CN111212476B - 基于调频连续波的多基站超宽带定位方法 - Google Patents

基于调频连续波的多基站超宽带定位方法 Download PDF

Info

Publication number
CN111212476B
CN111212476B CN202010314494.6A CN202010314494A CN111212476B CN 111212476 B CN111212476 B CN 111212476B CN 202010314494 A CN202010314494 A CN 202010314494A CN 111212476 B CN111212476 B CN 111212476B
Authority
CN
China
Prior art keywords
base station
frequency
equation
base stations
matrix
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
CN202010314494.6A
Other languages
English (en)
Other versions
CN111212476A (zh
Inventor
陈文晓
吴极
董宗宇
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.)
Hangzhou Youzhilian Technology Co ltd
Original Assignee
Hangzhou Youzhilian Technology Co ltd
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 Hangzhou Youzhilian Technology Co ltd filed Critical Hangzhou Youzhilian Technology Co ltd
Priority to CN202010314494.6A priority Critical patent/CN111212476B/zh
Publication of CN111212476A publication Critical patent/CN111212476A/zh
Application granted granted Critical
Publication of CN111212476B publication Critical patent/CN111212476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01S5/12—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 by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
    • 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
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于调频连续波的多基站超宽带定位方法，移动标签发送调频连续波，各基站接收到移动标签发送的信号后，对任意两个基站接收的信号进行处理得到两基站接收的信号的频率差，进而可计算出移动标签到两基站间的距离差；然后根据双曲线定位原理，结合最小二乘法和卡尔曼滤波的融合算法，最终达到对移动标签精确定位的目的。本发明能够提高定位精度，无论是从几何原理还是融合算法实现都比较简单。

