CN107801242A - 一种基于自适应卡尔曼滤波的室内定位方法 - Google Patents
一种基于自适应卡尔曼滤波的室内定位方法 Download PDFInfo
- Publication number
- CN107801242A CN107801242A CN201711330770.2A CN201711330770A CN107801242A CN 107801242 A CN107801242 A CN 107801242A CN 201711330770 A CN201711330770 A CN 201711330770A CN 107801242 A CN107801242 A CN 107801242A
- Authority
- CN
- China
- Prior art keywords
- kalman filter
- rssi value
- adaptive kalman
- value
- method based
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种基于自适应卡尔曼滤波的室内定位方法,按如下步骤进行:S1、采集RSSI值;S2、自适应卡尔曼滤波预处理,对步骤S1中采集的RSSI值进行预处理;S3、中值加权,对步骤S2中预处理后的RSSI值进行中值加权处理;S4、最小二乘法,对步骤S3处理后的数值进行最小二乘法修正;S5、三边测量算法,通过判断是否满足判定要求决定是否重新定位,重新定位的条件人为设定,通过三边测量算法来实现定位,对得到的估计距离利用最小二乘法对数据进行修正,最后用三边边测量法计算出未知节点的位置,这样修改后的算法与普通的算法相比,具有定位误差小,精度高,能够更好的实现在复杂环境下的定位。
Description
技术领域
本发明涉及信息技术领域,尤其是一种基于自适应卡尔曼滤波的室内定位方法。
背景技术
RSSI是接收的信号强度指示,无线发送层的可选部分,用来判定链接质量,以及是否增大广播发送强度。通过接收到的信号强弱测定信号点与接收点的距离,进而根据相应数据进行定位计算的一种定位技术,为了提高精度,通常会对测量到的RSSI值进行预处理,目前基于的模型包括:1.传统模型:直接采用采集到的RSSI值计算距离;2.均值模型:采集一组RSSI值之后求平均值;3.高斯模型:根据高斯分布,通过去除小概率实践的影响提高精度;4.滤波预处理:对RSSI数据进行滤波预处理;
但是常用的模型存在以下缺陷:
1、传统模型:直接采用采集到的RSSI值计算距离,该方法简单,但易受干扰,精度低;
2、均值模型:采集一组RSSI值之后求平均值,该方法在采样值足够大时效果好,但计算量大,不适合处理大扰动;
3、高斯模型:根据高斯分布,通过去除小概率实践的影响提高精度,但是如果噪声多时,误差很大;
4、滤波预处理:对RSSI数据进行滤波预处理,但是在实际引用中,滤波中需要的很多参数无法获得,导致结果错误。
针对复杂的室内环境导致定位精度较低,无法满足正常的室内定位要求的问题,传统的卡尔曼滤波,噪声方差Qk和Rk是已知的,在实际应用中,系统噪声和观测噪声的统计特性是无法测知的,所以必须使用自适应滤波技术,也就是说在Qk和Rk不知道的情况下,自适应卡尔曼滤波器在每一个时间间隔都要估计噪声的统计特性,使得卡尔曼滤波能正确进行。
本发明就是为了解决以上问题而进行的改进。
发明内容
本发明需要解决的技术问题是提供一种具有定位误差小,精度高,能够更好的实现在复杂环境下定位的一种基于自适应卡尔曼滤波的室内定位方法。
本发明为解决其技术问题所采用的技术方案是:
一种基于自适应卡尔曼滤波的室内定位方法,按如下步骤进行:
S1、采集RSSI值;
S2、自适应卡尔曼滤波预处理,对步骤S1中采集的RSSI值进行预处理;
S3、中值加权,对步骤S2中预处理后的RSSI值进行中值加权处理;
S4、最小二乘法,对步骤S3处理后的数值进行最小二乘法修正;
S5、三边测量算法,通过判断是否满足判定要求决定是否重新定位,重新定位的条件人为设定,通过三边测量算法来实现定位;
所述通过判决条件判定是否满足条件,满足步骤S5的定位条件,定位结束,不满足定位条件的将重新开始步骤S1的采集RSSI值;
进一步的,其特征在于,所述步骤S1的采集RSSI值的测距原理是依据无线信号传播路径损耗模型进行节点间距离的估计;
