欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024111888867
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于Tag-UWB的手臂运动轨迹追踪方法,其特征在于:该方法包括以下步骤:步骤S1:采用Tag-UWB技术获取手臂关节位置坐标信息;

步骤S1-1:建立UWB-PDoA基站,利用UWB-PDoA基站获取接收信号,测量到达相位差,得到路径差;

UWB-PDoA基站包括天线A、天线B,天线间的距离,为UWB信号波长;

接收的信号表示为:

;

;

其中,表示标签发射的信号,是相位差,是载波频率,对应时间延迟,为虚数单位;为天线A接收的信号,为天线B接收到的信号;由此得出相位差和时延,从而求出路径差:;

;

步骤S1-2:采用PDoA三维定位原理获取手臂关节位置坐标信息;

PDoA三维定位原理由2个PDoA基站实现单目标三维空间定位,视为空间中两个二维平面上的交点;

令标签C坐标为,基站A坐标为,基站B坐标为,标签C在XOY平面的投影为点D,在x轴、y轴的投影分别为点A、点B;

标签C到基站A的欧氏距离,标签C对于基站A的相对位置即,;标签C到基站B的欧氏距离、标签C对于基站B的相对位置,即,;

由几何关系得:

;

由此解出标签C的轴坐标;

标签C的坐标为:

;

或:

;

其中,、为基站B相对于基站A的坐标,为标签与基站A的欧氏距离;、分别为基站A、基站B指向标签向量的水平分量;

;

为基站A两天线间距,由相位差计算;通过对测量所得PDoA数据和距离数据的计算处理,得到粗略的关节坐标位置;

步骤S2:使用最小二乘法对粗略的手臂关节位置坐标进行优化;

步骤S3:采用EKF算法动态地调整状态估计,实现系统状态的最优估计;

将Tag-UWB采集到的数据经过处理后,得到一个标签的坐标,将坐标作为系统观测量,系统模型如下:;

其中,是Tag-UWB标签采样频率,时刻位置坐标,和近似为上一时刻动态方程的一阶导数和二阶导数;为时刻位置坐标向量,为时刻动态方程的一阶导数;系统状态转移方程为;

;

其中,为状态向量,,由时刻位置坐标向量,速度向量(拼接而成,分别表示速度向量在x,y,z分量;,,,为控制输入向量;,为高斯白噪声;测量函数为:;

为基站的坐标,测量函数的雅可比矩阵为:;

其中,表示基站与标签在轴方向上的欧氏距离,、、分别表示在第k时刻的估计位置坐标、、的分量;系统的测量方程为:;

其中,,计算卡尔曼增益:

;

其中,是测量噪声的协方差矩阵,更新系统状态向量和误差协方差:;

;

其中,为单位矩阵,为对时刻的状态向量的估计值;为是时刻的卡尔曼增益;

步骤S4:建立BiLSTM手臂轨迹追踪模型,对手臂运动轨迹数据进行端到端的学习和预测,实现对未来手臂位置和轨迹的预测。

2.根据权利要求1所述的一种基于Tag-UWB的手臂运动轨迹追踪方法,其特征在于:所述步骤S2中使用最小二乘法对粗略的手臂关节位置坐标进行优化,具体为:最小二乘法通过对未知变量进行求解,使得实际观测值与模型预测值之间的误差平方和最小化;

令为待校正优化的坐标,则:

;

整理得:

;

其中,,;

相邻两式相减得:

;

其中,,同理;

令,,,得:;

误差向量记为,即

;

令为无穷小时,得到的最优解,令;

对进行求导:

;

为非奇异阵时,有唯一解,待校正优化的坐标为:;

其中,为矩阵运算的转置符号。

3.根据权利要求1所述的一种基于Tag-UWB的手臂运动轨迹追踪方法,其特征在于:所述BiLSTM手臂轨迹追踪模型在结构上是LSTM模型的变体,在LSTM模型上增加一个逆向传递途径;

所述BiLSTM手臂轨迹追踪模型包括正向LSTM层和反向LSTM层,正向LSTM层和反向LSTM层均有8个隐藏单元;

所述正向LSTM层与反向LSTM层之间添加dropout层。

4.根据权利要求3所述的一种基于Tag-UWB的手臂运动轨迹追踪方法,其特征在于:所述步骤S4中建立BiLSTM手臂轨迹追踪模型,对手臂运动轨迹数据进行端到端的学习和预测,具体操作如下:所述BiLSTM手臂轨迹追踪模型的训练过程包括前向传播、计算损失、反向传播、参数更新,正向LSTM层的正向LSTM传播是令每个LSTM单元通过其输入门、遗忘门、输出门更新其隐藏状态和记忆单元;

所述反向LSTM层的反向LSTM传播是将输入序列反向传递给反向LSTM单元,从序列的结束到开始逐步处理数据,拼接阶段将正向和反向的隐藏状态拼接成一个更大的向量;

通过调整批量大小、学习率超参数来优化模型性能,使用Adam优化器来自适应调整学习率,针对不同大小的数据集,采用不同的训练轮次;

使用数据加载器将数据分批次加载到模型中进行训练,训练完成后,使用测试集对模型进行评估,获得模型在未见数据上的表现,作为模型的最终的性能指标;

最终,前向传播的结果是模型对输入数据的预测结果。