CN111954158A - 基于rss地图的联合滤波室内单目标跟踪方法、装置及介质 - Google Patents

Abstract

本发明涉及一种基于RSS地图的联合滤波室内单目标跟踪方法、装置及介质的技术方案，包括：按照一定的方式设定和测量少量参考点位置处的RSSI信息，将参考点对应每个AP的RSSI信息由一个高斯过程的均值和方差代替，通过基于标准高斯过程的RSSI概率模型，以模型计算的方式获得全局所有参考点的RSSI指纹，生成RSS地图。在空间狭窄区域，使用无迹卡尔曼滤波算法进行目标跟踪，在空间开阔区域，使用粒子滤波算法进行跟踪。本发明的有益效果为：解决了大型室内场所RSSI指纹数据库生成困难、工作量大，避免了全局使用粒子滤波计算量过大导致跟踪率低下；同时解决了无迹卡尔曼滤波在目标做非线性运动时跟踪精度不高的问题。

Description

基于RSS地图的联合滤波室内单目标跟踪方法、装置及介质

技术领域

本发明涉及计算机领域，具体涉及了一种基于RSS地图的联合滤波室内单目标跟踪方法、装置及介质。

背景技术

伴随着室内定位技术和不同领域中目标跟踪技术的快速发展，室内目标跟踪技术也得到了发展。目标定位的结果对于实现目标跟踪是至关重要的，基于Wi-Fi的室内定位技术对周围环境的适应性强，传播距离可达百米量级，并且具有成本低、便于扩展、可自动更新数据等优势，被应用于更多的实际情形中和实现规模化。

基于Wi-Fi的室内定位方法主要有两种：

第一种方法采用“近邻法”来判断目标的位置，即距离那个热点最近，就认为目标是在什么位置。但Wi-Fi信号受周围环境影响较大，这种方法定位精度较低。

第二种方法通过采集并生成目标节点Wi-Fi信号的RSSI指纹，与指纹数据库中的指纹匹配来实现对目标位置的确定。但在一些大型室内场所，构建指纹数据库工作量巨大，成本较高。

常用的单目标跟踪算法有：卡尔曼滤波算法、无迹卡尔曼滤波算法和粒子滤波算法。标准卡尔曼滤波算法的局限性很明显，实际中的系统在大多数情况均为非线性，一个高斯分布经过非线性变换后的分布也通常难以描述，标准卡尔曼滤波在实际应用中通常并不能对目标节点的状态实现准确的估计。无迹卡尔曼滤波算法通过无迹变换的方法，来计算运动状态的均值和方差，无需将系统线性化，提高了算法在非线性系统中跟踪性能，但存在与标准卡尔曼滤波算法同样的局限性。粒子滤波算法是基于蒙特卡洛仿真的思想实现的，使用粒子集合来逼近和表示概率，这种方法不受非线性运动情况的影响。相比于以卡尔曼滤波为基础的跟踪算法，粒子滤波算法在非线性非高斯系统中的跟踪精度优势明显。但粒子滤波算法需要粒子的数量足够大，才能更准确的表示概率密度，导致算法的计算量过大，跟踪效率不高。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了基于RSS地图的联合滤波室内单目标跟踪方法、装置及介质，解决了大型室内场所RSSI指纹数据库生成困难、工作量大，避免了全局使用粒子滤波计算量过大导致跟踪率低下；同时解决了无迹卡尔曼滤波在目标做非线性运动时跟踪精度不高的问题。

本发明的技术方案包括基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，该方法包括：S100，采集单目标对应室内的Wi-Fi信号的RSS值，确定单目标的待定位区域参考点的RSSI指纹；S200，基于标准高斯过程计算所述RSSI指纹后验概率密度函数，构建RSS指纹数据库，生成RSS地图；S300，根据室内地形对所述RSS地图进行区域划分，得到一个或多个不同类型的划分区域，根据不同类型的所述划分区域执行对应的跟踪算法，对单目标行定位跟踪。

根据所述的基于RSS地图的联合滤波室内单目标跟踪方法，其中S100包括：在所述室内待定位区域设置多个参考点，所述室内待定位区域还具一个或多个AP热点，对所述待定位区域进行均匀随机采样，得到其中的一个或多个采样点，并在所述采样点位置处测得对应的AP热点的RSSI指纹信息，其中热点的信号为所述Wi-Fi信号，将所述采样点及RSSI指纹信息构建对应数据集。

