智能手机音频信号与MEMS传感器的紧耦合室内定位方法.docx
- 文档编号:26245099
- 上传时间:2023-06-17
- 格式:DOCX
- 页数:21
- 大小:730.58KB
智能手机音频信号与MEMS传感器的紧耦合室内定位方法.docx
《智能手机音频信号与MEMS传感器的紧耦合室内定位方法.docx》由会员分享,可在线阅读,更多相关《智能手机音频信号与MEMS传感器的紧耦合室内定位方法.docx(21页珍藏版)》请在冰豆网上搜索。
智能手机音频信号与MEMS传感器的紧耦合室内定位方法
智能手机音频信号与MEMS传感器的紧耦合室内定位方法
摘要:
基于智能手机内置的传感器,开展了音频信号和MEMS传感器的紧组合室内定位研究。
首先,将时频分析技术用于音频信号TOA估计,提出了一种基于短时傅里叶变换和优化互相关方法的两步估计方法。
之后,研究了一种基于音频TDOA和行人航迹推算的紧组合定位算法,静态测试的平均定位精度为0.238m,相比最小二乘方法提高了38.66%。
最后,针对动态定位中存在的问题,研究了一种基于预测状态的多普勒效应补偿和异步到达时间补偿的方法,改正了TDOA估计中,由分时播发架构及行人动态移动引入的多普勒时间偏差和位置误差。
动态测试的平均定位精度和方差分别为0.513m和0.104m2,相比于未做修正补偿的标准组合算法定位精度提高了27.64%,且测试的3款手机(华为Mate20、OnePlus6和GooglePixel3)定位性能相当且无明显差异。
关键词:
室内定位 智能手机 音频信号 行人航迹推算 多源融合
Tightly-coupledintegrationofacousticsignalandMEMSsensorsonsmartphonesforindoorpositioning
Abstract:
Basedonthebuilt-insensorsofasmartphone,atightly-coupledintegratedindoorpositioningsolutionwasdevelopedbasedontheacousticrangingsignalandmeasurementsfromotherbuilt-insensors.First,atwo-steptimeofarrival(TOA)estimationmethodbasedonshort-timeFouriertransformandenhancedcross-correlationisperformedtoachieveanaccurateTOAestimate.HavingobtainedtheaccurateTOAestimates,studiesonatightly-coupledintegratednavigationalgorithmbasedonTDOAandPDRiscarriedout.ThealgorithmtakestheadvantageofthecomplementarityofPDRandacousticrangingobservablestoeffectivelyimprovepositioningaccuracyinadynamicpositioningscenario.Inordertoevaluatetheperformanceoftheproposedalgorithm,fieldtestsforstaticcaseanddynamiccasewerecarriedout.Inthestatictestcase,anaveragepositioningaccuracyof0.238mwasachievedwithanimprovementof38.66%comparedtotheleastsquaresolutionpurelybasedonacousticrangingobservables.Forthedynamictestcase,amethodbasedonpredictedstateofDopplercompensationwasappliedforDopplercorrectionsoftheTDOAobservables.Furthermore,asynchronousTOAcompensation,whichcausedbythefactthatTOAmeasurementsarenotestimatedinthesameepoch,wasalsoappliedbeforefeedingtothepositioningalgorithm.Thetestresultsdemonstratedthatpositioningaccuracyindynamiccaseis0.513m.ComparedtothesolutionwithoutapplyingtheDopplercorrectionsandtheasynchronousTOAcompensations,theperformanceisimprovedby27.64%.Threemobilephones(HuaweiMate20,OnePlus6andGooglePixel3)wereusedinthefieldtest,theperformanceofthepositioningalgorithmisconsistenceinallthreedifferentphones.
