CN108279007B - 一种基于随机信号的定位方法及装置 - Google Patents

一种基于随机信号的定位方法及装置 Download PDF

Info

Publication number
CN108279007B
CN108279007B CN201810065086.4A CN201810065086A CN108279007B CN 108279007 B CN108279007 B CN 108279007B CN 201810065086 A CN201810065086 A CN 201810065086A CN 108279007 B CN108279007 B CN 108279007B
Authority
CN
China
Prior art keywords
error
base station
observed quantity
distance
ideal case
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.)
Active
Application number
CN201810065086.4A
Other languages
English (en)
Other versions
CN108279007A (zh
Inventor
李清华
郑元勋
解伟男
闻帆
杜宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201810065086.4A priority Critical patent/CN108279007B/zh
Publication of CN108279007A publication Critical patent/CN108279007A/zh
Application granted granted Critical
Publication of CN108279007B publication Critical patent/CN108279007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开一种基于随机信号的定位方法及装置，所述定位方法包括：步骤1，建立观测量与位置解算恒等式；步骤2，在所述恒等式中引入误差项；步骤3，确定观测量误差项；步骤4，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；步骤5，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；步骤6，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算；所述定位装置与所述定位方法对应。这样，屏蔽低精度随机信号对导航解算的干扰，提高了定位的精度与自适应性，降低了导航解算的计算量。

