CN101509969A - 联合非视距误差消除和运动状态估计的无线定位方法 - Google Patents

Abstract

本发明涉及一种联合非视距误差消除和运动状态估计的无线定位方法，该方法能在LOS/NLOS混合环境下估计移动台的运动状态，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。本发明的方法包括以下步骤：1.建立移动台的运动方程，建立描述LOS、NLOS环境相互转换的一阶Markov模型，在此基础上，建立含有目标运动状态和LOS/NLOS环境变量的测量方程；2.根据来自各基站的测量信号，估计视距条件后验概率分布；3采用分布式扩展卡尔曼滤波器的方法，在步骤2的粒子集的基础上，估计当前运动状态；重复2－3步骤，得到运动目标位置和速度的序贯估计结果。

Description

联合非视距误差消除和运动状态估计的无线定位方法

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。高精度无线定位技术具有很高的研究价值，越来越受到关注。然而，在现有的无线定位系统中，无论是基于卫星的定位系统，如美国的全球定位系统(GPS)、欧洲的伽利略(Galileo)系统、俄罗斯的GLONASS系统以及我国的“北斗”定位系统，还是基于蜂窝通信网络的定位系统，抑或是基于超宽带(UWB)信号的室内定位系统，非视距(NLOS)环境直接影响了定位精度的提高。在NLOS环境下，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

技术问题：本发明的目的是针对现有技术的不足，提出一种基于改进劳-布莱克威尔粒子滤波(Improved Rao-Blackwellized Particle Filtering，I-RBPF)的定位估计方法。该方法能在LOS/NLOS混合环境下估计移动台的运动状态，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。

本发明的技术方案是：联合非视距误差消除和运动状态估计的无线定位方法，该方法包括以下步骤：

1.建立移动台的运动方程，建立描述LOS、NLOS环境相互转换的一阶Markov模型，

在此基础上，建立含有目标运动状态和LOS/NLOS环境变量的测量方程；

2.根据来自各基站的测量信号，估计视距条件后验概率分布；

3.采用分布式扩展卡尔曼滤波器的方法，在步骤2的粒子集的基础上，估计当前运动状态；

4.重复2-3步骤，得到运动目标位置和速度的序贯估计结果。

本发明通过多次测量，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RBPF方法同时估计移动台的运动状态以及当前的视距条件(LOS或NLOS环境)。

所述步骤2进一步包括：采用基于随机采样的粒子滤波方法，得到视距条件后验概率分布的近似解，由粒子集和对应的权重表示。在利用粒子滤波方法估计视距条件后验概率分布时，采用最优重要分布函数，能够有效地对视距条件后验概率分布进行估计，同时减少了粒子权重的方差。

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，估计LOS/NLOS环境变量的后验概率。估计方法采用基于随机采样的粒子滤波方法，可以有效的得到视距变量的后验概率估计，为后续对移动台运动状态的高精度估计奠定了基础。

②通过最优采样分布函数，能够有效地对视距条件后验概率分布进行估计，并利用k+1时刻的观测值，通过一步后向预测方法计算，计算k时刻粒子权重。通过重采样，使得k时刻最优估计粒子用于计算运动状态估计，提高了估计性能。

③采用分布式EKF方法，对移动台的运动状态估计采用分析的方法进行计算，减少了算法复杂度。由于移动台的运动状态估计没有参与到粒子滤波的变量估计中，减小了粒子滤波变量估计的维数，从而能够有效的提高变量估计的准确性，提高了定位精度。

具体实施方式

为了更好的理解本发明的技术方案，下面结合实施例作进一步的详细描述。

实施例1

联合非视距误差消除和运动状态估计的无线定位方法，具体包括以下步骤：

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      (10)

2)建立LOS/NLOS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。定义在第i基站k时刻视距条件变量在LOS条件下，s_i，k＝0，在NLOS条件下，s_i，k＝1。并且，将视距(LOS)和非视距(NLOS)状态随机转换视为一阶马尔可夫(Markov)的转移模型

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      (11)

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

$m\left(s_{i,k}\right)=\left\{\begin{array}{cc}0,& \mathrm{if}{s}_{i,k}=0\\ m_{\mathrm{NLOS}},& \mathrm{if}{s}_{i,k}=1\end{array}\right.---\left(12\right)$

$R\left(s_{i,k}\right)=\left\{\begin{array}{cc}{\mathrm{\σ}}_m,& \mathrm{if}{s}_{i,k}=0\\ \sqrt{{\mathrm{\σ}}_m^2+{\mathrm{\σ}}_{\mathrm{NLOS}}^2},& \mathrm{if}{s}_{i,k}=1\end{array}\right.---\left(13\right)$

