王 剛 馬 娜 徐 強 姜 華 黃薛凌 諸 軍

（1. 國家電網無錫供電公司 2. 中國科學院上海高等研究院）

0 引言

隨著電子技術與通信技術的發(fā)展，人們對室內定位的需求與日俱增，如倉庫、醫(yī)院、監(jiān)獄、商場等場所都需要有高精度的定位信息。同時室內環(huán)境與室外環(huán)境的差異，使得一些優(yōu)秀的室外定位算法和系統(tǒng)無法應用在室內環(huán)境，如手機GPS的定位精度可達幾米到幾十米，在室外環(huán)境下可以很好地滿足應用需求，但是在室內環(huán)境下卻無法應用。室內定位的特殊性體現在以下幾方面：

1）高定位精度要求。在變電站內，運維操作人員可活動的空間范圍是有限的，快速進行近電報警尤為重要，這就要求定位系統(tǒng)的精度在分米級以下。在進入變電站內，運維操作人員是不斷移動的，因此定位系統(tǒng)應該能對移動目標提供跟靜止目標差不多的定位精度。

2）支持多目標跟蹤。在運維操作中，任何拿到操作票的操作人員均可進入變電站內，形成一個多人協(xié)作的空間，其定位系統(tǒng)應該能跟蹤多個對象，準確地區(qū)分其ID。

3）方向性要求。在室內，被人攜帶的定位單元往往會隨著人們的日?；顒佣欢ǖ馗淖兂?，當定位單元的朝向改變的情況下，不應該中斷或丟失其位置信息或產生較大的偏差。因此定位系統(tǒng)應該能對方向的改變有一定的免疫力。

4）具有便攜性。定位單元需要安裝在安全帽上，因此需要裝置小巧、輕便，便于嵌入到安全帽中。

1 室內定位

1.1 定位系統(tǒng)

目前，國內外提出了許多定位技術解決方案，如紅外線定位技術、超聲波定位技術、RFID定位技術、藍牙技術、UWB定位技術、計算機視覺技術以及WSN定位技術等。這些定位技術都有各自的適用環(huán)境以及優(yōu)缺點，具體優(yōu)缺點的對比如表1所示。

通過表中各定位技術的定位精度和優(yōu)缺點對比，本文利用無線傳感器網絡技術實現運維人員的精確定位和監(jiān)控系統(tǒng)，并實現三維動態(tài)顯示，進而加強智能變電站內的安全管理。

1.2 定位算法

目前，有兩類傳感器節(jié)點定位算法：基于測量距離的定位算法（Range-Based）、與測量距離無關的定位算法（Range-Free）?；诰嚯x的定位算法首先使用測距技術測量相鄰節(jié)點間的實際距離或方位，然后使用三角計算、三邊計算、雙曲線計算、多邊計算、極大似然估計、模式識別等方法進行定位。與測量距離無關的定位算法是根據網絡的連通性進行網絡節(jié)點間跳數來確定，并根據參考節(jié)點的已經位置等信息估計每一跳的距離，進而估計節(jié)點在網絡中所在的位置，主要包括APIT算法、質心算法、DV-Hop算法、Amorphous算法。

表1 室內定位技術對比

與測量距離無關的定位算法復雜，能耗高，在定位過程中容易導致節(jié)點過早死亡。基于測量距離的定位技術主要有：測量無線信號的到達時間（TOA）、測量無線電信號強度（RSSI）、測量聲波與無線電到達的時間差（TDOA）、測量無線信號到達角度（AOA）。其中AOA的角度信息是需要通過天線波束賦形來實現，算法復雜度高；RSS對路徑損耗模型的依賴性強，對具體信道環(huán)境極為敏感；TOA和TDOA都是以節(jié)點時間與世界調整時間（UTC）同步為前提的測距方法，TDOA采用硬件支持以獲得更高的測距精度。

本文采用計算量小和易于實現的Chan氏定位算法，采用兩步最大似然估計，具有解析表達式，是一種非遞歸的算法。當基站數達到4個及以上時，且TDOA距離差的誤差較小時該算法給出了能達到克拉美-羅界（CRLB）的表達式解。

2 變電站站運維現場的精確定位系統(tǒng)

2.1 定位場景幾何分布

變電站運維現場多目標精確定位系統(tǒng)結合了TDOA測距和精確時間同步技術，實物測試環(huán)境選取面積為10m×20m的實驗室環(huán)境，實驗室內中心位置擺放矩形實驗臺，室內空間相對空曠。實驗室內布置一個無線數據傳輸基站，在墻壁上安裝著6個定位信標節(jié)點，智能定位終端采用便攜式安裝在安全帽上面。定位參數是智能定位終端的三維坐標，根據雙曲線定位法原理，通過已經標定位置的定位信標的數據進行計算得到。目標節(jié)點的RF收發(fā)器選擇TI的CC1101芯片，采用無需申請頻段許可的433MHz，通過發(fā)射功率的配置，保證在實驗環(huán)境內提供射頻信號的全覆蓋；超聲波收發(fā)器采用的是20kHz的超聲。實驗室的定位系統(tǒng)分布圖如圖1所示。