Description

基于调频连续波的多基站超宽带定位方法
技术领域
本发明涉及基站定位系统领域，具体是一种基于调频连续波的多基站超宽带定位方法。
背景技术
基站超宽带（UWB）定位系统中一般包含多个基站，其通过各个基站接收移动标签所发送的信号，然后利用TOA、TDOA、AOA等算法进行定位测距。而现有的TOA、TDOA、AOA等算法普遍需要涉及时间参数，对各个基站的时钟同步要求高，并且无法避免延迟所带来的误差，导致定位精度不高的问题。
发明内容
本发明的目的是提供一种基于调频连续波的多基站超宽带定位方法，以解决现有技术定位算法由于对时钟同步要求高、无法避免延迟导致的定位精度差的问题。
为了达到上述目的，本发明所采用的技术方案为：
基于调频连续波的多基站超宽带定位方法，其特征在于：包括以下步骤：
（1）、令移动标签向多基站超宽带定位系统发送调频连续波信号，多基站超宽带定位系统中由M个基站分别各自接收调频连续波信号，其中 M≥3；
（2）、根据M个基站中任意两个基站所接收的信号之间差频信号的频率f 0，计算得到移动标签到任意两个基站的距离差；
（3）、基于双曲线定位原理，并采用基于最小二乘法和卡尔曼滤波的融合算法来融合多个基站的信息，以得到定位标签的位置，具体过程如下：
（3.1）、在M个基站中以其中一个基站为参考基站，参考基站设为BS1，参考基站BS1的坐标为(x 1 ,y 1 )，其余基站设为BSi，i=2、3…M，基站BSi的位置坐标为(x i ,y i )；移动标签设为MS，移动标签MS的位置坐标为(x,y)；d i 为基站BSi和移动标签MS之间的距离，则有
Figure 100002_DEST_PATH_IMAGE002
；d 1 为参考基站BS1和移动标签MS之间的距离，则有
Figure 100002_DEST_PATH_IMAGE004
；
则移动标签MS到基站BSi、参考基站BS1的距离差d i,1 方程为：
Figure 100002_DEST_PATH_IMAGE006
，
其中移动标签MS到基站BSi、参考基站BS1的距离差d i,1 的具体数值可根据步骤（2）求得，对于M个基站除去参考基站后共得到M-1个距离差d i,1 的方程；
（3.2）、对于距离差d i,1 的方程，引入中间变量
Figure 100002_DEST_PATH_IMAGE008
，使步骤（3.1）求得的距离差d i,1 的方程线性化，得到线性化表达式如下：
Figure 100002_DEST_PATH_IMAGE010
；
上述公式中，x i , 1 表示基站BSi与参考基站BS1两者X轴坐标差，y i , 1 表示基站BSi与参考基站BS1两者Y轴坐标差，
Figure 100002_DEST_PATH_IMAGE012
；上述公式中
Figure 100002_DEST_PATH_IMAGE014
；
（3.3）、根据最小二乘法原理，将步骤（3.2）建立的线性化表达式矩阵化，得到如下公式：
Figure 100002_DEST_PATH_IMAGE016
，
其中，
Figure 100002_DEST_PATH_IMAGE018
，
Figure 100002_DEST_PATH_IMAGE020
，
Figure 100002_DEST_PATH_IMAGE022
，
Figure 100002_DEST_PATH_IMAGE024
；
基于最小二乘法原理对矩阵H进行估计，得到矩阵H的估计值H LS 为：
Figure 100002_DEST_PATH_IMAGE026
；
（3.4）、引入加权矩阵W对步骤（3.3）得到的矩阵H的估计值进行加权处理，得到矩阵H加权后的估计值H WLS ，其中加权矩阵采用测量值即距离差误差的协方差矩阵，则矩阵H加权后的估计值H WLS 如下：
Figure 100002_DEST_PATH_IMAGE028
；
（3.5）、采用卡尔曼滤波模型对步骤（3.4）得到的矩阵H加权后的估计值H WLS 进行进一步处理，以求解得到移动标签的位置，具体过程如下：
假设k时刻的真实状态x k 是从k-1时刻的状态x k-1 转换的结果，过程方程如下：
Figure DEST_PATH_IMAGE030
，
其中F k 是作用在状态x k-1 上的状态变迁矩阵，B k 是作用在控制器上的向量ｕ k 上的输入控制模型，ｗ k 是过程噪声，并假定过程噪声ｗ k 符合均值为0、协方差矩阵为Ｑ k 的多元正态分布；
在时刻k，真实状态x k 的一个测量数据z k 满足观测方程如下：
Figure 100002_DEST_PATH_IMAGE032
，
其中H k 是观测模型，观测模型H k 把真实状态空间映射成观测空间，ｖ k 是观测噪声，观测噪声ｖ k 均值为0、协方差为R k 且服从正态分布，测量数据z k 即为真实状态x k 的观测值；
建立卡尔曼滤波模型中的预测方程和更新方程，其中预测方程为：
Figure 100002_DEST_PATH_IMAGE034
，
Figure 100002_DEST_PATH_IMAGE036
；
更新方程为：
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
