CN101526605A - 一种具有非视距误差消除功能的鲁棒定位方法 - Google Patents
一种具有非视距误差消除功能的鲁棒定位方法 Download PDFInfo
- Publication number
- CN101526605A CN101526605A CN200910030018A CN200910030018A CN101526605A CN 101526605 A CN101526605 A CN 101526605A CN 200910030018 A CN200910030018 A CN 200910030018A CN 200910030018 A CN200910030018 A CN 200910030018A CN 101526605 A CN101526605 A CN 101526605A
- Authority
- CN
- China
- Prior art keywords
- sigma
- particle
- nlos
- los
- delta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种具有非视距误差消除功能的鲁棒定位方法,该方法能在LOS/NLOS混合环境下估计移动台(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。该方法包括以下几个步骤: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;2)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;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,得到运动目标状态的序贯估计结果。
Description
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
本发明的目的是针对现有技术的不足,提出一种利用劳-布莱克威尔粒子滤波(Rao-Blackwellized Particle Filtering,RBPF)方法同时估计运动状态(位置和速度)和视距条件(LOS或NLOS环境)。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。
本发明的技术方案是:
一种具有非视距误差消除功能的鲁棒定位方法,该方法包括以下几个步骤:
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,得到运动目标状态(包括位置和速度)的序贯估计结果。
所述步骤2中进一步可以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。
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)。
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。由于该部分没有参与到粒子滤波的状态估计中,减小了粒子滤波中变量估计的维数,从而能够有效的提高定位精度。
具体实施方式
为了更好的理解本发明的技术方案,以下结合实施例作进一步的详细描述。
实施例1
一种具有非视距误差消除功能的鲁棒定位方法,具体包括下列步骤:
1)建立移动台的运动状态方程:
式中,Δt为离散采样时间, 为随机加速度,其协方差矩阵 式(1)的矢量形式可以表述为:
Xk=ΦXk-1+ΓWk(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,si,k=0,在NLOS条件下,si,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si,k-MC(πi,Ai),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:
zi,k=di,k+m(si,k)+R(si,k)·vi,k (11)
其中,在LOS条件下,观测噪声ni,k~N(0,σm 2),在NLOS条件下,观测噪声ni,k~N(mNLOS,σNLOS 2)。则有
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Z1k,采用粒子滤波方法估计视距条件后验概率分布p(S1.k/Z1: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:
4.2)根据上一时刻(k-1)的粒子集Sk-1 (i),采用一阶Markov模型的先验转移概率作为重要分布,获得当前时刻粒子集Sk (i)。考虑到接收机到不同的基站之间视距条件是互相独立的,则重要分布可以表示为
4.3)计算对应粒子的权值,由于4.2)采用先验概率作为粒子采样的重要分布,其对应的权值为:
其中,
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。该步骤得到的粒子和权值集合,即为对视距条件后验概率P(S1.k/Z1k)的近似估计:
5)采用分布式扩展卡尔曼滤波(decentralized EKF)方法,得到当前移动台最终的状态估计。
在步骤(4),将视距条件后验概率P(S1k/Z1k)表述为对应的粒子集{S1k (i),wk (i)}i=1 N后,当前移动状态的后验估计实际上可以看成高斯混合分布:
其中,p(X1k/Z1:k,S1:k (i)可以采用基于分布式扩展卡尔曼滤波器的方法,分析计算得到,其均值矩阵计算方法为:
式中 卡尔曼增益 而协方差矩阵可以计算为::
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 (6)
1、一种具有非视距误差消除功能的鲁棒定位方法,其特征是,该方法包括以下几个步骤:
