Research on the Model of UAV Fast 3D Positioning of Trapped People after Earthquake
-
摘要: 针对震后被倒塌建筑物或滑坡埋压的被困人员进行快速定位问题，在阅读大量相关文献的基础上，以无人机遥感、地理信息空间和三维质心定位技术为基础，采用无线信号RSSI测距模型，配合影像范围内基准影像数据辅助定位，构建震后基于无人机快速三维定位被困人员模型。以红河县城区作为研究区，对城区内特定人员进行三维定位，结果表明该模型定位精度高，对震后废墟被困人员营救具有重要意义。Abstract: To locate the trapped people who are buried under the collapse of buildings or landslides after the earthquake, on the basis of reading a large number of relevant literatures and based on uav remote sensing, geographic information space and three-dimensional centroid positioning technology, the wireless signal RSSI ranging model is adopted to coordinate with the reference image data in the image range for auxiliary positioning, so as to construct a set of post-earthquake rapid 3D positioning model of trapped persons based on UAV. Taking Honghe County urban area as the research area, the 3D positioning of specific personnel in the urban area is carried out. The results show that the model has high positioning accuracy and is of great significance to rescue the trapped people after the earthquake.
-
引言
我国地震活动具有频度高、强度大、震源浅、分布广的特点，加之建筑物抗震性能差、人口密度大，地震常造成巨大经济损失与人员伤亡。有关资料显示，唐山地震发生后0.5 h、1 d、2 d、3 d、4 d、5 d被埋压人员救活率分别为99.3%、81%、52.6%、36.8%、18.9%、7.4%，时间再久救活率更低。未能快速准确判断废墟中被困人员数量、位置及被埋压深度是错过黄金救援时间的关键因素（许建华等，2016），因此，对震后基于无人机快速三维定位被困人员模型的研究具有重要意义。
国内外众多学者对震后被困人员定位问题进行了研究，目前较先进的定位方法主要为光学定位、红外线定位、雷达定位、声波定位、无线信号定位和遥感卫星影像几何定位。胡宇航等（2018）对光学定位方法进行了研究，通过色彩对比提取降噪后震区人员视觉图像特征，并与震区原始图像特征进行对比，获取震区待搜救人员候选图像，但光学定位方法受光线强度、废墟遮挡、幸存者有效光信号微弱等因素限制，且对救援现场环境的要求较高；孙黎明（2012）对红外线定位方法进行了研究，通过探测器将温度信号转换为可测量的物理信号，再经信号处理系统，由显示器显示出红外热图像，从而帮助救援人员确定遇难者位置，但由于红外线对废墟穿透性较弱，导致定位误差较大，无法进行大范围被困人员定位，需近距离操作，无法保证搜救人员安全；孙公德等（2017）对雷达定位方法进行了研究，提出了应用分布式超宽带雷达探测地震被困人员的技术，主要研究了分布式超宽带雷达协同探测网络的构建、超宽带雷达生命迹象探测算法、分布式雷达节点探测数据融合方法，为多雷达干扰抑制、分布式雷达节点自定位、微弱生命迹象稳健探测、废墟穿透定位误差补偿等关键技术难题提供了设计方案，但由于被埋压人员无法移动，严重影响了雷达探测效果，且雷达探测设备部件多、质量大、不便携带；曹辉等（2007）对声波定位方法进行了研究，通过对被困人员发出的各种求救信号进行分析，确定适合现场搜救的有效信号，并提出适用于地震救助现场，基于振动直达波到达时差的4点时差定位搜索理论方法，但由于被埋压人员无法时刻发出信号，严重影响了声波探测效果，进行快速大范围探测难度较大；Wu等（2013）对无线信号定位方法进行了研究，利用已有WiFi基础设施和手机射频信号研究移动人员运动状态，通过终端设备自动读取RSSI样本和传感器数据，从而省去了传统定位方法所需的现场采集参考点数据过程，但受WiFi信号范围限制，要求救援人员在废墟上作业，难以保证救援人员安全；潘雪琛等（2019）对遥感卫星影像几何定位方法进行了研究，基于遥感卫星影像，利用高精度影像数据和高程数据获取物方平面和高程坐标后，将其视为精度较低的控制点参与区域网平差，从而实现在不额外增加实测控制条件的情况下提高定位精度。
基于上述方法局限性，本文采用无人机进行搜索定位（杜浩国等，2018），在很大程度上保证了救援人员生命安全，不仅能进行大范围搜索，还能提高搜索效率，三维定位模型对被困人员埋压深度进行精确定位，对提高震后被困人员存活率具有重要意义。
1. 研究方法
1.1 技术路线
本方法技术路线为：采用无人机对搜索区域进行全覆盖搜索，利用无线信号RSSI模型测量无人机与被困人员之间的距离；根据所测距离对被困人员进行三维圆周定位；采用质心定位模型确定被困人员精确三维坐标信息；采用无人机遥感技术获取搜索区域高程与正射影像图，得到基于ArcGIS的地形+房屋三维矢量图（李永强等，2006；杜浩国等，2021）；通过实例验证模型精确性和高效性。震后基于无人机快速三维定位被困人员模型流程图如图1所示。
图 1 震后基于无人机快速三维定位被困人员模型流程图Figure 1. The flow chart of the model of the trapped people based on the uav fast 3D positioning after the earthquake1.2 无线信号测距模型
本文主要根据接收WiFi信号的强度进行被困人员测距（徐秀杰等，2018），RSSI测距技术利用无线电信号随距离增大而有规律衰减的原理测量节点间的距离，根据读取节点射频芯片寄存器的值，可得到发射节点（如手机）发射信号强度，接收点（终端）根据接收信号强度，计算信号传输损耗，利用理论或经验模型将信号传输损耗值转换为距离值。根据谢益溪（2008）的研究得到无线信号传播衰减模型如下：