Description

一种基于随机信号的定位方法及装置
技术领域
本发明涉及信号定位技术领域，具体涉及一种基于随机信号的定位方法及装置。
背景技术
随着科技的发展，人们对定位服务的需求也日益强烈。GPS、北斗等卫星导航系统日益完善与普及，定位精度已经基本满足人们的日常需求；然而在一些日常环境(城市高楼林立或室内)，GPS等卫星导航信号无法保证精度。室内和城市内信号接收质量较好的随机信号导航的研究逐渐引起学者们的关注。随机信号的信号源是民用设施，包括数字广播、数字电视、手机基站等，易获取、信号质量好，能够提供不随时间积累的绝对定位信息，逐渐成为卫星导航系统的有益补充。
由于随机信号出现时间无法预知，持续时间不确定，其精度受环境和基站影响较大，使得基于随机信号的导航定位误差大，定位不准确。
鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷，本发明采用的技术方案在于，首先提供一种基于随机信号的定位方法，其包括：
步骤1，根据随机信号的定位原理，建立观测量与位置解算恒等式；
步骤2，在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
步骤3，确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
步骤4，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；
步骤5，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；
步骤6，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算。
较佳的，所述恒等式是理想情况下的观测量与位置解算恒等式。
较佳的，所述步骤4中，对所述置信度进行归一化处理。
较佳的，所述步骤5中，对所述卡尔曼滤波器加入遗忘因子。
较佳的，所述步骤1中，所述恒等式为：
Figure BDA0001556473660000021
式中，
Figure BDA0001556473660000022
Figure BDA0001556473660000023
其中，ri 0、
Figure BDA0001556473660000024
为理想情况下基站i、j与目标位置之间的距离，
Figure BDA0001556473660000025
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000026
为理想情况下基站j与坐标系原点的距离，
Figure BDA0001556473660000027
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000028
为理想情况下基站i的坐标，
Figure BDA0001556473660000029
为理想情况下下基站j的坐标向量，
Figure BDA00015564736600000210
为理想情况下基站j的坐标，uT为目标位置的坐标向量的转置。
较佳的，所述步骤2中，所述位置误差与观测量误差的关系式为：
Figure BDA0001556473660000031
其中，δu为解算结果中的误差部分，u目标位置的坐标向量，T为转置符号，ri、rj为基站i、j与目标位置之间的距离，
Figure BDA0001556473660000032
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000033
为理想情况下基站j与坐标系原点的距离，
Figure BDA0001556473660000034
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000035
为理想情况下下基站j的坐标向量，δri为由观测量误差引起的距离误差。
较佳的，所述步骤3中，与观测量误差相关的项为：
Figure BDA0001556473660000036
式中，Ai为与观测量误差相关的项，T为转置符号，ri为基站i与目标位置之间的距离，
Figure BDA0001556473660000037
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000038
为理想情况下下基站j的坐标向量，δri为由时间误差引起的距离误差。
较佳的，所述步骤3中，与观测量误差无关的项为：
Figure BDA0001556473660000039
式中，Bi为与观测量误差无关的项，T为转置符号，ri、rj为基站i、j与目标位置之间的距离，
Figure BDA00015564736600000310
为理想情况下基站i与坐标系原点的距离，
Figure BDA00015564736600000311
为理想情况下基站j与坐标系原点的距离，
Figure BDA00015564736600000312
为理想情况下基站i的坐标向量，
Figure BDA00015564736600000313
为理想情况下下基站j的坐标向量。
较佳的，所述步骤4中，所述置信度模型为：
Figure BDA00015564736600000314
式中，γ′i为基站i的置信度，Ai为与观测量误差相关的项，Bi为与观测量误差无关的项，ri、rj为基站i、j与目标位置之间的距离，
Figure BDA0001556473660000041
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000042
为理想情况下基站j与坐标系原点的距离，δri为由时间误差引起的距离误差。
其次，提供一种与所述的定位方法对应的基于随机信号的定位装置，其包括：
等式建立模块，其根据随机信号的定位原理，建立观测量与位置解算恒等式；
误差引入模块，其与所述等式建立模块连接，在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
