传感网中UWB和IMU融合定位的性能评估

段世红 姚 翠 徐 诚 何 杰

(北京科技大学计算机与通信工程学院 北京 100083) (材料领域知识工程北京市重点实验室(北京科技大学) 北京 100083) (duansh@ustb.edu.cn)

位置信息是物体的基本属性之一.随着无线传感器网络(wireless sensor network, WSN)的蓬勃发展,传感器网络中节点位置信息的获取变得尤为重要.超宽带(ultra-wideband, UWB)和惯性测量单元(inertial measurement units, IMU)以其高定位精度,在WSN中得到了广泛应用.UWB精度高,但容易受多径效应和节点间的相对几何位置关系影响.IMU惯性测量单元能够提供连续的惯性信息,但累积误差问题难以解决.基于IMU和UWB结合的融合定位方法,能够在提高定位精度的同时补偿UWB的多径效应影响和IMU的误差累积问题.因此,提出一种新的基于UWB和IMU的融合定位方法,实现传感网中目标节点的高精度位置追踪,并通过计算克拉美罗下限(Cramer-Rao lower bound,CRLB)表征融合定位方法的空间定位性能验证其在解决多径和几何拓扑问题上的有效性,通过计算后验克拉美罗下限(posterior Cramer-Rao lower bound,PCRLB)表征融合定位方法的时间定位性能验证其在累积误差纠正上的有效性,为基于UWB和IMU融合定位算法的设计和仿真提供理论支持.实验结果表明:融合定位方法具有更好的时空定位性能,更能接近实际应用的理论精度下限.

关键词传感器网络;融合定位;超宽带;惯性测量单元;克拉美罗下限;后验克拉美罗下限

无线传感器网络(wireless sensor network, WSN)由大量传感器节点组成,是一种全新的信息获取和处理技术,在现实生活中得到了越来越广泛的应用,如军事领域中实时监视战场状况、生态领域中环境监测和生物种群研究、工业领域中建筑物安全状况的检测等.其中的许多监测信息需要附带相应的位置信息,因此传感器网络中节点位置信息的获取至关重要.无线传感器网络最简单的定位方法是为每个节点装载全球定位系统(global positioning system, GPS)接收器[1],用以确定节点位置.但是由于经济因素、节点能量制约以及GPS对部署环境有一定条件的限制,导致这种方案的可行性较差.目前采用最多的定位方法是基于测距的方法[1],比较主流的3种测量方法:1)基于时间的方法,包括基于信号到达时间(time-of-arrival, TOA)的方法[2-3]和基于信号到达时间差(time-difference-of-arrival, TDOA)的方法[4-5];2)基于到达信号角度(angle-of-arrival, AOA)的方法[6-7];3)基于接收信号强度(received signal strength, RSS)的方法[8-9].超宽带(ultra-wideband, UWB)由于其准确的延迟分辨率,能够提供精确的TOA到达时间估计,因此在传感网定位系统中应用广泛[10-11].然而,UWB测距方法容易受到多径效应和节点间相对几何位置关系的影响.近年来,惯性导航作为一种辅助定位方法能够补偿UWB的多径效应和几何拓扑问题,嵌入传感器的惯性测量单元(inertial measurement units, IMU)如加速度计、陀螺仪、磁力计等能够提供一系列连续的惯性信息,从而提高定位精度[12-13].本文提出了一种UWB和IMU融合定位方法,将UWB测距信息以及IMU的惯性信息融合起来,来定位传感网中的目标节点.

在定位过程中,由于信号在传输过程中会受到噪声、干扰、多路径等随机现象的影响,节点的位置估计会存在不确定性,从而影响定位精度.定位系统性能评估标准主要有几何精度因子(geometric dilution of precision, GDOP)[14-15]、克拉美罗下限(Cramer-Rao lower bound,CRLB)[16-18]、后验克拉美罗下限(posterior Cramer-Rao lower bound,PCRLB)[19-20],其中CRLB比较常用.文献[16]提出了基于CRLB的线性定位估计问题,给出了最小CRLB的推导过程;文献[3,17]给出了UWB测距系统中基于TOA方法的位置估计误差下限,得出在不存在多径的理想情况下,CRLB与UWB脉冲宽度及信噪比(signal-to-noise ratio, SNR)有关;文献[18]提出了在传感网中一种基于半定理编程的节点定位算法,目标节点(target node, TN)的位置信息可以由锚节点(anchor node, AN)的位置信息及其他惯性信息(如加速度和方位角)来确定,并进一步导出了相应的CRLB.

