• ISSN 1673-5722
  • CN 11-5429/P

震后特殊环境下压埋人员精确定位算法

成鹏 肖东升

成鹏,肖东升,2024. 震后特殊环境下压埋人员精确定位算法. 震灾防御技术,19(1):191−198. doi:10.11899/zzfy20240119. doi: 10.11899/zzfy20240119
引用本文: 成鹏,肖东升,2024. 震后特殊环境下压埋人员精确定位算法. 震灾防御技术,19(1):191−198. doi:10.11899/zzfy20240119. doi: 10.11899/zzfy20240119
Cheng Peng, Xiao Dongsheng. Algorithm of Accurate Location of Buried Personnel in Special Environment after Earthquake[J]. Technology for Earthquake Disaster Prevention, 2024, 19(1): 191-198. doi: 10.11899/zzfy20240119
Citation: Cheng Peng, Xiao Dongsheng. Algorithm of Accurate Location of Buried Personnel in Special Environment after Earthquake[J]. Technology for Earthquake Disaster Prevention, 2024, 19(1): 191-198. doi: 10.11899/zzfy20240119

震后特殊环境下压埋人员精确定位算法

doi: 10.11899/zzfy20240119
基金项目: 国家自然科学基金(51774250);西南石油大学测绘遥感地信与防灾应急青年科技创新团队(2019CXTD07);四川省区域创新合作项目
详细信息
    作者简介:

    成鹏,男,生于1998年。硕士研究生。主要从事地震压埋人员的定位研究。E-mail:1784262989@qq.com

    通讯作者:

    肖东升,男,生于1974年。博士,教授。主要从事地震压埋人员定位与防灾减灾技术研究。E-mail:xiaodsxds@163.com

Algorithm of Accurate Location of Buried Personnel in Special Environment after Earthquake

  • 摘要: 针对目前对震后压埋人员定位精度较低、探测设备成本高且易受环境影响等不足,提出适用于压埋环境特性的压埋人员手机WiFi定位方法,通过衰减因子模型对WiFi探针获取的RSSI数据进行距离解算,结合简化压埋环境内部信号传输方式,采用高斯-卡尔曼滤波对获取的RSSI数据进行处理,通过模型测定的距离,利用改进附有参数的加权最小二乘平差方法,结合粒子群优化算法,最终得到压埋人员手机平面坐标位置。研究结果表明,该方法具有较高精度,在10 m×10 m范围内其平面坐标定位误差在0.3 m左右,可为震后压埋人员应急救援提供辅助决策。
  • 地震等自然灾害易造成人员压埋事故。震后72 h内对压埋人员实施救援,其存活率较高(肖东升等,2021)。因此,精确定位压埋人员位置可为压埋人员救援提供位置依据,具有重要意义。目前对压埋人员的定位主要是通过非接触式生命探测仪等方式(景裕等,2021),但其定位精度不高,易受环境干扰,无法应用于大范围下的精确定位。随着智能手机的普及,可通过定位压埋人员WiFi设备间接定位压埋人员(Tang等,2014)。基于RSSI(Received Signal Strength Indication)测距的方式(Bouet等,2009Choi等,2009Joho等,2009裴凌等,2017),可定位手机等WiFi设备,同时能获取压埋人员的MAC地址,可用于震后救援工作。陈雪纯等(2018)通过对不同场景进行参数模拟,构建信号衰减模型,同时改进加权质心定位算法进行定位,具有一定精度,但需要进行大量模拟试验,且受环境影响大。罗尚等(2020)通过构建最优压埋信号传输模型,对压埋信号穿出点进行定位,得到了较高的定位精度,但未考虑实际压埋环境内部对定位的影响。Ahn等(2018)利用相关系数法通过WiFi信号对压埋人员进行位置估计,定位误差在6 m左右。Moon等(2016)提出了通过无人机的方式,利用无线传感器和气压传感器数据融合定位压埋人员三维位置的方法,但精度不高。在压埋环境中,可通过间接定位压埋人员携带手机确定压埋人员位置,由于人体本身存在一定的身高以及所处压埋物间隙构成了空间,通常可认为定位精度达到1 m以下,搜救难度大大降低,即可准确找到压埋人员所处位置,实现压埋人员精确定位。