圖1 實驗室環(huán)境的定位系統(tǒng)分布圖

2.2 室內三維定位的實現

本系統(tǒng)的待定位節(jié)點實際坐標為（4.5，6.8，1.1），表2所示為定位算法計算得出的三維坐標。通過表2數據可以看出，X軸和Y軸的定位精度很高，但是Z軸的定位精度偏差很大。這是由于現場施工的限制，而導致Z軸的定位結果波動性很大。本文通過對定位信標節(jié)點進行評價篩選，對Z軸的計算結果進行修訂，進而得到較高的三維定位精度。

表2 Chan氏三維定位結果分析

2.2.1 定位信標節(jié)點的篩選

信號的時域瞬態(tài)過程的性能指標主要包括：延遲時間、上升時間、峰值時間等，本系統(tǒng)利用信號的上升時間和峰值時間的時域瞬態(tài)特性，提出了一種Z軸定位信標節(jié)點篩選算法，根據隸屬度函數判斷定位信標節(jié)點解碼后的語音信號，選擇其中信號質量最好的兩個信號進行Z軸坐標的計算，進而降低了Z軸的偏移誤差，提高三維定位的精度。

2.2.2 定位算法描述

變電站運維現場目標精確定位系統(tǒng)的定位流程圖如圖2所示，具體實現過程如下所述。

圖2 變電運維現場的室內三維定位流程圖

1）由無線數據傳輸基站、定位信標節(jié)點和智能定位終端組成的無線傳感器網絡，采用精確時間同步機制進行全網時間同步（時間同步誤差在5μs之內）。

2）無線數據傳輸基站根據應答包，進而確認有無運維人員進入監(jiān)控區(qū)域，一旦發(fā)現待定位人員進入監(jiān)控區(qū)域，馬上啟動TDOA定位功能。

3）各定位信標節(jié)點采集待定位人員攜帶設備發(fā)出的超聲波信號，進行TDOA三維定位運算。

定位信標Sensor 1、Sensor 2、Sensor 3和Sensor 4的坐標分別為(x1,y1,z1)，(x2,y2,z2)，(x3,y3,z3)，(x4,y4,z4)，智能定位終端的坐標為(x,y,z)；智能 定位終端到各定位信標的距離分別為d1、d2、d3、d4；有

將式（1）代入式（2），整理可得

利用Chan氏定位算法進行雙曲面方程組的求解，即可得到智能定位終端的初步估計位置。

4）根據超聲波信號的時域特性，進行定位終端節(jié)點的數據篩選，并根據評選結果，對Z軸數據進行校正。

3 實物測試結果

在實驗室的墻壁上安裝6個定位信標節(jié)點，定位信標節(jié)點的坐標分別為Sensor1（5.3，0.3，1.25）、Sensor2（5.3，0.2，2.3）、Sensor3（5.96，5.24，1.75）、Sensor4（5.89，4.19，1.73）、Sensor5（0.5，8，1.85）、Sensor6（0.6，8，0.82）。將智能定位終端放置在固定位置時，進行超聲定位，檢測定位效果。智能定位終端的實際三維坐標是（4.2，6.6，1.2），圖3為變電站運維現場目標精確定位系統(tǒng)計算過程圖，圖中紅色字體表示三維坐標的X軸、Y軸和Z軸方向的數據，單位是cm。通過本系統(tǒng)估算出來的智能定位終端的坐標為（4.61，6.69，1.21）。表3為待定位節(jié)點放置在不同位置時的定位結果，從表中數據可以看出，經過定位信標節(jié)點的篩選后，定位結果與真實坐標的均方差明顯變小，即定位精度明顯提高。

圖3 實驗室定位測試的結果

表3 基于定位信標節(jié)點篩選的三維定位結果

4 結束語

在變電運維作業(yè)現場，受定位精度及室內各種障礙等條件的限制，比較完善的定位技術目前無法很好地利用，因此變電站室內目標定位應用相對較少。本項目依據模糊隸屬度理論進行定位信標節(jié)點的篩選，解決了由于安裝條件限制而導致的Z軸定位波動較大的問題，通過實物測試結果表明，定位精度明顯提高，滿足變電站內人員精確定位的要求，解決了人員定位管理問題。

[1]谷紅亮, 史元春, 申瑞民, 等. 一種用于智能空間的多目標跟蹤室內定位系統(tǒng)[J]. 計算機學報, 2007, 30(9): 1607-1608.

[2]袁斌. 一種改進的基于TDOA的三維多點定位技術[J]. 信息與電腦(理論版), 2012(2): 104.

[3]鄭飛, 鄭繼禹. 基于TDOA的CHAN算法在UWB 系統(tǒng)LOS和NLOS環(huán)境中的應用研究[J]. 電子技術應用, 2007, 33(11): 110-113.

[4]Chan Y T, Ho K C. A simple and efficient estimator for hyperbolic location[J]. Signal Processing, IEEE Transactions on, 1994, 42(8): 1905-1915.

[5]CAO Bin, SHEN Dou, SUN Jiantao, et al. Feature selection in a kernel space [C]//Proceedings of the 24th International Conference on Machine Learning. New York: ACM, 2007: 121-128.