误差确定模块，其与所述误差引入模块连接，确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
置信度模块，其与所述误差确定模块连接，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；
滤波模块，其与所述置信度模块连接，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；
导航解算模块，其与所述滤波模块连接，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算。
与现有技术比较本发明的有益效果在于：通过估计观测量误差在解算模型中的比重，估计接收到各基站随机信号的置信度并排序，根据定位方法中需求的最低随机信号数量，自主选取置信度较高的随机信号进行导航解算，屏蔽低精度随机信号对导航解算的干扰。提高了定位的精度与自适应性，降低了导航解算的计算量。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明基于随机信号的定位方法的流程图；
图2是本发明基于随机信号的定位装置的结构图；
图3A是本发明实施例13中是否引入置信度的X轴解算对比图；
图3B是本发明实施例13中是否引入置信度的Y轴解算对比图；
图3C是本发明实施例13中是否引入置信度的Z轴解算对比图；
图4是本发明实施例13中是否加入置信度评估方法的导航解算结果对比图；
图5是本发明实施例13中七个基站的信号评估置信度结果图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
实施例1
如图1所示，其为；其中，所述基于随机信号的定位方法包括：
步骤1.根据随机信号的定位原理，建立观测量与位置解算恒等式；
其中，所述解算恒等式是理想情况下观测量与位置解算恒等式。
其中，随机信号的定位原理，是定位软件可以根据接收到的每个基站信号的强弱，自动估算目标位置(手机等)到每个基站(信号的发送端)的距离，这样，通过多个基站(至少三个)就可以确定目标位置的位置(基站越多，定位越准确)。
其中，所述观测量为基站信号到达目标位置的时间，理想情况下基站与目标位置之间的距离，可以由所述观测量直接确定。
步骤2.在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
其中，为了便于理解，可以将位置误差与观测误差分别位于等式两侧。
其中，位置误差侧仅存在实际位置项与位置误差项；
步骤3.确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
其中，为所述观测量误差位于所述等式的一侧，其中，有些项内不包含所述观测量误差以及所述观测量误差影响的其他变量，因此为与所述观测量误差无关的项，反之，为与所述观测量误差有关的项。
确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项，并记录与观测量误差相关的项之和，与观测量误差无关项之和。
步骤4.根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型。
在确定所述置信度模型后，计算基站的置信度。
较佳的，对所述置信度进行归一化。
步骤5.根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波。
其中，为保持卡尔曼滤波器的活性，对卡尔曼滤波器加入遗忘因子λ(λ＞1)；
步骤6.根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算。
这样，通过估计观测量误差在解算模型中的比重，估计接收到各基站随机信号的置信度并排序，根据定位方法中需求的最低随机信号数量，自主选取置信度较高的随机信号进行导航解算，屏蔽低精度随机信号对导航解算的干扰。提高了定位的精度与自适应性，降低了导航解算的计算量。
实施例2
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤1中，所述恒等式为：
Figure BDA0001556473660000071
式中，
Figure BDA0001556473660000072
Figure BDA0001556473660000073
其中，ri 0为理想情况下基站i与目标位置之间的距离，
Figure BDA0001556473660000074
为理想情况下基站j与目标位置之间的距离，
Figure BDA0001556473660000075
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000076
为理想情况下基站j与坐标系原点的距离，
Figure BDA0001556473660000077
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000078
Figure BDA0001556473660000079
为理想情况下基站i的坐标，
Figure BDA00015564736600000710
为理想情况下下基站j的坐标向量，
Figure BDA00015564736600000711
Figure BDA00015564736600000712
为理想情况下基站j的坐标，uT为目标位置的坐标向量的转置。
这里，是以TOA定位法为基础进行公式的确定，其中，TOA，即到达时间，其原理为：测量目标位置与发送端的信号到达时间差，假定测得其传输时间，则目标位置与发送端的距离为传输时间与信号传输速度的乘积；若发送端数量为多个，已知发送端坐标，则根据几何原理可以得到方程组，从而求解即可得出带定位节点的坐标。
实施例3
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤2中，所述位置误差与观测量误差的关系式为：
