一种基于MIMO雷达的人体定位方法

肖家仁

摘要：在智能家居系统和智能机器人系统中，人体位置信息是辅助系统决策的一个重要因素，尤其是在室内复杂环境中。文章提出一种基于无设备的MIMO雷达的人体定位方法，旨在针对室内复杂环境中精确定位人体的二维空间位置。本研究先将MIMO雷达采集的包含人体位置信息的原始信号进行差分去噪，然后从信号中提取飞行时间（Time - Of- Flighr，TOF）信息，根据TOF和天线的几何分布计算实现二维空间定位。实验结果表明，文章所提出的方法能够得到准确的定位结果。误差控制在分米级．

关键词：MIMO雷达：人体定位：Time -of-Flight

中图分类号：TP391. I;TP391.4

文献标志码：A

0 引言

室内定位[1-2]是现在研究人员研究的一个重要领域，在智能家居方面有着重要的应用。以前是通过可穿戴技术和基于摄像头的系统实现的。然而，这两种系统都有很大的局限性，因为可穿戴设备会导致不适，而基于摄像头的系统会损害用户的隐私，需要视野，设置和维护成本高昂。近些年，研究人员开始将注意转移到雷达设备上，它根据有无佩戴设备上可分为有设备定位和无设备定位。有设备定位需要人们在身上佩戴发射射频信号的设备，例如：手机、智能手环等。而无设备的定位技术不需要在身上佩戴设备，它利用人体的反射的射频信号来跟踪人体定位，这种定位技术完全依赖人体外的微弱的、低功率的射频反射，甚至可以做到穿透障碍物实现精准定位。基于无设备的定位方式具有很多优点：（1）不需要穿戴任何传感器，它是通过对人體反射的射频信号特征来进行检测而实现的。（2）具有良好的障碍穿越能力，实现非视距定位。（3）雷达信号属于电磁波，抗干扰能力强，受灯光、温度、湿度等外界条件的影响较小。（4）可扩展性强，随着radar技术的不断发展，radar的带宽和工作频率在不断增加，天线数目也在不断增多，为进一步提高定位精度。从定位原理上可分为RSSI、AOA[3]、TOF[45]。基于RSSI的定位技术主要依靠信号的衰减来确定位置。当距离较近时，RSSI衰减较快；当距离较远时，RSSI衰减较慢。基于RSSI的定位技术根据这种特点来估算发射点和接收点之间信号强度的传播损耗，将传播损耗转化成接收点和发射点之间的距离，再根据相关算法推算出人体的位置信息。这种基于RSSI的定位技术对硬件要求低、功耗小，易实现，适应于简单的环境，一旦室内环境较为复杂，定位精度大大降低。基于AOA的方法是根据人体与不同天线之间的角度确定位置，因为在传播的过程中信号的相位信息在不断变化，而接收天线又分布在不同的空间位置，所以不同的接收天线接收到的无线信号存在一个角度差，通过这种角度差就能推测出人体的空间位置。这种方式需要额外的设备。TOF则是以信号在空间中传播的时间来确定位置。

本文设计了一种基于MIMO雷达定位方法，它可以同时定位多人的空间位置，定位误差控制在分米级，可以运用于智能家居系统、无人驾驶系统和无人机系统。

1 背景原理

雷达通过发射机发射电磁波在介质中传播到反射物体，小部分反射能量经物体反射到雷达设备的接收机，雷达设备使用这种回波来确定反射物体的方向、距离和速度。假设使用调频信号作为发射信号，那么发射信号可以用公式（l）表示为：

其中，4，表示￡时刻的振幅，，表示雷达载频，厶表示调频斜率。

反射信号在空间中传播，再由目标物体反射到接收天线，于是接收信号可以用公式（2）表示为：

1.1 测距原理

雷达发射一个具有非常高功率的无线电脉冲信号，该脉冲信号通过天线的方向性集中在一个方向上，以光速沿给定方向传播。如果该方向上有目标物体，则脉冲能量的一部分会被反射回雷达。雷达接收到这个能量信号并估计目标物体距离R。具体公式

其中．C表示光速，￡表示信号在介质中传播的时间，R表示目标物体的斜离（视线方向距离）。此外，距离分辨率R。如公式（4）所示：

其中，C表示光速，B表示带宽。从公式中可知，带宽越大，距离分辨率越好。

1.2测角原理

目标的角度确定由天线的方向性决定的。通过测量接收回波时天线指向的方向，可以确定从雷达到目标物体的方位角θ和仰角φ。由距离差引起的2个接收天线信号的相位差表示为：

这样就得出了天线信号发射的角度，其中公式（5）、公式（6）中的d表示接收天线之间的距离，ω表示两天线之间的相位差，A表示波长。此外，角度分辨率近似为：

公式（7）中的Ⅳ表示虚拟天线阵元，通过公式可知，采用MIMO雷达技术形成一个具有发射天线数量和接收天线数量的乘积的虚拟接收天线的阵元，通过增加Ⅳ来简单有效地改善雷达的角度分辨率。

