CN100562182C - 一种基于信息融合的无线定位多算法增强方法 - Google Patents

Abstract

本发明请求保护一种基于信息融合的无线定位方法，涉及移动终端的无线定位技术。本发明是通过以下技术方案实现的，基站测量移动终端的TDOA值和AOA值，采用Chan算法和Taylor算法分别对TDOA值进行估计，并结合AOA值得到TDOA(Chan)、TDOA(Taylor)、TDOA(Chan)/AOA、TDOA(Taylor)/AOA四种定位估计值分别送入第一层数据融合和第二层数据融合进行处理，两层数据融合的结果及TDOA(Chan)、TDOA(Taylor)估计值送入第四层数据融合计算加权系数，根据加权系数选择最佳定位结果作为移动终端位置。采用本发明的定位方法，有利于在无信道环境先验信息的情况下提高对移动台定位估计的准确性。

Description

一种基于信息融合的无线定位多算法增强方法

技术领域

本发明属于无线通讯技术领域，具体涉及移动终端的无线定位技术。

技术背景

在3G蜂窝移动通信系统中，越来越多的网络服务依赖于移动台(MS)的位置信息，因而近年来基于蜂窝网络对MS进行定位估计的无线定位技术受到广泛关注。现在几种基于网络的定位方法，如场强定位法、电波到达时间(TOA)定位法、到达时间差(TDOA)定位法及到达角(AOA)定位法，都可应用于对移动用户的位置估计。但是，在不同的信道和网络环境中，这些基本定位技术所表现出的性能各不相同，还没有一种技术能在各种不同信道和网络环境中都表现出最佳的性能，满足对蜂窝网络移动台定位的精度要求。

在基于蜂窝网络的移动台定位技术中，TDOA技术以其独特的优点受到更多的关注，是一种应用于蜂窝网络移动台定位估计的主要技术。在3GPP为UTRAN选择的几种定位方法中，无论是GSM的E-OTD，还是WCDMA的OTDOA-IPDL，无不采用TDOA定位技术。由于现有的几种TDOA定位算法各有不同特点，在不同的蜂窝网络中表现出来的性能各不相同，但现有技术中没有一种算法能在不同的蜂窝网络环境中都表现出最佳的性能。由此，采用数据融合技术应用于多算法信息融合定位，有利于在无信道环境先验信息的情况下进一步提高对移动台定位估计的准确性。

发明内容

本发明所要解决的技术问题是，针对现有技术采用单一定位方法定位精度不高，对移动台MS定位估计准确性差的缺点，本发明提出一种基于信息融合的无线定位技术，提高对MS定位估计的准确性。本发明解决上述问题所采用的技术方案是，通过服务基站提供的TDOA测量值和AOA测量值，获得定位估计的残差分别为R_C、R_T，采用Chan算法和Taylor算法分别对TDOA进行估计可得到TDOA(Chan)、TDOA(Taylor)、TDOA(Chan)/AOA、TDOA(Taylor)/AOA4种定位估计值X_C、X_T、X_CA、R_CA。然后分别送入第一层数据融合和第二层数据融合。第一层主要对TDOA(Chan)、TDOA(Taylor)、TDOA(Chan)/AOA的估计结果进行数据融合；第二层主要对TDOA(Chan)、TDOA(Taylor)、TDOA(Taylor)/AOA估计结果进行数据融合，即采用贝叶斯推论对TDOA(Chan)、TDOA(Taylor)、TDOA(Taylor)/AOA估计值的均值和方差加权得到第二层融合的结果；第四层对第一层数据融合结果、第二层数据融合结果、TDOA(Chan)、TDOA(Taylor)定位估计值计算对应的加权系数，根据加权系数调用相应公式 $\hat{X}=\frac{\underset{K}{\mathrm{\Σ}}{\hat{x}}_k{R}_k^{-1}}{\underset{k}{\mathrm{\Σ}}{R}_k^{-1}}$ 得出最佳定位结果。针对多基站定位，根据第一层、第二层数据融合中采用第k种算法的计算结果

参与定位的第i个基站的坐标X_i、参与定位的基站数目BSN、移动台到各基站对应的TDOA/AOA测量值r_i，计算加权系数R_k。针对单基站定位，根据第一层、第二层数据融合中采用第k种算法的计算结果

服务基站坐标X₀、移动台到服务基站的TDOA/AOA测量值r₀，调用公式： $R_k={(r_0-|{\hat{x}}_k-X_0\left|\right)}^2$ 计算加权系数R_k。

本发明的有益效果是：采用本发明提出的多算法信息融合定位方法，充分利用服务基站提供的TDOA、TOA和AOA测量值，结合多种算法，将其数据进行多次融合，有利于在无信道环境先验信息的情况下进一步提高对移动台定位估计的准确性。