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,得到运动目标状态的序贯估计结果。
2、根据权利要求1所述的鲁棒定位方法,其特征是,所述步骤2)进一步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所述的鲁棒定位方法,其特征是,所述步骤2)进一步包括下列步骤: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Z1k,采用粒子滤波方法估计视距条件后验概率分布p(S1k/Z1.k)。
4、根据权利要求1所述的鲁棒定位方法,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,其中
4.2)根据上一时刻(k-1)的粒子集Sk-1 (i),采用一阶Markov模型的先验转移概率作为重要分布,获得当前时刻粒子集Sk (i);考虑到接收机到不同的基站之间视距条件是互相独立的,则重要分布表示为:
4.3)计算对应粒子的权值,由于4.2)采用先验概率作为粒子采样的重要分布,其对应的权值为:
其中,
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;该步骤得到的粒子和权值集合,即为对视距条件后验概率P(S1k/Z1k)的近似估计:
5、根据权利要求4所述的鲁棒定位方法,其特征是,所述步骤3)进一步包括下列方法:采用分布式扩展卡尔曼滤波方法,得到当前移动台最终的状态估计。
6、根据权利要求4所述的鲁棒定位方法,其特征是,所述步骤3)具体包括下列方法:将当前移动状态的后验估计看成高斯混合分布:
其中,p(X1k/Z1·k,S1:k (i))采用基于分布式扩展卡尔曼滤波器的方法分析计算得到,其均值矩阵计算方法为:
式中 卡尔曼增益 而协方差矩阵可以计算为::
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910030018A CN101526605A (zh) | 2009-03-31 | 2009-03-31 | 一种具有非视距误差消除功能的鲁棒定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910030018A CN101526605A (zh) | 2009-03-31 | 2009-03-31 | 一种具有非视距误差消除功能的鲁棒定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101526605A true CN101526605A (zh) | 2009-09-09 |
Family
ID=41094567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910030018A Pending CN101526605A (zh) | 2009-03-31 | 2009-03-31 | 一种具有非视距误差消除功能的鲁棒定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101526605A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103152826A (zh) * | 2013-03-08 | 2013-06-12 | 天津大学 | 一种基于nlos状态检测补偿的移动目标追踪方法 |
CN105158732A (zh) * | 2015-06-24 | 2015-12-16 | 浙江工业大学 | 一种无线传感器网络协助的移动机器人自定位方法 |
WO2017088814A1 (zh) * | 2015-11-25 | 2017-06-01 | 华为技术有限公司 | 室内定位方法和相关设备 |
CN107817469A (zh) * | 2017-10-18 | 2018-03-20 | 上海理工大学 | 基于非视距环境下超宽频测距实现室内定位方法 |
CN109141427A (zh) * | 2018-08-29 | 2019-01-04 | 上海理工大学 | 在非视距环境下基于距离和角度概率模型的ekf定位方法 |
CN109661030A (zh) * | 2018-12-07 | 2019-04-19 | 南京工业大学 | 无线传感器网络中基于动态网格的未知目标定位算法 |
WO2020034085A1 (zh) * | 2018-08-14 | 2020-02-20 | 罗伯特·博世有限公司 | 用于检测信号传播类型的方法和装置 |
CN111664853A (zh) * | 2020-06-22 | 2020-09-15 | 北京大学 | 基于线性回归模型的抗nlos干扰可见光定位方法及系统 |
CN115334447A (zh) * | 2022-07-14 | 2022-11-11 | 广东工业大学 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
CN116087875A (zh) * | 2023-04-07 | 2023-05-09 | 电子科技大学(深圳)高等研究院 | 基于环境信息的室内非视距场景无源标签三维定位方法 |
-
2009
- 2009-03-31 CN CN200910030018A patent/CN101526605A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103152826A (zh) * | 2013-03-08 | 2013-06-12 | 天津大学 | 一种基于nlos状态检测补偿的移动目标追踪方法 |
CN105158732A (zh) * | 2015-06-24 | 2015-12-16 | 浙江工业大学 | 一种无线传感器网络协助的移动机器人自定位方法 |