$${P_{\rm{r}}}(d) = {P_{\rm{r}}}({d_0}) - 10n\lg \left(\frac{d}{{{d_0}}}\right) + {X_{{\rm{dBm}}}}$$ (1) 其中：Pr(d)表示收发节点距离为d时的接收信号强度（dBm）；Pr(d0)表示无线收发节点距离d0=1 m时，接收点接收到的无线信号强度RSSI值，一般取值为32.44；d0表示收发节点参考距离，通常取为1 m；n表示由环境决定的路径损耗指数，一般为2～4，理想自由空间下取为2，非理想自由空间下＞2；XdBm表示均值为µ、方差为δ的高斯分布随机数，其标准差为4～10。
根据谢益溪（2008）的研究，无线信号在自由空间中的路径损耗模型如下：
$$ {P_{\rm{r}}}(d) = 32.44{\rm{ - }}10 \times 2 \times \lg (d) + 10 \times 2 \times \lg (f) $$ (2) 其中：f表示发送端信号发射频率公式。
无线信号传播环境并不是理想的自由空间，因此采用下式计算传播损耗：
$$ {{\rm{P}}_{\rm{r}}}\left( d \right) = 32.44 + 10n\lg (d) + 10n\lg (f) $$ (3) 实际应用中可将衰减模型简化为式（4），为便于表达和计算，通常取d0为1 m，而得到式（5）。
$${P_{{\rm{RSSI}}}} = {P_0} - 10n\lg \left(\frac{d}{{{d_0}}}\right)$$ (4) 其中：d0=1 m；PRSSI为接收点接收到的无线信号强度RSSI值；P0为信号传输1 m远处接收信号功率。
$${\rm{RSSI}} = A{\rm{ - 10}}n{\rm{lg(}}d{\rm{)}}$$ (5) 其中：A为无线收发节点相距1 m时接收点接收到的无线信号强度RSSI值；A和n均为经验值，与使用的硬件节点、无线信号传播环境密切相关，理想状态下RSSI与距离的对应关系如图2所示。
图 2 理想状态下RSSI与距离对应关系Figure 2. The correspondence between RSSI and distance value under ideal state1.3 基于DSM建模
数字表面模型（DSM）指包含地表建筑物、桥梁和树木等高度的地面高程模型，本文从无人机遥感影像DSM中提取建筑物高程信息，通过ArcGIS转换为海拔数据，并进行实时房屋+地形三维建模。
1.4 无人机三维圆周定位
三维圆周定位模型是指在三维空间中以无人机（无线信号发射源）为圆心，以与信号接收点（手机）距离为半径做球体，根据无人机飞行姿态变化，得到不同圆心与半径的球体，其中不同球体相交区域即为无线信号接收点在三维空间下的精确位置。图3所示为无人机三维圆周定位模型理想状态下对掩埋被困人员的定位，a、b、c三点为无人机在三维空间中的搜寻途径点，d1、d2、d3为无人机与被困人员的直线距离可由式（5）计算得到，交点M为无线信号接收点在三维空间下的精确位置。
1.5 质心定位
质心定位模型主要解决三维圆周定位中3个球体不相交于一点的情况，使用模型定位被困人员（手机）时，通常将多边形质心定位模型简化为快捷的三角质心定位模型，以提高计算效率。通过计算三维空间中3个球体两两相交的切面圆圆心p1（x1，y1，z1）、p2（x2，y2，z2）、p3（x3，y3，z3），可得到被困人员（手机）三维定位坐标M（x，y，z），如图4所示，进而得到多质心定位模型：
$$ \left\{ \begin{array}{l} x = \dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {{x_i}} \\ y = \dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {{y_i}} \\ {\textit{z}} = \dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {{{\textit{z}}_i}} \end{array} \right.. $$ (6) 其中：n为定位切面圆圆心数量。
1.6 精度分析
本文采用下列公式对模型结果进行精度分析：
$$ R{\left[ i \right]^2} = X{\left[ i \right]^2} + Y{\left[ i \right]^2} + Z{\left[ i \right]^2}\; $$ (7) 其中，R[i]表示坐标原点至被困人员的距离，X[i]、Y[i]、Z[i]分别表示定位模型定位到第i个被困人员的坐标位置。
$$ R{[j]^2} = X{[j]^2} + Y{[j]^2} + Z{[j]^2} $$ (8) 其中，R[j]表示坐标原点至被困人员的距离，X[j]、Y[j]、Z[j]分别表示第j个被困人员的实际坐标位置。
$$ P\left( {i,j} \right) = \frac{{\left| {R\left[ i \right] - R\left[ j \right]} \right|}}{{R\left[ j \right]}} \times 100\% $$ (9) 其中，P表示模型定位精度误差率。
2. 数据来源与处理
2.1 研究区概况
由于红河县城人口密度高，房屋建筑结构类型复杂且抗震性能差，因此本文选取红河县城区作为研究区（李金香等，2018）。红河县位于云南省南部，红河上游南岸，隶属红河哈尼族彝族自治州，是云南省地质灾害高易发区。境内河谷狭窄，地势中部高、南北低，山地面积大，是云南典型的高原山地县城之一。
2.2 构建基础模型
本文利用无人机自带的GPS定位及图像实时传输功能，实时建立房屋+地形三维空间矢量图，图5（a）所示为无人机红河县城高清影像，面积约4.2 km2。图5（b）所示为基于地理信息空间技术的房屋框架矢量图，该图以红河县无人机航拍高清影像图为基础，采用地理信息空间技术对城区房屋进行精确矢量化（杜浩国等，2019）。图5（c）所示为红河县城区三维地形矢量图，由无人机高清影像计算得到，可与房屋矢量图进行高精度配准。图5（d）所示为震后基于无人机快速三维定位被困人员基础模型，基于图5（a）、5（b）、5（c）计算得到，该模型不仅提高了定位精度，还增强了可视化程度。
图 5 基础模型Figure 5. The fundamental model (a)、The vector diagram of house frame based on geographic information space technology (b)、The 3D vector topography of Honghe county (c)、The model of fast location of trapped people after earthquake (d)2.3 参数设置
由于红河县城区面积较大，本研究采用固定翼无人机进行搜索作业（邓飞等，2017），其中飞行面积约4.2 km2（不考虑无线信号覆盖范围），搜索路径约54.4 km。由于城区内建筑物最高海拔989 m，最低海拔813 m，为避免无人机执行任务时与建筑物发生碰撞，将无人机飞行海拔设定为最高1 100 m，最低900 m，无人机搜寻路径如图6所示。根据实地调查统计与高分辨率遥感影像建筑物分级提取得到城区内钢筋混凝土房屋共475栋，占房屋总数的6.431%，其余类型房屋共6 895栋，占房屋总数的93.569%，因此参数n和A均以50栋钢筋混凝土房屋以外或钢筋结构较少房屋的实测均值为准，即n=3，A=40，得到RSSI与距离、距离与RSSI对应关系，RSSI均取绝对值，如图7所示。
