具体实施方式

下面结合附图和具体实施方法对本发明做进一步详细说明。

本发明的一种基于UWB和LoRa的单基站无线定位系统如图1所示，包括UWB定位标签模块、UWB探测模块、LoRa无线通信模块、处理终端和电源模块。

UWB定位标签模块置于待测目标上，用于采集待测目标的位置信息数据。选择型号STM32F103C8T6芯片作为主控制器。选择型号DW1000作定位芯片。选择低剖面、高增益、抗干扰的超宽带天线作为UWB定位标签模块的通讯天线。

UWB探测模块集成于单基站上，用于接收UWB定位标签模块的位置信息数据，再利用AOA算法计算UWB信号的到达角度，以及PDOA或TOF算法计算出待测目标与基站的距离，最终得到待测目标的位置坐标信息。经大量实验反复验证，其最远识别距离为300 m(≤300m)，定位精度为10 cm左右，而且还具有抗风阻特性，符合空气动力学，即当待测目标高速运动时不易损坏。

UWB探测模块集成了双天线或多天线，选择保持固定距离d的天线作为基站模块的通讯天线，分别命名为天线1、天线2。利用双天线的细波束来区分多径信号，并选取两条能量最强的信号。

利用AOA算法计算UWB信号的到达角度，以及PDOA或TOF算法计算出待测目标与基站的距离具体为：

定位原理如图2所示，具体介绍如下：从图2中所描绘的几何形状可以看出两条能量最强的信号路径长度的差异p与天线1和2之间的距离d和到达角θ，三者之间的关系为；考虑一个信号波长，其中f是它的载波频率，c表示光速；那么，两信号到达相位差与p和的关系为；因此，推导出PDOA到达相位差和AOA到达角θ之间的关系为。

另外，根据一条信号发送与接收的相位差(即PDOA算法)，计算出标签到基站的距离，即;

或根据测量UWB信号在基站与标签之间往返的飞行时间t _TOF （即TOF算法），计算出标签到基站的距离，即。

LoRa无线通信模块采用自组网通信模式，该自组网网络结构主要为LoRa采集单元、LoRa中继单元和LoRa终端单元。针对UWB单基站定位，本发明提出了两种组网方式：

第一种是常规的组网方式，如图3所示。将LoRa采集单元，置于单基站上，用于接收UWB探测模块发送的待测目标位置信息。N个LoRa中继单元，直接单独置于LoRa采集单元与LoRa终端单元之间，用于长远距离无线数据传输。LoRa终端单元，与处理终端相连接，用于接收LoRa中继单元传输的位置数据并上传至处理终端处理。

第二种是多个单基站进行组网，如图4所示。将LoRa采集单元，置于单基站上，用于接收UWB探测模块发送的待测目标位置信息。接着，将N个置于单基站上的LoRa采集单元用作LoRa中继单元，即单个基站与单个基站之间进行组网传输通信，单基站上的LoRa模块既作为LoRa采集单元又作为LoRa中继单元，有效地实现了长远距离的无线数据传输，极大地减小了数据传输成本和架设难度。LoRa终端单元，与处理终端相连接，用于接收中继单元传输的位置数据并上传至处理终端处理。

由于UWB技术为短距离通信，其最远通信距离只能达到几百米级别，常用的基站传输数据的方式为有线传输，但这需要大规模的布置线缆，将耗费大量的人力、物力、财力，而LoRa无线通信技术，是一种兼具长远距离和低功耗特点的技术。因此，本发明融合了UWB单基站精准定位技术和LoRa无线通信技术，将UWB定位位置信号通过LoRa无线自组网传输的方式，进行了远距离、无线、实时、稳定的传输。

LoRa模块选择芯片型号ASR6505，是一款基于SX1262的LoRa终端模组，集成了LoRa射频芯片SX1262和主控芯片STM8L152。为体现集成化，将采集单元的LoRa模块与定位基站模块集成于一体，实现了一款UWB+LoRa的单基站模块。

处理终端用于解析、计算、处理UWB探测模块通过LoRa无线通信模块发送的位置信息数据，其中，利用修正的卡尔曼滤波算法对数据进行滤波处理，实现实时滤除异常位置坐标点，提取有效数据并进行滤波处理，再利用处理后的数据进行可视化显示设置。包括：

根据UWB指定的上报命令协议，提取、解析、计算有效位置信息数据；

利用修正的卡尔曼滤波算法对数据进行滤波处理，实现实时滤除异常坐标点；

在处理后的数据的基础上，设计开发可视化交互界面。

上述上报命令协议为十八字节数据的Hex格式；第一字节为起始字节，固定为ASCII码的“*”；第二字节为数据长度；第三字节为序号；第四、五字节为定位标签地址；第六字节为定位标签与UWB定位基站的有效位；第七至十字节为定位标签与UWB定位基站的角度信息；第十一至十四字节为定位标签与UWB定位基站的距离信息；第十五至十六字节为第三方定义数据；第十七位为校验位；第十八位为结束字节，固定为ASCII码的“#”。

进一步的，修正的卡尔曼滤波算法为：

（1）对每5个位置信息数据求取平均值，进行平均处理。

（2）定义模型参数，初始化输入数据值s(k)=[z(0) 0]，实际测量值d=z(0)，测量时间间隔dt=0.01s，状态转移矩阵初始化，噪声耦合矩阵初始化，激励噪声w(k)对应的协方差矩阵，测量噪声对应的协方差矩阵，状态协方差矩阵，，其中q=10，r=10。

（3）由上一时刻状态值S对下一时刻状态值S_prediction进行预测更新，计算状态协方差矩阵。

（4）计算卡尔曼增益，校准误差，式中Z _measure指实际测量值；测量值校正目标的最优估计，更新状态协方差矩阵，式中I为单位矩阵。

（5）间断式采用卡尔曼滤波算法进行数据处理，以1 min为间隔，对卡尔曼滤波算法进行刷新处理，即每间隔1 min初始化与卡尔曼滤波算法相关的矩阵，从而消除因迭代次数的累计而带来的误差，有效地提高定位精度。

进一步的，可视化交互界面包括：对定位目标位置坐标的实时显示；对定位目标进行分类管理；用户可自定义设置危险区域范围；可通过输入时间节点，查询历史轨迹。

可视化交互界面设计流程如图5所示，实现了实时显示定位目标轨迹，精准定位目标。并扩展了其他应用功能，如定位目标位置坐标显示、定位目标分类管理、电子围栏预警、历史轨迹查询等等。所述电子围栏预警功能，可自定义设置禁止围栏区域。若有目标进入该区域时，将触发电子围栏功能，进行语音报警提醒。所述历史轨迹查询功能，用户可通过输入时间节点信息，提取该时间段的位置信息数据，从而进行历史轨迹查询。