更进一步的,所述步骤S2的自适应卡尔曼滤波预处理后的RSSI值将产生n个数据并分成N组,并求出每组的平均值,每组数据分别乘以一个权重系数;
具体的,所述权重系数的数值大小与每组的平均值大小有关,每组加权系数不相同,所有的加权系数之后为1;
其中,所述步骤S4的最小二乘法修正步骤为:
a.根据实际室内情况布置好参考节点和位置盲节点;
b.根据接收信号的信号强度,通过与具体室内环境对应的距离损耗模型来估算未知节点到各参考节点的距离;
c.通过最小二乘法来修正实际距离与故测距离的关系;
所述步骤S5的三边测量算法是将这些节点按RSSI值从大到校的顺序排序,选取最大的前三个参考节点作为本次定位的参考点。
工作原理为:首先利用自适应卡尔曼滤波对采集的RSSI值进行预处理,然后根据数值越大的RSSI值对未知节点位置的参考价值越大的思想,对卡尔曼滤波预处理后的RSSI值进行中值加权处理,并对转换后的距离值进行最小二乘法修正。最后,通过判断是否满足判定要求决定是否重新定位。重新定位的条件人为设定,定位通过三边测量算法来实现。
本发明的有益效果在于:本方法是基于RSSI的室内三维定位改进算法,在基本算法上进行了改进,利用自适应卡尔曼滤波对取得的RSSI值进行预测和判断,判断RSSI值是否收敛,如果不收敛循环自适应滤波算法参数,直到进行收敛为止,如果RSSI序列收敛,首先更新收集的RSSI值序列,再采用中值化加权处理RSSI值,得到对应的信号数据RSSIend,再用对数-距离路径损耗模型进行RSSIend距离估计,对得到的估计距离利用最小二乘法对数据进行修正,最后用三边边测量法计算出未知节点的位置;这样修改后的算法与普通的算法相比,具有定位误差小,精度高,能够更好的实现在复杂环境下的定位。
附图说明
图1是本发明提出的一种基于自适应卡尔曼滤波的室内定位方法的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合图示与具体实施例,进一步阐述本发明。
参照图1所示,该一种基于自适应卡尔曼滤波的室内定位方法,按如下步骤进行:
S1、采集RSSI值;
S2、自适应卡尔曼滤波预处理,对步骤S1中采集的RSSI值进行预处理;
S3、中值加权,对步骤S2中预处理后的RSSI值进行中值加权处理;
S4、最小二乘法,对步骤S3处理后的数值进行最小二乘法修正;
S5、三边测量算法,通过判断是否满足判定要求决定是否重新定位,重新定位的条件人为设定,通过三边测量算法来实现定位;
所述通过判决条件判定是否满足条件,满足步骤S5的定位条件,定位结束,不满足定位条件的将重新开始步骤S1的采集RSSI值;
进一步的,其特征在于,所述步骤S1的采集RSSI值的测距原理是依据无线信号传播路径损耗模型进行节点间距离的估计;
室内的墙壁、地板、物品等原因引起反射、绕射、多径效应会对RSSI值产生影响。根据发射节点的发射信号强度和接受节点的信号强度,计算出传输损耗,再利用经验模型或者理论模型将损耗转换为距离。
在已知信号频率前提下,信号损耗和距离有以下关系:
Loss=32.4+10lg(d)+10Nlg(f) (1)
其中,d为信源的距离,单位为米,f为频率,单位为MHz,k为路径衰减因子;
卡尔曼滤波是一种最优线性状态估计方法,即在最小均方误差准则下的最佳线性滤波器。自适应滤波,是在进行滤波的同时,利用观测数据带来的信息,不断地在线估计和修正模型参数、噪声统计特性和状态增益矩阵,以提高滤波精度,得到状态变量的最佳估计值。自适应因为其动态滤波特性而受到广泛重视。
在一个线性系统中Xk+1=AXk+BWk,Zk=CXk+Vk其中,Xk为n维系统状态向量;Wk为p(1≤p≤n)维系统噪声向量,零均值高斯白噪声序列,方差Qk,Zk为q(1≤q≤n)维系统观测数据序列,Vk为q为观测噪声向量,零均值高斯白噪声序列,方差为Rk,A、B、C为给定常数矩阵。
传统的卡尔曼滤波,Qk和Rk是已知的,在实际应用中,系统噪声和观测噪声的统计特性是无法测知的,所以必须使用自适应滤波技术,也就是说在Qk和Rk不知道的情况下,自适应卡尔曼滤波器在每一个时间间隔都要估计噪声的统计特性,是的卡尔曼滤波能正确进行。
传统卡尔曼滤波算法有:
Y0=E(X0) (2)
Yk=AYk-1+Kk(Zk-CAYk-1) (3)
式中,KK为k时刻的状态增益矩阵。在计算Kk时要用到Qk和Rk,当它们不知道时,就要用已观测到的数据{Z0,Z1,...,Zk}最有估计Kk,设KK的最有估计为此时状态向量估计为则有
最有估计的准则函数为