Keywords:
indoorlocalization smartphone acousticsignal pedestriandeadreckoning multi-sourcefusion
高精度高可用的室内定位技术对人们未来的生活起着至关重要的作用,是推动大众创新、万众创业的科技源动力,是支撑新型基础设施建设,乃至国家战略需求的重要组成部分。
日前,北斗三号全球卫星导航系统正式开通,在天基、地基增强技术的辅助下,精度已可以满足绝大部分室外定位需求。
但由于卫星信号的遮挡、衰减和屏蔽,GNSS定位技术在室内无法提供可靠的位置服务。
据统计,人们有70%~90%的时间是在室内度过,同时随着城市化的不断加速,室内空间的面积总和飞速增加,基于位置的服务(locationbasedservice,LBS)的大量需求与应用已经从室外转向了室内。
因此,高精度室内定位技术具有非常广阔的应用前景和重要的社会价值[1-2]。
随着智能手机飞速发展,其计算能力也越来越强劲,搭载的传感器也越来越丰富,其中可用于室内定位的包括:
射频传感器、麦克风、摄像头、磁力计、运动传感器等。
基于智能手机的室内定位技术也多种多样,根据信号物理类型可分为:
射频信号(蜂窝信号[3]、WiFi[4-7]、BLE[8-9])、音频信号[10-11]、图像[12-13]、地磁场[14]、运动信号[15-16]。
表1对比了基于智能手机室内定位技术特点及典型精度。
不难看出,表1中总结的室内定位技术都有各自的优势以及局限性[17],单一的定位技术难以做到像室外环境的GNSS一样的普适性。
此外,新款智能手机支持的室内定位技术(UWB、WiFiRTT、5G、BLE5.1)均有着不错的商用推广潜质,但到目前为止室内定位技术尚未明了,其主要受制于:
①室内建筑隔绝GNSS信号,绝大部分情况下无法定位;②室内环境拓扑复杂,定位场景多样;③室内声、电信道环境复杂;④用户行为复杂多变,运动轨迹难以预测;⑤智能手机的搭载的传感器性能有限。
表1 基于智能手机的室内定位技术特点及其精度Tab.1 Thecomparisonofindoorpositioningtechnologybasedonsmartphone
传感器
定位源
精度
特点
射频传感器
蜂窝信号
1~500m(2/3/4/5G)
2/3/4G定位精度低,5G能够提供高精度定位服务
WiFi
3~20m(RSS)
指纹数据库的更新、维护工作繁重,定位性能严重依赖数据库更新频率和精度;基于信号衰减模型的测距极易受到环境的影响;由于手机系统的限制,扫描频率受到严重制约
1~2m(RTT)
需要配套支持MC协议的WiFi热点,同一时间热点响应个数有限
<1m(CSI)
需要制定的网卡,指纹法同依赖指纹库的实时性;基于CSI的测角方法计算量大,容易受到环境影响
低功耗蓝牙
1~3m(RSS)
需布设信标,且布设密度高,单个信标成本低,且作用范围小;基于信号衰减模型的测距极易受到环境的影响
0.3~1m(AOA)
单基站定位,计算量大、系统复杂度高、基站天线成本高,响应用户个数有限
麦克风
可听波段声波
0.03~0.6m
需专业布设发射端,音频信号在时分、频分、空分的基础上,需其他定位手段辅助判别定位区域
摄像头
图像
0.1m
需要预先建立图像特征库,无法进行全局匹配,定位精度受环境纹理、拍摄条件影响
磁力计
地磁场
1~5m
需要预先建立特征库,定位精度受环境磁场分布影响,无法初始化
运动传感器
行人航迹推算
<10%行进距离
相对定位,定位精度跟传感器器件精度、用户运动状密切相关
表选项
基于音频信号的室内定位技术,具有成本低、精度高、兼容性好的特点,非常适合消费级智能手机的室内定位场景,直接使用智能手机内置的麦克风,无须增加额外的设备。
但是,相比于无线射频信号,音频信号无法获得很高的更新频率,进而无法获得单位时间内具有统计意义的观测值。
因此单次的信号到达时间估计精度,直接影响了定位系统的精度及可用性。
由于室内环境复杂,衰减、混响效应严重,直接造成直达经的能量大幅度衰减甚至消失,造成较大的误差[18]。
在行人动态定位导航场景中,由人体或物体遮挡引发的“漏检测”,使得到达时间差(timedifferenceofarrival,TDOA)数量无法满足定位最低要求,导致定位失败。