图 7 本研究RSSI与距离对应关系Figure 7. The correspondence between RSSI and distance value in this study2.4 模型硬件配置
采用无人机进行快速搜索，利用其在一定搜索区域内可快速获取被困人员信息网络的特点，计算得到搜索区域手机数量、信号强度和MAC地址等信息。根据RSSI测距、圆周定位与质心定位，实现搜索区域手机快速三维定位，并在信息终端（计算机）以三维图形的方式进行显示。模型主要分为搜索系统和显示系统，其中搜索系统主要由无人机、无线路由中继器、WiFi模块、机载电源等设备组成，显示系统主要包括以ArcGIS为基础的房屋+地形三维信息。
被困人员定位思路为：无人机信号搜索系统通过自带的wifi热点中继设备获取手机信号强度RSSI，并通过无人机遥控终端设备进行信息传输，将数据传送到用于信息控制与处理的计算机，同时通过无人机获取研究区遥感信息，进行实时三维建模，对被困人员位置进行三维图形化显示。
3. 结果分析
为验证基于无人机快速三维定位被困人员模型的准确性和可行性，在红河县城区不同区域布设30台智能手机，每台手机经过设置后可在无人机飞过的短时间内进行快速连接并进行高效的信息传输，表1所示为模型搜索结果，共有26台手机被定位，剩余4台手机无定位消息，可显示被定位手机三维坐标（经度、纬度、海拔）、连接起始时间、无线信号接收强度、信号质量、信息传输速度。此次无人机飞行搜索时间共2 h 5 min，共2个飞行架次，搜索面积约5 km2（考虑无线信号覆盖范围）。图8所示为三维定位可视化模型结果，模型中将O（102.401 443，23.376 687，830）设为坐标原点，经度设为x轴，纬度设为y轴，海拔设为z轴，从图8中可直观清晰地看出26台手机的三维定位位置。
表 1 模型结果Table 1. The results of model algorithm序号 MAC地址 物理层协议 RSSI 信号质量 平均信号质量 频率 通道 信息数 最大速度/
Mbps带宽/
MHz第一次
检测最后一次
检测是否连接 经度/° 纬度/° 海拔/m 1 68-A0-3E-D8-39-68 802.11g/n/ac −70.6357 65 63 2.462 11 16 390 20 09:23:09 09:23:15 否 102.418763 23.373135 989.23 2 98-E7-F5-88-9A-53 802.11g/n −79.6666 58 57 2.462 11 13 450 20 09:26:14 09:26:30 是 102.421803 23.375657 978.75 3 B8-94-36-1C-17-B6 802.11g/n −83.6453 51 49 2.437 6 13 144 20 09:29:40 09:30:01 否 102.424242 23.373963 971.17 4 B8-94-36-49-97-38 802.11g/n −88.2236 49 47 2.462 11 13 144 20 09:33:08 09:33:21 否 102.403974 23.372365 966.57 5 E6-8F-F4-93-F0-80 802.11g/n −88.8517 49 48 2.462 11 16 144 20 09:36:25 09:36:31 否 102.405390 23.373218 952.45 6 96-E5-DE-7C-56-C6 802.11g/n −86.8687 47 45 2.462 11 15 144 20 09:39:35 09:39:45 否 102.406310 23.371309 959.84 7 88-11-96-3A-C3-8A 802.11g/n −82.6973 39 38 2.437 6 12 72 20 09:42:43 09:42:59 否 102.408521 23.370730 957.34 8 AE-26-9B-CA-D1-96 802.11g/n −83.1799 41 40 2.437 6 17 144 20 09:45:21 09:45:35 否 102.409911 23.372194 963.18 9 78-44-FD-C4-AC-C7 802.11g/n −78.0151 60 58 2.462 11 19 300 40 09:48:31 09:48:45 否 102.412029 23.372019 973.19 10 14-3C-C3-6E-35-CE 802.11g/n/ac −70.6356 65 64 2.462 11 16 390 20 09:51:16 09:51:42 否 102.414051 23.370901 972.57 11 80-8A-8B-FD-6A-9F 802.11g/n/ac −70.0237 63 62 2.417 2 16 780 20 09:54:20 09:54:33 否 102.417008 23.372129 981.41 12 82-89-17-C4-A2-47 802.11g/n −79.3526 57 56 2.437 6 12 300 40 09:57:27 09:57:46 否 102.418084 23.372371 989.17 13 C6-8B-BD-37-4C-7B 802.11g/n −81.1323 40 38 2.437 6 16 144 20 10:00:02 10:00:10 否 102.418932 23.371930 989.87 14 20-54-FA-58-35-DA 802.11g/n −85.5554 48 46 2.412 1 15 72 20 10:03:09 10:03:15 否 102.417509 23.371243 979.23 15 88-F8-72-98-3F-A1 802.11g/n/ac −90.0235 34 33 2.437 6 15 390 20 10:06:45 10:06:58 否 102.416266 23.371261 976.01 16 60-83-34-92-AC-F5 802.11g/n −88.2236 38 37 2.437 6 16 300 40 10:09:19 10:09:28 否 102.411133 23.370793 966.73 17 88-11-96-3A-C3-8A 802.11g/n −84.9493 40 39 2.437 6 12 72 20 10:12:27 10:12:35 否 102.409092 23.369330 953.21 18 EC-8C-9A-BD-D1-4C 802.11g/n −88.8516 49 47 2.412 1 16 300 40 10:17:15 10:17:37 否 102.412496 23.368698 