CN109581284B - 基于交互多模型的非视距误差消除方法 - Google Patents

基于交互多模型的非视距误差消除方法 Download PDF

Info

Publication number
CN109581284B
CN109581284B CN201811503156.6A CN201811503156A CN109581284B CN 109581284 B CN109581284 B CN 109581284B CN 201811503156 A CN201811503156 A CN 201811503156A CN 109581284 B CN109581284 B CN 109581284B
Authority
CN
China
Prior art keywords
line
sight
ranging
value
ranging value
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
CN201811503156.6A
Other languages
English (en)
Other versions
CN109581284A (zh
Inventor
田世伟
李广侠
李思明
吕晶
田宇洋
徐荣
戴卫恒
田湘
刘亚宁
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN201811503156.6A priority Critical patent/CN109581284B/zh
Publication of CN109581284A publication Critical patent/CN109581284A/zh
Application granted granted Critical
Publication of CN109581284B publication Critical patent/CN109581284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations

Landscapes

  • Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明实施例公开一种基于交互多模型的非视距误差消除方法，其中方法包括如下步骤：分别获取两个平行滤波器针对测距信道中的视距信号和非视距信号的第一测距值和第二测距值，采用滑动窗获取非视距信号在k时刻之前的D个时刻的观测值，根据观测值估计修正第二测距值的非视距误差，生成更新第二测距值，再根据视距信号和非视距信号在k时刻的概率模型、第一测距值和更新第二测距值生成最终测距值。采用本发明，通过引入滑动窗利用当前时刻之前的若干个观测来估计非视距误差的均值和方差，修正非视距误差，可以避免距离估计器因非视距误差产生的偏离，从而可以保证距离估计值的可用性。