然而CRLB仅仅关注空间状态下相对位置间的关系对定位目标精度的影响,忽略了时间信息,如文献[18],不能满足定位系统中对时间评估的要求.PCRLB考虑了时域信息[19-20],可以作为定位系统性能的另一个评价标准;文献[19]将基于无线电定位的位置估计、惯性传感器测量和随机游走模型结合起来,推导了用于惯性传感器增强的移动定位的PCRLB;文献[20]使用混合的射频(radio frequency, RF)和图像处理定位技术来定位胶囊内窥镜检查中的胶囊位置,以PCRLB作为性能评估的框架,实现了毫米级的定位精度.

基于以上分析,本文首先介绍了无线传感网融合定位系统中状态转换和测量模型,然后推导了CRLBPCRLB,最后进行了实验仿真.实验结果表明,本文提出的融合定位方法具有更好的时空定位性能,更能接近实际应用的理论精度下限.

1无线传感网融合定位系统建模

我们将UWB测距系统与惯性测量单元IMU结合,用来定位随机移动模型中节点的位置.

ck=(P,N)T=(xPk,yPk,xNk,yNk)T表示移动节点在状态k时的状态向量,其中k=1,2,…,K,K为总观察数.(xPk,yPk)表示世界坐标空间中节点的2D坐标;(xNk,yNk)表示节点移动方向的标准向量.令zk表示移动节点在状态k时的测量向量,则该系统的状态方程和观测方程被定义为

(1)

其中,qk表示过程误差,即基于IMU惯性测量单元的误差,服从协方差为Q的高斯分布;rk表示测量误差,即UWB测距的误差,服从协方差为R的高斯分布;矩阵Ak和矩阵Hk分别表示状态转移矩阵和测量关系矩阵,分别为

(2)

其中,dk表示基于IMU惯性测量单元测得的步长;

(3)

卡尔曼滤波算法是用一套数学递推公式对系统状态进行最优估计使系统状态的估计值有最小均方误差的估计方法.如果令表示ck的一个无偏估计,表示ck的先验估计值,误差协方差的先验估计后验估计为则可以利用卡尔曼滤波来融合基于UWB和IMU的传感信息.无线传感网融合定位方法的数学描述如算法1所示.

算法1. 传感网融合定位系统中的卡尔曼滤波.

① 初始化z1,c1,P1,令c1=z1;

② fork=1,2,…,Kdo

③ 预测状态向量:

④ 预测误差协方差先验估计:

⑤ 更新旋转矩阵:R=RRkR-1;

⑥ 计算卡尔曼增益:

⑦ 更新状态向量:

⑧ 更新误差协方差后验估计:

⑨ end for

2性能评估

最初无线传感网的定位性能由CRLB进行评估,其中的观察结果彼此独立,反映了空间状态下相对位置间的关系对定位目标精度的影响.然而考虑到时域信息,观察结果之间的独立性不再存在,当前状态移动节点的位置信息需要该节点在前一状态的位置信息来判断,即通过先验信息得到后验信息,因此引入了后验CRLB,即PCRLB.

本节主要介绍CRLB的推导和PCRLB的推导.我们定义为一阶导数,bTa为二阶导数;定义p(a)为随机变量a的概率密度函数;定义tr{·}为矩阵的迹.

2.1误差分析

基于UWB和IMU的融合定位方法也会产生一定的误差.基于UWB测距定位方法在测量目标节点与锚节点之间的距离时由于环境干扰等因素会造成测距误差;基于IMU惯性器件(如加速度计、陀螺仪等)的定位方法在定位过程中会获得一系列惯性信息如加速度、角速度等,将这些惯性信息进行姿态解算[21]可以获得目标节点的步长信息以及角度信息,由于惯性信息本身存在误差,因此获得的步长信息以及角度信息也会存在误差.由此我们可以得出,基于UWB和IMU的融合定位方法的误差来源主要有:UWB的测距误差以及IMU的步长误差和角度误差.