    压埋环境内部复杂,手机信号传输存在多种方式,且压埋物的结构严重影响信号点的传播。手机信号可能通过穿透、反射、衍生等多种方式到达接收端,且存在多路径效应,对接收的信号造成干扰(柴伦尚,2014)。选取适当的滤波方法可降低数据波动性影响,对于RSSI数据,主要的滤波方法有均值滤波(Pan等,2007)、中值滤波(Burian等,2002)、高斯滤波(李惠芬等,2004)、卡尔曼滤波(陈国良等,2015)等。选取适当的定位算法可得到更加精确的目标位置坐标,基于测距的定位算法有三角质心法、最小二乘法、最大似然法等(赵大龙等,2015胡洋等,2018何成文等,2021)。为了更加准确地定位震后压埋人员的位置,需要采用相关的无线信号衰减模型,通过适当的衰减模型得到更加准确的距离。常用的无线信号衰减模型主要有自由空间无线信号衰减模型、对数路径模型、衰减因子模型、K-M模型等(Lima等,2005陈群等,2012李桢等,2016)。

    本文根据压埋环境特性采用了适用于压埋环境的衰减因子模型,试验测定平均衰减因子量,通过路径损耗指数等确定衰减因子模型,通过衰减因子模型对RSSI数据进行距离解算,同时简化压埋环境下信号传输方式,确定信号传输距离即模型测定的距离与实际信号源距接收机之间的空间关系,从而准确地确定压埋人员手机具体位置坐标,实现对压埋人员的定位。试验模拟震后压埋环境,采用WiFi探针获取压埋环境下的手机RSSI数据,利用高斯-卡尔曼滤波的方法对RSSI数据进行处理,通过得到的衰减因子模型测定距离,最后根据改进附有参数的加权最小二乘平差的粒子群优化算法得到压埋人员平面位置,实现了适用于震后压埋人员的快速精确定位算法。

    震后压埋环境复杂,电磁波信道主要与倒塌建筑物的堆积方式有关,不同压埋环境下压埋人员手机信号不同,对于同一手机,其发射的电磁波也会经不同路径被接收机接收。通常来说,震后倒塌建筑物堆积方式与建筑物结构和倒塌方式、机理等有关。刘晶晶等(2017)根据建筑物倒塌方式将其分为倾斜型、塌落型及复合型。李亦纲等(2010)根据倒塌建筑物局部生存空间分为V型、悬臂型、倾斜支撑型、夹层型及复合型。目前大多文献对建筑物倒塌方式的分类基本类似,但不管以何种方式划分,压埋物下被压埋人员总是存在于一定的间隙中,如图1所示。震后压埋人员存活率随着时间的推移会迅速降低,因此精确快速定位压埋人员位置十分必要。本文根据压埋人员所处环境,基于较普遍的压埋物堆积方式,提出压埋人员定位算法,实现对压埋人员手机的定位,间接获取压埋人员相对位置。

    图 1  压埋环境示意
    Figure 1.  Schematic diagram of buried environment

    电磁波信号通过信道会发生衰落现象,通常分为大尺度衰落和小尺度衰落(武有文等,2017)。大尺度衰落包含电磁波路径损耗和阴影效应,路径损耗是由发射源信号功率的辐射扩散和信道的传播特性导致的,表现为随着距离的增加其信号强度衰减;阴影效应是由信号源与接收机之间的障碍物引起电磁波折射、反射、吸收、散射等导致的信号强度变化。对于压埋环境下的信号传输,电磁波主要受传播距离增加带来的路径损耗和障碍物效应带来的衰减影响。在压埋环境下,认为接收器接收到的电磁波主要存在折射和反射,即障碍物对电磁波阻挡能力较弱时穿透,障碍物对电磁波阻挡能力较强时通过反射的方式进行传输,对于其他情况视为误差处理。因此本文基于电磁波的折射和反射,针对简化的压埋物堆积方式,提出适用于压埋环境的信号传输模型,利用改进的附有参数加权最小二乘平差算法,实现对压埋人员手机的精确定位。

    电磁波在自由空间中的传播是其最基本的方式,电磁波信号在自由空间中扩散导致信号损耗,根据弗里斯(Frris)(Hata,1980)传输方程,自由空间中信号损耗与信号频率、接收信号功率及距离等有关,其表达式如下:

    $$ {P_{\mathrm{r}}} = {P_{\mathrm{t}}}{G_{\mathrm{t}}}{G_{\mathrm{r}}}{\left( {\frac{\lambda }{{4{\text{π}} r}}} \right)^2} $$ (1)