Description

基于交互多模型的非视距误差消除方法
技术领域
本发明涉及动态测距技术领域，尤其涉及一种基于交互多模型的非视距误差消除方法。
背景技术
到达时间(Time of Arrival，TOA)测距是一种利用无线信号在两个节点间的传播延时来计算两节点间物理距离的测距方法。对于基于TOA的定位系统而言，非视距(NonLine of Sight，NLOS)误差的正项偏差是影响定位精度的主要因素。
现有技术中，根据待定位节点移动的连续性，可以估计出每一时刻的距离测量和状态向量，利用这些观测量中的信息，实现NLOS误差的消除，而交互多模型(InteractingMultiple Model，IMM)可以很好地建模节点移动过程中信道随时间和空间的演化，IMM分别利用视距(Line of Sight，LOS)和NLOS这两个信号模型下的测距值的转移，联合估计出当前时刻的测距值。这两个信号模型分别采用两个并行的卡尔曼滤波器，可以得到较为精确的距离估计。但该算法有一个前提条件，就是需要提前已知NLOS误差的统计数据，例如均值和方差，并且当节点间测量长时间处于NLOS传播时，距离估计器会随较大的NLOS误差而偏离，导致距离估计值不可用。
发明内容
本发明实施例提供一种基于交互多模型的非视距误差消除方法，可以解决上述问题。
本发明实施例提供的一种基于交互多模型的非视距误差消除方法，可以包括如下步骤：
分别获取两个平行滤波器针对测距信道中的视距信号和非视距信号的第一测距值和第二测距值，所述两个平行滤波器为卡尔曼滤波器包括视距滤波器和非视距滤波器；
采用滑动窗获取所述非视距信号在k时刻之前的D个时刻的观测值，其中，k为离散时间点代表当前时刻，D为大于1的正整数；
根据所述观测值估计修正所述第二测距值的非视距误差，生成更新第二测距值；
根据所述视距信号和所述非视距信号在k时刻的概率模型、所述第一测距值和所述更新第二测距值生成最终测距值，所述最终测距值为测距过程中消除非视距误差后的真实测距估计。
在本发明实施例中，通过引入滑动窗利用当前时刻之前的若干个观测来估计非视距误差的均值和方差，修正非视距误差，避免了距离估计器因非视距误差产生的偏离，从而保证了距离估计值的可用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于交互多模型的非视距误差消除方法的流程示意图；
图2是本发明实施例提供的基于滑动窗的IMM算法的流程示意图；
图3是本发明实施例提供的另一种基于交互多模型的非视距误差消除方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中，误差消除系统为执行上述基于交互多模型的非视距误差消除方法的系统，可以包括服务器和终端。
下面将结合附图1-图3，对本发明实施例提供的基于交互多模型的非视距误差消除方法进行详细介绍。
如图1所示，本发明实施例的所述方法可以包括以下步骤S101-步骤S104。
需要说明的是，在交互多模型IMM中，首先可以定义两个模型状态，标记下标为i，j，当下标为1时代表视距LOS状态，当下标为2时代表非视距NLOS状态，也可以以其他变量作为下标，以不同的下标数值所代表的不同的状态。在二维平面下的动态系统中，移动节点与固定锚点之间的距离为r(k)，可以用如下方程表示：r(k)＝d(k)+bj(k)+w(k)，其中，k表示离散时间，r(k)表示到达时间(Time of Arrival，TOA)测距值，d(k)表示两端点之间的真实距离，w(k)是分布为
Figure BDA0001898728900000031
的加性高斯白噪声(Additive White Gaussian Noise，WANG)，bj(k)是NLOS误差，并满足以下关系：
Figure BDA0001898728900000032
距离估计器中待估计的状态向量可以写成
Figure BDA0001898728900000033
其中
Figure BDA0001898728900000034
是测距值的导数，也即变化率。状态转移方程和测量方程分别为：
x(k+1)＝Fx(k)+Cv(k)和r(k)＝Gx(k)+bj(k)+w(k)，其中系数矩阵的具体形式为：
Figure BDA0001898728900000035
其中，Ts表示采样时间，v(k)表示状态转移噪声，其分布为
Figure BDA0001898728900000036
对于上述测量方程r(k)＝Gx(k)+bj(k)+w(k)而言，它包含了IMM算法中两个平行的卡尔曼滤波器，用来估计状态向量x(k)，这两个平行的滤波器分别设置为LOS状态和NLOS状态。
S101，分别获取两个平行滤波器针对测距信道中的视距信号和非视距信号的第一测距值和第二测距值。
在可选实施例中，误差消除系统在滤波测距之前可以进行交互处理(例如图2所示的IMM算法流程中的交互过程)，即可以基于k-1时刻的模型状态和所述模型状态对应的混合概率生成该时刻的交互状态，可以理解的是，假设k为代表当前时刻的离散时间点，则k-1为当前时刻的上一时刻。其中，模型状态可以是
Figure BDA0001898728900000037
相对应的混合概率可以是ui|j，交互状态可以是
Figure BDA0001898728900000038
进一步的，该系统可以根据上述模型状态和混合概率计算测距信道中的视距信号和非视距信号的第一测距值和第二测距值。可以理解的是，第一测距值可以是LOS测距信号对应的TOA测距值，第二测距值可以是NLOS测距信号对应的TOA测距值，在图2所示IMM算法中述协方差矩阵可以用Sj(k)表示，该矩阵可以随状态进行更新。
在可选实施例中，误差消除系统可以获取卡尔曼滤波器在上一时刻滤波过程中的标准因子，由于标准因子
Figure BDA0001898728900000041
因此该标准因子也可以根据交互状态进行更新。
S102，采用滑动窗获取非视距信号在k时刻之前的D个时刻的观测值。
需要说明的是，由于j存在两种可能性j＝1或j＝2，所以两个平行的卡尔曼滤波过程同时进行。由于测距过程中信道的演变是未知的，当出现NLOS时，其引入的正项偏差使得测距值r(k)增加，在NLOS滤波器中修正测距为：r’(k)，r’(k)＝r(k)-mNLOS(k)。
在上述修正过程中，误差消除系统可以采用滑动窗获取非视距信号在k时刻之前的D个时刻的观测值，其中，D为大于1的正整数。
S103，根据观测值估计修正第二测距值的非视距误差，生成更新第二测距值。
进一步的，误差消除系统可以根据观测值估计修正第二测距值的非视距误差，生成更新第二测距值，更新第二测距值为第二测距值消除非视距误差后的测距值。
在可选实施例中，误差消除系统可以根据上述D个时刻的观测值估计第二测距值中的非视距误差的均值mNLOS(k)，然后基于该均值修正第二测距值，生成更新第二测距值。
在可选实施例中，误差消除系统可以根据上述D个时刻的观测值估计第二测距值中的非视距误差的方差
Figure BDA0001898728900000042
采用该方差计算非视距滤波器针对非视距信号的卡尔曼增益。进一步的，上述系统可以基于卡尔曼增益修正上述第一测距值和第二测距值的测量结果，可以理解的是，测距信号LOS和NLOS中均含有加性高斯白噪声。
S104，根据所述视距信号和所述非视距信号在k时刻的概率模型、所述第一测距值和所述更新第二测距值生成最终测距值。
具体的，误差消除系统可以根据所述视距信号和所述非视距信号在k时刻的概率模型、所述第一测距值和所述更新第二测距值生成最终测距值。可以理解的是，最终测距值为测距过程中消除非视距误差后的真实测距估计。
在可选实施例中，滤波过程的标准因子满足
Figure BDA0001898728900000051
其中，Λj(k)为协方差矩阵Sj(k)的似然函数，误差消除系统可以根据该标准因子计算k时刻的概率模型uj(k)。
在可选实施例中，误差消除系统还可以根据模型概率各自的协方差矩阵Sj(k)的似然函数Λj(k)更新对应的概率模型。
在本发明实施例中，通过引入滑动窗利用当前时刻之前的若干个观测来估计非视距误差的均值和方差，修正非视距误差，避免了距离估计器因非视距误差产生的偏离，从而保证了距离估计值的可用性。
对于图2所示的基于滑动窗的IMM算法流程图，可以采用下面具体的算法流程实现：
1、交互(Interacting)(i,j∈{1,2})
Figure BDA0001898728900000052
Figure BDA0001898728900000053
Figure BDA0001898728900000054
Figure BDA0001898728900000055
2、卡尔曼滤波(Kalman Filtering)
Figure BDA0001898728900000056
Figure BDA0001898728900000057
Figure BDA0001898728900000058
滑动窗(Sliding Window)：
Figure BDA0001898728900000059
Figure BDA00018987289000000510
pj(k)＝[I-Ka,j(k)G]pj(k|k-1)
Figure BDA00018987289000000511
似然函数(Likelihood function)Λj(k)＝N(0,Sj(k))
Figure BDA00018987289000000512
Figure BDA0001898728900000061
Figure BDA0001898728900000062
r’j(k)＝rj(k)-bj(k)
3、结合(Combining)
Figure BDA0001898728900000063
如图3所示，本发明实施例的另一种基于交互多模型的非视距误差消除方法可以包括以下步骤S201-步骤S205。
S201，根据k时刻的模型状态和对应的混合概率计算测距信道中的视距信号和非视距信号的第一测距值和第二测距值。
在可选实施例中，误差消除系统在滤波测距之前可以进行交互处理(例如图2所示的IMM算法流程中的交互过程)，即可以基于k-1时刻的模型状态和所述模型状态对应的混合概率生成该时刻的交互状态，可以理解的是，假设k为代表当前时刻的离散时间点，则k-1为当前时刻的上一时刻。其中，模型状态可以是
Figure BDA0001898728900000064
相对应的混合概率可以是ui|j，交互状态可以是
Figure BDA0001898728900000065
在可选实施例中，误差消除系统可以获取卡尔曼滤波器在上一时刻滤波过程中的标准因子，由于标准因子
Figure BDA0001898728900000066
因此该标准因子也可以根据交互状态进行更新。
S202，采用滑动窗获取所述非视距信号在k时刻之前的D个时刻的观测值。
S203，根据前D个时刻的观测值估计所述第二测距值中的非视距误差的均值。
S204，基于所述均值修正所述第二测距值，生成更新第二测距值。
在可选实施例中，误差消除系统可以根据上述D个时刻的观测值估计第二测距值中的非视距误差的方差
Figure BDA0001898728900000067
采用该方差计算非视距滤波器针对非视距信号的卡尔曼增益。进一步的，上述系统可以基于卡尔曼增益修正上述第一测距值和第二测距值的测量结果，可以理解的是，测距信号LOS和NLOS中均含有加性高斯白噪声。
S205，根据所述视距信号和所述非视距信号在k时刻的概率模型、所述第一测距值和所述更新第二测距值生成最终测距值。
在可选实施例中，滤波过程的标准因子满足
Figure BDA0001898728900000071
其中，Λj(k)为协方差矩阵Sj(k)的似然函数，误差消除系统可以根据该标准因子计算k时刻的概率模型uj(k)。
在可选实施例中，误差消除系统还可以根据模型概率各自的协方差矩阵Sj(k)的似然函数Λj(k)更新对应的概率模型。
在本发明实施例中，通过引入滑动窗利用当前时刻之前的若干个观测来估计非视距误差的均值和方差，修正非视距误差，避免了距离估计器因非视距误差产生的偏离，从而保证了距离估计值的可用性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于任一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (1)

