一种基于LoRa的井下救援机器人长距离感知方法与流程

一种基于lora的井下救援机器人长距离感知方法
技术领域
1.本发明涉及一种井下救援方法，具体是一种基于lora的井下救援机器人长距离感知方法，属于井下智能感知技术领域。


背景技术：

2.煤矿安全是煤炭工业发展的重要保障，然而频发的灾害事故不仅给人民生命财产造成重大损失，而且给社会稳定带来不良影响。全球每年有成千上万的矿工被困于矿井中，矿井救援机器人作为一种能够获取和传递灾害环境参数和被困矿工信息的智能搜救设备，能够有效降低救援人员的风险，成为近年来的研究热点。然而，煤矿井下巷道狭长，且灾变后井下环境会更加复杂且空间受限，这对矿井救援机器人的生命感知研究提出了更高的要求。目前已提出多种井下通信技术，如wifi、蓝牙和射频信号等，但是此类方案的感知性能有限。一方面，恶劣的地下环境可能导致无线信号严重衰减，限制了感知范围；另一方面，这类方法需要分析来自目标的反射信号来解析活动信息，然而随着传播路径的变长，信号反射到接收端比直接传播到接收端时衰减更严重，导致感知功能不佳。
3.近年来在无线感知领域出现了一种基于远程无线电(lora)进行感知的技术，它可以进一步拓宽传感范围，lora具有功耗低、通信距离远、抗干扰能力强、穿透能力强等特点，在远距离穿墙无线传感中具有天然优势。通过利用lora通信信号的参数变化实现人员状态感知，从而实现lora的通信功能和感知功能有机结合。由此可见，研究利用lora来进行井下长距离感知有良好的应用前景，可有力地推动我国矿井救援机器人感知技术的发展，然而目前基于lora的感知技术大多还是需要分析反射信号，增加了感知的不稳定性。


技术实现要素：

4.本发明的目的是提供一种基于lora的井下救援机器人长距离感知方法，该方法能够对灾后井下幸存者进行准确感知，扩大感知范围，提高救援率。
5.为了实现上述目的，本发明提供一种基于lora的井下救援机器人长距离感知方法，包括以下步骤：
6.步骤1：携带接收器的机器人沿着井下巷道移动，用来收集发射器发射的lora信号，该lora信号中混合了机器人移动信号和人体活动信号，所述发射器固定安装在井下巷道内部；
7.步骤2：由于一对接收器和发射器的信号不同步，在接收器上安装两根天线，两根天线分别对lora信号进行接收，利用信号商运算消除相位偏移对lora信号产生的影响，再采用滤波器去除lora信号中的异常值，实现信号平滑；
8.步骤3：为了在机器人移动信号的干扰下识别人体活动信号，采用经验模态分解对lora信号进行标准化处理，在保留人体活动信号变化模式的同时，对接收器接收的lora信号进行处理；
9.步骤4：为了更好的区分机器人移动信号以及人体活动信号，提出两类特征提取算
法，通过定义周期特征来量化信号的周期水平，同时采用快速傅立叶变换比值准则作为频率特征来量化信号的频率水平；
10.步骤5：最后利用支持向量机分类方法对人体活动信号进行判断，并给出检测报警，以实现幸存者的感知。
11.本发明的发射器安装有一个lora节点和一个9dbi定向天线；机器人携带所有移动传感设备，便携式电源提供电力工作，天线的型号为usrpx310；lora节点发射信号的载波频率为915mhz，线性调频带宽bw为125khz，扩频因子sf为12，编码率cr为4/8，采样率为500hz。
12.滤波器的型号为savitzky-golay。
13.步骤2中信号商运算具体为：
14.r
ratio
＝r1/r215.式中：r1为天线1接收到的信号；
16.r2为天线2接收到的信号；
17.r
ratio
表示信号商，为天线1和天线2的商运算结果；
18.步骤3中，在理想情况下，机器人移动会产生类正弦波的信号，且会不规则地波动，这可能是由于接收器倾斜、机器人运动不稳定以及多径效应的影响，与人体活动诱发的尖锐且显著的信号相比，机器人移动诱发的信号较不明显，为了解决这一问题，引入经验模态分解(emd)来标准化机器人移动信号，并扩大两种信号之间的相似距离，经验模态分解(emd)在时域上将信号分解成多个分量，可保留了多种频率特性，除了小波变换和短时傅里叶变换外，经验模态分解(emd)还可以为非平稳、非线性的时间序列数据提供一种分析方法。此外，emd还避免了小波变换需要预先设定基函数的问题。综上，信号移动性减弱主要包括经验模态分解(emd)处理以及本征模态函数(imf)选取两个步骤；