959.53 19 24-31-54-3B-C3-D1 802.11g/n −85.3565 40 39 2.437 6 13 300 40 10:19:09 10:19:27 否 102.423898 23.368756 968.45 20 60-83-34-AE-51-DC 802.11g/n −84.5289 40 39 2.412 1 17 300 40 10:57:03 10:57:33 否 102.413991 23.367852 957.33 21 80-8A-8B-FD-6A-9B 802.11g/n/ac −86.8683 38 37 2.412 1 16 780 20 11:00:07 11:00:35 否 102.416923 23.367627 967.76 22 20-DA-22-3B-0E-60 802.11g/n/ac −89.1547 36 35 2.437 6 16 390 20 11:03:30 11:03:44 否 102.419275 23.366158 969.59 23 D6-CB-D1-9D-A7-A6 802.11g/n −88.8617 36 34 2.462 11 16 144 20 11:06:59 11:07:11 否 102.422893 23.366153 963.65 24 46-BD-E9-8A-A8-4C 802.11g/n −91.3542 35 32 2.437 6 14 144 20 11:10:05 11:10:23 否 102.419093 23.365337 956.22 25 F2-79-60-E9-B0-E9 802.11g/n −70.6357 64 63 2.437 6 17 144 20 11:13:53 11:14:11 否 102.424897 23.365382 957.51 26 FC-AB-90-24-E0-D3 802.11g/n/ac −79.6666 53 51 2.462 11 16 390 20 11:16:33 11:17:23 否 102.426891 23.365028 948.37 表2所示为模型定位被困人员位置与实际位置对比结果，其中平均误差率为4.97%，漏检率为13.3%，最大误差为11.59%，最小误差为0.000 71%。这是由于手机信号强度在建筑物中受不稳定因素的干扰，波动较大，且人工测量实际坐标时也会产生误差，但误差范围较小，证明本文提出的定位模型可在有障碍阻挡环境下实现手机定位。与传统的人工搜索和架设固定仪器探测相比，本文采用的无人机定位技术可与被困人员手机保持最近距离探测，即无人机在搜索过程中会在一定时间内与被困人员手机保持最近距离信息传输，在搜索效率与精度方面具有优势。
表 2 模型定位被困人员位置与实际位置对比结果Table 2. Comparison results of position of trapped people located by model and real position序号 无人机定位模型结果 实际坐标位置 误差率P[i,j]/% 经度X[i] 纬度Y[i] 海拔Z[i] R[i] 经度X[j] 纬度Y[j] 海拔Z[j] R[j] 1 102.418763 23.373135 989.23 994.7923901 102.418441 23.373315 989.18 994.7426407 0.500 00 2 102.421803 23.375657 978.75 984.3719874 102.421325 23.375567 977.94 983.5665654 8.180 00 3 102.424242 23.373963 971.17 976.8358288 102.424489 23.373317 972.15 977.8101607 9.960 00 4 102.403974 23.372365 966.57 972.2604621 102.403999 23.372234 967.16 972.8470105 6.020 00 5 102.405390 23.373218 952.45 958.2244903 102.405418 23.373256 953.00 958.7711816 5.700 00 6 102.406310 23.371309 959.84 965.5703475 102.407621 23.371267 959.84 965.5704855 0.001 00 7 102.408521 23.370730 957.34 963.0854437 102.408168 23.370213 956.98 962.727542 3.710 00 8 102.409911 23.372194 963.18 968.8909958 102.409925 23.372314 964.21 969.9149354 10.550 00 9 102.412029 23.372019 973.19 978.8428122 102.412834 23.372526 973.54 979.190888 0 3.550 00 10 102.414051 23.370901 972.57 978.226580 0 102.414712 23.370974 973.03 978.6839922 4.670 00 11 102.417008 23.372129 981.41 987.0162552 102.417332 23.372826 980.89 986.4992605 5.240 00 12 102.418084 23.372371 989.17 994.7326377 102.418471 23.372490 988.99 994.5536871 1.790 00 13 102.418932 23.371930 989.87 995.4288029 102.418597 23.371661 989.14 994.7028416 7.290 00 14 102.417509 23.371243 979.23 984.848696 0 102.417615 23.371329 979.78 985.395573 0 5.540 00 15 102.416266 23.371261 976.01 981.6469974 102.416398 23.371891 976.31 981.945304 0 3.030 00 16 102.411133 23.370793 966.73 972.420242 0 102.411361 23.370335 966.55 972.2413085 1.840 00 17 102.409092 23.369330 953.21 958.9802145 102.409441 23.369287 954.33 960.0935194 11.590 00 18 102.412496 23.368698 959.53 965.2627809 102.412183 23.368859 958.97 964.7060794 5.770 00 19 102.423898 23.368756 968.45 974.1314881 