根据所述的基于RSS地图的联合滤波室内单目标跟踪方法，其中参考点的设立采取将待定位区域划分网格的形式。

根据所述的基于RSS地图的联合滤波室内单目标跟踪方法，其中S100具体包括：通过RSS_l(p)＝PL_l(p)+e_l(p)+n_l(1)，采集单目标对应室内的Wi-Fi信号的RSS值，其中l＝1,...,L，式中RSS_l(p)表示在任何位置点p处接收到的来自第l个AP热点的RSSI信息，PL(p)表示第l个AP热点到位置p的确定性路径损耗函数，确定性路径损耗函数使用对数路径损耗模型，e_l(p)是与位置p相关的噪声项，n_l是均值为0，方差为

的高斯白噪声；

其中，式(1)中确定性路径损耗函数PL_l(p)遵循经验性路径损耗模型，如式(2)所示：

式(2)中A_l为在参考距离为d₀处测量的Wi-Fi信号发射功率，B_l为路径损耗指数，d_l(p)是位置为p_ap,l的第l个AP热点到参考点p的欧氏距离，d_l(p)由式(3)确定：

式(1)中与位置有关的噪声项e_l(p)通过零均值的高斯过程来表示，如式(4)所示，其中

表示高斯过程：

式(4)中的k_l(p,p')表示高斯过程的核函数，k_l(p,p')如式(5)所示：

表示模型的不确定性，

是特征长度尺度，表示两个位置之间的空间相关性；

将采样点和其对应RSSI指纹信息所制成的数据集D_l称之为训练数据，其中D_l如式(6)所示：

其中l＝1,...,L，p_lm表示与第l个AP对应的第m个采样点的坐标。

根据所述的基于RSS地图的联合滤波室内单目标跟踪方法，其中S200包括：根据所述训练数据D_l通过式(7)计算RSSI指纹的服从分布，

p(r_l(P_l),θ_l)～N(m_l(P_l),C_l(P_l,P_l)) (7)

其中，

进而，计算任意参考点p的RSSI后验概率密度：

式(13)中的均值和方差为：

计算出所有所述参考点对应每个AP热点的RSSI信息的后的概率指纹，后验概率指纹为：

得到所有参考点RSSI信息的后验概率之后，构建参考点的RSS概率指纹数据库，生成室内RSS地图。

根据所述的基于RSS地图的联合滤波室内单目标跟踪方法，其中S300包括：根据单目标所处的室内空间，在空间较为狭窄，单目标只能做近似为直线运动的区域，使用结合定位算法结果的改进无迹卡尔曼滤波算法进行目标跟踪；在空间较为宽阔，单目标的运动情形较为复杂的区域，目标的状态服从非线性非高斯分布，使用结合定位算法的改进粒子滤波算法进行跟踪。

根据所述的基于RSS地图的联合滤波室内单目标跟踪方法，其中结合定位算法结果的改进无迹卡尔曼滤波算法进行目标跟踪包括：在待跟踪目标的估计位置的附近区域选出多个sigma点，其中sigma点的数量与状态向量的维度有关；通过用sigma点构造的高斯密度函数去近似目标状态的概率密度函数，估计目标当前时刻的状态，进而在非线性系统中对单目标进行跟踪，具体地：设置非线性系统的系统方程为：X_t＝f(X_t-1,W_t)(17)，Z_t＝h(X_t,E_t)(18)其中(17)表示状态方程，(18)表示观测方程，X_t为状态向量，W_t为过程噪声，Z_t为观测向量，E_t为观测噪声，过程噪声与观测噪声均为相互独立的零均值加性高斯白噪声，其协方差矩阵分别用Q和R来表示，状态向量的维度是n，均值为X，方差为P；

sigma点的数量为2n-1，表示为：

式中

表示方差P的第i列，

sigma点对应的权值计算方法如下：

式中m为均值，c为协方差，λ为缩放比例，用来降低预测误差，并且λ＝α²(n+k)-n，k为待选参数，α与sigma点的分布相关，β为非负的权值系数；

预测阶段在构造完sigma点后，通过状态转移函数将其映射为新的sigma点集，得到sigma点的预测为：

计算得到目标状态和协方差的预测分别为：

使用定位算法产生的估计位置作为观测值，并利用观测值直接产生sigma点，更新阶段sigma点的产生方法为：

其中Z^WiFi＝(x^WiFi,y^WiFi)表示t时刻室内定位算法的定位结果，

通过观测函数映射，得到sigma点集的预测为：

加权之后，可以得到观测向量的估计值和协方差分别为：

根据观测向量的估计值和协方差计算卡尔曼增益为

(29)

