CN101483805A - 一种视距和非视距混合环境下的无线定位方法 - Google Patents

Abstract

本发明涉及一种视距和非视距混合环境下的进行高精度定位的无线定位方法，该方法首先建立无线定位的运动方程和观测方程，然后表达非视距和视距的状态转移概率模型，根据每个基站获得的测量值，利用修正的扩展卡尔曼滤波器(EKF)方法对运动状态和非视距状态进行估计，再利用基于数据融合的方法将运动状态和非视距状态进行融合，得到该时刻运动状态估计，通过循环迭代实现在线的无线设备位置解算。本发明能够有效消除无线定位中非视距的影响，有效提高无线设备的运动状态估计，对不同环境下的LOS/NLOS转移概率具有鲁棒性。同时，本方法适合VLSI并行处理，运算量满足实时要求，适合于不同的信号测量方法如TOA，RSS等。

Description

一种视距和非视距混合环境下的无线定位方法

技术领域

本发明涉及一种在视距和非视距混合条件下，进行无线定位的方法，可应用于各类无线定位系统中，属于通信信号处理的技术领域。

背景技术

无线定位，即在无线通信网络中估计移动台(MS)的位置，作为无线通信中高附加值的服务，越来越受到关注，具有很高的研究价值。该技术在公共安全服务(如：紧急医疗，紧急定位，紧急报警服务)，犯罪侦查，位置敏感付费以及船舶管理，导航和智能交通系统等多方面都有广泛的应用。美国联邦通信委员会(FCC)强制要求基于网络的无线定位精度在67％的情况下精度达到100米，在95％的情况下，精度达到300米。这一要求更加刺激了无线定位技术的深入研究。

典型的无线定位信号的测量方法有基于信号强度(RSS)，基于信号到达时间(TOA)，信号到达时间差(TDOA)以及信号到达角度(TOA)的方法。本发明仅考虑利用信号到达时间(TOA)方法进行定位的方法。

然而，无论采用上述哪种测量方法进行定位，非视距(NLOS)条件直接影响了定位精度的提高。在NLOS条件下，无线电波由于受到发射站和移动台之间障碍物的遮挡，经折射，反射，散射后才得以到达移动台。若按照传统的定位方法，根据接收到的NLOS信号对移动台进行定位，定位误差将大大增大。已有场测表明，由NLOS信号产生的定位误差符合均值513米，标准差为436米的高斯分布。

为提高定位精度，现有的NLOS消除方法主要有以下几种：

第一种方法是多项式平滑、残差比对法。Wylie提出了一种根据一段时间内的距离测量值，采用N阶多项式平滑，计算距离的标准差，与已知测量噪声的标准差比较，并进一步根据距离测量值的残差进行分析、比较，最后进行LOS重构的方法。

第二种方法是卡尔曼滤波重构法。该方法根据各段时间内的测量值，用卡尔曼滤波方法平滑距离值，通过分析噪声方差判断NLOS信号，并重构LOS信号，得到位置的估计值。方法一和二均假设在NLOS环境下的距离的标准差大于LOS环境，但是标准差的阈值设定比较主观。阈值设定不当容易错误检测LOS信号。

第三种方法是模型误差法。AL-Jazzar利用不同的散射模型(圆环传播模型、圆盘模型、截断高斯分布模型)获得基于TOA信号的不同模型的计算概率密度函数。利用基于3种模型的概率密度函数得到NLOS的计算统计特性，进而估计MS位置。然而，实际情况下，复杂多变的通信环境很难较好的满足上述三种概率模型。因此该方法不具有普适性。

第四种方法是依靠交互多模方法(IMM)对测量得到的距离值进行平滑，然后再根据平滑后的距离求得位置。该方法将距离平滑和最后的位置解算分成不相关的两个步骤，不利于定位精度的提高以及对最终定位误差的分析。

发明内容

本发明的目的是针对现有技术的不足，提出一种基于修正扩展卡尔曼滤波器(EKF)组和数据融合的方法。该方法能在LOS/NLOS混合环境下估计MS的运动状态，有效提高定位精度，减少定位误差，同时对不同环境下的LOS/NLOS转移概率模型具有鲁棒性。

本发明采用的技术方案通过多次测量，序贯估计目标的运动状态实现对目标的定位和跟踪。同时，考虑到在典型的无线通信环境下，信号的LOS和NLOS环境的通常是相互转换的。因此，本发明采用一阶Markov模型来描述LOS和NLOS的相互转换。在此基础上，依据来自各个基站的测量信号，分别利用修正EKF进行滤波，估计移动台的运动状态。对上述滤波结果进行数据融合，得到当前移动台的最终状态估计。