假设状态k时目标节点TN的坐标为mk=(m1,k,m2,k)T;第n个锚节点AN的坐标为an=(a1,n,a2,n)T,n=1,2,…,N,其中N为锚节点的个数.目标节点的状态转移图如图1所示.假设目标节点的状态信息矩阵为m=(m1,m2,…,mK)TK为总的状态数,对于状态信息矩阵中的每一个元素可以得到:

mk=mk-1+dkwk+rk,

(4)

其中,dk为状态k到状态k+1时节点的移动步长,wk=(cosφk,sinφk)T表示节点的移动方向,rk表示由步长误差和角度误差造成的整体误差.

Fig. 1 State transition of the target node
图1 目标节点的状态转移

基于IMU惯性测量单元测得的步长估计可以表示为

(5)

其中dk为实际步长:

(6)

uk为步长误差,服从均值为0、方差为的高斯分布.

基于IMU惯性测量单元测得的角度估计表示为

(7)

其中φk为实际角度:

(8)

vk为角度误差,服从均值为0、方差为的高斯分布.

除了基于IMU惯性测量单元获得这些位置信息之外,我们还可以基于UWB测距方法测得目标节点与锚节点之间的距离估计:

(9)

其中sn,k为目标节点TN和第n个锚节点AN之间的实际距离:

(10)

ek为UWB测距误差,服从均值为0、方差为的高斯分布.

2.2空间性能评估CRLB

CRLB定义了无偏估计量方差的理论下限,假设mk的一个无偏估计,则:

(11)

其中J(mk)为费舍尔信息矩阵,在定义费舍尔信息矩阵之前,我们先定义联合概率密度函数:

(12)

其中:

(13)

(14)

(15)

根据式(12),我们可以得出费舍尔信息矩阵中的元素:

(16)

将式(12)~(15)带入式(16),可得费舍尔信息矩阵:

(17)

其中,


},

(18)



},

(19)


}.

(20)

2.3时间性能评估PCRLB

如本节开头所说,不考虑时域信息时,CRLB最常用于提供系统性能的理论下限.利用后验信息如步长和角度,再加上时间信息,我们可以将CRLB扩展到PCRLB.在推导PCRLB之前,我们先定义联合概率密度函数:

(21)

的均方误差(RMSE)由费舍尔信息矩阵限制,如式(11)所示.而费舍尔信息矩阵J的表达式为

(22)

为了计算状态k时的费舍尔信息矩阵,定义:

(23)

其中:

因此:

(24)

子矩阵Jk可以通过该矩阵的伪逆求得,即:

(25)

k+1状态的联合概率密度pk+1

(26)

根据状态k+1的联合概率密度我们可以求出状态k+1的费舍尔信息矩阵J(m0:k+1):

(27)

其中,反映的是从状态k到状态k+1的后验信息,

(28)

(29)

(30)

βk+1反映的是基于UWB测距的位置信息,即:

(31)

J(m0:k+1)和Jk我们可以得到状态k+1的费舍尔信息矩阵,即:

(32)

由于步长误差uk、移动角度误差vk服从高斯分布,因此可以计算出其中:

(33)

(34)

(35)

因此,后验费舍尔信息矩阵:

Jk+1=βk+1+Hk-Hk(Jk+Hk)-1Hk,

(36)

进一步简化可得:

(37)

其中,βk+1反映了基于UWB测距的信息,Hk反映了基于IMU惯性测量单元的信息.

3实验仿真与结果

本节我们用所提出的方法计算CRLBPCRLB,来综合评估UWB和IMU融合方法的时空定位性能.设计一个40 m×40 m的2D正方形传感网环境,如图2所示.区域中部署了4个锚节点AN,坐标分别是(10,10),(10,30),(30,10),(30,30),区域中间分散着其他的目标节点TN,其中*代表锚节点,○代表目标节点.我们假设锚节点的通信范围可以覆盖整个区域,目标节点可以从锚节点接收到所需要的信息.