102.423374 23.368153 968.45 974.1314186 0.00071 20 102.413991 23.367852 957.33 963.0760152 102.413509 23.367290 957.78 963.5232667 4.640 00 21 102.416923 23.367627 967.76 973.4447543 102.416226 23.367312 967.23 972.9177702 5.410 00 22 102.419275 23.366158 969.59 975.2642992 102.419777 23.366435 969.88 975.5526718 2.950 00 23 102.422893 23.366153 963.65 969.3594527 102.422337 23.366123 964.12 969.8266264 4.810 00 24 102.419093 23.365337 956.22 961.9731275 102.419999 23.365376 955.77 961.5259174 4.650 00 25 102.424897 23.365382 957.51 963.2560411 102.424413 23.365891 957.12 962.8683293 4.020 00 26 102.426891 23.365028 948.37 954.1712894 102.426731 23.365581 949.13 954.9266686 7.910 00 27 — — — — 102.418431 23.372410 958.96 930640.0862 100.000 00 28 — — — — 102.418521 23.371634 979.18 969829.2591 100.000 00 29 — — — — 102.417634 23.371334 969.73 951411.8639 100.000 00 30 — — — — 102.416367 23.371877 976.32 964 236.0993 100.000 00 平均误差率/% 4.970 00 4. 结论
针对震后被倒塌建筑物或滑坡埋压的被困人员进行快速定位问题，本文提出了震后基于无人机快速三维定位被困人员模型，与以往人工定位方法相比，本研究提出的模型优势主要体现在无须组织大量人工进行被困人员搜索，保证了搜索人员人身安全，提高了搜索效率与精确度。利用无人机遥感影像提取技术与三维定位技术，构建了地形+房屋三维定位模型，具有三维直观的可视化效果。但本次模型研究仅利用了遥感影像高程差及短距离无线信号传输，后期研究将结合多遥感数据、无线信号增强模型及无人机超低空飞行技术，实现数据优势互补，避免无人机快速飞行搜索时发生遗漏被困人员的情况。
-
图 1 震后基于无人机快速三维定位被困人员模型流程图
Figure 1. The flow chart of the model of the trapped people based on the uav fast 3D positioning after the earthquake
图 2 理想状态下RSSI与距离对应关系
Figure 2. The correspondence between RSSI and distance value under ideal state
图 5 基础模型
Figure 5. The fundamental model (a)、The vector diagram of house frame based on geographic information space technology (b)、The 3D vector topography of Honghe county (c)、The model of fast location of trapped people after earthquake (d)
图 7 本研究RSSI与距离对应关系
Figure 7. The correspondence between RSSI and distance value in this study
表 1 模型结果
Table 1. The results of model algorithm
序号 MAC地址 物理层协议 RSSI 信号质量 平均信号质量 频率 通道 信息数 最大速度/
Mbps带宽/
MHz第一次
检测最后一次
检测是否连接 经度/° 纬度/° 海拔/m 1 68-A0-3E-D8-39-68 802.11g/n/ac −70.6357 65 63 2.462 11 16 390 20 09:23:09 09:23:15 否 102.418763 23.373135 989.23 2 98-E7-F5-88-9A-53 802.11g/n −79.6666 58 57 2.462 11 13 450 20 09:26:14 09:26:30 是 102.421803 23.375657 978.75 3 B8-94-36-1C-17-B6 802.11g/n −83.6453 51 49 2.437 6 13 144 20 09:29:40 09:30:01 否 102.424242 23.373963 971.17 4 B8-94-36-49-97-38 802.11g/n −88.2236 49 47 2.462 11 13 144 20 09:33:08 09:33:21 否 102.403974 23.372365 966.57 5 E6-8F-F4-93-F0-80 802.11g/n −88.8517 49 48 2.462 11 16 144 20 09:36:25 09:36:31 否 102.405390 23.373218 952.45 6 96-E5-DE-7C-56-C6 802.11g/n −86.8687 47 45 2.462 11 15 144 20 09:39:35 09:39:45 否 102.406310 23.371309 959.84 7 88-11-96-3A-C3-8A 802.11g/n −82.6973 39 38 2.437 6 12 72 20 09:42:43 09:42:59 否 102.408521 23.370730 957.34 8 AE-26-9B-CA-D1-96 802.11g/n −83.1799 41 40 2.437 6 17 144 20 09:45:21 09:45:35 否 102.409911 23.372194 963.18 9 78-44-FD-C4-AC-C7 802.11g/n −78.0151 60 58 2.462 11 19 300 40 09:48:31 09:48:45 否 102.412029 23.372019 973.19 10 14-3C-C3-6E-35-CE 802.11g/n/ac −70.6356 65 64 2.462 11 16 390 20 09:51:16 09:51:42 否 102.414051 