Figure BDA0001556473660000081
其中，δu为解算结果中的误差部分，u目标位置的坐标向量，T为转置符号，ri、rj为基站i、j与目标位置之间的距离，
Figure BDA0001556473660000082
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000083
为理想情况下基站j与坐标系原点的距离，
Figure BDA0001556473660000084
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000085
为理想情况下下基站j的坐标向量，δri为由观测量误差引起的距离误差。
实施例4
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤3中，与观测量误差相关的项为：
Figure BDA0001556473660000086
式中，Ai为与观测量误差相关的项，T为转置符号，ri为基站i与目标位置之间的距离，
Figure BDA0001556473660000087
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000088
为理想情况下下基站j的坐标向量，δri为由时间误差引起的距离误差。
实施例5
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤3中，与观测量误差无关的项为：
Figure BDA0001556473660000089
式中，Bi为与观测量误差无关的项，T为转置符号，ri为基站i与目标位置之间的距离，
Figure BDA0001556473660000091
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000092
为理想情况下基站j与坐标系原点的距离，
Figure BDA0001556473660000093
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000094
为理想情况下下基站j的坐标向量。
实施例6
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤4中，所述置信度模型为：
Figure BDA0001556473660000095
式中，γ′i为基站i的置信度，Ai为与观测量误差相关的项，Bi为与观测量误差无关的项，ri，rj为基站i，j与目标位置之间的距离，
Figure BDA0001556473660000096
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000097
为理想情况下基站j与坐标系原点的距离，δri为由时间误差引起的距离误差。
其中，δri可以由卡尔曼滤波器中估计值得到。
实施例7
如上述所述的基于随机信号的定位方法，本实施例为与其对应的基于随机信号的定位装置，如图2所示，其为；其中，所述基于随机信号的定位装置包括：
等式建立模块1，其根据随机信号的定位原理，建立观测量与位置解算恒等式；
其中，所述解算恒等式是理想情况下观测量与位置解算恒等式。
其中，随机信号的定位原理，是定位软件可以根据接收到的每个基站信号的强弱，自动估算目标位置(手机等)到每个基站(信号的发送端)的距离，这样，通过多个基站(至少三个)就可以确定目标位置的位置(基站越多，定位越准确)。
其中，所述观测量为基站信号到达目标位置的时间，理想情况下基站与目标位置之间的距离，可以由所述观测量直接确定。
误差引入模块2，其与所述等式建立模块1连接，在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
其中，为了便于理解，可以将位置误差与观测误差分别位于等式两侧。
其中，位置误差侧仅存在实际位置项与位置误差项；
误差确定模块3，其与所述误差引入模块2连接，确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
其中，为所述观测量误差位于所述等式的一侧，其中，有些项内不包含所述观测量误差以及所述观测量误差影响的其他变量，因此为与所述观测量误差无关的项，反之，为与所述观测量误差有关的项。
确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项，并记录与观测量误差相关的项之和，与观测量误差无关项之和。
置信度模块4，其与所述误差确定模块3连接，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；
在确定所述置信度模型后，计算基站的置信度。
较佳的，对所述置信度进行归一化。
滤波模块5，其与所述置信度模块4连接，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；
其中，为保持卡尔曼滤波器的活性，对卡尔曼滤波器加入遗忘因子λ(λ＞1)；
导航解算模块6，其与所述滤波模块5连接，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算。
这样，通过估计观测量误差在解算模型中的比重，估计接收到各基站随机信号的置信度并排序，根据定位方法中需求的最低随机信号数量，自主选取置信度较高的随机信号进行导航解算，屏蔽低精度随机信号对导航解算的干扰。提高了定位的精度与自适应性，降低了导航解算的计算量。
实施例8
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述等式建立模块1中，所述恒等式为：
Figure BDA0001556473660000111
式中，
Figure BDA0001556473660000112
Figure BDA0001556473660000113