Fig. 2 Deployment of nodes in sensor network
图2 传感网中节点的部署图

3.1CRLB仿真

在计算CRLB时,我们可以根据式(17)计算费舍尔信息矩阵,从而得出CRLB.CRLB反映了空间状态下相对位置间的关系对定位目标精度的影响,假设目标节点在水平方向做匀速直线运动,如果目标节点的初始位置随机产生,则移动范围可以覆盖整个区域.假设运动速度为1 m/s,采样间隔为1 s,则:m1,k-m1,k-1=1 m,m2,k-m2,k-1=0 m,步长

我们主要从3个角度来分析不同因素对CRLB的影响.

1) UWB+IMU融合方法和单独采用UWB方法对CRLB的影响

图3和图4分别显示了在给定的UWB测距方差和IMU步长方差、角度方差下,融合定位系统在区域的每个位置可以产生的CRLB以及单独使用UWB测距定位产生的CRLB.UWB测距方差步长方差角度误差εk=ε=10°.从图3和图4可以看出,采用融合定位方法后,系统的定位精度最好可以达到0.27 m,与单独采用UWB测距定位方法相比,定位精度提高了5 cm.

Fig. 3 CRLB based on the proposed hybrid method
图3 基于UWB+IMU融合方法的CRLB

Fig. 4 CRLB based on UWB ranging
图4 基于单一UWB方法的CRLB

2) UWB测距误差和IMU步长误差对CRLB的影响

给定UWB测距方差角度误差εk,不同的步长方差对应的CRLB如图5所示.给定IMU步长方差角度误差εk,不同的UWB测距方差对应的CRLB如图6所示.从图5、图6可以看出:①当UWB测距方差和IMU角度误差一定时,CRLB与IMU步长方差成正比,IMU步长方差越大,CRLB越大,这也意味着,定位精度与IMU步长误差成反比.②当步长方差和角度误差一定时,UWB测距方差增大,CRLB也会增大,这说明CRLB与UWB测距方差成正比.③当步长方差和UWB测距方差一定时,角度误差增大,CRLB也会增大,这说明CRLB与IMU角度误差成正比.将图6与图5进行对比,我们可以看出:当增加IMU步长方差或者角度误差时,CRLB变化幅度较小,但增加UWB测距方差时,CRLB变化幅度较大,这意味着UWB测距方差对CRLB的影响较大.

Fig. 5 Average CRLB of different IMU step length error
图5 IMU步长误差对平均CRLB的影响

Fig. 6 Average CRLB of different UWB ranging error
图6 UWB测距误差对平均CRLB的影响

3) 锚节点的部署结构和数目对CRLB的影响

我们还研究了锚节点在不同位置以及锚节点数量不同时对系统定位精度的影响.我们采用了4种锚节点部署方式,如图7所示,其中*代表基站位置.按照不同的拓扑图,计算相应的CRLB,如图8~11所示.

Fig. 7 Different deployment of the anchor node
图7 锚节点的不同部署

Fig. 8 CRLB of Topology 1
图8 拓扑图1对应的CRLB

Fig. 9 CRLB of Topology 2
图9 拓扑图2对应的CRLB

Fig. 10 CRLB of Topology 3
图10 拓扑图3对应的CRLB

Fig. 11 CRLB of Topology 4
图11 拓扑图4对应的CRLB

从图8~11中可以看出:①当锚节点数目相同时,锚节点的部署形状越接近于矩形,定位精度越高.如图8所示,锚节点的部署形状为正方形,最坏的CRLB=0.32 m,与图9和图10最坏的CRLB进行比较,精度分别提高了3 cm和5 cm.②图10的CRLB最大,即表示定位精度最差,可能是由于锚节点部署的太密集而导致.③图11的锚节点数目为6个,得到的最好CRLB=0.23 m,与图8的最好CRLB相比,精度提高了4 cm.

3.2PCRLB仿真

在计算PCRLB时,我们可以通过2.3节的公式递归地计算出费舍尔信息矩阵,由于式(28)~(30)中的方程表达式通常没有近似解,为了解决这个问题,我们采用蒙特卡罗方法将连续积分转换为离散求和,并最终计算出PCRLB.