，
Figure 100002_DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE046
；
预测方程和更新方程中，
Figure DEST_PATH_IMAGE048
为先验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE050
为后验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE052
表示k-1时刻先验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE054
表示测量值与估计值的误差；K k 为卡尔曼增益或混合因数，K k 作用是使后验估计误差协方差最小；S k 用于计算K k 的临时变量，可直接合并到K k 公式中；
Figure DEST_PATH_IMAGE056
是根据k-1时刻的信息对真实状态的预测值，
Figure DEST_PATH_IMAGE058
表示经过校正后的k-1时刻真实状态的估计值，
Figure DEST_PATH_IMAGE060
表示经过校正后的k时刻真实状态的估计值，I是二阶单位矩阵；
预测方程和更新方程中取状态变迁矩阵F k 为二阶单位矩阵，过程噪声ｗ k 和观测噪声ｖ k 均为均值为0，且相互独立，过程噪声ｗ k 、观测噪声ｖ k 的协方差矩阵分别为
Figure DEST_PATH_IMAGE062
、
Figure DEST_PATH_IMAGE064
，其中
Figure DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE068
；
由步骤（3.4）得到的估计值H WLS ，用估计值H WLS 作为卡尔曼滤波的测量值来进一步预测并校正移动标签的坐标，通过最小二乘算法得到的估计值H WLS 其实就是未知变量
Figure DEST_PATH_IMAGE070
，在用卡尔曼滤波时，只取H WLS 中的[x,y]，即取对第n-1次的估计值
Figure DEST_PATH_IMAGE072
，将其代入到预测方程
Figure DEST_PATH_IMAGE074
，则得到第n次估计值的一个预测值，然后依据卡尔曼滤波模型中的预测和更新的七个方程依次迭代求解，得出移动标签精确的坐标位置
Figure DEST_PATH_IMAGE076
。
所述的基于调频连续波的多基站超宽带定位方法，其特征在于：步骤（1）中，移动标签向多基站超宽带定位系统发送的调频连续波信号选用三角波信号。
所述的基于调频连续波的多基站超宽带定位方法，其特征在于：步骤（2）中，对M个基站中任意两个基站接收的信号首先进行混频处理，然后再过滤掉混频信号中的高频信号，即可得到这两个基站所接收的信号之间差频信号的频率f 0。
所述的基于调频连续波的多基站超宽带定位方法，其特征在于：步骤（2）中，差频信号的频率f 0计算公式为：
Figure DEST_PATH_IMAGE078
，
上述公式中，T为调频连续波信号的周期，ΔF为调频带宽，τ为延迟时间，且有：
τ=d/c，
其中c为在自由空间的电磁波传播速度，d为移动标签到任意两个基站的距离差，因此可得到移动标签到任意两个基站的距离差d为：
Figure DEST_PATH_IMAGE080
。
所述的基于调频连续波的多基站超宽带定位方法，其特征在于：步骤（3）的（3.5）中，卡尔曼滤波模型在预测阶段使用上一状态的估计，做出对当前状态的估计；卡尔曼滤波模型在更新阶段，利用对当前状态的观测值优化在预测阶段获得的预测值，以获得一个更精确的新估计值。
与现有技术相比，本发明基于调频连续波的定位算法相较UWB常规算法（TOA、TDOA、AOA），不用精确的同步时钟，不会引入时间误差，通过频率差定位计算结果更为准确，并且在采用双曲线定位时，通过最小二乘法结合卡尔曼滤波的融合算法不仅便于计算机实现，而且能够提高定位精度。本发明无论是从几何原理还是融合算法实现都比较简单。
附图说明
图1是本发明方法流程框图。
图2是本发明具体实施例中基站和移动标签布局示意图。
图3a是任意两基站接收信号时频曲线图。
图3b是任意两基站差频信号时频曲线图。
图4是本发明具体实施例中定位方法原理图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，基于调频连续波的多基站超宽带定位方法，包括以下步骤：
（1）、如图2所示，令移动标签MS向多基站超宽带定位系统发送调频连续波信号，多基站超宽带定位系统中由M个基站分别各自接收调频连续波信号，本实施例中以3个基站为例，3个基站分别为BS1、BS2、BS3。
步骤（1）中，移动标签MS向多基站超宽带定位系统发送的调频连续波信号选用理想的三角波信号，且不考虑寄生调幅、噪声和杂波的影响。同时在很短的时间内移动标签MS和基站BS1、BS2、BS3可视为是相对静止，移动标签MS发射信号频率按三角波的规律周期性变化，其中任意两个基站接收的信号时频曲线如图3a所示，对应的差频信号时频曲线图如图3b所示。