19.经验模态分解(emd)处理：基于数据的局部时间尺度特征，经验模态分解(emd)将信号分解为一系列被称为本征模态函数(imf)的分量，每个本征模态函数(imf)必须满足两个约束条件，首先，对于整个数据段，极值点个数和过零点个数极其相同，或差值不超过1；其次，在任何时刻，局部极大值形成的上包络和局部极小值形成的下包络的均值均为零，即上包络、下包络相对于时间轴局部对称，经验模态分解(emd)是一个迭代过程，在n轮本征模态函数(imf)提取后迭代后，当分量的残差为单调函数时，存储此时的残差以用于接下来的本征模态函数(imf)选取，迭代结束；
20.本征模态函数(imf)选取：在所有的本征模态函数(imf)分量中选取一个中值本征模态函数(imf)分量，该分量可以区分机器人移动产生的信号和人体活动产生的信号，本征模态函数(imf)分量可体现信号的物理意义，在多个本征模态函数(imf)分量中，第一个本征模态函数(imf)分量通常携带高频振荡信息，而经过逐轮去除高频成分，最后几个本征模态函数(imf)分量在频域也将变得模糊，他们显然不适合用来判断信号段是否属于人体活动信号，因此，选取中值imf分量以进行后续处理，该分量不仅可标准化不规则数据，而且对两类信号都保留了较好的频率特性，具体来说，去除残差，当本征模态函数(imf)个数n为奇数时，选取的中值imf为第(n-1)/2个imf，当本征模态函数(imf)个数n为偶数时，选取的中值本征模态函数(imf)为第n/2个本征模态函数(imf)。
21.步骤4中特征提取算法如下：在提取合适的本征模态函数(imf)后，定义周期特征和频率特征作为特征来区分两类活动产生的信号变化模式，
22.周期特征：经实验测试，发现机器人移动产生的信号为正弦波，而人体活动诱发的信号的振幅呈现上下波动的状态，这是因为人类肢体的突然运动产生了偶然的反射路径，根据信号产生原理的不同，引入上包络变化模式和正弦波相似性这两个特征来量化两组信号的周期特征，首先引入上包络变化模式，在本征模态函数(imf)的约束下波形是对称的，因此机器人移动产生的信号和人体活动产生的信号的平均包络线几乎是相同的，为可能是x轴，然而，我们发现只有上包络或下包络才能反映两种信号之间的不同变化模式，且机器人移动信号的上包络面更平坦，而人体活动信号的上包络面更弯曲，因此，用上包络的方差来表示周期水平，方差越小，周期水平越高，表征周期水平的另一个特征是测试信号和正弦波之间的相似性，对正弦信号d(t)建模，并根据式(1)进行相似度计算，
23.d(t)＝asin(2πft φ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
24.式中：a为信号幅值；
25.f为频率；
26.φ为初始相位；
27.t为时间变量；
28.根据所选的中值本征模态函数cn(t)来拟合参数a，f和φ，中值本征模态函数cn(t)的所有峰记为p(xi)i∈[1，l]，其中xi对应第i个峰的样本值，l为峰数，本征模态函数分量是关于x轴对称的，所有峰值的平均值为a的拟合值，给定采样速率fs，f被定义为：
[0029][0030]
为了简化φ的拟合过程，φ的值被直接确定为π/2，接下来，截取从第一个峰到最后一个峰的本征模态函数(imf)分量进行相似度计算，记为则相似度sl可以用a与均方根误差之比表示为：
[0031][0032]
式中：m为截取后的信号长度；
[0033]
t
′
为某一时刻；
[0034]
对于机器人移动信号，原始选取的本征模态函数(imf)波形和建模的正弦波的波形存在高度重叠，而对于人体活动信号，两种波形存在交叉，将相似度sl作为区分这两类信号的特征，相似度sl越大，周期性越好，接着，定义pl为相似度sl减去上包络的方差，pl可代表周期性特征的统一特征，pl越大，周期性越好；
[0035]
频率特征：定义了一个标准fl来表示频率分布的“清晰度”，测试了机器人移动信号和人体活动信号的本征模态函数(imf)分量的fft结果，结果表明机器人移动信号的峰值更“清晰”，说明相应的频率在频域占主导地位，而人体活动信号存在多个扩频部分，这主要是身体多个部位的随机运动造成的，提出了一种新的度量方法来量化频率“清晰度”，如式(4)所示：
[0036]
[0037]
式中：e1表示第1个能量峰值；
[0038]
e2表示第2个能量峰值；
[0039]
e3表示第3个能量峰值；
[0040]
fl越大，频率分布越“清晰”，则信号更有可能属于机器人移动信号。
[0041]
步骤5中的通过支持向量机分类方法对人体活动信号进行判断，具体为将周期特征与频率特征作为支持向量机的输入，通过寻找最大间隔超平面，将两类样本点分割在该超平面的两侧，且两侧距离超平面最近的样本点到该超平面的距离最大化。