PCRLB的均方根可以由表示.其中,表示在第i次蒙特卡罗实验中第k个状态时由移动节点的均方根误差(RMSE)得出的PCRLBL表示蒙特卡罗实验总次数,本文中L=1 000.假设移动节点初始位置为(1,1),然后随机运动,以保证整个目标节点移动过程的均衡.

基于IMU惯性测量单元测得的步长误差与实际步长成一定的比例关系,即σk=αdk,其中α为比例系数,角度误差εk=ε.基于UWB测距方法的误差方差随机运动通过随机产生2维平面2个方向的速度来体现,采样间隔为1 s.

从2个角度来分析不同因素对PCRLB的影响.

1) UWB+IMU融合方法中不同αεPCRLB的影响以及单独采用UWB方法和单独采用IMU方法对PCRLB的影响

Fig. 12 PCRLB of the proposed hybrid method
图12 基于UWB+IMU融合方法的PCRLB

图12显示了在UWB+IMU融合方法中,在不同αε下可实现的最小误差,我们还给出了单独使用UWB方法(即没有IMU惯性测量单元)以及单独使用IMU方法(即没有UWB测距定位)时可以实现的最小误差.从图12可以看出:①与基于单一UWB方法相比,基于UWB+IMU融合方法将IMU步长信息以及角度信息融合后,显著提高了移动节点的定位精度.单独使用UWB方法时,PCRLB=0.29m;采用融合方法后当α=0.05,ε=10°时,PCRLB=0.22m,定位精度为提高了7 cm.②与基于单一IMU方法相比,基于UWB+IMU融合方法将UWB测距信息融合后,补偿了基于IMU方法所产生的累积误差问题.③随着αε的增加,PCRLB也增加,这意味着UWB+IMU融合方法的定位精度与步长及角度误差成反比.④UWB+IMU融合方法的PCRLB在一定阶段后会趋于稳定.

2) 不同锚节点部署结构对PCRLB的影响

按照图7所示的不同拓扑图,我们可以计算出相应的PCRLB,这里α=0.1,ε=10°,如图13所示:

Fig. 13 PCRLB of different topologies
图13 不同拓扑结构产生的PCRLB

从图13可以看出:①相同数目的锚节点但不同结构的拓扑,对定位精度会产生不同的影响,但影响较小,如拓扑图1的PCRLB=0.235 m,拓扑图2的PCRLB=0.24 m,拓扑3的PCRLB=0.245 m,波动范围不超过1 cm.②不同数目的锚节点对定位精度产生的影响较大,拓扑4的PCRLB=0.205 m,将拓扑1和拓扑4进行比较,可以看出定位精度提高了3 cm.

4总结和展望

本文提出了一种基于UWB和IMU的融合定位方法,来实现传感网中目标节点的位置追踪.通过计算克拉美罗下限CRLB来表征融合定位方法的空间定位性能,验证其在解决多径和几何拓扑问题上的有效性.通过计算后验克拉美罗下限PCRLB来表征融合定位方法的时间定位性能,验证其在累积误差纠正上的有效性,为基于UWB和IMU融合定位算法的设计和仿真提供理论支持.实验结果表明,本文提出的融合定位方法具有更好的时空定位性能,更能接近实际应用的理论精度下限.

然而,虽然基于UWB和IMU的融合定位方法相比于单一UWB定位或单一IMU定位方法能够获得更好的性能,但其还是会带来一定的问题:1)设备复杂性问题.相对于单一的定位方法,融合定位方法必定会对硬件设计(如设备体积等)提出更高的要求,如何在满足实际要求的情况下,设计融合定位装置是未来工作中需要考虑和解决的.2)算法复杂性问题.融合定位过程中需要进行多源数据的处理,因此需要合适的融合算法对这些数据进行融合,融合算法带来的算法复杂性问题也是实际应用中需要考虑和解决的.3)资源分配和功耗问题.单独采用IMU方法时不需要部署锚节点,在目标间通信上节省了很大的资源,但UWB和IMU融合定位方法中,必不可少地需要进行目标节点与锚节点之间的资源分配和任务调度,同时相应的功耗也需要考量,因此,如何设计融合定位中的任务调度和通信处理,尽可能地降低系统功耗是我们下一步的研究重点.

