本公开涉及对目标进行无线定位的系统和方法，更具体地，涉及用于对车辆的具有不确定噪声的移动目标进行弹性超宽带(uwb)定位的系统和方法。
背景技术：
1、在室外环境下可以实现对移动目标的无线定位。然而，对于多个无线技术或网络(例如，wi-fi或蓝牙低能耗)，准确度可能有所不同。更具体地，由于信号反射、信号吸收和传感器误差在室外环境中导致的不确定噪声，会存在不准确的问题。
技术实现思路
1、因此，虽然当前的无线系统和方法实现了其预期目的，但是需要一种新的和改进的系统和方法用于定位车辆的弹性超宽带(uwb)目标。
2、根据本公开的一个方面，提供了一种用于定位车辆的弹性超宽带(uwb)目标的方法。方法包括在一个时间段内从至少三个uwb锚点和uwb标签接收传感器信号。传感器信号表示锚点坐标，和标签与每个锚点之间的实时距离。
3、方法进一步包括通过下述方程在所述时间段内将传感器信号对齐在对齐的时间戳处，以定义对齐的数据：
4、当时，
5、其中，tsi是时间段的初始时间戳，k是时间段的时间戳的数量，fi是固定数据上传频率，ti是对齐的时间戳，并且tsi+k/fi处于其上限。
6、在该方面中，方法进一步包括基于锚点坐标和实时距离来通过下述方程确定对齐的数据的交点，以定义交点：
7、
8、其中，np是交点总数，k是迭代，是n个圆中的组总数，并且noik是对齐的数据的一对非同心圆之间的交点数。
9、此外，方法进一步包括通过下述方程对交点进行聚类，以定义uwb锚点的至少一个点集群：
10、以及min(p)＝m2+1，
11、其中，∈是每个点之间的距离阈值，p是距离比率阈值，n是传感器的数量，并且是来自uwb锚点的对齐的数据的平均距离值，min(p)是最小点阈值，并且m是来自uwb锚点的信号数量。
12、另外，方法进一步包括通过下述方程确定至少一个集群的几何中心，以定义每个集群的标签的感测位置：
13、
14、其中，oc是至少一个集群的几何中心，pi是至少一个集群的点，并且n是至少一个集群的交点数。
15、此外，方法进一步包括基于贝叶斯概率函数来确定标签的实时位置，以通过下述方程将感测位置与标签的预测位置进行匹配：
16、
17、以及
18、
19、其中，lt是时间戳t处的实时位置，p是归一化位置参数，fbay是贝叶斯概率函数，是每个集群在时间戳t处的感测位置，是预测位置，fmov是基于运动的预测位置的移动函数，v是标签移动速度，θ是标签移动方向，ρ是至少一个集群的聚类质量，并且δ是至少一个集群的聚类方差。
20、在一个示例中，确定对齐的数据的交点的步骤包括确定由锚点的对齐的数据定义的一对圆。相对于距标签的当前距离rji，每个圆的坐标由下述方程定义：
21、每个锚点具有由下述方程定义的坐标：
22、ci＝(xi,yi)，对齐的数据被标示为：
23、ri＝ri1，ri2，…rimi，其中，是用于对齐的信号j的锚点i的圆，x是圆在x轴线上的坐标，xi是圆的中心在x轴线上的坐标，y是圆在y轴线上的坐标，并且yi是圆的中心在y轴线上的坐标，ri是来自每个锚点的测距信号的序列，是锚点的对齐的数据的第j个信号，并且表示当前距离。
24、确定对齐的数据的交点的步骤进一步包括通过下述方程确定一对圆之间的距离：
25、
26、其中，d是一对圆oi和oi’之间的欧几里德距离，并且通过下述方程确定一对圆之间的交点数：
27、
28、其中，noi是一对圆之间的交点数。
29、在另一个示例中，确定对齐的数据的交点的步骤进一步包括通过下述方程确定一对圆的交点坐标：
30、ij+<i，i+1>＝(x+,y+)和ij-<i，i+1>＝(x-,y-)，
31、其中，ij+<i，i+1>和ij-<i，i+1>是两个圆和的两个对称的交点坐标。
32、在又一个示例中，确定一对圆的交点坐标的步骤是通过下述方程：
33、
34、
35、以及
36、
37、其中，a和h分别由下述方程给出：
38、以及
39、在该方面的又一个示例中，对交点进行聚类的步骤包括通过下述方程计算至少一个集群中的每一个的聚类质量和聚类方差：
40、以及其中，ρ是聚类质量，e是至少一个集群中的多个点之间的误差，nc是至少一个集群中的点的数量，δ是聚类方差，pi是至少一个集群的点，oc是每个集群的几何中心。