此外,分时播发的策略和声速的缘故,使得运动状态下的行人检测到的到达时间时是异步的,同时与声源的相对运动会造成多普勒效应,在到达时间估计中引入一个或正或负的偏差,需要进行补偿。
针对以上问题,本文提出了一种两步音频信号到达时间检测算法,利用行人航迹推算(pedestriandeadreckoning,PDR)和音频信号的互补性,开展了音频TDOA和PDR紧组合定位研究,并给出了基于预测状态的多普勒补偿改正和异步到达时间补偿的方法。
1音频信号到达时间估计1.1音频信号设计
Chirp信号[19]是当前应用最广泛的脉冲压缩信号,是典型的非平稳信号,具有较大的能量带宽,较好的自相关特性和较强的抗干扰能力,同时对多普勒频移不敏感。
选取Chirp信号作为发射的定位信号,其定义为
(1)
式中,f0为Chirp信号起始频率;k0为Chirp信号调频率;T为Chirp信号的持续时间。
Chirp信号的抗干扰能力可以用持续时间T×B来度量,B为带宽,乘积越大抗干扰能力越强。
通常,人耳的听觉范围约为20Hz~20kHz,且绝大部分的人对大于16kHz的高频声音不敏感[20-21],一方面,考虑到用于定位的信号应当尽可能不产生噪声,选取16kHz作为起始频率,另一方面,为了尽可能适配消费级智能终端,选取44.1kHz作为大采样率,因此依据奈奎斯特(Nyquist)采样定理选取21kHz作为截止频率,具体参数见表2。
表2 Chirp信号参数Tab.2 ParametersofChirpsignal
Chirp信号参数定义
参数
起始频率f0
16kHz
调频率k0
100kHz/s
持续时间T
50ms
采样频率fs
44.1kHz
表选项
在室内,音频定位基站播发的声波会通过不同路径反射到达智能手机的麦克风。
由于传播路径、反射面,反射路径长度各不相同,智能手机接收到的声音信号可以看作是不同能量与时延信号的叠加,可定义为
(2)
式中,h(t)为室内环境的信道脉冲响应(channelimpulseresponse,CIR);αi为路径的衰减系数或者信道增益;τi为路径传播时延。
一般的室内环境中的背景噪声主要分布在可听的低频段,因此在音频信号处理之前,本文设计了10阶高通Butterworth滤波器[22]来过滤低频信号,削弱其对后续处理的影响。
1.2到达时间估计
本文提出了一种两步法到达时间估计方法,首先对滤波后的数据进行短时傅里叶变换(short-timeFouriertransform,STFT),计算求得当前窗口的时频矩阵。
利用已知的Chirp信号的调频率,对矩阵进行旋转变换,求得矩阵在水平轴上的能量累计,计算相邻能量累计的变换量来粗略地估计音频信号的到达时刻;然后以粗检测的时刻为基准,前后截取滤波后的数据,与模板信号求解互相关运算,再利用最高峰向前倒序进行峰值搜索,选取第一个超过阈值的时刻,作为最终的到达时刻估计。
STFT通过在时域给信号加窗口的方法获得信号的局部频谱。
对于信号s(t),其STFT定义为
(3)
式中,γ(t)为窗函数。
时频矩阵旋转角度θ可由调频率k0计算得到
(4)
由此,可得变换后的时频矩阵TFθ(F′, T′)表达为
(5)
构建统计量旋转能量累积量Π(F′),即变换后的时频矩阵投影在F′轴上的能量累积量为
(6)
计算旋转能量累积量Π(F′)的变化量ΔΠ(F′)来进行波谷检测,最后通过逆旋转变换,来实现对Chirp信号到达时间Tc的快速粗略估计
(7)
在之后的处理中,以粗检测时间戳Tc为基准,前后各截取N/2检测窗口大小的采样数据,用来和模板信号求解广义互相关度。
室内混响环境下,直达径的相关性通常不是检测窗口内的最大值,并且往往出现在相关性最大峰之前。
因此在定位到相关性的最大峰后,向前进行倒序回溯峰值搜索,选取第一个超过峰值阈值的时刻,作为信号的到达时刻估计
(8)
式中,α(0<α≤1)为阈值系数,本文选取α=0.3。
2行人航迹推算
PDR是针对行人定位导航场景的相对定位算法,图1表述了其基本原理:
利用三轴加速度计和陀螺仪,实时解算航向角,同时检测行人行走状态,用步长模型估计步长;基于上一步的位置,结合航向角与步长,推算当前脚步的位置。
图1 行人航迹推算原理Fig.1 Theprincipleofpedestriandeadreckoning