参考文献

[1] Peng Yu, Wang Dan. A review: Wireless sensor networks localization[J]. Journal of Electronic Measurement and Instrument, 2011, 29(5): 389-399 (in Chinese)

(彭宇, 王丹. 无线传感器网络定位技术综述[J]. 电子测量与仪器学报, 2011, 29(5): 389-399)

[2]Xu Cheng, He Jie, Zhang Xiaotong, et al. Toward near-ground localization: Modeling and applications for TOA ranging error[J]. IEEE Transactions on Antennas & Propagation, 2017, 65(10): 5658-5662

[3]Dardari D, Chong C C, Win M Z. Improved lower bounds on time-of-arrival estimation error in realistic UWB channels[C] //Proc of the 6th IEEE Int Conf on Ultra-wideband. Piscataway, NJ: IEEE, 2006: 531-537

[4]Li Cong, Zhuang Weihua. Non-line-of-sight error mitigation in TDOA mobile location[C] //Proc of the 20th Global Telecommunications Conf. Piscataway, NJ: IEEE, 2001: 680-684

[5]Ho K C, Chan Y T. Solution and performance analysis of geolocation by TDOA[J]. IEEE Transactions on Aerospace & Electronic Systems, 1993, 29(4): 1311-1322

[6]Xu Jun, Ma Maode, Law C L. AOA cooperative position localization[C] //Proc of the 27th Global Telecommunica-tions Conf. Piscataway, NJ: IEEE, 2008: 1-5

[7]Venkatraman S, Caffery J J. Hybrid TOA/AOA techniques for mobile location in non-line-of-sight environments[C] //Proc of the IEEE Wireless Communications & Networking Conf. Piscataway, NJ: IEEE, 2004: 274-278

[8]Zhong Chen, Eliasson J, Makitaavola H. A cluster-based localization method using RSSI for heterogeneous wireless sensor networks[C] //Proc of the 6th Int Conf on Wireless Communications Networking and Mobile Computing. Piscataway, NJ: IEEE, 2010: 1-6

[9]Patwari N, Hero A O. Using proximity and quantized RSS for sensor localization in wireless networks[C] //Proc of the 2nd ACM Int Conf on Wireless Sensor networks & applications. New York: ACM, 2003: 20-29

[10]Gezici S, Tian Z, Biannakis G B, et al. Localization via ultra-wideband radios: A look at positioning aspects for future sensor networks[J]. IEEE Signal Processing Magazine, 2005, 22(4): 70-84

[11]Hirsch O, Janson M, Thomä R S. Indirect localization and imaging of objects in an UWB sensor network[J]. IEEE Transactions on Instrumentation & Measurement, 2010, 59(11): 2949-2957

[12]Lee S, Kim B, Kim H, et al. Inertial sensor-based indoor pedestrian localization with minimum 802.15.4a configura-tion[J]. IEEE Transactions on Industrial Informatics, 2011, 7(3): 455-466

[13]Xu Cheng, He Jie, Zhang Xiaotong, et al. Geometrical kinematic modeling on human motion using method of multi-sensor fusion[J]. Information Fusion, 2017,41: 243-254

[14]Zirari S, Canalda P, Spies F. A very first geometric dilution of precision proposal for wireless access mobile networks[C] //Proc of the 1st Int Conf on Advances in Satellite and Space Communications. Piscataway, NJ: IEEE, 2009: 162-167

[15]Sharp I, Yu Kegen, Guo Yingjie. GDOP analysis for positioning system design[J]. IEEE Transactions on Vehicular Technology, 2009, 58(7): 3371-3382

[16]Tseng P H, Feng Kaiten. Derivation of CRLB for liner least square estimator in wireless location systems[J]. Wireless Networks, 2012, 18(7): 735-747

[17]Shaban H A, Abou E M, Buehrer R M. Toward a highly accurate ambulatory system for clinical gait analysis via UWB radios[J]. IEEE Transactions on Information Technology in Biomedicine, 2010, 14(2): 284-291