附图说明

图1TDOA多算法融合定位模型示意图

图2多算法增强融合定位模型示意图

具体实施方式

1.TDOA多算法融合模型

为了能综合Chan算法和泰勒序列展开法两种算法的优点，提高对MS定位估计的准确性，建立定位算法模型，采用Chan和泰勒序列展开法的结果进行信号数据融合。

如图1所示为TDOA多算法融合定位系统模型示意图，该系统模型对于基站采集的TDOA测量值，送入数据计算单元，分别采用Chan算法、泰勒序列展开法进行TDOA估计、估计值都送入第一层数据融合和第二层数据融合，经过两层数据融合后，产生4种定位估计值，即第一层数据融合结果，第二层数据融合结果，TDOA(Chan)算法估计结果，TDOA(Taylor)算法估计结果，将上述4种定位估计值送入第四层融合，选择最优值作为定位估计结果，

该系统模型中各数据融合层的实现方式如下所示：

(1)第一层数据融合

将Chan算法和泰勒序列展开法分别得到的定位估计值按一定的规则进行加权，得到一新的定位估计值。假定TDOA测量值数目为N，由Chan算法和泰勒序列展开法分别得到的定位估计值为X_C和X_T，服务BS位置坐标为X₀，临近BS位置坐标为X_i，TDOA测量值为τ_i，则经第一层数据融合模块后的第一层融合定位估计值为：

$\hat{X}=\frac{R_C^{-1}{X}_C+R_T^{-1}{X}_T}{R_C^{-1}+R_T^{-1}}$

(2)第二层数据融合

该数据融合过程可采用贝叶斯推论，对两种算法定位估计值的方差加权，得到第二层数据融合的结果，对Chan算法和泰勒序列展开法得到的定位估计值计算均值和方差分别为X_cm、X_tm和σ_c ²、σ_t ²，则采用贝叶斯推论，第二层融合产生的新的定位估计值均值和方差为：

$\stackrel{\‾}{X}=X_{\mathrm{cm}}+\frac{{\mathrm{\σ}}_c^2}{{\mathrm{\σ}}_c^2+{\mathrm{\σ}}_t^2}(X_{\mathrm{tm}}-X_{\mathrm{cm}}),{\stackrel{\‾}{\mathrm{\σ}}}^2=\frac{1}{{\mathrm{\σ}}_c^{-2}+{\mathrm{\σ}}_t^{-2}}$

(3)第四层数据融合

综合定位估计值的均值、方差或标准差的大小，误差概率分布，TDOA测量值提供的先验信息，移动台MS与各基站BS相对位置等因素，从以上4种定位估计值(第一层融合结果，第二层融合结果，TDOA(Chan)算法估计结果，TDOA(Taylor)算法估计结果)中选择出一种最佳的结果作为MS的最终估计位置。

由于仅考虑了TDOA测量值作为多算法融合定位的因素，因此这种模型在蜂窝网络中容易以更低的成本实现，但是，该定位模型只考虑单一因素，因此定位精度不够高。

2.多算法融合增强模型

充分利用基站能准确得到AOA测量值的特点，在TDOA多算法融合基础上，引入了AOA测量值，提出了增强多算法融合定位系统模型，如图2所示为增强多算法融合定位系统模型示意图。

基站采集TDOA测量值和AOA测量值，TDOA测量单元的输出通过Chan算法和Taylor算法分别进行TDOA估计并结合AOA测量值，可得到TDOA(Chan)、TDOA(Taylor)、TDOA(Chan)/AOA、TDOA(Taylor)/AOA四种定位估计值。将四种定位估计值分别进行第一层数据融合和第二层数据融合，数据融合的结果及上述两种算法的估计值送入第4层融合，通过计算加权系数，并调用相应计算模块选择最优结果作为移动终端的位置。

第一层数据融合

将基站采集TDOA测量值送入计算单元进行Chan算法和泰勒序列展开计算，TDOA测量值经Chan算法和泰勒序列展开法分别计算后，计算结果按一定的规则进行加权，得到一新的定位估计值TDOA(Chan)、TDOA(Taylor)；基站获取的AOA测量值结合TDOA(Chan)得到TDOA(Chan)/AOA；将TDOA(Chan)、TDOA(Taylor)、TDOA(Chan)/AOA一同送入第一层数据融合进行处理，所得的结果为第一层数据融合定位估计值。

假定服务基站获取的TDOA测量值为N，由Chan算法和泰勒序列展开法得到的定位估计值TDOA(Chan)和TDOA(Taylor)分别为X_C和X_T，以及AOA测量值结合TDOA(Chan)的结果为X_CA，服务基站BS位置坐标为X₀，临近基站BS位置坐标为X_i，TDOA测量值为τ_i，Chan算法和泰勒序列展开法两种算法定位估计值的残差可表达为：

