扰下定位精度锚点真实值/mmA0760A14550A24550A363005总结实验表明，通过多目标差分算法与UWB定位技术结合，在未知干扰情况的室内环境定位实验中，该方案有优秀表现，具有较强的环境适应性，精度可达毫米级。本算法也存在一定的改进空间,其在室外环境恶劣的条件下精度有待提高，这也将是未来继续研究的重点。参考文献1王孟妍，崔学荣，张国平，等.基于RSSI的Wi-Fi指纹基金项目6 陈卫林，张曼，李骥，等.脉冲涡流有效渗透深度的测定JI.无损检测，2 0 2 0，42（1）：10-12.7宫昊，郝宪锋，王安泉，等.脉冲涡流检测激励参数和激励线圈参数的优化设计J.无损检测，2 0 2 0，42(3):20-25.8 张鑫，李甲骏，李世昌，等.基于电磁耦合的电网定向电压励磁自适应调控J.微型电脑应用，2 0 2 1，37参考文献(2):72-75.9 张涛.基于脉冲涡流的传感器设计及仿真研究.电子测量技术，2 0 2 0，43（12）：16 3-16 7.10王安泉，孙国健，孙亮，等.基于曲面拟合的脉冲涡流测厚方法J.无损检测，2 0 2 1，43（4）：51-56.11余兆虎，付跃文，江礼凡，等小径管脉冲远场涡流检测研究J.机械工程学报，2 0 2 1，57（6）：10-18.12孙杰，李绪丰，胡华胜，等.金属保护层厚度对PEC检测结果影响的试验研究J.无损探伤，2 0 2 0，44（2）：17-20.（收稿日期：2 0 2 2-0 5-18）定位数据融合算法研究J.微型电脑应用，2 0 2 0，36(3):1-3.2 陈红梅，钱进，刘建娟，等.INS/UWB的姿态估计的室内导航无缝切换J.计算机仿真，2 0 2 0，37（8）：315-318.3】周牧，耿小龙，谢良波，等.室内Wi-Fi/PDR自适应鲁棒卡尔曼滤波融合定位方法J.电子学报，2 0 19，475000300001000定位值/mm754.434548.444543.666264.73微型电脑应用2 0 2 3年第39 卷第9 期(1):9-15.4李博心，祁浩然，鲁祥，等.室内定位算法与技术综述J.电子元器件与信息技术，2 0 2 0，4（1）：47-50.5于海洋，曹俊，纪怀猛.基于UWB的室内导航系统研各方向误差/mm究J.数字技术与应用，2 0 2 0，38（3）：138-139.5.566 吴鹏，于世东.基于UWB室内送餐机器人定位信息1.55系统J.计算机系统应用，2 0 2 1,30（1：10 1-10 5.6.337周琳，李晓明，江先志.基于UKF的环境自适应UWB/DR室内定位方法JI.计算机系统应用，2 0 2 0，35.2629(5):175-181.8 DAS S,SUGANTHAN P N.Differential Evolution:aSurvey of the State-of-the-ArtJ.IEEE TransactionsonEvolutionaryComputation,2011,15(1):4-31.9 YUE C T,SUGANTHAN P N,LIANG J,et al.Dif-ferential Evolution Using Improved Crowding Dis-tance for Multimodal Multi-objective OptimizationJ.Swarm and Evolutionary Computation,2021,62:100849.（收稿日期：2 0 2 2-0 1-12）67.