23.370901 972.57 11 80-8A-8B-FD-6A-9F 802.11g/n/ac −70.0237 63 62 2.417 2 16 780 20 09:54:20 09:54:33 否 102.417008 23.372129 981.41 12 82-89-17-C4-A2-47 802.11g/n −79.3526 57 56 2.437 6 12 300 40 09:57:27 09:57:46 否 102.418084 23.372371 989.17 13 C6-8B-BD-37-4C-7B 802.11g/n −81.1323 40 38 2.437 6 16 144 20 10:00:02 10:00:10 否 102.418932 23.371930 989.87 14 20-54-FA-58-35-DA 802.11g/n −85.5554 48 46 2.412 1 15 72 20 10:03:09 10:03:15 否 102.417509 23.371243 979.23 15 88-F8-72-98-3F-A1 802.11g/n/ac −90.0235 34 33 2.437 6 15 390 20 10:06:45 10:06:58 否 102.416266 23.371261 976.01 16 60-83-34-92-AC-F5 802.11g/n −88.2236 38 37 2.437 6 16 300 40 10:09:19 10:09:28 否 102.411133 23.370793 966.73 17 88-11-96-3A-C3-8A 802.11g/n −84.9493 40 39 2.437 6 12 72 20 10:12:27 10:12:35 否 102.409092 23.369330 953.21 18 EC-8C-9A-BD-D1-4C 802.11g/n −88.8516 49 47 2.412 1 16 300 40 10:17:15 10:17:37 否 102.412496 23.368698 959.53 19 24-31-54-3B-C3-D1 802.11g/n −85.3565 40 39 2.437 6 13 300 40 10:19:09 10:19:27 否 102.423898 23.368756 968.45 20 60-83-34-AE-51-DC 802.11g/n −84.5289 40 39 2.412 1 17 300 40 10:57:03 10:57:33 否 102.413991 23.367852 957.33 21 80-8A-8B-FD-6A-9B 802.11g/n/ac −86.8683 38 37 2.412 1 16 780 20 11:00:07 11:00:35 否 102.416923 23.367627 967.76 22 20-DA-22-3B-0E-60 802.11g/n/ac −89.1547 36 35 2.437 6 16 390 20 11:03:30 11:03:44 否 102.419275 23.366158 969.59 23 D6-CB-D1-9D-A7-A6 802.11g/n −88.8617 36 34 2.462 11 16 144 20 11:06:59 11:07:11 否 102.422893 23.366153 963.65 24 46-BD-E9-8A-A8-4C 802.11g/n −91.3542 35 32 2.437 6 14 144 20 11:10:05 11:10:23 否 102.419093 23.365337 956.22 25 F2-79-60-E9-B0-E9 802.11g/n −70.6357 64 63 2.437 6 17 144 20 11:13:53 11:14:11 否 102.424897 23.365382 957.51 26 FC-AB-90-24-E0-D3 802.11g/n/ac −79.6666 53 51 2.462 11 16 390 20 11:16:33 11:17:23 否 102.426891 23.365028 948.37 
下载: 导出CSV
表 2 模型定位被困人员位置与实际位置对比结果
Table 2. Comparison results of position of trapped people located by model and real position
序号 无人机定位模型结果 实际坐标位置 误差率P[i,j]/% 经度X[i] 纬度Y[i] 海拔Z[i] R[i] 经度X[j] 纬度Y[j] 海拔Z[j] R[j] 1 102.418763 23.373135 989.23 994.7923901 102.418441 23.373315 989.18 994.7426407 0.500 00 2 102.421803 23.375657 978.75 984.3719874 102.421325 23.375567 977.94 983.5665654 8.180 00 3 102.424242 23.373963 971.17 976.8358288 102.424489 23.373317 972.15 977.8101607 9.960 00 4 102.403974 23.372365 966.57 972.2604621 102.403999 23.372234 967.16 972.8470105 6.020 00 5 102.405390 23.373218 952.45 958.2244903 102.405418 23.373256 953.00 958.7711816 5.700 00 6 102.406310 23.371309 959.84 965.5703475 102.407621 23.371267 959.84 965.5704855 0.001 00 7 102.408521 23.370730 957.34 963.0854437 102.408168 23.370213 956.98 962.727542 3.710 00 8 102.409911 23.372194 963.18 968.8909958 102.409925 23.372314 964.21 969.9149354 10.550 00 9 102.412029 23.372019 973.19 978.8428122 102.412834 23.372526 973.54 979.190888 0 3.550 00 10 102.414051 23.370901 972.57 978.226580 0 102.414712 23.370974 973.03 978.6839922 4.670 00 11 102.417008 23.372129 981.41 987.0162552 102.417332 23.372826 980.89 986.4992605 5.240 00 12 102.418084 23.372371 989.17 