（2）、对M个基站中任意两个基站接收的信号首先进行混频处理，然后再过滤掉混频信号中的高频信号，即可得到这两个基站所接收的信号之间差频信号的频率f 0，如图3a所示。
如图3a和图3b所示，由于接收信号与发射信号的时频曲线形状相同，只是在时间上有一个延迟，而各基站与发射信源距离不同，任意两个基站接收到的信号时频曲线也有一个时间差，则延迟时间τ与标签到任意两个基站的距离差d关系为：
τ=d/c (1)，
其中c为在自由空间的电磁波传播速度，并且由图3a所含的三角关系可知：
Figure DEST_PATH_IMAGE078A
(2)，
上述公式中，T为调频连续波信号的周期，ΔF为调频带宽，τ为延迟时间， 因此可得到移动标签到任意两个基站的距离差d为：
Figure DEST_PATH_IMAGE080A
(3)，
由上式可见差频信号频率f 0与相邻两个基站的距离差d成线性关系，在调制信号参数ΔF和T一定的情况下，只要测得差频信号的频率f 0，就可利用式(3) 得到标签与相邻两基站的距离差d。
（3）、基于双曲线定位原理，并采用基于最小二乘法和卡尔曼滤波的融合算法来融合多个基站的信息，以得到定位标签的位置。
本发明基于的双曲线定位原理如下：
通过在任意三个基站中分别计算移动标签到达其中任意两个基站的距离差值，并选择对应的基站作为焦点，构成双曲线，两组双曲线则会相交于一点，该点即为移动标签位置。本实施例选择基站BS1和基站BS2、基站BS2和基站BS3分别为两组焦点进行说明，得到两组双曲线，两组双曲线相交的位置即为移动标签MS位置，如图4所示。
设移动标签到基站BS1和基站BS2的距离差为d 12，移动标签到基站BS3和基站BS2的距离差为d 32，移动标签坐标为(x,y)，基站BS1、基站BS2、基站BS3的坐标分别为(x 1 ,y 2 )、(x 2 ,y 2 )、(x 3 ,y 3 )，根据图4的几何关系可以得到如下方程：
Figure DEST_PATH_IMAGE082
（4），
解公式（4）的双曲线方程组即可得到移动标签的坐标位置(x,y)。本发明基于上述双曲线定位原理，根据各个基站的测量信息，能够实现移动标签的定位。在理想情况下，几何算法能精确定出目标的位置。但真实的无线通信环境是比较复杂的，存在测量误差、信道干扰等因素。因此本发明对多个基站的信息处理时，采用基于最小二乘法和卡尔曼滤波的融合算法可以有效降低误差达到准确定位，具体过程如下：
（3.1）、在M个基站中以其中一个基站为参考基站，参考基站设为BS1，参考基站BS1的坐标为(x 1 ,y 1 )，其余基站设为BSi，i=2、3…M，基站BSi的位置坐标为(x i ,y i )；移动标签设为MS，移动标签MS的位置坐标为(x,y)；d i 为基站BSi和移动标签MS之间的距离，则有
Figure DEST_PATH_IMAGE084
；
则移动标签MS到基站BSi、参考基站BS1的距离差d i,1 方程为：
Figure DEST_PATH_IMAGE006A
（5），
其中移动标签MS到基站BSi、参考基站BS1的距离差d i,1 的具体数值可根据步骤（2）求得，对于M个基站除去参考基站后共得到M-1个距离差d i,1 的方程。并且由
Figure DEST_PATH_IMAGE084A
可得：
Figure DEST_PATH_IMAGE086
（6），
（3.2）、对于距离差d i,1 的方程，引入中间变量如下所示：
Figure DEST_PATH_IMAGE088
（7），
则公式（6）可化简为：
Figure DEST_PATH_IMAGE090
（8），
根据距离差的定义可知：
Figure DEST_PATH_IMAGE092
（9），
Figure DEST_PATH_IMAGE012A
（10），
公式（10）中，x i,1 表示基站BSi与参考基站BS1两者X轴坐标差，y i,1 表示基站BSi与参考基站BS1两者Y轴坐标差；
由公式（9）可得：
Figure DEST_PATH_IMAGE094
（11），
联合公式（8）和（11）可得
Figure DEST_PATH_IMAGE096
（12），
公式（12）中，d 1 为参考基站BS1和移动标签MS之间的距离，则有
Figure DEST_PATH_IMAGE004A
，进而可得：
Figure DEST_PATH_IMAGE098
（13），
将公式（12）减去公式（13）得到：
Figure DEST_PATH_IMAGE100
（14），
根据公式（7）和式（10），可将公式（14）化简为：
Figure DEST_PATH_IMAGE102
（15），
由此，实现通过引入中间变量z i 使步骤（3.1）求得的距离差d i,1 的方程线性化，得到线性化表达式如上述公式（15）。公式（15）中
Figure DEST_PATH_IMAGE014A
。
（3.3）、根据最小二乘法原理，将步骤（3.2）建立的线性化表达式矩阵化，得到如下公式：
Figure DEST_PATH_IMAGE016A
（16），
其中，
Figure DEST_PATH_IMAGE018A
，
Figure DEST_PATH_IMAGE020A
，
Figure DEST_PATH_IMAGE022A
，