41、在另一个示例中，确定标签的实时位置的步骤包括通过下述方程计算每个集群的每个感测位置的感测概率：
42、
43、其中，是感测概率，nci是集群之一中的点的数量，并且ncj是集群之一中的点。
44、在又一个示例中，确定标签的实时位置的步骤进一步包括将每个感测位置与标签的预测位置进行比较，以通过下述方程确定误差：
45、
46、其中，预测位置是基于uwb锚点的对齐的数据的，e是每个集群的总误差，并且etsj是感测位置和预测位置之间的误差。
47、在该方面的又一个示例中，确定标签的实时位置的步骤进一步包括基于最高感测概率或感测位置和预测位置之间的最小误差量来对每个感测位置进行排序，以定义标签的实时位置。
48、根据本公开的另一方面，提供了一种用于定位车辆的弹性uwb目标的系统。系统包括uwb标签，被布置成可移动并通过传感器信号进行跟踪；以及至少三个uwb锚点。每个uwb锚点与uwb标签通信，并且被布置成接收和发送传感器信号以用于跟踪uwb标签。
49、系统进一步包括与uwb锚点通信的网关。网关包括被布置成在一段时间内从uwb锚点接收传感器信号的电子控制单元(ecu)。传感器信号表示锚点坐标和标签与每个锚点之间的实时距离。
50、在该方面中，ecu包括预处理模块，被布置成通过下述方程在一个时间段内将传感器信号对齐在对齐的时间戳处，以定义对齐的数据：
51、当时，
52、其中，tsi是时间段的初始时间戳，k是时间段的时间戳的数量，fi是固定数据上传频率，ti是对齐的时间戳，tsi+k/fi处于其上限。
53、在该方面中，预处理模块被布置成基于标签以及锚点坐标和实时距离来通过下述方程确定对齐的数据的交点，以定义交点：
54、
55、其中，np是交点总数，k是迭代，是n个圆中的组总数，并且noik是对齐的数据的一对非同心圆之间的交点数。
56、ecu进一步包括聚类模块，被布置成通过下述方程对交点进行聚类，以定义uwb锚点的至少一个点集群：
57、以及min(p)＝m2+1，
58、其中，∈是每个点之间的距离阈值，p是距离比率阈值，n是传感器的数量，并且是来自uwb锚点的对齐的数据的平均距离值，min(p)是最小点阈值，并且m是来自uwb锚点的信号数量。在该方面中，聚类模块进一步被布置成通过下述方程确定至少一个集群的几何中心，以定义每个集群的标签的感测位置：
59、
60、其中，oc是至少一个集群的几何中心，pi是至少一个集群的点，并且n是至少一个集群的交点数。
61、ecu进一步包括贝叶斯模块，被布置成基于贝叶斯概率函数来确定标签的实时位置以通过下述方程将感测位置与标签的预测位置进行匹配：
62、以及
63、
64、其中，lt是时间戳t处的实时位置，p是归一化位置参数，fbay是贝叶斯概率函数，是每个集群在时间戳t处的感测位置，是预测位置，v是标签移动速度，θ是标签移动方向，ρ是至少一个集群的聚类质量，并且δ是至少一个集群的聚类方差。
65、在一个实施例中，预处理模块被布置成确定对齐的数据的交点，其中，预处理模块被布置成确定由锚点的对齐的数据定义的一对圆。相对于距标签的当前距离rji，每个圆的坐标由下述方程定义：
66、每个锚点具有由下述方程定义的坐标：
67、ci＝(xi,yi)。
68、对齐的数据被标示为：ri＝ri1,ri2,…rimi，
69、其中，是用于对齐的信号j的锚点i的圆，x是圆在x轴线上的坐标，xi是圆的中心在x轴线上的坐标，y是圆在y轴线上的坐标，并且yi是圆的中心在y轴线上的坐标，ri是来自每个锚点的测距信号的序列，是锚点的对齐的数据的第j个信号，并且表示当前距离。
70、在该实施例中，预处理模块被布置成通过下述方程确定一对圆之间的距离：
71、
72、其中，d是一对圆oi和oi’之间的距离。此外，预处理模块被布置成通过下述方程确定一对圆之间的交点数：
73、
74、其中，noi是一对圆之间的交点数。
75、在另一个实施例中，预处理模块被布置成确定对齐的数据的交点，其中，预处理模块被布置成通过下述方程确定一对圆的交点坐标：
76、ij+<i,i+1>＝(x+,y+)和ij-<i，i+1>＝(x-,y-)，