994.7326377 102.418471 23.372490 988.99 994.5536871 1.790 00 13 102.418932 23.371930 989.87 995.4288029 102.418597 23.371661 989.14 994.7028416 7.290 00 14 102.417509 23.371243 979.23 984.848696 0 102.417615 23.371329 979.78 985.395573 0 5.540 00 15 102.416266 23.371261 976.01 981.6469974 102.416398 23.371891 976.31 981.945304 0 3.030 00 16 102.411133 23.370793 966.73 972.420242 0 102.411361 23.370335 966.55 972.2413085 1.840 00 17 102.409092 23.369330 953.21 958.9802145 102.409441 23.369287 954.33 960.0935194 11.590 00 18 102.412496 23.368698 959.53 965.2627809 102.412183 23.368859 958.97 964.7060794 5.770 00 19 102.423898 23.368756 968.45 974.1314881 102.423374 23.368153 968.45 974.1314186 0.00071 20 102.413991 23.367852 957.33 963.0760152 102.413509 23.367290 957.78 963.5232667 4.640 00 21 102.416923 23.367627 967.76 973.4447543 102.416226 23.367312 967.23 972.9177702 5.410 00 22 102.419275 23.366158 969.59 975.2642992 102.419777 23.366435 969.88 975.5526718 2.950 00 23 102.422893 23.366153 963.65 969.3594527 102.422337 23.366123 964.12 969.8266264 4.810 00 24 102.419093 23.365337 956.22 961.9731275 102.419999 23.365376 955.77 961.5259174 4.650 00 25 102.424897 23.365382 957.51 963.2560411 102.424413 23.365891 957.12 962.8683293 4.020 00 26 102.426891 23.365028 948.37 954.1712894 102.426731 23.365581 949.13 954.9266686 7.910 00 27 — — — — 102.418431 23.372410 958.96 930640.0862 100.000 00 28 — — — — 102.418521 23.371634 979.18 969829.2591 100.000 00 29 — — — — 102.417634 23.371334 969.73 951411.8639 100.000 00 30 — — — — 102.416367 23.371877 976.32 964 236.0993 100.000 00 平均误差率/% 4.970 00
下载: 导出CSV
-
[1] 曹辉, 王绪本, 简兴祥等, 2007. 声波/振动生命搜索与定位系统的定位方法研究. 成都理工大学学报(自然科学版), 34(3): 336—339.Cao H., Wang X. B., Jian X. X., et al., 2007. Research on the position technology of the acoustic/seismic life detection and position system. Journal of Chengdu University of Technology (Science & Technology Edition), 34(3): 336—339. (in Chinese) [2] 邓飞, 窦爱霞, 袁小祥, 2017. 轻小型无人机在房屋建筑结构类型调查中的应用. 震灾防御技术, 12(4): 786—796. doi: 10.11899/zzfy20170407Deng F., Dou A. X., Yuan X. X., 2017. Application of light-small unmanned aerial vehicle in investigating structural types of buildings. Technology for Earthquake Disaster Prevention, 12(4): 786—796. (in Chinese) doi: 10.11899/zzfy20170407 [3] 杜浩国, 张方浩, 邓树荣等, 2018. 震后极灾区无人机最优航拍区域选择. 地震研究, 41(2): 209—215. doi: 10.3969/j.issn.1000-0666.2018.02.008Du H. G., Zhang F. H., Deng S. R., et al., 2018. Selection of UAV optimal aerial areas in the extremely-affected region after an earthquake event. Journal of Seismological Research, 41(2): 209—215. (in Chinese) doi: 10.3969/j.issn.1000-0666.2018.02.008 [4] 杜浩国, 陈亮, 林旭川等, 2019. 云南红河县城区房屋地震灾害三维仿真模拟方法. 地震研究, 42(2): 218—229. doi: 10.3969/j.issn.1000-0666.2019.02.010Du H. G., Chen L., Lin X. C., et al., 2019. 3D simulation method of housing earthquake disaster in Honghe Country, Yunnan. Journal of Seismological Research, 42(2): 218—229. (in Chinese) doi: 10.3969/j.issn.1000-0666.2019.02.010 [5] 杜浩国, 林旭川, 张方浩等, 2021. 基于蚁群优化算法的应急避难场所选址模型研究. 