其中，ri 0为理想情况下基站i与目标位置之间的距离，
Figure BDA0001556473660000114
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000115
为理想情况下基站j与坐标系原点的距离，
Figure BDA0001556473660000116
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000117
为理想情况下基站i的坐标，
Figure BDA0001556473660000118
为理想情况下下基站j的坐标向量，
Figure BDA0001556473660000119
为理想情况下基站j的坐标，uT为目标位置的坐标向量的转置。
这里，是以TOA定位法为基础进行公式的确定，其中，TOA，即到达时间，其原理为：测量目标位置与发送端的信号到达时间差，假定测得其传输时间，则目标位置与发送端的距离为传输时间与信号传输速度的乘积；若发送端数量为多个，已知发送端坐标，则根据几何原理可以得到方程组，从而求解即可得出带定位节点的坐标。
实施例9
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述误差引入模块2中，所述位置误差与观测量误差的关系式为：
Figure BDA0001556473660000121
其中，δu为解算结果中的误差部分，u目标位置的坐标向量，T为转置符号，ri为基站i与目标位置之间的距离，
Figure BDA0001556473660000122
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000123
为理想情况下基站j与坐标系原点的距离，
Figure BDA0001556473660000124
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000125
为理想情况下下基站j的坐标向量，δri为由观测量误差引起的距离误差。
实施例10
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述误差确定模块3中，与观测量误差相关的项为：
Figure BDA0001556473660000126
式中，Ai为与观测量误差相关的项，T为转置符号，ri为基站i与目标位置之间的距离，
Figure BDA0001556473660000127
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000128
为理想情况下下基站j的坐标向量，δri为由时间误差引起的距离误差。
实施例11
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述误差确定模块3中，与观测量误差无关的项为：
Figure BDA0001556473660000131
式中，Bi为与观测量误差无关的项，T为转置符号，ri为基站i与目标位置之间的距离，
Figure BDA0001556473660000132
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000133
为理想情况下基站j与坐标系原点的距离，
Figure BDA0001556473660000134
为理想情况下基站i的坐标向量，
Figure BDA0001556473660000135
为理想情况下下基站j的坐标向量。
实施例12
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述置信度模块4中，所述置信度模型为：
Figure BDA0001556473660000136
式中，γ′i为基站i的置信度，Ai为与观测量误差相关的项，Bi为与观测量误差无关的项，ri，rj为基站i，j与目标位置之间的距离，
Figure BDA0001556473660000137
为理想情况下基站i与坐标系原点的距离，
Figure BDA0001556473660000138
为理想情况下基站j与坐标系原点的距离，δri为由时间误差引起的距离误差。
其中，δri可以由卡尔曼滤波器中估计值得到。
实施例13
如上述所述的基于随机信号的定位方法及装置，本实施例为对其具体实施过程进行推理和举例说明。
模拟利用TOA定位法进行随机信号导航，设基站位置为
Figure BDA0001556473660000141
目标位置为P坐标为
Figure BDA0001556473660000142
目标接收到各基站信号到达时间为ti，则
Figure BDA0001556473660000143
δti为由于散射、干扰等原因造成的时间误差，这里用均值为0的白噪声代表，ti为基站i发出信号，到达目标位置的测量时间，
Figure BDA0001556473660000144
表示基站i发出信号到达目标位置的理想时间，Δtij表示基站i与基站j信号到达目标的时间差。
建立理想情况下观测量与导航解算位置恒等式，其中，模型中的可测量的观测量，例子中为各基站信号到达时间ti。
Figure BDA0001556473660000145
由于
Figure BDA0001556473660000146
其中，
Figure BDA0001556473660000147
为基站i与基站j发出信号，理想情况下到达目标的时间之差，因此，
Figure BDA0001556473660000148
于是
Figure BDA0001556473660000149
其中，
Figure BDA00015564736600001410
为理想情况下基站i信号到达目标与基站j信号到达目标的距离之差，ri 0为基站i与目标之间的理想距离，
Figure BDA00015564736600001411
为基站j与目标之间的理想距离。
将式(4)带入式(1)则整理可得，