    式中,${P_{\mathrm{t}}}$${G_{\mathrm{t}}}$${G_{\mathrm{r}}}$为信号发射功率和收、发天线增益;$r$为接收机与发射源距离;$\lambda $为电磁波波长。

    如果在传播过程中,受到障碍物阻挡,电磁波穿透障碍物,其损耗理论上表示为:

    $$ {S_{ n}} = {S_{ 0}}\exp \left( { - \sum\limits_{k = 1}^n {{a_k}{h_k}} } \right) $$ (2)

    式中,${S_{ n}}$$n$层障碍物穿透损耗;${S_{ 0}}$为初始信号强度;${a_k}$为第$k$层障碍物衰减系数;${h_k}$为第$k$层障碍物厚度。

    大量统计试验表明,距发射源相距r处的路径损耗服从对数正态分布。当路径损耗以$dB$形式表示时,其概率密度服从正态分布,由此可得非自由空间下信号强度衰减与距离变化的对数路径模型为:

    $$ {P_{\mathrm{r}}}(d) = {P_{\mathrm{r}}}({d_0}) - 10N\lg \frac{d}{{{d_0}}} + {X_\sigma } $$ (3)

    式中,${P_{\mathrm{r}}}(d)$为距信号源$d$ m处的信号强度;$N$为路径损耗指数,与传播环境和信号频率有关;${P_{\mathrm{r}}}({d_0})$为常数;${X_\sigma }$为均值为0、方差为${\sigma ^2}$的高斯随机变量。

    在实际压埋环境中,由于不同方向、相同距离的接收机接收到电磁波信道不同,信号强度衰减也会不同,因此考虑实际情况选取衰减因子模型,作为压埋环境下无线信号衰减模型,其表达式如下:

    $$ {P_{\mathrm{r}}}{(d)_{{\text{dBm}}}} = {P_{\mathrm{r}}}{\left( {{d_0}} \right)_{{\text{dBm}}}} - 10{\gamma _{{\text{SF}}}}\lg \frac{d}{{{d_0}}} + F + {X_\sigma } $$ (4)

    式中,${P_{\mathrm{r}}}{\left( {{d_0}} \right)_{{\text{dBm}}}}$为常数,通常取距信号源1 m处的信号强度值;${\gamma _{{\text{SF}}}}$为路径损耗指数;F为压埋物的衰减因子,在外部环境中,其与信号源和接收机方向有关,在压埋环境内部与压埋物材料、位置等有关。

    在实际压埋环境中,压埋物的堆积方式不确定,因此本文将压埋物的堆积方式简化为特殊的压埋方式,通过简化后的压埋方式结合信号衰减模型,对压埋人员手机到接收机的距离进行解算,以实现对压埋人员的定位。压埋物简化方式如下:电磁波在传播过程中存在反射和透射,手机发出的电磁波在压埋人员所处的间隙中经过反射后从对电磁波阻挡能力较弱或缝隙处穿出,到达接收机,因此将该过程简化为手机发射的电磁波经过障碍物的2次反射,然后透射到达接收机。基于此种传输方式,根据信号衰减模型可得到接收机和手机的距离。

    传统RSSI定位主要通过采集不同坐标处的RSSI数据,利用对数路径模型,反算距离并进行定位。由于实际压埋环境中,无法得到准确的对数路径模型进行测距,导致此方法最终定位不准。采用衰减因子模型,需测定压埋环境的路径损耗指数和衰减因子,即得到准确的衰减模型后进行测距。由于不同方向上的衰减因子不同,因此需要选取不同方向进行测定取其平均值。

    根据式(2)可知,在大范围下,衰减因子服从正态分布。将压埋环境下的衰减因子模型转化为:

    $$ R_{\mathrm{d}} = - 10n\lg d + A + {\varDelta _i} + {X_\sigma } $$ (5)
    $$ A = \bar \alpha + R_{{\mathrm{d}}0} $$ (6)

    式中,$R_{\mathrm{d}}$为距信号源$d$处的信号强度值;$R_{\mathrm{d}0}$为距信号源${d_0}$处的信号强度值,由试验测定,一般取1 m;$\bar \alpha $为由试验测定的平均衰减因子;${X_\sigma }$为零均值高斯随机变量;${\varDelta _i}$为衰减因子变化量,是零均值高斯随机变量。