式中,tr表示矩阵的迹;
更进一步的,所述步骤S2的自适应卡尔曼滤波预处理后的RSSI值将产生n个数据并分成N组,并求出每组的平均值,每组数据分别乘以一个权重系数;
具体的,所述权重系数的数值大小与每组的平均值大小有关,每组加权系数不相同,所有的加权系数之后为1;
其中,在复杂的室内环境中,计算出的测距值必然存在一定的误差,再用最小二乘法拟合算法加以最后一步修正。修正思想是在制定室内区域定位之前,先对特定区域环境进行大量实验论证,以获得该环境区域的定位结果的修正公式,所述步骤S4的最小二乘法修正步骤为:
a.根据实际室内情况布置好参考节点和位置盲节点;
b.根据接收信号的信号强度,通过与具体室内环境对应的距离损耗模型来估算未知节点到各参考节点的距离;
c.通过最小二乘法来修正实际距离与故测距离的关系;
所述步骤S5的三边测量算法是将这些节点按RSSI值从大到校的顺序排序,选取最大的前三个参考节点作为本次定位的参考点,然后有两点确定一条直线,三个圆两两相交可确定三条直线,当三条直线有共同交点时,方程组有解,即为未知节点的未知,否则,方程组无解,放弃本次操作,重新获取参数定位。
首先利用自适应卡尔曼滤波对采集的RSSI值进行预处理,然后根据数值越大的RSSI值对未知节点位置的参考价值越大的思想,对卡尔曼滤波预处理后的RSSI值进行中值加权处理,并对转换后的距离值进行最小二乘法修正。最后,通过判断是否满足判定要求决定是否重新定位。重新定位的条件人为设定,定位通过三边测量算法来实现。
卡尔曼滤波是一种最优线性状态估计方法,即在最小均方误差准则下的最佳线性滤波器,自适应滤波,是在进行滤波的同时,利用观测数据带来的信息,不断地在线估计和修正模型参数、噪声统计特性和状态增益矩阵,以提高滤波精度,得到状态变量的最佳估计值;自适应因为其动态滤波特性而受到广泛重视。传统的卡尔曼滤波,噪声方差Qk和Rk是已知的,在实际应用中,系统噪声和观测噪声的统计特性是无法测知的,所以必须使用自适应滤波技术,也就是说在Qk和Rk不知道的情况下,自适应卡尔曼滤波器在每一个时间间隔都要估计噪声的统计特性,使得卡尔曼滤波能正确进行。
本方法是基于RSSI的室内三维定位改进算法,在基本算法上进行了改进,利用自适应卡尔曼滤波对取得的RSSI值进行预测和判断,判断RSSI值是否收敛,如果不收敛循环自适应滤波算法参数,直到进行收敛为止,如果RSSI序列收敛,首先更新收集的RSSI值序列,再采用中值化加权处理RSSI值,得到对应的信号数据RSSIend,再用对数-距离路径损耗模型进行RSSIend距离估计,对得到的估计距离利用最小二乘法对数据进行修正,最后用三边边测量法计算出未知节点的位置;这样修改后的算法与普通的算法相比,具有定位误差小,精度高,能够更好的实现在复杂环境下的定位。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (6)
1.一种基于自适应卡尔曼滤波的室内定位方法,其特征在于:
按如下步骤进行:
S1、采集RSSI值;
S2、自适应卡尔曼滤波预处理,对步骤S1中采集的RSSI值进行预处理;
S3、中值加权,对步骤S2中预处理后的RSSI值进行中值加权处理;
S4、最小二乘法,对步骤S3处理后的数值进行最小二乘法修正;
S5、三边测量算法,通过判断是否满足判定要求决定是否重新定位,重新定位的条件人为设定,通过三边测量算法来实现定位;
所述通过判决条件判定是否满足条件,满足步骤S5的定位条件,定位结束,不满足定位条件的将重新开始步骤S1的采集RSSI值。
2.如权利要求1所述的一种基于自适应卡尔曼滤波的室内定位方法,其特征在于,所述步骤S1的采集RSSI值的测距原理是依据无线信号传播路径损耗模型进行节点间距离的估计。
3.如权利要求1所述的一种基于自适应卡尔曼滤波的室内定位方法,其特征在于,所述步骤S2的自适应卡尔曼滤波预处理后的RSSI值将产生n个数据并分成N组,并求出每组的平均值,每组数据分别乘以一个权重系数。
4.如权利要求3所述的一种基于自适应卡尔曼滤波的室内定位方法,其特征在于,所述权重系数的数值大小与每组的平均值大小有关,每组加权系数不相同,所有的加权系数之后为1。
5.如权利要求1所述的一种基于自适应卡尔曼滤波的室内定位方法,其特征在于,所述步骤S4的最小二乘法修正步骤为:
a.根据实际室内情况布置好参考节点和位置盲节点;
b.根据接收信号的信号强度,通过与具体室内环境对应的距离损耗模型来估算未知节点到各参考节点的距离;