Figure BDA00015564736600001412
因此，
Figure BDA00015564736600001413
其中，
Figure BDA0001556473660000151
再将式(4)带入式(6)可得，
Figure BDA0001556473660000152
Figure BDA0001556473660000153
带入误差项δri，由于随机信号导航系统中观测量为信号到达时间ti，因此δri为由时间误差δti引起的距离误差。
由于，
Figure BDA0001556473660000154
r＝c·t (10)
其中，c为基站信号在介质(空气)中的传播速度。
因此，
ri＝ri 0+δri (11)
建立误差项与实际位置之间关系，将式(11)带入式(8)，可得
Figure BDA0001556473660000155
其中，δu为导航解算结果中的误差部分，δu＝[δx,δy,δz]。
又因为，
Figure BDA0001556473660000156
于是，
Figure BDA0001556473660000157
Figure BDA0001556473660000158
由于式(15)中等式左侧为根据等式右侧观测量信息的解算位置结果，其中位置误差δu的大小受等式右侧观测量误差项δri影响。
根据式(15)确定观测量误差相关项，在式(15)中，u表示导航解算后的估计值，δu表示估计误差，因此
Figure BDA0001556473660000161
表示目标无偏位置向量内积即u0(u0)T。估计δu误差是由观测量误差δri引起，假设估计误差与观测量误差均为零，即令δu＝0，δri＝0时，式(15)可变为
Figure BDA0001556473660000162
通过对比式(16)与式(15)可知，引起位置误差的相关项为
Figure BDA0001556473660000163
观测量误差无关项，
Figure BDA0001556473660000164
确定置信度模型，根据前文提到的方法，基站i的置信度模型为，
Figure BDA0001556473660000165
由于实际中δr无法准确获取，因此本方法中主要由卡尔曼滤波器中估计值得到，因为
δri＝ri-ri 0
假设卡尔曼滤波器中，状态变量估计值
Figure BDA0001556473660000166
为无偏的，则当估计器收敛时，
Figure BDA0001556473660000167
其中z(k)表示第k次的测量值ri(k)，H为对应的转移矩阵，x(k|k-1)为状态变量rj的中间状态变量。其中，
Figure BDA0001556473660000168
表示观测量，基站i与目标之间距离的估计值，等式左侧是观测量与观测量估计之间的误差，即公式(15)中δri的估计值。
因此，在卡尔曼估计器迭代中加入式(20)，当估计器收敛时，即可得到δr的估计值。
再对各基站初始置信度归一化，得到各基站最终置信度为，(归一化是为设置遗忘因子λ，其决定新的测量数据在估计结果中所发挥的作用，置信度越高的基站信号观测量所占权重应当越高，但本例中公式所给遗忘因子大于1，实际应用时根据情况对置信度进行调整，如λi＝γi+1等)
Figure BDA0001556473660000171
建立带遗忘因子的卡尔曼滤波器，其中以γ′i作为状态量与观测量，并根据能检测到基站信号数量确定系统维数，以能检测到7个基站信号为例，则，
Figure BDA0001556473660000172
z＝Bx+υ
其中，
Figure BDA0001556473660000173
υ为白噪声。
建立卡尔曼滤波器，
x(k|k)＝x(k|k-1)+Kg(k)(z(k)-Bx(k|k-1))
x(k|k-1)＝Ax(k-1|k-1)
Kg(k)＝P(k|k-1)B′/(BP(k|k-1)B′+R)
P(k|k)＝(I-Kg(k)B)P(k|k-1)
P(k|k-1)＝λ·AP(k-1|k-1)A′+Q
其中λ＞1，
Figure BDA0001556473660000181
为状态变量代表置信度的估计值，
Figure BDA0001556473660000182
作为此滤波器的观测量，为置信度归一化之前的计算值，Kg为卡尔曼增益矩阵通过迭代得到，P为方差矩阵，初值设置为极大值，随迭代逐渐收敛，只是最基本的平滑滤波，避免置信度值跳动过大存在野值。
根据TOA解算模型，得到系统系统状态方程
Figure BDA0001556473660000183
Z＝BuT+υ
其中，
Figure BDA0001556473660000184
n为信号源总个数。B＝[-2(xi+1-xi,yi+1-yi,zi+1-zi)]
以及置信度进行导航解算，设七个基站坐标为s1＝(200,0,0)，s2＝(0,1000,0)，s3＝(0,0,1000)，s4＝(-1000,0,0)，s5＝(0,0,-1000)，s6＝(200,-450,2000)，s7＝(0,-1000,0)，目标P位置坐标为u＝(300,400,500)；建立卡尔曼估计器，在目标位置接收到的信号加入白噪声，方差分别为，20，50，30，500，200，1500，100，先不引入置信度结果，将观测量直接引入卡尔曼滤波器进行导航解算；然后再根据置信度结果，选择置信度最高的四个基站信号进行导航解算，得到X、Y、Z三轴解算结果如图3A、3B、3C所示，其中横轴代表采样次数；纵轴分别为X轴、Y轴、Z轴坐标的误差，图中的实线为未引入置信度的结果，虚线为引入置信度的结果。
另外，加入置信度评估方法与不加入时，导航解算结果对比如图4所示，其中，七个基站的信号评估置信度(归一化后)如图5所示。
由上述各图可以明显看出，当前可检测到的随机信号进行置信度评估，选取精确等级较高的随机号进行导航解算，屏蔽了低精度信号对导航解算的干扰，大大提高了定位的精度与自适应性，降低了导航解算的计算量。
以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims (9)