Figure DEST_PATH_IMAGE024A
；
基于最小二乘法原理对矩阵H进行估计，得到矩阵H的估计值H LS 为：
Figure DEST_PATH_IMAGE026A
（17）；
（3.4）、引入加权矩阵W对步骤（3.3）得到的矩阵H的估计值进行加权处理，得到矩阵H加权后的估计值H WLS ，其中加权矩阵采用测量值即距离差误差的协方差矩阵。在最小二乘法的基础上引入一个权值矩阵进行加权处理，能够融合各基站的数据，使得对移到标签的定位变得更加精确。则矩阵H加权后的估计值H WLS 如下：
Figure DEST_PATH_IMAGE028A
（18）；
（3.5）、为了更精确的定位，需要采用卡尔曼滤波模型对步骤（3.4）得到的矩阵H加权后的估计值H WLS 进行进一步处理，以求解得到移动标签的位置，具体过程如下：
卡尔曼滤波模型使用状态空间模型描述系统。假设k时刻的真实状态x k 是从k-1时刻的状态x k-1 转换的结果，过程方程如下：
Figure DEST_PATH_IMAGE030A
（19），
公式（19）中，F k 是作用在状态x k-1 上的状态变迁矩阵，B k 是作用在控制器上的向量ｕ k 上的输入控制模型，ｗ k 是过程噪声，并假定过程噪声ｗ k 符合均值为0、协方差矩阵为Ｑ k 的多元正态分布；
在时刻k，真实状态x k 的一个测量数据z k 满足观测方程如下：
Figure DEST_PATH_IMAGE032A
（20），
公式（20）中，其中H k 是观测模型，观测模型H k 把真实状态空间映射成观测空间，ｖ k 是观测噪声，观测噪声ｖ k 均值为0、协方差为R k 且服从正态分布，测量数据z k 即为真实状态x k 的观测值；
建立卡尔曼滤波模型中的预测方程和更新方程，卡尔曼滤波模型在预测阶段使用上一状态的估计，做出对当前状态的估计；卡尔曼滤波模型在更新阶段，利用对当前状态的观测值优化在预测阶段获得的预测值，以获得一个更精确的新估计值。
其中预测方程为：
Figure DEST_PATH_IMAGE034A
（21），
Figure DEST_PATH_IMAGE036A
（22）；
更新方程为：
Figure DEST_PATH_IMAGE038A
（23），
Figure DEST_PATH_IMAGE040A
（24），
Figure DEST_PATH_IMAGE042A
（25），
Figure DEST_PATH_IMAGE044A
（26），
Figure DEST_PATH_IMAGE046A
（27）；
预测方程和更新方程中，
Figure DEST_PATH_IMAGE048A
为先验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE050A
为后验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE052A
表示k-1时刻先验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE054A
表示测量值与估计值的误差；K k 为卡尔曼增益或混合因数，K k 作用是使后验估计误差协方差最小；S k 用于计算K k 的临时变量，可直接合并到K k 公式中；
Figure DEST_PATH_IMAGE056A
是根据k-1时刻的信息对真实状态的预测值，
Figure DEST_PATH_IMAGE058A
表示经过校正后的k-1时刻真实状态的估计值，
Figure DEST_PATH_IMAGE060A
表示经过校正后的k时刻真实状态的估计值，I是二阶单位矩阵；
预测方程和更新方程中取状态变迁矩阵F k 为二阶单位矩阵，过程噪声ｗ k 和观测噪声ｖ k 均为均值为0，且相互独立，过程噪声ｗ k 、观测噪声ｖ k 的协方差矩阵分别为
Figure DEST_PATH_IMAGE062A
、
Figure DEST_PATH_IMAGE064A
，其中
Figure DEST_PATH_IMAGE066A
，
Figure DEST_PATH_IMAGE068A
；
由步骤（3.4）得到的估计值H WLS ，用估计值H WLS 作为卡尔曼滤波的测量值来进一步预测并校正移动标签的坐标，通过最小二乘算法得到的估计值H WLS 其实就是未知变量
Figure DEST_PATH_IMAGE070A
，在用卡尔曼滤波时，只取H WLS 中的[x,y]，即取对第n-1次的估计值
Figure DEST_PATH_IMAGE072A
，将其代入到预测方程
Figure DEST_PATH_IMAGE103
，则得到第n次估计值的一个预测值，然后依据卡尔曼滤波模型中的预测和更新的七个方程依次迭代求解，得出移动标签精确的坐标位置
Figure 313229DEST_PATH_IMAGE076
。
本发明融合定位算法便于计算机实现，本发明基于FMCW的定位算法相较UWB常规算法（TOA、TDOA、AOA），实现比较简单，不用精确的同步时钟，不会引入时间误差，通过频率差计算的距离更精确。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。