c.通过最小二乘法来修正实际距离与故测距离的关系。
6.如权利要求1或5所述的一种基于自适应卡尔曼滤波的室内定位方法,其特征在于,所述步骤S5的三边测量算法是将这些节点按RSSI值从大到校的顺序排序,选取最大的前三个参考节点作为本次定位的参考点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711330770.2A CN107801242A (zh) | 2017-12-13 | 2017-12-13 | 一种基于自适应卡尔曼滤波的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711330770.2A CN107801242A (zh) | 2017-12-13 | 2017-12-13 | 一种基于自适应卡尔曼滤波的室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107801242A true CN107801242A (zh) | 2018-03-13 |
Family
ID=61537930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711330770.2A Pending CN107801242A (zh) | 2017-12-13 | 2017-12-13 | 一种基于自适应卡尔曼滤波的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107801242A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900964A (zh) * | 2018-06-07 | 2018-11-27 | 安徽融合智能科技有限公司 | 基于蓝牙测距的智能开关装置及控制方法 |
CN111708065A (zh) * | 2020-05-22 | 2020-09-25 | 广州杰赛科技股份有限公司 | 一种基于智能网联汽车的定位方法、装置及存储介质 |
CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
CN112584306A (zh) * | 2020-11-27 | 2021-03-30 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997717A (zh) * | 2014-06-12 | 2014-08-20 | 福建师范大学 | 一种实时室内定位系统及方法 |
CN104898087A (zh) * | 2015-04-13 | 2015-09-09 | 福建师范大学 | 基于动态环境衰减因子的粒子滤波室内定位方法及系统 |
CN105491661A (zh) * | 2015-12-10 | 2016-04-13 | 上海电机学院 | 基于改进的Kalman滤波算法的室内定位系统及方法 |
CN106714296A (zh) * | 2016-11-24 | 2017-05-24 | 南京邮电大学 | 一种基于最速下降法的室内定位方法 |
-
2017
- 2017-12-13 CN CN201711330770.2A patent/CN107801242A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997717A (zh) * | 2014-06-12 | 2014-08-20 | 福建师范大学 | 一种实时室内定位系统及方法 |
CN104898087A (zh) * | 2015-04-13 | 2015-09-09 | 福建师范大学 | 基于动态环境衰减因子的粒子滤波室内定位方法及系统 |
CN105491661A (zh) * | 2015-12-10 | 2016-04-13 | 上海电机学院 | 基于改进的Kalman滤波算法的室内定位系统及方法 |
CN106714296A (zh) * | 2016-11-24 | 2017-05-24 | 南京邮电大学 | 一种基于最速下降法的室内定位方法 |
Non-Patent Citations (1)
Title |
---|