1.一种基于随机信号的定位方法，其特征在于，包括：
步骤1，根据随机信号的定位原理，建立观测量与位置解算恒等式；
步骤2，在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
步骤3，确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
步骤4，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；
步骤5，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；
步骤6，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算；
所述恒等式为：
Figure FDA0002363826010000011
所述位置误差与观测量误差的关系式为：
Figure FDA0002363826010000012
所述与所述观测量误差相关的项为：
Figure FDA0002363826010000013
所述与所述观测量误差无关的项为：
Figure FDA0002363826010000014
所述置信度模型为：
Figure FDA0002363826010000021
其中，
Figure FDA0002363826010000022
分别为理想情况下基站i、j与目标位置之间的距离，
Figure FDA0002363826010000023
为理想情况下基站i与坐标系原点的距离，
Figure FDA0002363826010000024
为理想情况下基站j与坐标系原点的距离，
Figure FDA0002363826010000025
为理想情况下基站i的坐标向量，
Figure FDA0002363826010000026
为理想情况下下基站j的坐标向量，uT为目标位置的坐标向量的转置，δu为解算结果中的误差部分，u为目标位置的坐标向量，ri、rj分别为基站i、j与目标位置之间的距离，δri为距离误差，Ai为与观测量误差相关的项，Bi为与观测量误差无关的项，γ′i为基站i的置信度。
2.如权利要求1所述的定位方法，其特征在于，所述恒等式是理想情况下的观测量与位置解算恒等式。
3.如权利要求1所述的定位方法，其特征在于，所述步骤4中，对所述置信度进行归一化处理。
4.如权利要求1所述的定位方法，其特征在于，所述步骤5中，对所述卡尔曼滤波器加入遗忘因子。
5.如权利要求1-4中任一所述的定位方法，其特征在于，所述步骤1中，所述恒等式中，
Figure FDA0002363826010000027
Figure FDA0002363826010000028
其中，
Figure FDA0002363826010000029
为理想情况下基站i与坐标系原点的距离，
Figure FDA00023638260100000210
为理想情况下基站j与坐标系原点的距离，
Figure FDA00023638260100000211
为理想情况下基站i的坐标，
Figure FDA00023638260100000212
为理想情况下基站j的坐标。
6.如权利要求1-4中任一所述的定位方法，其特征在于，所述步骤2中，所述位置误差与观测量误差的关系式中的所述距离误差为由观测量误差引起的距离误差。
7.如权利要求1-4中任一所述的定位方法，其特征在于，所述步骤3中，与观测量误差相关的项中的所述距离误差为由时间误差引起的距离误差。
8.如权利要求1-4中任一所述的定位方法，其特征在于，所述步骤4中，所述置信度模型中的所述距离误差为由时间误差引起的距离误差。
9.一种与权利要求1-8中任一所述的定位方法对应的基于随机信号的定位装置，其特征在于，包括：
等式建立模块，其根据随机信号的定位原理，建立观测量与位置解算恒等式；
误差引入模块，其与所述等式建立模块连接，在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
误差确定模块，其与所述误差引入模块连接，确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
置信度模块，其与所述误差确定模块连接，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；
滤波模块，其与所述置信度模块连接，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；
导航解算模块，其与所述滤波模块连接，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算；
所述恒等式为：
Figure FDA0002363826010000031
所述位置误差与观测量误差的关系式为：
Figure FDA0002363826010000041
所述与所述观测量误差相关的项为：
Figure FDA0002363826010000042
所述与所述观测量误差无关的项为：
Figure FDA0002363826010000043
所述置信度模型为：
Figure FDA0002363826010000044
其中，
Figure FDA0002363826010000045
分别为理想情况下基站i、j与目标位置之间的距离，
Figure FDA0002363826010000046
为理想情况下基站i与坐标系原点的距离，
Figure FDA0002363826010000047
为理想情况下基站j与坐标系原点的距离，
Figure FDA0002363826010000048
为理想情况下基站i的坐标向量，
Figure FDA0002363826010000049
为理想情况下下基站j的坐标向量，uT为目标位置的坐标向量的转置，δu为解算结果中的误差部分，u为目标位置的坐标向量，ri、rj分别为基站i、j与目标位置之间的距离，δri为距离误差，Ai为与观测量误差相关的项，Bi为与观测量误差无关的项，γ′i为基站i的置信度。
CN201810065086.4A 2018-01-23 2018-01-23 一种基于随机信号的定位方法及装置 Active CN108279007B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810065086.4A CN108279007B (zh) 2018-01-23 2018-01-23 一种基于随机信号的定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810065086.4A CN108279007B (zh) 2018-01-23 2018-01-23 一种基于随机信号的定位方法及装置

