本發明屬于遮蔽目標探測，具體涉及一種城市場景下非視距目標位置與墻體凹凸參數聯合估計方法。

背景技術：

1、隨著城市化進程的加速推進，預先感知建筑盲區內的目標信息在智慧城市、智能駕駛和城市巷戰等領域具有重要研究意義。與傳統視距(los,line-of-sight)目標定位相比，非視距(nlos，non-line-of-sight)目標定位中的電磁波衍射、反射等傳播路徑高度依賴建筑環境特征，使得回波信號更加復雜。

2、目前，非視距目標定位方法主要包含基于幾何關系的多路徑分離定位方法、基于圖像域的成像方法以及利用神經網絡的多傳感器融合等。進一步地，研究者開始考慮在建筑布局未知下實現非視距目標定位，如利用激光雷達與毫米波雷達多源融合技術獲取墻體信息與目標位置，利用形狀重構組稀疏約束算法重構墻體角度與目標位置等。然而，現有的非視距目標定位方法均為假設建筑表面為理想平整結構，但實際包含陽臺、窗戶等凹凸結構的建筑環境會影響電磁波的傳播路徑，從而影響定位精度。

技術實現思路

1、針對建筑表面凹凸結構對電磁波傳播路徑以及定位精度的影響問題，本發明提出了一種城市場景下非視距目標位置與墻體凹凸參數聯合估計方法，既能獲取反射點處墻體的凹凸特征，又能實現高精度目標定位。所述方法包括以下步驟：

2、步驟1、建立非視距場景下多路徑信號模型以及參數化反射點處墻體凹凸特征；

3、步驟2、利用壓縮感知重構回波信號；

4、步驟3、建立目標位置與反射點處墻體凹凸參數聯合估計的目標函數；

5、步驟4、采用admm算法優化目標位置σ；

6、步驟5、采用遺傳算法優化反射點處墻體不規則參數δl。

7、進一步的，步驟1中將反射點處的墻體凹凸結構參數化后每條反射路徑對應的鏡像目標位置可以表示為

8、

9、其中，q1為一次反射的目標鏡像坐標，q2為二次反射的目標鏡像坐標，q3為三次反射的鏡像坐標；l2為墻體2距坐標原點的距離，l3為墻體3距坐標原點的距離；δl1,δl2,δl3,δl4表示反射點處墻體凹凸參數；具體地，δl1表示電磁波反射至墻體3上某點的橫坐標與墻體3位置l3間的差值。

10、進一步的，步驟1中反射路徑的單程傳播時延可表示為

11、

12、其中，c表示光速，qp表示第p條路徑對應的目標鏡像坐標，t表示發射天線位置，r表示接收天線位置；如圖1所示，c表示建筑1的墻角。

13、進一步的，步驟2中回波信號可簡化為

14、

15、其中，表示每條子路徑的傳播映射字典；表示每條路徑子圖中每個網格點的網格系數；得到σ(p,q)后，將各個成像子圖進行融合后即可得到目標所在位置。

16、進一步的，步驟3中通過最小化接收回波信號yt(fk)與基于場景稀疏性重構的回波信號ye(fk)之間的誤差來構建目標函數：

17、

18、目標的定位精度高度依賴于墻體誤差估計的準確性，這兩個變量之間存在著相互耦合的關系；為此，采用內外分層優化的方法進行求解；首先在外層對δl進行優化，針對每一個候選的δl，利用稀疏優化算法求解對應的此外，結合場景的稀疏性，對該優化問題引入l1正則化以進行稀疏性約束

19、

20、其中，λ是正則化參數，用于控制的稀疏性，是稀疏性約束項。

21、進一步的，步驟4中通過引入輔助變量z和對偶變量u，將原始優化問題分解為更易求解的子問題：

22、(1)引入輔助變量z，使得原問題可以分解為如下兩個子問題：

23、

24、σ＝z

25、其中，一個子問題負責最小化l2范數，另一個子問題最小化l1范數；

26、(2)引入拉格朗日乘子u，將約束優化問題轉換為無約束問題，并構建相應的增廣拉格朗日函數

27、

28、其中，ρ是懲罰參數，用于調整對原始約束的違反程度；admm通過交替優化σ和z方式，并在每次迭代中更新對偶變量u。

29、進一步的，步驟4中每次迭代任務共進行以下三個子問題:

30、(1)更新σ：在此步驟中優化l2范數部分

31、

32、針對該二次最小化問題，構建一個如下線性方程組求解

33、

34、(2)更新z：優化l1正則化部分，通過軟閾值操作控制稀疏性

35、

36、(3)更新u：更新對偶變量u，以逐步逼近原始約束，確保σ和z的一致性

37、uk+1＝uk+(σk+1-zk+1)。

38、進一步的，步驟5中針對墻體誤差參數δl的優化采用遺傳算法進行求解，包括：

39、(1)初始化種群為p＝{p1,p2,...,pn}，隨機生成一組初始解，而后通過計算適應度函數來評估每個個體的優劣，發明的適應度函數即為目標函數；

40、(2)在每一代中挑選出適應度最高的個體作為當前迭代的最優解；基于適應度值，對個體進行排序，選擇前n/2個適應度較高的個體作為父母，即

41、pparents＝{pi∈p∣i≤n/2}；

42、(3)通過隨機因子α將父母的基因δlf，δlm線性組合，通過如下的交叉操作產生新的子代

43、c1＝αδlf+(1-α)δlm

44、c2＝αδlm+(1-α)δlf

45、其中，α∈[0,1]是一個隨機數系數，表示父母基因按隨機比例進行組合；

46、(4)對每個基因施加一個隨機擾動，實現每個個體pi的高斯變異，增加種群多樣性并避免種群陷入局部最優：

47、pi'＝pi+δ

48、其中，δ是一個擾動量；具體地，δ＝γ(δlmax-δlmin)，γ是一個取值范圍為[-0.5,0.5]的隨機數，用于控制擾動的幅度；δlmax和δlmin分別是個體的δl上限和下限值，確保變異后的個體仍然在搜索空間內。

49、進一步的，步驟5中所述遺傳算法在進行迭代時，迭代規則為：當適應度變化小于設定的閾值，則認為該代無顯著改進，則停止迭代，否則需繼續迭代至最大迭代次數。

50、有益效果：

51、1、本發明提供一種城市場景下非視距目標位置與墻體凹凸參數聯合估計方法，充分考慮實際建筑環境中門窗等墻體表面凹凸結構對電磁波傳播過程的影響，將電磁波傳播反射點處的墻體凹凸特征參數化為墻體不規則參數，有效地提高了定位算法的普適性與定位精度；

52、2、本發明提供一種城市場景下非視距目標位置與墻體凹凸參數聯合估計方法。在該方法中，基于場景的稀疏性構建包含墻體不規則參數的多路徑回波模型，并采用admm算法與遺傳算法優化對目標接收的回波信號與重構多路徑回波信號間的誤差進行分層優化，可直接獲取非視距目標位置與反射點處的墻體凹凸參數；

53、3、與傳統理想平面的定位方法相比，本發明所提方法可解決實際環境定位偏移問題；仿真與實測實驗表明，本發明所提方法在包含不規則墻體的典型l型非視距場景中擁有較高的目標定位精度。