    将式(5)按下列方式转化:

    $$ R_{\mathrm{d}} = - 10n\lg d + A + {\varDelta _i} + {X_\sigma } = - 10n\lg d + A + 10n\lg {10^{\tfrac{{{\varDelta _i}}}{{10n}}}} + {X_\sigma } = - 10n\lg d \cdot {10^{ - \tfrac{{{\varDelta _i}}}{{10n}}}} + A + {X_\sigma } $$ (7)

    $m = {10^{ - \tfrac{1}{{10 n}}}}$,得到:

    $$ R_{\mathrm{d}} = - 10n\lg d \cdot {m^{{\varDelta _i}}} + A + {X_\sigma } $$ (8)

    通过滤波等方式减小由信号强度波动带来的${X_\sigma }$影响,并经过转化可得到实际距离的倍数,即$d \cdot {m^{{\varDelta _i}}}$

    由于接收机接收到的信号强度并非经信号源发射直接到达接收机,因此通过衰减因子模型解算的距离不是直线距离。本文将信号在压埋物下的传播简化为如下方式:信号源发出的电磁波信号在压埋人员所处的间隙中经过反射,穿出压埋物被接收机接收,如图2所示。

    图 2  压埋信号传输路径
    Figure 2.  Transmission path of buried signal

    图2中信号源$O$(手机)、接收机${A_1}$(WiFi探针)以及信号传输路径简化,并以压埋手机所处水平面做镜像点${A'_1}$,以压埋物所处平面做镜像点$O'$,可得到简化图3,其中$h$为接收机与信号源的水平高差,${h_0}$为压埋物下压埋手机所处间隙的宽度。

    图 3  数学关系
    Figure 3.  Mathematical relation diagram
    $$ d_i^2 = {({h_i} + 2{h_0})^2} + D_i^2 $$ (9)

    测量时同时设定所有WiFi探针为同一高度,可得:

    $$ D_i^2 = d_i^2 - {(h + 2{h_0})^2} $$ (10)

    式中,${D_i}$为第$i$个WiFi探针到信号源平距;${d_i}$为第$i$个WiFi探针得到的实际距离;$h$为WiFi探针与信号源的高差;${h_0}$为压埋物间隙的厚度。

    2.2.1   压埋信号源坐标定位

    坐标为$\left( {\hat x,\hat y,\hat z} \right)$的信号源到第$i$个WiFi探针的平面距离${L_i}$表示为:

    $$ {L_i} = \sqrt {{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2}} $$ (11)

    根据平距${D_i}$得到的对应误差${V_i}$为:

    $$ {V_i} = \sqrt {{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2}} - {D_i} $$ (12)

    设误差矩阵为:

    $$ {\boldsymbol{V}} = {[{v_1},{v_2},...{v_n}]^{\mathrm{T}}} $$ (13)

    由于每组WiFi探针之间的观测相互独立,按照最小二乘原理,所得$\left( {\hat x,\hat y} \right)$需满足${{\boldsymbol{V}}^{\mathrm{T}}}{\boldsymbol{PV}} = f(\hat x,\hat y) $, 即平面坐标$\left( {\hat x,\hat y} \right)$需满足下式:

    $$ f(\hat x,\hat y)= \min \left\{ {\left. {\sum\limits_{i = A}^D {{{\left( {\sqrt {{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2}} - {D_i}} \right)}^2}} } \right\}} \right. $$ (14)

    式(13)也可写为:

    $$ f(\hat x,\hat y)= \min \left\{ {\left. {\sum\limits_{i = A}^D {{{\left( {{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2} - D_i^2} \right)}^2}} } \right\}} \right. $$ (15)

    由于所有WiFi探针处于同一高度,与信号源的高差一致,将式(10)代入可得:

    $$f(\hat x,\hat y)= \min \left\{ {\left. {\sum\limits_{i = A}^D {{{\left( {{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2} + {{(h + 2{h_0})}^2} - d_i^2} \right)}^2}} } \right\}} \right. $$ (16)