[0042]
与现有技术相比，本发明通过在机器人上设置接收器，随着机器人的移动接收器沿着井下巷道移动，用来收集发射器发射的包含环境和人体活动信息的lora信号，发射器固定安装在井下巷道内部，这种部署既利用了机器人的机动性，扩大了感知范围，又避免了反射信号衰减严重的问题；由于收发对不同步，在接收器上安装两根天线，两根天线分别对信号进行接收，利用信号商运算消除相位偏移的影响，再采用滤波器去除异常值，实现信号平滑；为了在机器人移动信号的干扰下识别人体活动信号，采用经验模态分解emd对信号进行标准化处理，在保留人体感应信号变化模式的同时，对接收器接收的信号进行处理；为了更好的区分机器人移动产生的信号以及人体活动产生的信号，提出两类特征提取算法，通过定义周期特征来量化信号的周期水平，同时采用快速傅立叶变换比值准则作为频率特征来量化信号的频率水平；最后利用支持向量机svm分类方法对人体活动信号进行判断，并给出检测报警，以实现幸存者的感知。本发明通过引入经验模态分解和周期频率特征，解决了由于机器人移动带来的独特挑战，即运动机器人的干扰可能会混淆人类动作信号，本发明能够对灾后井下幸存者进行准确感知，扩大感知范围，提高救援率。
附图说明
[0043]
图1为本发明的移动感知的场景图；
[0044]
图2为本发明的原理图；
[0045]
图3为本发明分类结果图。
[0046]
图中：1、机器人，2、井下巷道，3、发射器。
具体实施方式
[0047]
下面结合附图对本发明做进一步说明。
[0048]
如图1和图2所示，一种基于lora的井下救援机器人长距离感知方法，包括以下步骤：
[0049]
步骤1：携带接收器的机器人1沿着井下巷道2移动，用来收集发射器3发射的lora信号，该lora信号中混合了机器人移动信号和人体活动信号，所述发射器3固定安装在井下巷道2内部，发射器可以安装在不影响巷道活动的任何位置，比如可以悬挂固定在巷道上方顶壁；
[0050]
步骤2：由于一对接收器和发射器的信号不同步，在接收器上安装两根天线，两根天线分别对lora信号进行接收，利用信号商运算消除相位偏移对lora信号产生的影响，再采用滤波器去除lora信号中的异常值，实现信号平滑；
[0051]
步骤3：为了在机器人1移动信号的干扰下识别人体活动信号，采用经验模态分解
对lora信号进行标准化处理，在保留人体活动信号变化模式的同时，对接收器接收的lora信号进行处理；
[0052]
步骤4：为了更好的区分机器人移动信号以及人体活动信号，提出两类特征提取算法，通过定义周期特征来量化信号的周期水平，同时采用快速傅立叶变换比值准则作为频率特征来量化信号的频率水平；
[0053]
步骤5：最后利用支持向量机分类方法对人体活动信号进行判断，并给出检测报警，以实现幸存者的感知。
[0054]
发射器3安装有一个lora节点和一个9dbi定向天线；机器人1携带所有移动传感设备，便携式电源提供电力工作，天线的型号为usrpx310；lora节点发射信号的载波频率为915mhz，线性调频带宽bw为125khz，扩频因子sf为12，编码率cr为4/8，采样率为500hz。
[0055]
滤波器的型号为savitzky-golay。
[0056]
步骤2中信号商运算具体为：
[0057]rratio
＝r1/r2[0058]
式中：r1为天线1接收到的信号；
[0059]
r2为天线2接收到的信号；
[0060]rratio
表示信号商，为天线1和天线2的商运算结果；
[0061]
步骤3中，在理想情况下，机器人移动会产生类正弦波的信号，且会不规则地波动，这可能是由于接收器倾斜、机器人运动不稳定以及多径效应的影响，与人体活动诱发的尖锐且显著的信号相比，机器人移动诱发的信号较不明显，为了解决这一问题，引入经验模态分解emd来标准化机器人移动信号，并扩大两种信号之间的相似距离，经验模态分解emd在时域上将信号分解成多个分量，可保留了多种频率特性，除了小波变换和短时傅里叶变换外，经验模态分解emd还可以为非平稳、非线性的时间序列数据提供一种分析方法。此外，经验模态分解emd还避免了小波变换需要预先设定基函数的问题。综上，信号移动性减弱主要包括经验模态分解emd处理以及本征模态函数imf选取两个步骤；
[0062]