实现本发明目的的技术方案是：一种视距和非视距混合环境下的无线定位方法，其特征是，该方法包括以下几个步骤：

步骤1建立移动台的运动方程，建立描述运动状态和非视距的转移概率模型，建立含有目标运动状态和运动状态和非视距环境变量的测量方程；

步骤2根据来自单个基站的测量信号，对运动状态和非视距状态进行估计，并推断当前运动状态和非视距环境变量的后验概率，并据此得到依据单个基站测量值的运动状态估计；

步骤3对步骤2中所有的运动状态和非视距状态进行融合，得到当前步骤目标的状态估计；

步骤4重复步骤2-3，得到运动目标状态的序贯估计结果。

本发明的优点如下：

①能有效的在LOS/NLOS混合环境下有效的进行移动台的定位。该方法移动台并不预先假设在LOS或是NLOS条件接收到某个基站的信号，而是根据信号的测量值，计算LOS/NLOS环境变量的后验概率，在此基础上，加权LOS和NLOS条件下的估计值。数据融合部分又进一步减少了上一步并行的修正EKF组输出的估计方差，进一步减小了估计方差，提高了定位精度。

②依据单个基站的测量信号，采用修正EKF组进估计，相对于同时利用所有的测量信号进行估计，减少了算法复杂度。

③并行的修正EKF组滤波方法适合大规模集成电路VLSI并行处理。

附图说明

图1是本发明实施例1的方法流程图。

具体实施方式

为了更好的理解本发明的技术方案，以下作进一步的详细描述。

实施例1

如图1所示，一种视距和非视距混合环境下的无线定位方法，包括以下几个步骤：

步骤1：

1)建立移动台的运动状态方程：

设移动台在二维平面内运动，k时刻的运动状态设为X_k， $X_k={(x_k,y_k,{\stackrel{\·}{x}}_k,{\stackrel{\·}{y}}_k)}^T,$ 其中(x_k，y_k)表示移动台在x和y坐标的位置，

为对应的速度。则带有随机加速的的运动状态方程表示为：

式中，Δt为离散采样时间， $W_k={[w_{x_k},w_{y_k}]}^T$ 为随机加速度，其协方差矩阵 $Q=\mathrm{diag}({\mathrm{\σ}}_x^2,{\mathrm{\σ}}_y^2).$ 式(1)的矢量形式可以表述为：

X_k＝ΦX_k-1+ΓW_k

2)建立视距和非视距的转移概率模型：

LOS/NLOS的转移概率模型可以采用一阶Markov链描述。第i基站k时刻LOS/NLOS条件变量s_i，k满足：

其中πⁱ为转移矩阵初始值；为传输概率矩阵，

3)建立观测方程：

在k时刻，移动台接收来自第i基站信号，距离测量方程为：

z_i，k＝d_i，k+m(s_i，k)+R(s_i，k)·v_i，k

其中，在LOS条件下，观测噪声 $n_{i,k}~N(0,{\mathrm{\σ}}_m^2),$ 在NLOS条件下，观测噪声 $n_{i,k}~N(m_{\mathrm{NLOS}},{\mathrm{\σ}}_{\mathrm{NLOS}}^2).$ 则有

$m\left(s_{i,k}\right)=\begin{array}{}\end{array}\left\{\begin{array}{cc}0,& \mathrm{if}{s}_{i,k}=0\mathrm{for\; LOS\; condition}\\ m_{\mathrm{NLOS}},& \mathrm{if}{s}_{i,k}=1\mathrm{for\; NLOS\; condition}\end{array}\right.,$

$R\left(s_{i,k}\right)=\begin{array}{}\end{array}\left\{\begin{array}{cc}{\mathrm{\σ}}_m,& \mathrm{if}{s}_{i,k}=0\mathrm{for\; LOS\; condition}\\ \sqrt{{\mathrm{\σ}}_m^2+{\mathrm{\σ}}_{\mathrm{NLOS}}^2},& \mathrm{if}{s}_{i,k}=1\mathrm{for\; NLOS\; condition}\end{array}\right.$

步骤2

根据来自单个基站的测量信号，分别使用修正扩展卡尔曼滤波器(EKF)组方法进行滤波，估计目标的运动状态。具体包括：

2.1)根据运动方程，预测移动台的状态均值和方差：

${\hat{X}}_{k*k-1}=\mathrm{\Φ}{\hat{X}}_{k-1}$

${\hat{P}}_{k/k-1}=\mathrm{\Φ}{\hat{P}}_{k-1}{\mathrm{\Φ}}^T+\mathrm{\ΓQ}{\mathrm{\Γ}}^T$

2.2)根据来自单个基站的测量信号z_i，k，同时估计LOS和NLOS环境下运动状态均值和方差： ${\tilde{X}}_{i,k}\left(s_{i,k}\right),{\tilde{P}}_{i,k}\left(s_{i,k}\right).$

2.3)根据贝叶斯公式，计算当前LOS/NLOS环境变量的后验概率p(s_i，k/Z_i，k)