1.一种基于交互多模型的非视距误差消除方法，其特征在于，所述方法包括：
分别获取两个平行滤波器针对测距信道中的视距信号和非视距信号的第一测距值和第二测距值，所述两个平行滤波器为卡尔曼滤波器，两个滤波器分别是视距滤波器和非视距滤波器；
采用滑动窗获取所述非视距信号在k时刻之前的D个时刻的观测值，其中，k为离散时间点代表当前时刻，D为大于1的正整数；
根据所述观测值估计修正所述第二测距值的非视距误差，生成更新的第二测距值；
根据所述视距信号和所述非视距信号在k时刻的概率模型、所述第一测距值和所述更新的第二测距值生成最终测距值，所述最终测距值为测距过程中消除非视距误差后的真实测距估计；
基于k-1时刻的模型状态和所述模型状态对应的混合概率生成该时刻的交互状态，k-1代表当前时刻的上一时刻；
根据所述模型状态和对应的混合概率计算测距信道中的视距信号和非视距信号的第一测距值和第二测距值；
获取所述卡尔曼滤波器在上一时刻滤波过程中的标准因子；
根据所述交互状态更新所述标准因子；再根据所述观测值估计修正所述第二测距值的非视距误差，生成更新的第二测距值时，所述方法还包括：
根据前D个时刻的观测值估计所述第二测距值中的非视距误差的均值；
基于所述均值修正所述第二测距值，生成更新的第二测距值；所述方法还包括：
根据前D个时刻的观测值估计所述第二测距值中的非视距误差的方差；
采用所述方差计算非视距滤波器针对所述非视距信号的卡尔曼增益；所述方法还包括：
基于所述卡尔曼增益修正所述第一测距值和所述第二测距值中的测量结果；所述方法还包括：
根据所述标准因子计算所述k时刻的概率模型；所述方法还包括：
根据概率模型各自的协方差矩阵的似然函数更新对应的概率模型。
CN201811503156.6A 2018-12-10 2018-12-10 基于交互多模型的非视距误差消除方法 Active CN109581284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811503156.6A CN109581284B (zh) 2018-12-10 2018-12-10 基于交互多模型的非视距误差消除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811503156.6A CN109581284B (zh) 2018-12-10 2018-12-10 基于交互多模型的非视距误差消除方法