经验模态分解emd处理：基于数据的局部时间尺度特征，经验模态分解emd将信号分解为一系列被称为本征模态函数imf的分量，每个本征模态函数imf必须满足两个约束条件，首先，对于整个数据段，极值点个数和过零点个数极其相同，或差值不超过1；其次，在任何时刻，局部极大值形成的上包络和局部极小值形成的下包络的均值均为零，即上包络、下包络相对于时间轴局部对称，经验模态分解emd是一个迭代过程，在n轮本征模态函数imf提取后迭代后，当分量的残差为单调函数时，存储此时的残差以用于接下来的本征模态函数imf选取，迭代结束；
[0063]
本征模态函数imf选取：在所有的本征模态函数imf分量中选取一个中值本征模态函数imf分量，该分量可以区分机器人移动产生的信号和人体活动产生的信号，本征模态函数imf分量可体现信号的物理意义，在多个本征模态函数imf分量中，第一个本征模态函数imf分量通常携带高频振荡信息，而经过逐轮去除高频成分，最后几个本征模态函数imf分量在频域也将变得模糊，他们显然不适合用来判断信号段是否属于人体活动信号，因此，选取中值imf分量以进行后续处理，该分量不仅可标准化不规则数据，而且对两类信号都保留了较好的频率特性，具体来说，去除残差，当本征模态函数imf个数n为奇数时，选取的中值imf为第(n-1)/2个imf，当本征模态函数imf个数n为偶数时，选取的中值本征模态函数imf
为第n/2个本征模态函数imf。
[0064]
步骤4中特征提取算法如下：在提取合适的本征模态函数imf后，定义周期特征和频率特征作为特征来区分两类活动产生的信号变化模式，
[0065]
周期特征：经实验测试，发现机器人移动产生的信号为正弦波，而人体活动诱发的信号的振幅呈现上下波动的状态，这是因为人类肢体的突然运动产生了偶然的反射路径，根据信号产生原理的不同，引入上包络变化模式和正弦波相似性这两个特征来量化两组信号的周期特征，首先引入上包络变化模式，在本征模态函数imf的约束下波形是对称的，因此机器人移动产生的信号和人体活动产生的信号的平均包络线几乎是相同的，为可能是x轴，然而，我们发现只有上包络或下包络才能反映两种信号之间的不同变化模式，且机器人移动信号的上包络面更平坦，而人体活动信号的上包络面更弯曲，因此，用上包络的方差来表示周期水平，方差越小，周期水平越高，表征周期水平的另一个特征是测试信号和正弦波之间的相似性，对正弦信号d(t)建模，并根据式(1)进行相似度计算，
[0066]
d(t)＝asin(2πft φ)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0067]
根据所选的中值本征模态函数imf cn(t)来拟合参数a，f，和φ，中值本征模态函数imf cn(t)的所有峰记为p(xi)i∈[1，l]，其中xi对应第i个峰的样本值，l为峰数，本征模态函数imf分量是关于x轴对称的，所有峰值的平均值为a的拟合值，给定采样速率fs，f被定义为：
[0068][0069]
为了简化φ的拟合过程，φ的值被直接确定为π/2，接下来，截取从第一个峰到最后一个峰的本征模态函数imf分量进行相似度计算，记为则相似度sl可以用a与均方根误差之比表示为：
[0070][0071]
式中：m为截取后的信号长度；
[0072]
t
′
为某一时刻；
[0073]
对于机器人移动信号，原始选取的本征模态函数imf波形和建模的正弦波的波形存在高度重叠，而对于人体活动信号，两种波形存在交叉，将相似度sl作为区分这两类信号的特征，相似度sl越大，周期性越好，接着，定义pl为相似度sl减去上包络的方差，pl可代表周期性水平的统一特征，pl越大，周期性越好；
[0074]
频率特征：定义了一个标准fl来表示频率分布的“清晰度”，测试了机器人移动信号和人体活动信号的本征模态函数imf分量的fft结果，结果表明机器人移动信号的峰值更“清晰”，说明相应的频率在频域占主导地位，而人体活动信号存在多个扩频部分，这主要是身体多个部位的随机运动造成的，提出了一种新的度量方法来量化频率“清晰度”，如式(4)所示：
[0075]
[0076]
式中：e1表示第1个能量峰值；
[0077]
e2表示第2个能量峰值；
[0078]
e3表示第3个能量峰值；
[0079]
fl越大，频率分布越“清晰”，则信号更有可能属于机器人移动信号。
[0080]
步骤5中的通过支持向量机分类方法对人体活动信号进行判断，具体为将周期特征与频率特征作为支持向量机的输入，通过寻找最大间隔超平面，将两类样本点分割在该超平面的两侧，且两侧距离超平面最近的样本点到该超平面的距离最大化。如图3所示，超平面将特征输入的样本点分割成两类，分别为机器人移动产生的信号和人体活动产生的信号。