$R_C=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[c{\mathrm{\τ}}_i-\left(\right|X_i-X_c|-|X_0-X_c\left|\right)]}^2$

$R_T=\frac{1}{T}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[c{\mathrm{\τ}}_i-\left(\right|X_i-X_T|-|X_0-X_T\left|\right)]}^2$

其中c为电波传播速度，而TDOA(Chan)/AOA的残差为R_CA，则第一层数据融合定位估计值为：

$\hat{X}=\frac{R_C^{-1}{X}_C+R_T^{-1}{X}_T+R_{\mathrm{CA}}^{-1}{X}_{\mathrm{CA}}}{R_C^{-1}+R_T^{-1}+R_{\mathrm{CA}}^{-1}}$

第二层数据融合

将TDOA(Chan)、TDOA(Taylor)、TDOA(Taylor)/AOA的计算结果送入第二层融合模型进行处理，根据贝叶斯推论计算，得到第二层数据融合的结果。假设TDOA(Chan)估计器输出的均值为x_c，方差为σ_c ²；TDOA(Taylor)估计器输出的均值为x_t，方差为σ_t ²；TDOA(Taylor)/AOA估计器输出的均值为x_ta，方差为σ_ta ²，分别采用贝叶斯推论对均值、方差加权，产生新的定位估计值。加权方程为：

$x_c=\frac{\frac{x_c}{{\mathrm{\σ}}_c^2}+\frac{x_t}{{\mathrm{\σ}}_t^2}+\frac{x_{\mathrm{ta}}}{{\mathrm{\σ}}_{\mathrm{ta}}^2}}{{\mathrm{\σ}}_c^{-2}+{\mathrm{\σ}}_t^{-2}+{\mathrm{\σ}}_{\mathrm{ta}}^{-2}},{\mathrm{\σ}}_c^2=\frac{1}{{\mathrm{\σ}}_c^{-2}+{\mathrm{\σ}}_t^{-2}+{\mathrm{\σ}}_{\mathrm{ta}}^{-2}}---\left(1\right)$

其中，x_c和σ_c ²为第二层融合后定位估计值的均值和方差。

第四层数据融合

将第一层数据融合结果、第二层数据融合结果、TDOA(Chan)估计值、TDOA(Taylor)估计值送入第四层数据融合模块进行处理，考虑定位估计值的均值、方差或标准差的大小，定位误差概率分布，MS与服务BS相对位置等因素，按照贝叶斯或者卡尔曼滤波等融合规则第四层融合对输入的上述数据，调用相应的算法模块进行再融合，根据加权系数选择出最佳估计结果，作为计算MS位置坐标的估计值。

在多算法融合增强模型中，可以采用两种简化的定位参差加权方法实现多种TDOA定位算法的融合，以便获得更好的定位效果。

对于一组测量值，分别采用不同算法进行定位估计，然后再将各算法计算结果按下列方法进行加权，即可得到优化的定位估计值。针对多基站定位或单基站定位，可采用以下两种加权方式确定移动终端最佳定位结果。

方式一：该方式针对多基站定位计算最佳估计结果，假设对同一组TDOA测量值分别采用K种定位算法(本实施例描述中采用了2种算法，即Chan算法和Taylor算法，也可采用更多其他种类的算法)，则每种算法的加权系数R_k的计算方法和加权方法如下：

第一步：由如下公式分别计算第一层数据融合结果、第二层数据融合结果、TDOA(Chan)估计值、TDOA(Taylor)估计值对应的加权系数R_k，

$R_k=\underset{i=1}{\overset{\mathrm{BSN}}{\mathrm{\Σ}}}{(r_i-|{\hat{x}}_k-X_i\left|\right)}^2/\mathrm{BSN}---\left(2\right)$

其中， ${\hat{x}}_k=\left[\begin{array}{c}x\\ y\end{array}\right]$ 为第一层数据融合与第二层数据融合中采用第k种算法的计算结果， $X_i=\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]$ 为参与定位的第i个基站的坐标，BSN为参与定位的基站BS数目，r_i为移动台到各基站对应的TDOA/AOA测量值。

第二步：根据加权系数调用如下公式计算最佳结果，

$\hat{X}=\frac{\underset{K}{\mathrm{\Σ}}{\hat{x}}_k{R}_k^{-1}}{\underset{k}{\mathrm{\Σ}}{R}_k^{-1}}---\left(3\right)$