4)假定当前接收机(移动台)能够接收M个基站信号，定义初始至k时刻观测序列为

其中

对应的离散视距条件序列

其中

以及待估计的连续状态序列

根据测量信号Z_1：k，采用粒子滤波方法估计视距条件后验概率分布p(S_1：k/Z_1：k)。其步骤又包括：

4.1)根据运动方程，预测移动台的状态均值和方差：

${\hat{X}}_{k/k-1}=\mathrm{\Φ}{\hat{X}}_{k-1}---\left(14\right)$

${\widehat{\mathrm{\Σ}}}_{k/k-1}=\mathrm{\Φ}{\widehat{\mathrm{\Σ}}}_{k-1}{\mathrm{\Φ}}^T+\mathrm{\ΓQ}{\mathrm{\Γ}}^T---\left(15\right)$

4.2)分别预测来自不同基站，不同视距条件下k时刻的测量值，

${\hat{z}}_{j,k/k-1}^{\left(i\right)}=H_{k,t}{\hat{X}}_{k/k-1}^{\left(i\right)}+m\left(s_{j,k}^{\left(i\right)}\right);$

                      (16)

${\widehat{\mathrm{\Σ}}}_{j,k}^{\left(i\right)}=H_{j,k}{\hat{P}}_{k/k-1}^{\left(i\right)}{H}_{k,i}^T+R^2\left(s_{j,k}^{\left(i\right)}\right)$

4.3)根据当前时刻的测量值，计算各粒子对应的权重值；

4.4)根据权值大小

进行粒子重采样，删除小权值的粒子，而保留并复制大权值的粒子，得到k-1时刻对应的最优估计粒子

4.5)根据4.4)步骤得到的粒子，进行EKF预测估计：

${\hat{z}}_{j,k/k-1}^{\left(i\right)}=H_{j,k}{\hat{X}}_{k/k-1}^{\left(i\right)}+m\left(s_{j,k}^{\left(i\right)}\right);$

                         (17)

${\widehat{\mathrm{\Σ}}}_{j,k}^{\left(i\right)}=H_{j,k}{\hat{P}}_{k/k-1}^{\left(i\right)}{H}_{j,k}^T+R^2\left(s_{j,k}^{\left(i\right)}\right)$

4.6)依据式(10)计算值，采样得到k时刻的视距变量粒子集

$S_k^{\left(i\right)}~p\left(S_k^{\left(i\right)}\right|S_{0:k-1}^{\left(i\right)},Z_{1:k}).$

$p\left(S_k^{\left(i\right)}\right|S_{0:k-1}^{\left(i\right)},Z_{1:k})\∝\underset{j=1}{\overset{M}{\mathrm{\Π}}}N({\hat{z}}_{j,k/k-1}^{\left(i\right)},{\widehat{\mathrm{\Σ}}}_{j,k}^{\left(i\right)})p\left(s_{j,k}\right|s_{j,k-1}^{\left(i\right)})---\left(18\right)$

5)根据得到的粒子集

采用分布时EKF方法得到k时刻运动状态估计：

${\hat{X}}_{k/k}^{\left(i\right)}={\hat{X}}_{k/k-1}^{\left(i\right)}+\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{K}_{j,k}(z_{j,k}-{\hat{z}}_{j,k/k-1}^{\left(i\right)})---\left(19\right)$

其中，

$K_{j,k}={\widehat{\mathrm{\Σ}}}_{j,k}^{\left(i\right)}{H}_{j,k}^{T}R{\left(s_{j,k}^{\left(i\right)}\right)}^{-2}---\left(20\right)$

${\hat{P}}_{k/k}^{\left(i\right)}={[{{\hat{P}}_{k/k-1}^{\left(i\right)}}^{-1}+\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{H}_{j,k}^{T}R{\left(s_{j,k}^{\left(i\right)}\right)}^{-2}{H}_{j,k}]}^{-1}---\left(21\right)$

6)重复步骤4)-5)，得到对移动台运动状态(位置和速度)的序贯估计。

Claims (5)

1、联合非视距误差消除和运动状态估计的无线定位方法，其特征是，该方法包括以下步骤：

1)建立移动台的运动方程，建立描述LOS、NLOS环境相互转换的一阶Markov模型，在此基础上，建立含有目标运动状态和LOS/NLOS环境变量的测量方程；

2)根据来自各基站的测量信号，估计视距条件后验概率分布；

3)采用分布式扩展卡尔曼滤波器的方法，在步骤2)的粒子集的基础上，估计当前运动状态；

4)重复2)-3)步骤，得到运动目标位置和速度的序贯估计结果。

2、根据权利要求1所述的无线定位方法，其特征是，所述步骤2)进一步包括下列方法：采用基于随机采样的粒子滤波方法，得到视距条件后验概率分布的近似解，由粒子集和对应的权重表示。