Claims (5)

1.基于调频连续波的多基站超宽带定位方法，其特征在于：包括以下步骤：
（1）、令移动标签向多基站超宽带定位系统发送调频连续波信号，多基站超宽带定位系统中由M个基站分别各自接收调频连续波信号，其中 M≥3；
（2）、根据M个基站中任意两个基站所接收的信号之间差频信号的频率f 0，计算得到移动标签到任意两个基站的距离差；
（3）、基于双曲线定位原理，并采用基于最小二乘法和卡尔曼滤波的融合算法来融合多个基站的信息，以得到定位标签的位置，具体过程如下：
（3.1）、在M个基站中以其中一个基站为参考基站，参考基站设为BS1，参考基站BS1的坐标为(x 1 ,y 1 )，其余基站设为BSi，i=2、3…M，基站BSi的位置坐标为(x i ,y i )；移动标签设为MS，移动标签MS的位置坐标为(x,y)；d i 为基站BSi和移动标签MS之间的距离，则有
Figure DEST_PATH_IMAGE001
；d 1 为参考基站BS1和移动标签MS之间的距离，则有
Figure DEST_PATH_IMAGE002
；
则移动标签MS到基站BSi、参考基站BS1的距离差d i,1 方程为：
Figure DEST_PATH_IMAGE003
，
其中移动标签MS到基站BSi、参考基站BS1的距离差d i,1 的具体数值可根据步骤（2）求得，对于M个基站除去参考基站后共得到M-1个距离差d i,1 的方程；
（3.2）、对于距离差d i,1 的方程，引入中间变量
Figure DEST_PATH_IMAGE004
，使步骤（3.1）求得的距离差d i,1 的方程线性化，得到线性化表达式如下：
Figure DEST_PATH_IMAGE005
；
上述公式中，x i , 1 表示基站BSi与参考基站BS1两者X轴坐标差，y i , 1 表示基站BSi与参考基站BS1两者Y轴坐标差，
Figure DEST_PATH_IMAGE006
；上述公式中
Figure DEST_PATH_IMAGE007
；
（3.3）、根据最小二乘法原理，将步骤（3.2）建立的线性化表达式矩阵化，得到如下公式：
Figure DEST_PATH_IMAGE008
，
其中，
Figure DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
；
基于最小二乘法原理对矩阵H进行估计，得到矩阵H的估计值H LS 为：
Figure DEST_PATH_IMAGE013
；
（3.4）、引入加权矩阵W对步骤（3.3）得到的矩阵H的估计值进行加权处理，得到矩阵H加权后的估计值H WLS ，其中加权矩阵采用测量值即距离差误差的协方差矩阵，则矩阵H加权后的估计值H WLS 如下：
Figure DEST_PATH_IMAGE014
；
（3.5）、采用卡尔曼滤波模型对步骤（3.4）得到的矩阵H加权后的估计值H WLS 进行进一步处理，以求解得到移动标签的位置，具体过程如下：
假设k时刻的真实状态x k 是从k-1时刻的状态x k-1 转换的结果，过程方程如下：
Figure DEST_PATH_IMAGE015
，
其中F k 是作用在状态x k-1 上的状态变迁矩阵，B k 是作用在控制器上的向量ｕ k 上的输入控制模型，ｗ k 是过程噪声，并假定过程噪声ｗ k 符合均值为0、协方差矩阵为Ｑ k 的多元正态分布；
在时刻k，真实状态x k 的一个测量数据z k 满足观测方程如下：
Figure DEST_PATH_IMAGE016
，
其中H k 是观测模型，观测模型H k 把真实状态空间映射成观测空间，ｖ k 是观测噪声，观测噪声ｖ k 均值为0、协方差为R k 且服从正态分布，测量数据z k 即为真实状态x k 的观测值；
建立卡尔曼滤波模型中的预测方程和更新方程，其中预测方程为：
Figure DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE018
；
更新方程为：
Figure DEST_PATH_IMAGE019
，
Figure DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
；
预测方程和更新方程中，
