一种Toeplitz和稀疏先验下基于深度神经网络的车辆定位方法

技术领域

本发明涉及车联网和智能交通领域，具体涉及一种Toeplitz和稀疏先验下基于深度神经网络的车辆定位方法。

背景技术

车联网技术已经成为当前汽车行业发展的一个热点，它不仅可以提供丰富的服务，如实时交通信息、远程唤醒、车联网、车道级自动驾驶等，还可以有效提高交通效率和驾驶安全。高性能车辆定位作为支撑车联网应用的关键技术之一，近年来备受关注。

基于全球导航卫星系统(GNSS)的定位技术已被业界广泛采用。但是，由于系统误差以及隧道和云层等造成的遮挡问题，GNSS无法全天候地提供可靠、连续的定位性能。特别是在建筑密集的城市地区，GNSS信号容易受到干扰和阻塞的影响。因此，其定位精度严重降低，精度仅为10-50米。在这种情况下，仅仅依靠GNSS难以实现安全驾驶。

目前，一些辅助定位方法已被广泛提出来克服GNSS的局限性，如雷达、激光雷达、相机定位、航位推算和利用基站(BSs)或路边单元(RSUs)的协同定位(CP)。其中，CP因其在成本、时延、可靠性等方面的优势得到了广泛的研究。按定位原理，CP定位主要分为基于接收信号强度(RSS)或差分RSS(DRSS)的定位、基于到达时间(TOA)的定位、基于到达时间差(TDOA)的定位和基于到达角(DOA)的定位四类。与其他三类方法相比，基于DOA的方法既不需要信号的空间衰落特性，也不需要时钟的完美同步，因此已成为高性能车辆定位极具竞争力的解决方案之一。

现有的DOA估计算法大致可分为三类：

基于特征子空间的方法，包括多重信号分类(MUSIC)算法、子空间旋转不变性技术(ESPRIT)算法、基于协方差修正的MUSIC(R-MUSIC)算法和基于相位补偿的ESPRIT算法等。

基于稀疏信号重建的方法，如l

基于深度学习(DL)的方法，如基于深度神经网络(DNN)或深度卷积网络(DCN)的方法，以及基于双一维卷积神经网络(D1D-CNN)的方法都是很好的例子。这些方法具有计算效率高、分辨率高和对非理想条件的鲁棒性等优点。

然而，值得强调的是，高效和超分辨率的DOA估计目前仍然是一个挑战。特别是对于大规模阵列和小样本的情况，现有大多数方法在这种情况下或存在分辨率不足或计算负担高的问题。另一方面，在一些实际的车联网场景中，由于实时性和可访问性的要求，可用样本的数量可能相当有限。

发明内容

本发明所要解决的技术问题是提供一种能够避免分辨率不足，降低计算复杂度，并且提高车辆定位精度的Toeplitz和稀疏先验下基于深度卷积神经网络的车辆定位方法。

本发明所采用的技术方案是，一种Toeplitz和稀疏先验下基于深度神经网络的车辆定位方法，该方法包括如下步骤：

步骤1：将三个协作基站以直角三角形布置，且三协作基站中的天线阵列与直角坐标系中x轴的夹角分别设置为β

步骤2：利用三个协作基站中的天线阵列接收车辆定位信号，确定各协作基站的天线阵列下的到达角(DOA)的估计信号形式，具体过程为：

设K台车辆发射的互不相关窄带定位信号均入射到三个协作基站的天线阵列上，假定三个协作基站的天线阵列的天线数量均为M个，阵元间距均为d，则第i个协作基站的阵列在第t个采样样本的接收数据表示为：

y

其中，y

步骤3：计算各协作基站天线阵列接收数据的协方差矩阵为：

步骤4：基于步骤3中获得的三个协作基站的DOA估计结果，基于预判平均准则和交叉定位原理完成车辆的定位。

作为优选，在步骤3中，所述的将所述协方差矩阵

步骤3.1：对所述协方差矩阵

其中，J

步骤3.2：计算线性收缩系数α为

步骤3.3：获得改进的协方差矩阵估计值为

步骤3.4：对

其中，

步骤3.5：在过完备基矩阵Φ＝[b(φ

其中，vec(·)表示对括号内矩阵按列进行向量化操作，b(φ

步骤3.6：构造稀疏谱

作为优选，在步骤4中，所述的基于预判平均准则和交叉定位原理完成车辆的可靠定位的具体过程包括下列步骤：

步骤4.1：三个协作基站分别为基站1、基站2以及基站3，基于基站1和基站2或基站2和基站3的DOA估计结果利用交叉定位原理计算车辆的初始位置信息；其具体过程为：设基站1、基站2以及基站3的坐标分别为(0,Y),(0,0)和(X，0)，第k台车辆到达三个协作基站的DOA估计值分别为