    ${\left( {\hat x - {x_i}} \right)^2} + {\left( {\hat y - {y_i}} \right)^2} + {(h + 2{h_0})^2}$看作整体,为使其最小,对其取对数满足下式即可:

    $$f(\hat x,\hat y)= \min \left\{ {\left. {\sum\limits_{i = A}^D {{{\left( {\ln [{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2} + {{(h + 2{h_0})}^2}] - 2\ln {d_i}} \right)}^2}} } \right\}} \right. $$ (17)

    结合式(8),由于根据模型得到的距离并非实际距离,将其代入可得:

    $$ f(\hat x,\hat y)= \min \left\{ {\left. {\sum\limits_{i = A}^D {{{\left( {\ln [{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2} + {{(h + 2{h_0})}^2}] - 2\ln {d_i} + ( - 2\ln m){\varDelta _i}} \right)}^2}} } \right\}} \right. $$ (18)

    上式中$ ( - 2\ln m){\varDelta _i} $为零均值高斯随机变量,因此选用式(17)作为限制条件,同时利用模型得到的距离解算,不会对${\left( {\hat x - {x_i}} \right)^2} + {\left( {\hat y - {y_i}} \right)^2} + {(h + 2{h_0})^2}$对应的平面坐标$\left( {\hat x,\hat y} \right)$产生较大影响,可作为定位依据。

    由于距离越大,WiFi探针定位精度越低,定位误差越大,因此可设定权重$ {\omega _i} $为:

    $$ {\omega _i} = \frac{{\dfrac{1}{{{d_i}}}}}{{\displaystyle\sum\limits_{i = 1}^n {\dfrac{1}{{{d_i}}}} }} $$ (19)

    得到最终定位关系:

    $$f(\hat x,\hat y)= \min \left\{ {\left. {\sum\limits_{i = A}^D {{\omega _i}{{\left( {\ln [{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2} + {{(h + 2{h_0})}^2}] - 2\ln {d_i}} \right)}^2}} } \right\}} \right. $$ (20)

    根据相关算法可确定平面坐标$\left( {\hat x,\hat y} \right)$,参数$h + 2{h_0}$为信号源距WiFi探针的高差与2倍间隙距离之和。

    2.2.2   粒子群优化算法

    粒子群优化(Particle Swarm Optimization,PSO)算法基本思想是对粒子种群随机初始化,通过迭代找到最优解。在迭代中,粒子一般通过个体最优值iBest与种群最优值gBest更新和调节,更新方式如下:

    $$ \left\{ \begin{gathered} v_{i}^{k + 1} = \omega v_{i}^k + {c_1}{r_1}\left( {P_{i}^k - X_{i}^k} \right) + {c_2}{r_2}\left( {P_{{\mathrm{g}}}^k - X_{i}^k} \right) \\ X_{i}^{k + 1} = X_{i}^k + v_{i}^{k + 1} \\ \end{gathered} \right. $$ (21)

    式中,$v_i^k $为粒子i在第k次迭代中的速度;$P_i^k $为粒子i在第k次迭代中的局部最优解;$P_{\mathrm{g}}^k $为第k次迭代中的全局最优解;$\omega $表示惯性权重;${c_1}$${c_2}$分别表示个体最优和全局最优学习因子,用来控制粒子按其方向移动的最大步长,通常取2;${r_1}$${r_2}$为[0,1]范围内的随机数。

    本文选用粒子群优化算法寻求最优解,该算法效率快、精度较高,对应的平面内优化函数为:

    $$ \min \left\{ {\left. {\sum\limits_{i = A}^D {{\omega _i}{{\left( {\ln [{{\left( {\hat x - {x_i}} \right)}^2} + {{\left( {\hat y - {y_i}} \right)}^2} + {{(h + 2{h_0})}^2}] - 2\ln {d_i}} \right)}^2}} } \right\}} \right. $$ (22)

    本文采用与压埋环境较符合的混凝土砖块围成的区域搭建模拟压埋环境,尽量保持压埋物水平放置,将信号源置于压埋物下,对压埋物下的信号源进行定位。试验采用中科爱讯智能WiFi探针TZ-001为接收端,发射端为双频WiFi的小米6x手机,在10 m×10 m范围布设WiFi探针,采集多组不同位置压埋环境下的手机信号。按照图4所示方式布设各组WiFi探针,其中ABCD分别为4组WiFi探针,$O$为压埋物下信号源,同时建立坐标系,并配合相关软件进行数据采集。由于试验采用的WiFi探针配合相关软件使用,可读出不同手机WiFi信号的MAC地址,试验之前根据试验人员手机MAC可将不需采集的手机数据筛除,对于多个手机同时采集的情况也能根据手机MAC地址进行区分,因此对多部手机同时定位时不会相互造成干扰。