Publications (2)

Publication Number Publication Date
CN108279007A CN108279007A (zh) 2018-07-13
CN108279007B true CN108279007B (zh) 2020-03-17

Family

ID=62804672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810065086.4A Active CN108279007B (zh) 2018-01-23 2018-01-23 一种基于随机信号的定位方法及装置

Country Status (1)

Country Link
CN (1) CN108279007B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977584B (zh) * 2019-04-04 2022-11-08 哈尔滨工业大学 一种基于随机信号的定位方法及装置
CN110162739B (zh) * 2019-04-30 2023-05-02 哈尔滨工业大学 基于变遗忘因子的rffklms算法权值更新优化方法
WO2021056246A1 (en) * 2019-09-25 2021-04-01 Nokia Shanghai Bell Co., Ltd. Method and apparatus for sensor selection for localization and tracking
CN114501364B (zh) * 2022-02-22 2023-12-22 成都市联洲国际技术有限公司 基于wifi信号的室内定位方法、装置以及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609140A (zh) * 2009-07-09 2009-12-23 北京航空航天大学 一种兼容导航接收机定位系统及其定位方法
CN106226796A (zh) * 2016-07-14 2016-12-14 成都之达科技有限公司 基于民用差分定位技术的位置确定方法
CN106446422A (zh) * 2016-09-28 2017-02-22 西京学院 一种基于对数似然估计的无源定位跟踪新方法
CN107205268A (zh) * 2017-04-24 2017-09-26 广西大学 一种基于无线通信基站的三维定位方法
CN107407729A (zh) * 2015-03-18 2017-11-28 亚马逊技术股份有限公司 经由固定点地面站的网络进行的gps误差校正

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013122497A1 (en) * 2012-02-17 2013-08-22 Veitsel Vladimir Viktorovich Improving a positioning quality of a global navigation satellite system receivers

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609140A (zh) * 2009-07-09 2009-12-23 北京航空航天大学 一种兼容导航接收机定位系统及其定位方法
CN107407729A (zh) * 2015-03-18 2017-11-28 亚马逊技术股份有限公司 经由固定点地面站的网络进行的gps误差校正
CN106226796A (zh) * 2016-07-14 2016-12-14 成都之达科技有限公司 基于民用差分定位技术的位置确定方法
CN106446422A (zh) * 2016-09-28 2017-02-22 西京学院 一种基于对数似然估计的无源定位跟踪新方法
CN107205268A (zh) * 2017-04-24 2017-09-26 广西大学 一种基于无线通信基站的三维定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于TOA的置信因子移动定位算法;何燕等;《电子与信息学报》;20050331;第27卷(第3期);第373-376页 *

Also Published As

Publication number Publication date
CN108279007A (zh) 2018-07-13

Similar Documents

Publication Publication Date Title
CN107659893B (zh) 一种误差补偿方法、装置、电子设备及可读存储介质
CN108279007B (zh) 一种基于随机信号的定位方法及装置
CN108490473B (zh) 一种融合gnss和uwb的无人机增强定位方法与系统
CN106912105B (zh) 基于pso_bp神经网络的三维定位方法
JP5450081B2 (ja) ユーザ装置の位置を判定する方法、ソフトウエア及びシステム
US11555699B2 (en) Systems and methods for determining when an estimated altitude of a mobile device can be used for calibration or location determination
US8909258B2 (en) Context and map aiding for self-learning
KR101224512B1 (ko) Ｔｄｏａ 기법을 기반으로 하는 미지신호 발생원 위치 측정방법
US20190360886A1 (en) Systems and methods for determining when to calibrate a pressure sensor of a mobile device
CN107925982A (zh) 利用锚点的接收器位置估计
CN108897013A (zh) 一种基于多节点agc的gnss干扰源定位方法
CN108566677B (zh) 一种指纹定位方法及装置
CN107923743A (zh) 基于海拔的室内或室外检测
JP2023503950A (ja) フロアの高さの推定およびモバイルデバイスの較正
EP2480908A1 (en) Estimating user device location in a wireless network
CN112394383B (zh) 一种卫星与5g基站组合定位方法及装置
US20180242107A1 (en) Localization using access point
Si et al. An adaptive weighted Wi-Fi FTM-based positioning method in an NLOS environment
KR20090066463A (ko) 이동통신 시스템에서 단말의 위치기반 서비스를 지원하기위한 위치추정 방법 및 장치
WO2013096209A1 (en) System and method for probablistic wlan positioning
US20150211845A1 (en) Methods and Systems for Applying Weights to Information From Correlated Measurements for Likelihood Formulations Based on Time or Position Density
CN117320148A (zh) 多源数据融合定位方法、系统、电子设备及存储介质
US20210345073A1 (en) Methods for using a pressure sensor of a mobile device to improve the accuracy of determined contexts
Li et al. GDOP and the CRB for positioning systems
EP3259609B1 (en) Providing an indication of a heading of a mobile device

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
GR01 Patent grant
GR01 Patent grant