Publications (2)

Publication Number Publication Date
CN109581284A CN109581284A (zh) 2019-04-05
CN109581284B true CN109581284B (zh) 2021-01-29

Family

ID=65928745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811503156.6A Active CN109581284B (zh) 2018-12-10 2018-12-10 基于交互多模型的非视距误差消除方法

Country Status (1)

Country Link
CN (1) CN109581284B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113960578A (zh) * 2021-10-18 2022-01-21 中国电力科学研究院有限公司 到达时间非视距误差消除方法、系统、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406280B2 (en) * 2008-03-18 2013-03-26 Argon St, Inc. System and method for mitigating severe multipath interference for geolocation and navigation
CN103744051B (zh) * 2013-12-11 2016-03-23 南京邮电大学 一种单频网定位系统中的基站识别方法
CN106646358A (zh) * 2016-12-27 2017-05-10 深圳信息职业技术学院 一种用于室内无线定位的多误差模型的imm算法
CN106900057B (zh) * 2017-04-26 2020-06-12 深圳先进技术研究院 一种基于测距的室内定位方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种无线定位中NLOS误差抑制算法;任明荣 等;《北京工业大学学报》;20070331;第33卷(第3期);正文第258页 *
高精度室内无线定位及跟踪技术研究;徐黔南;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415(第04期);正文36，41，60-63页 *

Also Published As

Publication number Publication date
CN109581284A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
US10197662B2 (en) Wireless local area network based positioning
CN111896914A (zh) 一种协同定位方法、装置、设备和存储介质
Shmaliy Unbiased FIR filtering of discrete-time polynomial state-space models
CN108134640B (zh) 一种基于节点运动状态约束的协作定位系统和方法
IL159278A (en) Method and apparatus for providing accurate position estimates in instances of severe dilution of precision
CN106156790B (zh) 一种应用于传感器网络的分布式协作算法和数据融合机制
Zhou et al. Critical issues on Kalman filter with colored and correlated system noises
CN108717174B (zh) 基于信息论的预测快速协方差交互融合无源协同定位方法
CN109581284B (zh) 基于交互多模型的非视距误差消除方法
CN112671373A (zh) 一种基于误差控制的卡尔曼滤波自适应滤波算法
JP6820204B2 (ja) 状態推定器、及びプログラム
US9645219B2 (en) Systems and methods for off-line and on-line sensor calibration
CN108490465B (zh) 基于时频差与测向的地面同频多运动辐射源跟踪方法及系统
CN112782732B (zh) 一种基于粒子群算法的导航信号解析方法及计算机存可读介质
CN114370878A (zh) 一种基于stackf的多auv协同定位方法
Poluri et al. Adaptive Gaussian filters for nonlinear state estimation with one‐step randomly delayed measurements
CN113218421A (zh) 北斗拒止条件下捷联惯导系统鲁棒自适应动态对准方法
CN107315918B (zh) 一种利用噪声提高稳健估计的方法
CN114565010A (zh) 一种基于数据融合的自适应卡尔曼噪声估计方法及系统
CN111308423B (zh) 鲁棒声源定位系统及其方法
Hu et al. Monte Carlo WLS fuser for nonlinear/non-Gaussian state estimation
Jwo et al. Kernel Entropy Based Extended Kalman Filter for GPS Navigation Processing.
Kutterer et al. Robust outlier detection in VLBI data analysis
Khalaf-Allah An extended closed-form least-squares solution for three-dimensional hyperbolic geolocation
CN112147659B (zh) 天基机会信号差分多普勒定位方法、装置、设备和介质

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