进一步得到状态更新方程：

根据所述的基于RSS地图的联合滤波室内单目标跟踪方法，其中结合定位算法的改进粒子滤波算法进行跟踪包括：设置目标的状态的先验概率分布是p(X₀)，目标在t时刻的状态X_t的后验概率为p(X_0:t|Z_1:t)，其中X_0:t为0到t时刻的状态，用

来表示粒子集，粒子的权值是

则t时刻目标的后验概率为：

利用一个已知分布的重要性函数q(X_0:t|Z_1:t)，并从中采样得到粒子，则粒子的权值：

粒子的权值代表了粒子的可信任程度，执行归一化处理：

将重要性分布q(X_0:t|Z_1:t)分解得到：

q(X_0:t|Z_1:t)＝q(X_t|X_0:t-1,Z_1:t)q(X_0:t-1|Z_1:t-1) (36)

对重要性分布q(X_t|X_0:t-1,Z_1:t)采样得到的点集合

与前t-1个时刻的粒子集

组成新的粒子集

设置目标状态的变化服从一阶马尔科夫过程，后验概率分布p(X_0:t|Z_1:t)可以表示为：

使用定位算法的定位结果作为观测值并用其来实现对时刻粒子权值的更新，权值的计算方法为：

权值归一化之后，得到目标状态的更新：

其中

分别为t时刻第i个粒子的坐标，σ_x ²和σ_y ²为x、y方向的粒子方差。

本发明的技术方案还包括一种基于RSS地图的联合滤波室内单目标跟踪装置，该装置包括采集器、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述采集器用于采集单目标对应室内的Wi-Fi信号的RSS值，所述处理器执行所述计算机程序时实现任一所述的方法步骤。

本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一所述的方法步骤。

本发明的有益效果为：解决了大型室内场所RSSI指纹数据库生成困难、工作量大，避免了全局使用粒子滤波计算量过大导致跟踪率低下；同时解决了无迹卡尔曼滤波在目标做非线性运动时跟踪精度不高的问题。

附图说明

下面结合附图和实施例对本发明进一步地说明；

图1为根据本发明实施方式的单目标跟踪方法流程图；

图2为根据本发明实施方式的三种跟踪方法的跟踪路线对比图；

图3所示为根据本发明实施方式的总体流程图；

图4所示为根据本发明实施方式的装置示意图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。

图1为根据本发明实施方式的单目标跟踪方法流程图，包括以下步骤：

在室内无线环境下Wi-Fi信号的RSS模型表示为式(1)的形式：

RSS_l(p)＝PL_l(p)+e_l(p)+n_l l＝1,...,L (3)

式中RSS_l(p)表示在任何位置点p处接收到的来自第l个AP热点的RSSI信息；PL(p)表示第l个AP热点到位置p的确定性路径损耗函数，使用对数路径损耗模型。e_l(p)是与位置p相关的噪声项，n_l是均值为0，方差为

的高斯白噪声。式(1)中确定性路径损耗函数PL_l(p)遵循经验性路径损耗模型，如式(2)所示：

式中A_l为在参考距离为d₀处测量的Wi-Fi信号发射功率，B_l为路径损耗指数，d_l(p)是位置为p_ap,l的第l个AP热点到参考点p的欧氏距离，由式(3)确定：

式(1)中与位置有关的噪声项e_l(p)用一个零均值的高斯过程来表示，如式(4)所示，其中

表示高斯过程：

式(4)中的k_l(p,p')表示高斯过程的核函数，即协方差函数，核函数可以是任何合适的形式。核函数的选择会影响高斯过程模型在室内定位算法中的性能，这里选择平方指数函数作为核函数，其形式如式(5)所示：

式中

表示模型的不确定性，

是特征长度尺度，表示两个位置之间的空间相关性。但是在通常情况下，以上公式中的

是未知的，因此不能直接通过式(1)计算得到位置点的RSSI信息。在待定位区域中，参考点的设立采取将待定位区域划分网格的形式，保证参考点的分布均匀，且易于统计。为了能够计算任意参考点的指纹，采用以下方法：在待定位区域中有L个AP热点，对已经设置好的参考点进行均匀随机采样，得到其中的M个参考点，称之为采样点，并在采样点位置处测得其对应第l个AP的RSSI信息，记做：

由采样点和其对应RSSI指纹信息所制成的数据集D_l称之为训练数据。式(6)中p_lm表示与第l个AP对应的第m个采样点的坐标。式(6)中的RSSI服从分布：

p(r_l(P_l),θ_l)～N(m_l(P_l),C_l(P_l,P_l)) (9)