    图 4  多组WiFi探针的布设方式
    Figure 4.  Layout of multiple groups of WiFi probes

    由于试验采用WiFi探针为接收端,其接收到的RSSI数据存在一定的波动性,因此需要选取合理滤波方法降低数据的波动性,获取稳定的信号强度值。本文分别采用高斯滤波、卡尔曼滤波和高斯-卡尔曼混合滤波对获取的RSSI数据进行处理,得到部分数据处理结果,如图5所示。

    图 5  滤波性能比较
    Figure 5.  Comparison of filtering performance

    图5可知,高斯滤波可剔除奇异值,减小部分奇异值对结果的影响,在一定程度上能降低数据波动,但经过高斯滤波后的RSSI数据仍存在一定波动;卡尔曼滤波处理后的数据趋于稳定,但未消除奇异值的影响;高斯-卡尔曼滤波处理后的数据剔除了奇异值,同时具有较好的稳定性。采用对数路径模型对压埋环境路径损耗指数及1 m处的信号强度值等参数进行拟合,通过拟合后的参数对压埋信号源进行测距,部分结果如图6所示。由图6可知,高斯-卡尔曼滤波处理后的数据测距平均误差最小,因此选用高斯-卡尔曼滤波为滤波方案。

    图 6  不同滤波测距误差
    Figure 6.  Ranging error of different filters

    采用2种方案验证本文方法的先进性,方案1采用对数路径模型的方法测距,直接进行定位解算;方案2采用本文衰减因子模型测距,利用改进后的附有参数加权最小二乘平差算法进行定位解算。2种方案定位结果对比如表1所示,由表1可知,本文衰减因子模型相较于对数路径模型测距精度有了一定提升,改进后的定位算法对压埋人员手机定位误差更小,能更好应用于实际压埋人员的救援。

    表 1  模拟压埋环境下平面坐标定位结果(单位:米)
    Table 1.  Results of plane positioning in simulated buried environment(Unit:m)
    点号 方案1 方案2
    定位结果 测距中误差 定位误差 定位结果 测距中误差 定位误差 真实位置
    P1 (4.86,1.79) 1.63 3.21 (5.18,4.86) 0.25 0.23 (5,5)
    P2 (5.21,0.58) 2.3 3.51 (6.14,4.21) 0.32 0.25 (6,4)
    P3 (5.42,4.37) 2.8 1.73 (6.28,5.84) 0.54 0.32 (6,6)
    P4 (3.80,3.42) 2.5 2.59 (4.51,5.86) 0.43 0.53 (4,6)
    下载: 导出CSV 
    | 显示表格

    本文提出了面向地震压埋人员WiFi设备的精确定位算法,利用WiFi探针收集RSSI数据,采用衰减因子模型,得到模型测定的信号传输距离,结合简化后压埋物下信号的传输方式,确定实际信号源与WiFi探针之间的空间关系。采用高斯-卡尔曼滤波对得到的RSSI数据进行处理,根据模型转化后得到的距离,利用改进附有参数的加权最小二乘平差方法对压埋物下信号源位置定位解算。模拟试验结果表明,采用本文模型后的距离定位在10 m×10 m范围内,其距离绝对误差在0.4 m左右,相对误差在8%左右,坐标定位误差在0.3 m左右,相比传统RSSI定位坐标定位精度大幅度提高,可更好地为地震压埋人员救援提供位置依据。

  • 图  1  压埋环境示意

    Figure  1.  Schematic diagram of buried environment

    图  2  压埋信号传输路径

    Figure  2.  Transmission path of buried signal

    图  3  数学关系

    Figure  3.  Mathematical relation diagram

    图  4  多组WiFi探针的布设方式

    Figure  4.  Layout of multiple groups of WiFi probes

    图  5  滤波性能比较

    Figure  5.  Comparison of filtering performance

    图  6  不同滤波测距误差

    Figure  6.  Ranging error of different filters

    表  1  模拟压埋环境下平面坐标定位结果(单位:米)

    Table  1.   Results of plane positioning in simulated buried environment(Unit:m)