2.4)根据2.2)-2.3)，得到依据单个基站测量值的运动状态估计均值和方差。

${\stackrel{\‾}{X}}_{i,k}=\underset{s_{i,k}=0}{\overset{1}{\mathrm{\Σ}}}{\tilde{X}}_{i,k}\left(s_{i,k}\right)p(s_{i,k}/Z_{i,k})$

步骤3 对所有的滤波结果{X_i，k，P_i，k}进行融合，得到当前移动台最终的状态估计。

${\hat{P}}_k^{-1}={{\hat{P}}_{k/k-1}}^{-1}+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\hat{P}}_{i,k}^{-1}-{{\hat{P}}_{k/k-1}}^{-1})$

${\hat{X}}_k={\hat{P}}_k[{\hat{P}}_{k/k-1}^{-1}\·{\hat{X}}_{k/k-1}+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\{{\stackrel{\‾}{P}}_{i,k}^{-1}\·{\stackrel{\‾}{X}}_{i,k}-{\hat{P}}_{k/k-1}^{-1}\·{\hat{X}}_{k/k-1}\left\}\right]$

步骤4 重复步骤2-3，得到对移动台运动状态(位置和速度)的序贯估计。

Claims (6)

1、一种视距和非视距混合环境下的无线定位方法，其特征在于，该方法包括以下几个步骤：

步骤1建立移动台的运动方程，建立描述运动状态和非视距的转移概率模型，建立含有目标运动状态和运动状态和非视距环境变量的测量方程；

步骤2根据来自单个基站的测量信号，对运动状态和非视距状态进行估计，并推断当前运动状态和非视距环境变量的后验概率，并据此得到依据单个基站测量值的运动状态估计；

步骤3对步骤2中所有的运动状态和非视距状态进行融合，得到当前时刻目标的状态估计；

步骤4重复步骤2-3，得到运动目标状态的序贯估计结果。

2、根据权利要求1所述的定位方法，其特征是，所述步骤1中建立移动台的运动方程具体包括下列步骤：

设移动台在二维平面内运动，k时刻的运动状态设为X_k， $X_k={(x_k,y_k,{\stackrel{.}{x}}_k,{\stackrel{.}{y}}_k)}^T,$ 其中(x_k，y_k)表示移动台在x和y坐标的位置，

为对应的速度。则带有随机加速的的运动状态方程表示为：

式中，Δt为离散采样时间， $W_k={[w_{x_k},w_{y_k}]}^T$ 为随机加速度，其协方差矩阵 $Q=\mathrm{diag}({\mathrm{\σ}}_x^2,{\mathrm{\σ}}_y^2).$ 式(1)的矢量形式可以表述为：

X_k＝ΦX_k-1+ΓW_k

3、根据权利要求1所述的定位方法，其特征是，所述步骤1中的LOS、NLOS的转移概率模型采用一阶Markov链描述。

4、根据权利要求1所述的定位方法，其特征是，所述步骤2中利用修正EKF方法对运动状态和非视距状态进行估计。

5、根据权利要求2所述的定位方法，其特征是，所述步骤2具体包括：

2.1)根据运动方程，预测移动台的状态均值和方差：

${\hat{X}}_{k/k-1}=\mathrm{\Φ}{\hat{X}}_{k-1}$

${\hat{P}}_{k/k-1}=\mathrm{\Φ}{\hat{P}}_{k-1}{\mathrm{\Φ}}^T+\mathrm{\ΓQ}{\mathrm{\Γ}}^T$

2.2)根据来自单个基站的测量信号z_i，k，同时估计LOS和NLOS环境下运动状态均值和方差： ${\tilde{X}}_{i,k}\left(s_{i,k}\right),{\tilde{P}}_{i,k}\left(s_{i,k}\right);$

2.3)根据贝叶斯公式，计算当前LOS/NLOS环境变量的后验概率p(s_i，k/Z_i，k)；

2.4)根据2.2)-2.3)，得到依据单个基站测量值的运动状态估计均值和方差：

${\stackrel{\‾}{X}}_{i,k}=\underset{s_{i,k}=0}{\overset{1}{\mathrm{\Σ}}}{\tilde{X}}_{i,k}\left(s_{i,k}\right)p(s_{i,k}/Z_{i,k})$

6、根据权利要求5所述的定位方法，其特征是，所述步骤3中，对所有的滤波结果{X_i，k，P_i，k}进行融合，得到当前时刻对移动台运动状态的最终估计结果。

${\hat{P}}_k^{-1}={{\hat{P}}_{k/k-1}}^{-1}+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\stackrel{\‾}{P}}_{i,k}^{-1}-{{\hat{P}}_{k/k-1}}^{-1})$

${\hat{X}}_k={\hat{P}}_k[{\hat{P}}_{k/k-1}^{-1}\·{\hat{X}}_{k/k-1}+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\{{\stackrel{\‾}{P}}_{i,k}^{-1}\·{\stackrel{\‾}{X}}_{i,k}-{\hat{P}}_{k/k-1}^{-1}\·{\hat{X}}_{k/k-1}\}]$

Images