图选项
基本公式[23]如下
(9)
步长模型选取文献[5]提出的经验线性模型,模型如下
(10)
式中,SF和H分别代表步频和用户身高;a、b和c为模型参数,可以通过预先的标定和数据拟合获得。
四元数是一个具有4个元素的矢量表达形式,各个元素为矢量方向和转动大小的函数[24],相比方向余弦矩阵具有较低的冗余度,并且不存在不确定性,因此选取四元数作为PDR系统中姿态的表示方法,当进行位置推算时,将四元数转化为欧拉角的形式进行计算。
惯性传感器的更新率是极高的(本文设定为100Hz),PDR的输出是按照用户步频来进行输出(正常步频1~3Hz);相比而言,绝对定位源的更新频率通常不高,甚至是不固定的。
为了实现PDR结果与音频TDOA更新时间配准,本节将对脚步内位置进行插值,转换为行人行走速度
(11)
3音频TDOA和航迹推算组合导航
卡尔曼滤波器(Kalmanfilter,KF)[25]由R.E.Kalman博士于1960年提出,KF的显著特点是对状态空间的估计,即状态空间的一阶矩(期望)和二阶矩(方差或协方差)。
KF以一种“预测-更新”的模式对状态空间进行估计。
在预测阶段,依靠系统状态预测方程,递推预测状态向量及其时变的不确定误差。
在量测更新阶段,计算Kalman增益矩阵对观测信息和预测状态向量值加权平均,得到状态向量的最优估计值。
然而,在实际应用中的很多问题是无法用线性微分方差表述的,扩展卡尔曼滤波(extendKalmanfilter,EKF)通过对非线性函数进行一阶线性化,忽略高阶项,在牺牲部分精度的前提下,将非线性问题转化为线性问题。
在Kalman最优估计条件下,EKF是最小方差准则下的次优滤波器,适合于非线性度较低的系统[26]。
本文基于EKF滤波框架,充分利用音频TDOA和PDR的互补性,以PDR短时间内提供准确的相对增量作为纽带,研究了一种基于音频TDOA和PDR紧耦融合定位算法,并给出了基于预测状态的多普勒补偿改正和异步到达时间补偿方法,提高了系统的定位精度和可靠性。
3.1系统模型
选取东北天框架下的位置矢量[e n u]T以及PDR解算的航向与导航的绝对航线之间的夹角α作为系统估计状态,α由两部分组成,一部分为真实航向与PDR解算航向的夹角,系统启动后,当安装角不发生改变时,该夹角是一个常量;另一部分则是由传感器累积误差造成的角度,这部分角度变化与MEMS传感器的性能及导航持续时间相关
(12)
将PDR推算的位置的变化量[Δep Δnp Δup],内插为[vepdr vnpdr vupdr],直接用PDR计算的速度作为系统的动力学模型信息来求解状态向量估量,因此,4×4的系统状态转换矩阵Φk为
(13)
3.2量测模型
本文提出的音频定位系统采用时分多址(time-divisionmultipleaccess,TDMA)策略,如图2所示,完整的播发周期为1000ms,4个音频基站分别交替播发。
为了保证信号播发的顺序在定位范围内,不存在信号“后发先至”的情况,相邻播发的信号设置200ms的间隔时间。
则到达时间差TDOAi, j表示为
(14)
图2 时分播发策略Fig.2 Thestrategyoftime-divisionbroadcast
图选项
3.2.1多普勒效应改正
多普勒效应是指,当接收端与声源之间发生相对运动时,接收到的声波频率发生变化的现象。
多普勒频移的大小与相对运动的速度相关,而频移的正负由相对运动的方向决定,向声源方向移动频移为正,反之,远离声源方向频移为负。
它们之间定量的关系表达为
(15)
式中,Δf表示多普勒频移;fc和c为声波频率和声速;Δvp为用户运动速度v=[ve vn vu]在接收端声源向量p=‖xn-STAk‖上的投影。
本节直接使用系统估计状态
和PDR内插解算的速度[vepdr vnpdr vupdr]求解用户的运动速度v
(16)
(17)
因此多普勒频移产生的时间补偿Δt可以表达为
(18)
式中,F和T分别代表Chirp信号的频率范围和持续时间。
则第k个基站补偿后的到达时间表达为
(19)
3-2-2PDR辅助的TDOA量测补偿
在本文的信号分时播发策略下,用户端检测到的时间戳是异步的。