    点号 方案1 方案2
    定位结果 测距中误差 定位误差 定位结果 测距中误差 定位误差 真实位置
    P1 (4.86,1.79) 1.63 3.21 (5.18,4.86) 0.25 0.23 (5,5)
    P2 (5.21,0.58) 2.3 3.51 (6.14,4.21) 0.32 0.25 (6,4)
    P3 (5.42,4.37) 2.8 1.73 (6.28,5.84) 0.54 0.32 (6,6)
    P4 (3.80,3.42) 2.5 2.59 (4.51,5.86) 0.43 0.53 (4,6)
    下载: 导出CSV
  • 柴伦尚,2014. 基于灾害现场定位搜救技术的无线信道研究. 杭州:浙江大学.

    Chai L. S., 2014. Research of radio channel based on a localization rescue system in disasters. Hangzhou:Zhejiang University. (in Chinese)
    陈国良,张言哲,汪云甲等. 2015. WiFi-PDR室内组合定位的无迹卡尔曼滤波算法. 测绘学报, 44 (12):1314−1321

    Chen G. L., Zhang Y. Z., Wang Y. J., et al. 2015. Unscented Kalman filter algorithm for WiFi-PDR integrated indoor positioning. Acta Geodaetica et Cartographica Sinica, 44 (12): 1314−1321. (in Chinese)
    陈群,高星伟,郭杭等. 2012. ZigBee网络中RSSI的测距模型分析. 测绘科学, 37(5):38−39, 75.

    Chen Q., Gao X. W., Guo H., et al. 2012. Analysis of RSSI ranging model at ZigBee network. Science of Surveying and Mapping, 37(5): 38−39, 75. (in Chinese)
    陈雪纯,张入千,王立新. 2018. 基于Wi-Fi信号强度衰减模型的地震埋压人员定位方法研究. 华南地震, 38(4):10−16.

    Chen X. C., Zhang R. Q., Wang L. X. 2018. Research on positioning method of earthquake buried personnel based on signal strength attenuation model of wireless network. South China Journal of Seismology, 38(4): 10−16. (in Chinese)
    何成文,袁运斌,潭冰峰. 2021. 一种基于UWB TDOA定位模式的迭代最小二乘算法. 大地测量与地球动力学, 41(8):806−809.

    He C. W., Yuan Y. B., Tan B. F. 2021. An iterative least squares algorithm based on UWB TDOA positioning model. Journal of Geodesy and Geodynamics, 41(8): 806−809. (in Chinese)
    胡洋,田忠,伍习光等. 2018. 基于RSSI的无源信号定位算法研究. 自动化仪表,39(6):31−34.

    Hu Y., Tian Z., Wu X. G., et al. 2018. Study on the passive signal positioning algorithm based on RSSI. Process Automation Instrumentation, 39(6): 31−34. (in Chinese)
    景裕,曹育森,朱明明等. 2021. 非接触式生命探测技术研究现状与发展. 中国医疗设备,36(1):1−4.

    Jing Y., Cao Y. S., Zhu M. M., et al. 2021. Research status and development of non-contact life detection technology. China Medical Devices, 36(1): 1−4. (in Chinese)
    李惠芬,蒋向前,李柱. 2004. 高斯滤波稳健性能的研究与改进. 仪器仪表学报,25(5):633−637.

    Li H. F., Jiang X. Q., Li Z. 2004. Study and improvement of robust performance of Gaussian filtering. Chinese Journal of Scientific Instrument, 25(5): 633−637. (in Chinese)
    李亦纲,张媛,李志伟. 2010. 地震现场倒塌建筑物的搜救策略研究. 震灾防御技术,5(4):477−483.

    Li Y. G., Zhang Y., Li Z. W. 2010. Research of search and rescue plan for collapsed buildings on earthquake disaster site. Technology for Earthquake Disaster Prevention, 5(4): 477−483. (in Chinese)
    李桢,黄劲松,2016. 基于RSSI抗差滤波的WiFi定位. 武汉大学学报·信息科学版,41(3):361−366.

    Li Z., Huang J. S. 2016. WiFi positioning using robust filtering with RSSI. Geomatics and Information Science of Wuhan University, 41(3): 361−366. (in Chinese)
    刘晶晶,宁宝坤,吕瑞瑞等,2017. 震后典型建筑物倒塌分类及救援特点分析. 震灾防御技术,12(1):220−229.