Figure DEST_PATH_IMAGE024
为先验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE025
为后验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE026
表示k-1时刻先验估计误差协方差矩阵；
Figure DEST_PATH_IMAGE027
表示测量值与估计值的误差；K k 为卡尔曼增益或混合因数，K k 作用是使后验估计误差协方差最小；S k 用于计算K k 的临时变量，可直接合并到K k 公式中；
Figure DEST_PATH_IMAGE028
是根据k-1时刻的信息对真实状态的预测值，
Figure DEST_PATH_IMAGE029
表示经过校正后的k-1时刻真实状态的估计值，
Figure DEST_PATH_IMAGE031
表示经过校正后的k时刻真实状态的估计值，I是二阶单位矩阵；
预测方程和更新方程中取状态变迁矩阵F k 为二阶单位矩阵，过程噪声ｗ k 和观测噪声ｖ k 均为均值为0，且相互独立，过程噪声ｗ k 、观测噪声ｖ k 的协方差矩阵分别为
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
，其中
Figure DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
；
由步骤（3.4）得到的估计值H WLS ，用估计值H WLS 作为卡尔曼滤波的测量值来进一步预测并校正移动标签的坐标，通过最小二乘算法得到的估计值H WLS 其实就是未知变量
Figure DEST_PATH_IMAGE036
，在用卡尔曼滤波时，只取H WLS 中的[x,y]，即取对第n-1次的估计值
Figure DEST_PATH_IMAGE037
，将其代入到预测方程
Figure DEST_PATH_IMAGE039
，则得到第n次估计值的一个预测值，然后依据卡尔曼滤波模型中的预测和更新的七个方程依次迭代求解，得出移动标签精确的坐标位置
Figure DEST_PATH_IMAGE041
。
2.根据权利要求1所述的基于调频连续波的多基站超宽带定位方法，其特征在于：步骤（1）中，移动标签向多基站超宽带定位系统发送的调频连续波信号选用三角波信号。
3.根据权利要求1所述的基于调频连续波的多基站超宽带定位方法，其特征在于：步骤（2）中，对M个基站中任意两个基站接收的信号首先进行混频处理，然后再过滤掉混频信号中的高频信号，即可得到这两个基站所接收的信号之间差频信号的频率f 0。
4.根据权利要求3所述的基于调频连续波的多基站超宽带定位方法，其特征在于：步骤（2）中，差频信号的频率f 0计算公式为：
Figure DEST_PATH_IMAGE042
，
上述公式中，T为调频连续波信号的周期，ΔF为调频带宽，τ为延迟时间，且有：
τ=d/c，
其中c为在自由空间的电磁波传播速度，d为移动标签到任意两个基站的距离差，因此可得到移动标签到任意两个基站的距离差d为：
Figure DEST_PATH_IMAGE043
。
5.根据权利要求1所述的基于调频连续波的多基站超宽带定位方法，其特征在于：步骤（3）的（3.5）中，卡尔曼滤波模型在预测阶段使用上一状态的估计，做出对当前状态的估计；卡尔曼滤波模型在更新阶段，利用对当前状态的观测值优化在预测阶段获得的预测值，以获得一个更精确的新估计值。
CN202010314494.6A 2020-04-21 2020-04-21 基于调频连续波的多基站超宽带定位方法 Active CN111212476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010314494.6A CN111212476B (zh) 2020-04-21 2020-04-21 基于调频连续波的多基站超宽带定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010314494.6A CN111212476B (zh) 2020-04-21 2020-04-21 基于调频连续波的多基站超宽带定位方法