2 MIMO雷达定位方法

本文通过发射信号和反射信号的频率差来计算TOF，再结合水平天线的几何位置来进行单人定位。通过估计的TOF计算得到一组用户位置的集合，将这组位置的集合映射到2D空间中，可以得到一个椭网，两组不同水平天线得到的椭网在空间中会产生两组交点，再根据天线的定向性可以排除一组交点位置，这样就实现了2D定位，如图1所示。

2.1

TOF的估计

TOF[5-6]的测量具有一定的困难性，由于射频信号是以光速在空间中传播的，空间上几十厘米的距离转换到时间维度上可能就是几十微秒的时间差异，而这几十微秒的测量是具有一定困难的。最直接的方式是设计一个亚纳秒级的高速数模转换器对发射的脉冲信号进行采样，但是这种方法成本比较昂贵，性价比不高。本文利用调频连续波的特征，将时间上的变化转换成频率上的变化，而这种偏移在接收信号的频谱上是很容易观察的，从而获取TOF值。

2.2消除噪声

在信号的采集过程中，往往会受到环境因素的影响，这种环境因素反映到雷达成像中会出现多个斑点，会阻碍人体对射频信号的反射，从而限制在真实环境中定位人体的能力。由于环境中的静态物体的产生的TOF时间不随时间产生改变，基于这个特点，通过差分的思想来去除这种噪声。除了正常的反射信号，在信号的采集的过程中还往往夹杂随机噪声信号，这些随机噪声信号是设备电平的稳定性以及抗干扰性不强造成的，属于硬件噪声。这些噪声信号会影响整个定位实验的精确度。这些随机噪声的存在是必然的，本文用异常值前后的正常的信号的平均值替代异常值，以消除随机噪声。

2.3 基于MIMO雷达的定位算法

该定位算法具体如图3所示，（1）使用MIMO雷达采集数据，它返回的原始数据代表了空间中物体的脉冲响应。（2）将收集到的原始数据进行滤波去噪，并获取其TOF值以及计算该TOF值对应的信号强度值，如图2所示。（3）用获取到的TOF值来计算目标距离天线的距离，这样可以计算得到一组用户位置的集合，结合返回来的信号强度绘制椭网热图并可视化，椭圆的焦点就是发射天线和接收天线。在椭圆热图中，颜色的深浅表示该点的信号强度大小，颜色越亮，信号强度越大。由于雷达天线定向性的原因，人体的位置不可能出现在雷达天线后面，因此，只需要绘制天线正面的半个椭圆热图即可，如图4、图5所示。如果环境中有多人，本文使用连续剪影法来删除已经确定位置的人体信息，更新椭圆热图，直到定位到所有人。

3 实验结果和分析

本文使用平均绝对误差（Average Absolute Error，MAE）来评价实验定位精度，具体公式如下：

公式（8）、公式（9）中的X.WAE，YMAE表示X轴和Y轴两维度的平均绝对误差，Ⅳ表示采集的信号数量，戈。表示算法定位出的人体的X轴坐标，gt。表示真实世界中人体的X轴坐标，yi表示算法定位出的人体的Y轴坐标，gt，表示真实世界中人体的Y轴坐标。

实验结果如表1所示，单人场景的绝对平均误差要低于多人场景，并且该定位算法精度达到了分米级别。

4 结语

本文提出了一种基于无设备的MIMO雷达的人体定位方法，不要求人体佩戴任何设备，通过该MIMO雷达传感器采集人体空间信息，提取TOF信息并将其转换成距离信息，再结合雷达天线的几何位置和连续剪影算法来定位空间中的人体位置，定位精度达到了分米级，对智能家居、智能机器人以及无人驾驶等领域有着积极意义。随着人工智能的兴起，深度学习可以提取更精细的人体空间特征信息，将深度学习引入定位算法中来进一步精确定位人体位置是未来的重要工作之一。

参考文献

[1]马静宜．室内定位技术现状和发展趋勢[J]．电子产品世界，2014（11）：15-17．25．

[2]林佳慧，尹辉斌，熊荣鹏．基于FMCW雷达传感器的室内人员定位方法[J]．传感器与微系统，2021（ 11）：50-53．

[3]陆冰琳．室内环境下基于UWB的TDOA/AOA三维混合定位算法[J]．电子元器件与信息技术，2022（1）：159-163．

[4]ADIB F.KABELAC Z，KATABI D， et al.3Dtracking via bodV radio reflections[ EB/OL].（ 2013 -12-10）[ 2023 - 03 - 10].https：／／www.researchgate. net/publicatio n/279843925_3 D_Tracking_via_BodV_Radio_Reflections.

[5]ADIB F，KABELAC Z，KATABI D.Muhi-personlocalization via RF bodV reflections[ EB/OL].（2015 -05 -04）[2023 - 03 - 10].https：//wwW. xueshufan. com/publication/1666724740.

（编辑王永超）