    Liu J. J., Ning B. K., Lv R. R., et al. 2017. Classification of typical building collapse and analysis of rescue characteristics after the earthquake. Technology for Earthquake Disaster Prevention, 12(1): 220−229. (in Chinese)
    罗尚,肖东升,2020. 一种面向震后压埋人员的RSSI快速定位算法. 测绘科学,45(6):142−149.

    Luo S., Xiao D. S. 2020. An RSSI fast localization algorithm for buried personnel after earthquake. Science of Surveying and Mapping, 45(6): 142−149. (in Chinese)
    裴凌,刘东辉,钱久超,2017. 室内定位技术与应用综述. 导航定位与授时,4(3):1−10.

    Pei L., Liu D. H., Qian J. C. 2017. A survey of indoor positioning technology and application. Navigation Positioning and Timing, 4(3): 1−10. (in Chinese)
    武有文,洪利,姚振静等,2017. 地震废墟环境下Wi-Fi无线信号传播模型参数测量. 震灾防御技术,12(1):210−219.

    Wu Y. W., Hong L., Yao Z. J., et al. 2017. Parameter measurement of Wi-Fi radio signal propagating in constrction ruins by earthquake. Technology for Earthquake Disaster Prevention, 12(1): 210−219. (in Chinese)
    肖东升,钟祖峰,2021. 基于人类动力学的地震压埋人员先验在室率研究. 灾害学,36(1):54−59.

    Xiao D. S., Zhong Z. F. 2021. Research on indoor rate of the earthquake buried personnel based on human dynamics. Journal of Catastrophology, 36(1): 54−59. (in Chinese)
    赵大龙,白凤山,董思宇等,2015. 一种基于卡尔曼和线性插值滤波的改进三角质心定位算法. 传感技术学报,28(7):1086−1090.

    Zhao D. L., Bai F. S., Dong S. Y., et al. 2015. An improved triangle centroid location algorithm based on Kalman filtering and linear interpolation. Chinese Journal of Sensors and Actuators, 28(7): 1086−1090. (in Chinese)
    Ahn S., Lee G., Han D., 2018. A location estimating method of buried victims in collapsing area using Wi-Fi signals. In: Proceedings of the 2nd International Conference on Vision, Image and Signal Processing. Las Vegas: ACM, 49.
    Bouet M., Pujolle G. 2009. L-VIRT: range-free 3-D localization of RFID tags based on topological constraints. Computer Communications, 32(13−14): 1485−1494.
    Burian A., Kuosmanen P. 2002. Tuning the smoothness of the recursive median filter. IEEE Transactions on Signal Processing, 50(7): 1631−1639.
    Choi J. S., Lee H., Elmasri R., et al., 2009. Localization systems using passive UHF RFID. In: 2009 Fifth International Joint Conference on INC, IMS and IDC. Seoul: IEEE, 1727−1732.
    Hata M. 1980. Empirical formula for propagation loss in land mobile radio services. IEEE Transactions on Vehicular Technology, 29(3): 317−325. doi: 10.1109/T-VT.1980.23859
    Joho D., Plagemann C., Burgard W., 2009. Modeling RFID signal strength and tag detection for localization and mapping. In: 2009 IEEE International Conference on Robotics and Automation. Kobe: IEEE, 3160−3165.
    Lima A. G. M., Menezes L. F., 2005. Motley-Keenan model adjusted to the thickness of the wall. In: SBMO/IEEE MTT-S International Conference on Microwave and Optoelectronics. Brasilia: IEEE, 180−182.
    Moon H., Kim C., Lee W. 2016. A UAV based 3-D positioning framework for detecting locations of buried persons in collapsed disaster area. The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, XLI-B8: 121−124.
    Pan J. J., Tang Y. Y., Pan B. C., 2007. The algorithm of fast mean filtering. In: 2007 International Conference on Wavelet Analysis and Pattern Recognition. Beijing: IEEE, 244−248.
    Tang S. Y., Shu X. M., Shen S. F., et al. 2014. Study of personnel positioning in large area based on pseudo base station. Procedia Engineering, 71: 481−485.
  • 加载中
图(6) / 表(1)
计量
  • 文章访问数:  137
  • HTML全文浏览量:  36
  • PDF下载量:  10
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-08-04
  • 刊出日期:  2024-03-31

目录

/

返回文章
返回