利用基站2和基站3的DOA估计结果获得的第k台车辆位置估计值为

利用基站1和基站3的DOA估计结果获得的第k台车辆位置估计值为

其中

步骤4.2：利用第k台车辆位置估计值判断第k台车辆是否位于临近基站1和基站3之间的直线上；若是，则对基站1和基站2以及基站2和基站3获得的第k台车辆位置估计值进行平均运算来获得第k台车辆的最终定位结果；若否，则利用两两基站获得的第k台车辆位置估计值进行平均运算获得第k台车辆的最终定位结果。

与现有技术相比，本发明的有益效果是：本发明方法首先利用协方差矩阵的Toeplitz先验，通过线性收缩估计对样本协方差矩阵进行增强估计，然后联合利用稀疏先验、深度卷积神经网络、预判平均准则和交叉定位原理完成可靠的车辆定位。深度卷积网络离线训练在线估计的机制不仅使本发明方法复杂度低，而且Toeplitz和稀疏先验的联合应用使得本发明方法对空间间距很近的车辆具有明显改进的分辨率和车辆定位精度。

附图说明

图1是本发明中三个协作基站布置的结构示意图；

图2是本发明中所述的深度卷积网络的模型架构图；

图3为本发明中采用深度卷积网络数据进行网络训练和DOA估计的流程图；

图4是本发明一种Toeplitz和稀疏先验下基于深度卷积神经网络的车辆定位方法的流程图。

具体实施方式

以下参照附图并结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。

为克服现有DOA估计方法在大规模阵列和小样本下存在，本发明在三协作基站下提供了一种基于深度卷积网络和协方差矩阵线性收缩估计技术的超分辨率DOA估计方案，并基于预判平均准则和交叉定位原理完成车辆的在空间间距很近情况下的可靠定位。

本发明实施例提供一种Toeplitz和稀疏先验下基于深度卷积神经网络的车辆定位方法，其实现步骤如下：

步骤1：三个协作基站以直角三角形布置，且三协作基站中的天线阵列均与直角坐标系中x轴的夹角分别设置为β

步骤2：利用三个协作基站中的大规模均匀线阵接收车辆定位信号，确定各协作基站天线阵列下的到达角(DOA)估计信号形式，具体过程为：

设K台车辆发射的互不相关窄带定位信号均入射到三协作基站的阵列天线上，假定阵列天线数量均为M个，阵元间距均为d，则第i个(i＝1,2,3)基站阵列在第t个采样样本的接收数据表示为：

y

其中，y

步骤3：计算各协作基站天线阵列接收数据的协方差矩阵为：

步骤4：基于步骤3中获得的三协作基站的DOA估计结果，基于预判平均准则和交叉定位原理完成车辆的可靠定位。

作为优选，步骤3中将

步骤3.1：对

其中，J

步骤3.2：计算线性收缩系数α为

步骤3.3：获得改进的协方差矩阵估计值为

步骤3.4：对

其中，

步骤3.5：在过完备基矩阵Φ＝[b(φ

其中，vec(·)表示对括号内矩阵按列进行向量化操作，b(φ

步骤3.6：构造稀疏谱

基于图2构建的深度卷积神经网络，进行网络训练和DOA估计的具体过程如图3所示，首先使用大量的训练样本进行预处理形成

步骤4中，基于预判平均准则和交叉定位原理完成车辆的可靠定位的具体过程为：

步骤4.1：基于基站1和基站2或基站2和基站3的DOA估计结果利用交叉定位原理计算车辆的初始位置信息。

设基站1-3的坐标分别为(0,Y),(0,0)和(X，0)，第k台车辆到达基站1-3的DOA估计值分别为

利用基站2和基站3的DOA估计结果获得的第k台车辆位置估计为

利用基站1和基站3的DOA估计结果获得的第k台车辆位置估计为

其中

步骤4.2：利用第k台车辆位置估计值判断第k台车辆是否位于临近基站1和基站3之间的直线上；若是，则对基站1和基站2以及基站2和基站3获得的第k台车辆位置估计值进行平均运算，根据平均运算得到平均值来获得第k台车辆的最终定位结果；若否，则利用两两基站获得的第k台车辆位置估计值进行平均运算，根据平均运算得到平均值来获得第k台车辆的最终定位结果。

下面通过仿真实验分析本发明所提出的一种Toeplitz和稀疏先验下基于深度卷积神经网络的车辆定位方法的定位性能以及计算有效性。

实验中，三个协作基站的位置分别为B

其中，

表1是采用本发明方法得到的车辆定位绝对误差随信噪比变化的仿真结果，其中样本数固定为70，信噪比由-10分贝(dB)变化到10dB；表2是采用本发明方法的车辆定位绝对误差随采样样本数变化的仿真结果，其中信噪比固定为-5dB，采样样本数由50变化到250。由仿真结果可以看出，本发明方法可以获得明显优于对比方法的定位性能。特别地，由表1当信噪比≥5dB时，以及由表2样本数≥200时，本发明方法可以提供厘米级的定位精度。表1为采用经典MUSIC方法、DCNSP方法以及本发明方法的车辆定位绝对误差随信噪比变化的仿真结果；

表2为采用经典MUSIC方法、DCNSP方法以及本发明方法的车辆定位绝对误差随信噪比变化的仿真结果；