[18]Zhang Yueyue, Zhu Yaping, Shen Liangfeng. A semidefinite relaxation approach to positioning in hybrid sensor networks[C] //Proc of the 85th IEEE Vehicular Technology Conf. Piscataway, NJ: IEEE, 2016: 1-5

[19]He Ziming, Ma Yi, Tafazolli R. Posterior Cramer-Rao bound for inertial sensors enhanced mobile positioning under the random walk motion model[J]. IEEE Wireless Commu-nications Letters, 2012,1(6): 629-632

[20]Geng Yishuang, Pahlavan K. Design, implementation, and fundamental limits of image and RF based wireless capsule endoscopy hybrid localization[J]. IEEE Transactions on Mobile Computing, 2016, 15(8): 1951-1964

[21]Zhang Ronghui, Jia Hongguang, Chen Tao, et al. Attitude solution for strapdown inertial navigation system based on quaternion algorithm[J]. Optics and Precision Engineering, 2008, 16(10): 1963-1970 (in Chinese)

PerformanceEvaluationofUWBandIMUFusionPositioninginWirelessSensorNetwork

Duan Shihong, Yao Cui, Xu Cheng, and He Jie

(SchoolofComputerandCommunicationEngineering,UniversityofScienceandTechnologyBeijing,Beijing100083) (BeijingKeyLaboratoryofKnowledgeEngineeringforMaterialsScience(UniversityofScienceandTechnologyBeijing),Beijing100083)

AbstractLocation is one of the basic properties for an object. With the development of wireless sensor network (WSN), the requirements for sensor nodes’ location have become more and more important in practical applications. Ultra-wideband (UWB) and inertial measurement units (IMU) have been widely used in WSN due to their high positioning accuracy. UWB is of high accuracy but it is susceptible to multipath effects and relative geometric position relationships between nodes. IMU can provide continuous inertial information, but cannot solve the cumulative error problem. Thus, the fusion positioning method based on UWB and IMU can compensate the UWB multipath effect and IMU error accumulation problem, and finally improve the positioning accuracy. In this paper, a new fusion positioning method based on UWB and IMU is proposed to realize the high-precision position tracking of the target nodes in sensor network. TheCRLB(Cramer-Rao lower bound) is calculated to characterize the spatial location performance of the fusion positioning method, and thePCRLB(posterior Cramer-Rao lower bound) is calculated to characterize the temporal positioning performance of the fusion localization method. BothCRLBandPCRLBare used to provide theoretical support for the design and simulation of the fusion positioning algorithms. Experimental results show that the proposed fusion method has better positioning performance in both temporal and spatial aspects, which is closer to the theoretical lower bound of practical application.

Keywordssensor network; fusion positioning; ultra-wideband (UWB); inertial measurement units (IMU); Cramer-Rao lower bound (CRLB); posterior Cramer-Rao lower bound (PCBLB)

中图法分类号TP391

通信作者何杰(hejie@ustb.edu.cn)

基金项目国家重点研发计划项目(2016YFC0901303);国家自然科学基金项目(61671056,61302065,61304257,61402033);北京市自然科学基金项目(4152036);天津市重大科技专项(16ZXCXSF00150)This work was supported by the National Key Research and Development Program of China (2016YFC0901303), the National Natural Science Foundation of China (61671056, 61302065, 61304257, 61402033), the Beijing Natural Science Foundation (4152036), and the Tianjin Special Program for Science and Technology (16ZXCXSF00150).

修回日期:2017-11-28

收稿日期2017-09-12;

(张荣辉, 贾宏光, 陈涛, 等. 基于四元数法的捷联式惯性导航系统的姿态解算[J]. 光学精密工程, 2008, 16(10): 1963-1970)DuanShihong, born in 1973. PhD, associate professor. Her main research interests include patter recognition, low frequency wireless communication and Internet of things.

YaoCui, born in 1994. Master candidate. Her main research interests include patter recognition and Internet of things (m13021192768@126.com).

XuCheng, born in 1988. PhD candidate. Member of CCF. His main research interests include patter recognition and Internet of things (xucheng19880202@foxmail.com).

HeJie, born in 1983. PhD, associate professor. His main research interests include patter recognition, low frequency wireless communication and Internet of things.