77、其中，ij+<i,i+1>和ij-<i,i+1>是两个圆和的两个对称的交点坐标。
78、在又一个实施例中，预处理模块被布置成通过下述方程确定一对圆的交点坐标：
79、
80、
81、以及
82、其中，a和h分别由下述方程给出：
83、和
84、在又一个实施例中，聚类模块被布置成对交点进行聚类，其中，聚类模块被布置成通过下述方程计算至少一个集群中的每一个的聚类质量和聚类方差：
85、和
86、其中，ρ是聚类质量，c是至少一个集群中的多个点之间的误差，nc是至少一个集群中的点数，δ是聚类方差，pi是至少一个集群的点，oc是每个集群的几何中心。
87、在另一个实施例中，贝叶斯模块被布置成确定标签的实时位置，其中，贝叶斯模块被布置成通过下述方程计算每个集群的每个感测位置的感测概率：
88、
89、其中，是感测概率，nci是集群之一中的点的数量，并且ncj是集群之一中的点。
90、在又一个实施例中，贝叶斯模块被布置成确定标签的实时位置，其中，贝叶斯模块被布置成将每个感测位置与标签的预测位置进行比较，以通过下述方程确定误差：
91、
92、其中，预测位置基于uwb锚点的对齐的数据，e是每个集群的总误差，并且etsj是感测位置和预测位置之间的误差。
93、在又一个实施例中，贝叶斯模块被布置成确定标签的实时位置，其中，贝叶斯模块被布置成基于感测位置和预测位置之间的最小误差量来对每个感测位置进行排序，以定义标签的实时位置。
94、在本公开的又一个方面中，提供了一种用于定位车辆的超宽带(uwb)标签的方法。方法包括在一个时间段内从至少三个uwb锚点接收传感器信号。传感器信号表示锚点坐标,和标签与每个锚点之间的实时距离。方法进一步包括在所述时间段内在对齐的时间戳处将传感器信号对齐以定义对齐的数据。
95、方法进一步包括基于锚点坐标和实时距离来确定对齐的数据的交点以定义交点。
96、在该方面中，方法进一步包括对交点进行聚类，以定义uwb锚点的至少一个点集群。
97、方法进一步包括确定至少一个集群的几何中心，以定义每个集群的标签的感测位置。此外，方法进一步包括用贝叶斯概率函数计算每个集群的每个感测位置的感测概率。
98、另外，方法包括将每个感测位置与标签的预测位置进行比较以确定误差。
99、此外，方法包括基于最高感测概率或感测位置和预测位置之间的最小误差量来对每个感测位置进行排序，以定义标签的实时位置。
100、在一个示例中，标签的实时位置是基于贝叶斯概率函数的，以将感测位置与标签的预测位置进行比较。
101、在另一个示例中，对交点进行聚类的步骤包括计算至少一个集群中的每一个的聚类质量和聚类方差。
102、在又一个示例中，基于感测位置和预测位置之间的最小误差量对每个感测位置进行排序来更新感测概率。
103、依据本文中所提供的描述，其它适用范围将变得显而易见。应当理解，描述和具体示例仅用于说明的目的，并不旨在限制本公开的范围。
1.一种用于定位车辆的弹性超宽带(uwb)目标的方法，所述方法包括：
2.根据权利要求1所述的方法，其中，确定所述对齐的数据的交点包括：
3.根据权利要求2所述的方法，其中，确定所述对齐的数据的交点包括：
4.根据权利要求3所述的方法，其中，通过下述方程确定所述一对圆的交点坐标：
5.根据权利要求1所述的方法，其中，对所述交点进行聚类包括通过下述方程计算所述至少一个集群中的每一个的聚类质量和聚类方差：
6.根据权利要求1所述的方法，其中，确定所述标签的实时位置包括通过下述方程计算每个集群的每个感测位置的感测概率：
7.根据权利要求6所述的方法，其中，确定所述标签的实时位置进一步包括将每个感测位置与所述标签的预测位置进行比较，以通过下述方程确定误差：
8.根据权利要求7所述的方法，其中，确定所述标签的实时位置进一步包括基于最高感测概率或所述感测位置和所述预测位置之间的最小误差量来对每个感测位置进行排序，以定义所述标签的实时位置。
9.一种用于定位车辆的弹性uwb目标的系统，所述系统包括：
10.根据权利要求9所述的系统，其中，被布置成确定所述对齐的数据的交点的预处理模块进一步被布置成确定由所述锚点的所述对齐的数据定义的一对圆，每个圆具有由下述方程定义的坐标：