其中K为选择的定位算法数目。所得结果即为最佳定位估计值(移动终端位置)。

方式二：对于单基站定位，采用方式二计算，设对同一组测量值分别采用K种定位算法，则每种算法的加权系数R_k的计算方法和加权方法如下：

第一步：由如下公式分别计算第一层数据融合结果、第二层数据融合结果、TDOA(Chan)估计值、TDOA(Taylor)估计值对应的加权系数R_k，

$R_k={(r_0-|{\hat{x}}_k-X_0\left|\right)}^2---\left(4\right)$

其中， ${\hat{x}}_k=\left[\begin{array}{c}x\\ y\end{array}\right]$ 为第一层数据融合、第二层数据融合后的结果， $X_0=\left[\begin{array}{c}{x}_0\\ y_0\end{array}\right]$ 为服务基站坐标，r₀为移动台到服务基站的TDOA测量值/AOA测量值；

第二步：根据加权系数调用如下公式计算最佳结果，

$\hat{X}=\frac{\underset{K}{\mathrm{\Σ}}{\hat{x}}_k{R}_k^{-1}}{\underset{K}{\mathrm{\Σ}}{R}_k^{-1}}---\left(5\right)$

其中K为选择的定位算法数。

根据上式计算公式将进入第四层融合模型中的每种估计值的加权系数，再对加权系数进行加权计算得出最佳定位估计结果。如果系统采用多基站定位，就调用公式(2)和公式(3)对移动台进行定位；如果系统采用的单基站定位，就调用公式(4)和(5)进行移动台定位。得到移动台的位置坐标和均方误差。

本发明通过对基站采集的信号进行多次融合，有利于在无信道环境先验信息的情况下进一步提高对移动台定位估计的准确性，可广泛应用于各种网络中对移动终端的定位估计。

Claims (3)

1、一种基于信息融合的无线定位多算法增强方法，其特征在于，基站测量移动终端的到达时间差TDOA值和到达角AOA值，采用Chan算法和Taylor展开算法分别对TDOA值进行计算估计，获得TDOA(Chan)、TDOA(Taylor)的定位估计值X_C和X_T，并结合AOA测量值获得TDOA(Chan)/AOA的定位估计值X_CA、以及TDOA(Chan)/AOA的残差R_CA；根据服务基站获取的TDOA测量数目N、以及测量值τ_i，服务基站位置坐标X₀，临近服务基站位置坐标X_i，调用公式：

$R_C=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[c{\mathrm{\τ}}_i-\left(\right|X_i-X_c|-|X_0-X_c\left|\right)]}^2$

$R_T=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[c{\mathrm{\τ}}_i-\left(\right|X_i-X_T|-|X_0-X_T\left|\right)]}^2$

获得Chan算法和Taylor展开算法两种定位估计值的残差Rc、R_T；第一层数据融合模型根据上述定位估计值及残差，调用公式： $\hat{X}=\frac{R_C^{-1}{X}_C+R_T^{-1}{X}_T+R_{\mathrm{CA}}^{-1}{X}_{\mathrm{CA}}}{R_C^{-1}+R_T^{-1}+R_{\mathrm{CA}}^{-1}}$ 得到第一层数据融合的结果；第二层数据融合模型采用贝叶斯推论对TDOA(Chan)、TDOA(Taylor)、TDOA(Taylor)/AOA估计值的均值和方差加权得到第二层数据融合的结果；第四层数据融合模型根据第一层、第二层数据融合中采用第k种算法的计算结果针对单基站或多基站定位中TDOA(Chan)估计值、TDOA(Taylor)估计值对应的加权系数R_k，调用公式： $\hat{X}=\frac{\underset{K}{\mathrm{\Σ}}{\hat{x}}_k{R}_k^{-1}}{\underset{k}{\mathrm{\Σ}}{R}_k^{-1}}$ 获得最佳定位结果，其中，c为电波传播速度，k为定位算法的种类。

2、根据权利要求1所述的无线定位多算法增强方法，其特征在于，对多基站定位，根据第一层、第二层数据融合中采用第k种算法的计算结果参与定位的第i个基站的坐标X_i、参与定位的基站数目BSN、移动台到各基站对应的TDOA/AOA测量值r_i，调用公式 $R_k=\underset{i=1}{\overset{\mathrm{BSN}}{\mathrm{\Σ}}}{(r_i-|{\hat{x}}_k-X_i\left|\right)}^2/\mathrm{BSN}$ 计算加权系数R_k。

3、根据权利要求1所述的无线定位多算法增强方法，其特征在于，针对单基站定位，根据第一层、第二层数据融合中采用第k种算法的计算结果

服务基站坐标X₀、移动台到服务基站的TDOA/AOA测量值r₀，调用公式： $R_k={(r_0-|{\hat{x}}_k-X_0\left|\right)}^2$ 计算加权系数R_k。

Images