WO2017088814A1 (zh) * | 2015-11-25 | 2017-06-01 | 华为技术有限公司 | 室内定位方法和相关设备 |
CN107817469A (zh) * | 2017-10-18 | 2018-03-20 | 上海理工大学 | 基于非视距环境下超宽频测距实现室内定位方法 |
WO2020034085A1 (zh) * | 2018-08-14 | 2020-02-20 | 罗伯特·博世有限公司 | 用于检测信号传播类型的方法和装置 |
US11791911B2 (en) | 2018-08-14 | 2023-10-17 | Robert Bosch Gmbh | Method and apparatus for detecting signal propagation type |
CN109141427A (zh) * | 2018-08-29 | 2019-01-04 | 上海理工大学 | 在非视距环境下基于距离和角度概率模型的ekf定位方法 |
CN109141427B (zh) * | 2018-08-29 | 2022-01-25 | 上海理工大学 | 在非视距环境下基于距离和角度概率模型的ekf定位方法 |
CN109661030A (zh) * | 2018-12-07 | 2019-04-19 | 南京工业大学 | 无线传感器网络中基于动态网格的未知目标定位算法 |
CN111664853A (zh) * | 2020-06-22 | 2020-09-15 | 北京大学 | 基于线性回归模型的抗nlos干扰可见光定位方法及系统 |
CN115334447A (zh) * | 2022-07-14 | 2022-11-11 | 广东工业大学 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
CN115334447B (zh) * | 2022-07-14 | 2023-06-02 | 广东工业大学 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
CN116087875A (zh) * | 2023-04-07 | 2023-05-09 | 电子科技大学(深圳)高等研究院 | 基于环境信息的室内非视距场景无源标签三维定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101526605A (zh) | 一种具有非视距误差消除功能的鲁棒定位方法 | |
CN101509969A (zh) | 联合非视距误差消除和运动状态估计的无线定位方法 | |
CN101483805A (zh) | 一种视距和非视距混合环境下的无线定位方法 | |
CN102088769B (zh) | 直接估计和消除非视距误差的无线定位方法 | |
CN101971047B (zh) | 卫星导航系统的实时完整性监测设备及方法 | |
US8638256B2 (en) | Accuracy and performance of a hybrid positioning system | |
EP3173807B1 (en) | System and method for robust and accurate rssi based location estimation | |
CN112533163B (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
CN110132121B (zh) | 北斗三号双频非组合rtk定位的输电杆塔形变监测方法 | |
CN103501538B (zh) | 基于多径能量指纹的室内定位方法 | |
CN104796866A (zh) | 室内定位方法和装置 | |
CN102841385A (zh) | 一种基于多重分形克里金法的局部地磁图构建方法 | |
CN105188082A (zh) | 用于室内wlan环境下rss/aoa/tdoa定位性能的评价方法 | |
CN104507050A (zh) | 一种WiFi室内定位中概率型指纹匹配方法 | |
CN104507097A (zh) | 一种基于WiFi位置指纹的半监督训练方法 | |
CN112136019A (zh) | 用于传感器校准和位置确定的系统和方法 | |
CN103152826A (zh) | 一种基于nlos状态检测补偿的移动目标追踪方法 | |
Blumrosen et al. | Continuous close-proximity rssi-based tracking in wireless sensor networks | |
Aernouts et al. | Combining TDoA and AoA with a particle filter in an outdoor LoRaWAN network | |
CN104754735A (zh) | 位置指纹库的构建方法以及基于该位置指纹库的定位方法 | |
CN105005019A (zh) | 一种基于bds/gps rtk的地下管线测量方法 | |
Zhao et al. | Particle filtering for positioning based on proximity reports | |
CN115524661A (zh) | 电离层高度与目标位置联合优化的短波时差定位方法 | |
CN102832966B (zh) | 基于非视距抑制的矿井超宽带定位方法及系统 | |
CN108650629A (zh) | 一种基于无线通信基站的室内三维定位算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090909 |