自然灾害学报, 30(2): 89—101.Du H. G., Lin X. C., Zhang F. H., et al., 2021. Study on emergency shelter location model based on ant colony optimization algorithm. Journal of Natural Disasters, 30(2): 89—101. (in Chinese) [6] 胡宇航, 张峰, 2018. 基于视觉图像的震区人员搜救方法研究. 地震工程学报, 40(6): 1356—1361. doi: 10.3969/j.issn.1000-0844.2018.06.1356Hu Y. H., Zhang F., 2018. Research on personnel search-and-rescue method in earthquake area based on visual imagery. China Earthquake Engineering Journal, 40(6): 1356—1361. (in Chinese) doi: 10.3969/j.issn.1000-0844.2018.06.1356 [7] 李金香, 温和平, 张治广等, 2018. 三维影像技术在承灾体基础数据调查中的应用——以吐鲁番市主城区为例. 震灾防御技术, 13(2): 424—438. doi: 10.11899/zzfy20180217Li J. X., Wen H. P., Zhang Z. G., et al., 2018. Application of 3D imaging technique in basic data investigation of disaster bearing body—a case of Turpan City, Xinjiang Uygur Autonomous Region. Technology for Earthquake Disaster Prevention, 13(2): 424—438. (in Chinese) doi: 10.11899/zzfy20180217 [8] 李永强, 龚强, 王景来, 2006. 基于GIS的数字等震线模型. 地震研究, 29(4): 401—406. doi: 10.3969/j.issn.1000-0666.2006.04.015Li Y. Q., Gong Q., Wang J. L., 2006. Digital Isoseisms model based on GIS. Journal of Seismological Research, 29(4): 401—406. (in Chinese) doi: 10.3969/j.issn.1000-0666.2006.04.015 [9] 潘雪琛, 姜挺, 余岸竹等, 2019. 基准影像数据辅助遥感影像几何定位. 遥感学报, 23(4): 673—684.Pan X. C., Jiang T., Yu A. Z., et al., 2019. Geo-positioning of remote sensing images with reference image. Journal of Remote Sensing, 23(4): 673—684. (in Chinese) [10] 孙公德, 郭勇, 沈建等, 2017. 分布式超宽带雷达地震被困人员协同探测技术. 震灾防御技术, 12(4): 966—977. doi: 10.11899/zzfy20170424Sun G. D., Guo Y., Shen J., et al., 2017. Collaborative detection technology for detecting trapped personnel by distributed UWB radar earthquake. Technology for Earthquake Disaster Prevention, 12(4): 966—977. (in Chinese) doi: 10.11899/zzfy20170424 [11] 孙黎明, 2012. 基于红外成像的生命探测仪设计与研究. 秦皇岛: 燕山大学.Sun L. M., 2012. Design and research of life detection based on infrared imaging. Qinhuangdao: Yanshan University. (in Chinese) [12] 谢益溪, 2008. 无线电波传播—原理与应用. 北京: 人民邮电出版社. [13] 许建华, 李伟华, 杜晓霞等, 2016. 人员伤亡规模不同的特别重大地震灾害专业救援对比分析. 震灾防御技术, 11(4): 781—790. doi: 10.11899/zzfy20160408Xu J. H., Li W. H., Du X. X., et al., 2016. Comparative analysis of professional rescues for catastrophic earthquakes with different death levels. Technology for Earthquake Disaster Prevention, 11(4): 781—790. (in Chinese) doi: 10.11899/zzfy20160408 [14] 徐秀杰, 贾荣光, 杨玉永等, 2018. 系留式无人机中继通信系统在地震应急现场的应用试验研究. 震灾防御技术, 13(3): 718—726. doi: 10.11899/zzfy20180323Xu X. J., Jia R. G., Yang Y. Y., et al., 2018. Technical application of the tethered UAV relay system in earthquake emergency site. Technology for Earthquake Disaster Prevention, 13(3): 718—726. (in Chinese) doi: 10.11899/zzfy20180323 [15] Wu C. S., Yang Z., Liu Y. H., et al., 2013. WILL: wireless indoor localization without site survey. IEEE Transactions on Parallel and Distributed Systems, 24(4): 839—848. doi: 10.1109/TPDS.2012.179 期刊类型引用(1)
1. 胡喆馨，卜凡亮，王媛媛. 基于改进Chan-Taylor算法的震后定位搜索技术研究. 震灾防御技术. 2023(01): 178-185 . 
本站查看其他类型引用(2)
-
下载:
点击查看大图
计量
- 文章访问数: 174
- HTML全文浏览量: 84
- PDF下载量: 5
- 被引次数: 3