肖如良等: "基于卡尔曼滤波与中位加权的定位算法", 《计算机应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900964A (zh) * | 2018-06-07 | 2018-11-27 | 安徽融合智能科技有限公司 | 基于蓝牙测距的智能开关装置及控制方法 |
CN111708065A (zh) * | 2020-05-22 | 2020-09-25 | 广州杰赛科技股份有限公司 | 一种基于智能网联汽车的定位方法、装置及存储介质 |
CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
CN112040397B (zh) * | 2020-08-13 | 2023-01-24 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
CN112584306A (zh) * | 2020-11-27 | 2021-03-30 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
CN112584306B (zh) * | 2020-11-27 | 2022-06-10 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107801242A (zh) | 一种基于自适应卡尔曼滤波的室内定位方法 | |
CN106646356B (zh) | 一种基于卡尔曼滤波定位的非线性系统状态估计方法 | |
CN103957510B (zh) | 基于协作通信的环境自适应的室内定位算法 | |
EP3173807B1 (en) | System and method for robust and accurate rssi based location estimation | |
CN106412973B (zh) | 一种网络覆盖质量检测方法及装置 | |
CN106856594A (zh) | 基于rssi的室内定位方法与系统 | |
CN105652239B (zh) | 一种自适应的高精度室内定位方法和系统 | |
CN111157943B (zh) | 在异步网络中基于toa的传感器位置误差抑制方法 | |
CN105163382A (zh) | 一种室内区域定位优化方法及系统 | |
CN109738863A (zh) | 一种融合置信度的WiFi指纹室内定位算法及系统 | |
Dharmadhikari et al. | Path loss exponent estimation for wireless sensor node positioning: Practical approach | |
CN107968987A (zh) | 基于定积分结合环境参数的rssi加权质心定位方法 | |
CN116782379A (zh) | 一种基于低功耗蓝牙和超宽带技术的联合室内定位方法 | |
CN106772282B (zh) | 双偏振雷达的系统差分相移标定方法及系统 | |
CN107703484A (zh) | 无线传感器网络的精确定位算法 | |
CN110426672B (zh) | 一种基于区间分析的双迭代定位系统及其应用 | |
CN104036136B (zh) | 一种基于rssi的近距离精确定位方法 | |
CN1499874A (zh) | 一种位置估计方法 | |
CN106019222B (zh) | 一种基于定位算法残差的二次规划定位方法 | |
CN109246601B (zh) | 一种无线网络的定位方法及装置 | |
CN107257580A (zh) | 一种基于rssi‑svm通信距离估计的不确定性分析方法 | |
CN104023389A (zh) | 一种快速ap匹配定位方法 | |
CN108848447B (zh) | 一种采用未知节点修正的差分DV_Distance节点定位方法 | |
CN108845308B (zh) | 基于路径损耗修正的加权质心定位方法 | |
CN104125640B (zh) | 一种基于无线传感网加权阈值质心定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180313 |
|
RJ01 | Rejection of invention patent application after publication |