3、根据权利要求1或2所述的无线定位方法，其特征是，所述步骤2)进一步包括：假定当前接收机(移动台)能够接收M个基站信号，定义初始至k时刻观测序列为

其中

对应的离散视距条件序列

其中

以及待估计的连续状态序列

；根据测量信号Z_1:k，采用粒子滤波方法估计视距条件后验概率分布p(S_1:k/z_1:k)。

4、根据权利要求3所述的无线定位方法，其特征是，所述步骤2)具体包括下列步骤：

4.1)根据运动方程，预测移动台的状态均值和方差：

${\hat{X}}_{k/k-1}=\mathrm{\Φ}{\hat{X}}_{k-1}---\left(1\right)$

${\widehat{\mathrm{\Σ}}}_{k/k-1}=\mathrm{\Φ}{\widehat{\mathrm{\Σ}}}_{k-1}{\mathrm{\Φ}}^T+\mathrm{\ΓQ}{\mathrm{\Γ}}^T---\left(2\right)$

4.2)分别预测来自不同基站，不同视距条件下k时刻的测量值，

${\hat{z}}_{j,k/k-1}^{\left(i\right)}=H_{k,t}{\hat{X}}_{k/k-1}^{\left(i\right)}+m\left(s_{j,k}^{\left(i\right)}\right);$

                            (3)

${\widehat{\mathrm{\Σ}}}_{j,k}^{\left(i\right)}=H_{j,k}{\hat{P}}_{k/k-1}^{\left(i\right)}{H}_{k,i}^T+R^2\left(s_{j,k}^{\left(i\right)}\right)$

4.3)根据当前时刻的测量值，计算各粒子对应的权重值；

4.4)根据权值大小进行粒子重采样，删除小权值的粒子，而保留并复制大权值的粒子，得到k-1时刻对应的最优估计粒子

4.5)根据4.4)步骤得到的粒子，进行EKF预测估计：

${\hat{z}}_{j,k/k-1}^{\left(i\right)}=H_{j,k}{\hat{X}}_{k/k-1}^{\left(i\right)}+m\left(s_{j,k}^{\left(i\right)}\right);$

                           (4)

${\widehat{\mathrm{\Σ}}}_{j,k}^{\left(i\right)}=H_{j,k}{\hat{P}}_{k/k-1}^{\left(i\right)}{H}_{j,k}^T+R^2\left(s_{j,k}^{\left(i\right)}\right)$

4.6)计算

值，采样得到k时刻的视距变量粒子集 $S_k^{\left(i\right)}~p\left(S_k^{\left(i\right)}\right|S_{0:k-1}^{\left(i\right)},Z_{1:k}):$ $p\left(S_k^{\left(i\right)}\right|S_{0:k-1}^{\left(i\right)},Z_{1:k})\∝\underset{j=1}{\overset{M}{\mathrm{\Π}}}N({\hat{z}}_{j,k/k-1}^{\left(i\right)},{\widehat{\mathrm{\Σ}}}_{j,k}^{\left(i\right)})p\left(s_{j,k}\right|s_{j,k-1}^{\left(i\right)})---\left(5\right).$

5、根据权利要求4所述的无线定位方法，其特征是，所述步骤3)具体包括下列步骤：根据得到的粒子集

采用分布时EKF方法得到k时刻运动状态估计：

${\hat{X}}_{k/k}^{\left(i\right)}={\hat{X}}_{k/k-1}^{\left(i\right)}+\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{K}_{j,k}(z_{j,k}-{\hat{z}}_{j,k/k-1}^{\left(i\right)})---\left(6\right)$

其中，

$K_{j,k}={\widehat{\mathrm{\Σ}}}_{j,k}^{\left(i\right)}{H}_{j,k}^{T}R{\left(s_{j,k}^{\left(i\right)}\right)}^{-2}---\left(7\right)$

${\hat{P}}_{k/k}^{\left(i\right)}={[{{\hat{P}}_{k/k-1}^{\left(i\right)}}^{-1}+\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{H}_{j,k}^{T}R{\left(s_{j,k}^{\left(i\right)}\right)}^{-2}{H}_{j,k}]}^{-1}---\left(8\right).$