在动态模式下估计的TDOA中包含了保护间隔内用户运动带来的误差,因此需要将检测参考站到达时间TOAk′归化到检测观测站信号到达时刻TOAk+1′。
本节做了简化处理,通过用户运动的速度向量v,将参考站的坐标Sk进行平移,平移时间为观测站与参考站信号到达时间差,具体表达为
(20)
将多普勒效应改正和异步观测补偿后的距离差作为观测量构建量测方程
(21)
式中,TDOAn, n-1′为修正后的到达时间差,分别对应补偿后的基站坐标Sn′和Sn-1′;c为声音传播的速度;T表示空气的温度,计算公式如下
(22)
通过泰勒级数展开并忽略高阶误差,量测矩阵Hk可表示为
(23)
式中,
为系统在历元k的预测位置;riS=[EiS NSi UiS]为对应编号为i修正后的基站坐标。
4计算与分析4.1试验描述
本文设计了两组试验来评价定位精度,测试场地为武汉大学诗琳通中心大厅。
如图3(a)所示,现场测试区域约为203m2,部署4个音频基站,基站间通过433MHz无线模块进行时间同步。
音频信号播发的策略如图2所示。
测试用手机型号及操作系统版本为华为Mate20(AndroidP),OnePlus6(AndroidP)和GooglePixel3(AndroidP),手机搭载的运动传感器(加速度计、陀螺仪)采样率设置为100Hz,音频信号的采样率为44.1kHz。
本文试验中,静态测试的参考真值由LeicaNovaTS60全站仪测量;动态测试是由测试人员背着360°全向棱角,全站仪自动跟踪棱镜并每0.15s提供3mm精度的真值参考。
图3 测试场景Fig.3 Experimentalsite
图选项
4.2静态定位试验
本文试验评价了定位算法的静态精度,图3(a)在现场测试区域中设置了30个静态测试点,并使用LeicaNovaTS60全站仪测量的位置作为真值基准,测试人员使用3部手机分别在测试点上采集1min的数据。
本文试验从定位精度的角度出发,利用最小二乘算法,对比了粗检测TOA和两步检测TOA的定位表现;并且对比了提出的融合定位算法和最小二乘算法的结果。
图4给出了静态定位试验的误差累计百分比,LS(粗检测)定位结果的50%、95%和最大误差分别为0.646m、1.142m和1.865m。
EKF(粗检测)融合定位结果的50%、95%和最大误差分别为0.521m、0.943m和6.999m。
LS(两步检测)定位结果的50%、95%和最大误差分别为0.273m、1.146m和2.016m。
EKF(两步检测)融合定位结果的50%、95%和最大误差分别为0.133m、0.885m和1.546m。
图4 室内静态定位误差累计百分比Fig.4 Cumulativeerrorpercentagesofstaticlocalizationerrors
图选项
从静态测试结果来看,由于基于STFT的粗检测无法兼得时间和频率的精度,只能粗略地给出Chirp信号的到达时刻,解算出的TDOA结果存在“精度瓶颈”;提出的两步检测则在粗检测的基础上,加入了优化互相关方法,提高了TDOA估计精度。
试验结果表明,基于最小二乘定位方法,两步检测算法比粗检测算法定位精度提升了38.72%,详细统计结果列于表3中。
由于PDR速度信息的约束,融合算法的平均定位精度相较LS又提高了38.66%,方差降低了35.05%。
静态测试中不存在手机与基站的相对位移,因此多普勒效应和异步观测带来的误差修正将在下个试验重点讨论。
表3 静态定位误差统计结果Tab.3 Thecomparisonofstaticpositioningerrors
统计量
粗检测-LS
LS
粗检测-EKF
EKF
均值/m
0.624
0.388
0.546
0.238
均方差/m
0.300
0.311
0.258
0.251
方差/m2
0.090
0.097
0.066
0.063
中位数/m
0.646
0.273
0.521
0.133
95th/m
1.142
1.146
0.943
0.885
最大值/m
1.865
2.016
2.296
1.546
最小值/m
0.011
0.027
0.058
0.011
表选项
4.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 智能手机 音频 信号 MEMS 传感器 耦合 室内 定位 方法