Publications (2)

Publication Number Publication Date
CN111212476A CN111212476A (zh) 2020-05-29
CN111212476B true CN111212476B (zh) 2020-07-14

Family

ID=70788837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010314494.6A Active CN111212476B (zh) 2020-04-21 2020-04-21 基于调频连续波的多基站超宽带定位方法

Country Status (1)

Country Link
CN (1) CN111212476B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112394321B (zh) * 2021-01-21 2021-04-13 上海磐启微电子有限公司 一种基于蓝牙信号的多基站实时定位方法及系统
CN112887906B (zh) * 2021-02-01 2022-03-11 清华大学 一种无线网络联合定位方法及系统
CN112965029A (zh) * 2021-02-03 2021-06-15 桂林电子科技大学信息科技学院 无线高精度远距离室外定位系统
CN113514797B (zh) * 2021-07-09 2023-08-08 中国人民解放军战略支援部队信息工程大学 一种uwb基站的自动标定方法
CN113709662B (zh) * 2021-08-05 2023-12-01 北京理工大学重庆创新中心 一种基于超宽带的自主式三维反演定位方法
CN114268899B (zh) * 2021-12-21 2022-10-28 中国科学技术大学 一种音频室内定位系统基站自标定方法
CN114390431B (zh) * 2022-01-11 2024-04-26 上海则芯半导体科技有限公司 一种基于超宽带的两基站二维相对定位方法及装置
CN114585082B (zh) * 2022-03-11 2024-05-07 国网江苏省电力有限公司电力科学研究院 一种电力物联网设备的无线定位方法、装置及存储介质
CN117241224A (zh) * 2022-06-07 2023-12-15 中国电信股份有限公司 一种定位方法、设备及存储介质
CN116456460B (zh) * 2023-06-14 2023-09-01 河北师范大学 用于tdoa室内定位的滤波预处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133191A (zh) * 2014-08-22 2014-11-05 电子科技大学 基于调频连续波的室内定位装置及方法
CN104280716A (zh) * 2014-08-22 2015-01-14 电子科技大学 室内定位装置及方法
CN106483495A (zh) * 2016-09-09 2017-03-08 电子科技大学 一种室内运动标签定位和测速方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9400324B2 (en) * 2011-12-12 2016-07-26 Mitsubishi Electric Corporation Radar device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133191A (zh) * 2014-08-22 2014-11-05 电子科技大学 基于调频连续波的室内定位装置及方法
CN104280716A (zh) * 2014-08-22 2015-01-14 电子科技大学 室内定位装置及方法
CN106483495A (zh) * 2016-09-09 2017-03-08 电子科技大学 一种室内运动标签定位和测速方法

Also Published As

Publication number Publication date
CN111212476A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN111212476B (zh) 基于调频连续波的多基站超宽带定位方法
EP3186654B1 (en) Method and apparatus for real-time, mobile-based positioning according to sensor and radio frequency measurements
CN110174643B (zh) 一种无需噪声功率信息的基于到达时间差的定位方法
CN108414974B (zh) 一种基于测距误差矫正的室内定位方法
CN110187336B (zh) 一种基于分布式phd的多站雷达站址定位和联合跟踪方法
CN106900057B (zh) 一种基于测距的室内定位方法及系统
Chiou et al. Design of an adaptive positioning system based on WiFi radio signals
CN113532437A (zh) 基于多径利用的超宽带定位室内目标方法
Chiang et al. Hybrid unified Kalman tracking algorithms for heterogeneous wireless location systems
Yin et al. A novel distributed sensor fusion algorithm for RSSI-based location estimation using the unscented kalman filter
CN111007456A (zh) 能时域联合的鲁棒性非视距偏差消除定位方法
CN111487586A (zh) 基于分布式无源定位技术的定位精度提高方法
CN111624549A (zh) 非共视条件下无源滤波跟踪方法
Lee et al. Optimised solution for hybrid TDOA/AOA‐based geolocation using Nelder‐Mead simplex method
Li et al. Multiple unknown emitters direct tracking with distributed sensor arrays: Non-homogeneous data fusion and fast position update
Kelner et al. The empirical verification of the location method based on the Doppler effect
Kausar et al. A novel Kalman filter based trilateration approach for indoor localization problem
CN117289207B (zh) 一种适用于室内nlos环境的定位方法
Wen et al. High-Speed Train Positioning Using Improved Extended Kalman Filter With 5G NR Signals
Wahid et al. Mobile indoor localization based on rssi using kalman filter and trilateration technique
CN112966720B (zh) 一种基于blue的雷达与红外观测数据融合方法、系统
Ma et al. An Improved Two-Step Weighted Least Squares Aided UWB High-Precision Indoor Positioning System for Moving Targets
Ju et al. Research on High Precision Location Algorithm of NB Terminal Based on 5G/NB-IoT Cluster Node Information Fusion
CN111025333B (zh) 基于导航卫星信号短基线定姿的安装偏差标定与修正方法
Luo et al. A Direct Position Estimation Algorithm Based on Time-domain

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