上式中的符号定义如下：

计算任意参考点p的RSSI后验概率密度：

式(13)中的均值和方差为：

计算出所有参考点对应每个AP热点的RSSI信息的后验概率分布，称之为参考点所对应的概率指纹，后验概率指纹为：

得到所有参考点RSSI信息的后验概率之后，构建参考点的RSS概率指纹数据库，生成室内RSS地图，根据地形信息对各区域进行跟踪算法的规划：在空间较为狭窄，目标只能做近似为直线运动的区域，使用结合定位算法结果的改进无迹卡尔曼滤波算法进行目标跟踪；在空间较为宽阔，物体的运动情形较为复杂的区域，目标的状态服从非线性非高斯分布，使用结合定位算法的改进粒子滤波算法进行跟踪。

标准无迹卡尔曼滤波算法，首先在待跟踪目标的估计位置的附近区域选出一些sigma点，sigma点的数量与状态向量的维度有关。之后通过用sigma点构造的高斯密度函数去近似目标状态的概率密度函数，来估计目标当前时刻的状态，进而在非线性系统中对单目标进行跟踪。

假设非线性系统的系统方程为：

X_t＝f(X_t-1,W_t) (19)

Z_t＝h(X_t,E_t) (20)

其中(17)表示状态方程，(18)表示观测方程。X_t为状态向量，W_t为过程噪声，Z_t为观测向量，E_t为观测噪声。过程噪声与观测噪声均为相互独立的零均值加性高斯白噪声，其协方差矩阵分别用Q和R来表示。已知状态向量的维度是n，均值为X，方差为P。

sigma点的数量为2n-1，表示为：

式中

表示方差P的第i列。

sigma点对应的权值计算方法如下：

式中m为均值，c为协方差，λ为缩放比例，用来降低预测误差，并且λ＝α²(n+k)-n，k为待选参数，用来保证(n+λ)P是半正定的矩阵，α与sigma点的分布相关，β为非负的权值系数。

预测阶段在构造完sigma点后，通过状态转移函数将其映射为新的sigma点集，得到sigma点的预测为：

之后计算得到目标状态和协方差的预测分别为：

使用定位算法产生的估计位置作为观测值，并利用观测值直接产生sigma点，更新阶段sigma点的产生方法为：

其中Z^WiFi＝(x^WiFi,y^WiFi)表示t时刻室内定位算法的定位结果。

之后通过观测函数映射，得到sigma点集的预测为：

加权之后，可以得到观测向量的估计值和协方差分别为：

卡尔曼增益：

进一步得到状态更新方程：

改进的粒子滤波：假设目标的状态的先验概率分布是p(X₀)，目标在t时刻的状态X_t的后验概率为p(X_0:t|Z_1:t)，其中X_0:t为0到t时刻的状态。用

来表示粒子集，粒子的权值是

则t时刻目标的后验概率为：

利用一个已知分布的重要性函数q(X_0:t|Z_1:t)，并从中采样得到粒子，则粒子的权值：

粒子的权值代表了粒子的可信任程度，在归一化之后：

将重要性分布q(X_0:t|Z_1:t)分解得到：

q(X_0:t|Z_1:t)＝q(X_t|X_0:t-1,Z_1:t)q(X_0:t-1|Z_1:t-1) (38)

对重要性分布q(X_t|X_0:t-1,Z_1:t)采样得到的点集合

与前t-1个时刻的粒子集

组成新的粒子集

假设目标状态的变化服从一阶马尔科夫过程，后验概率分布p(X_0:t|Z_1:t)可以表示为：

使用定位算法的定位结果作为观测值并用其来实现对时刻粒子权值的更新，权值的计算方法为：

权值归一化之后，得到目标状态的更新：

其中

分别为t时刻第i个粒子的坐标，σ_x ²和σ_y ²为x、y方向的粒子方差。

本发明的实施例采用高斯过程生成RSS地图，在狭窄区域采用改进的无迹卡尔曼滤波算法，在广阔区域采用改进的粒子滤波算法对单个运动目标进行跟踪，解决了大型室内场所RSSI指纹数据库生成困难、工作量大，避免了全局使用粒子滤波计算量过大导致跟踪率低下；同时解决了无迹卡尔曼滤波在目标做非线性运动时跟踪精度不高的问题。

图2为根据本发明实施方式的三种跟踪方法的跟踪路线对比图，图2中Real Track表示真实轨迹跟踪，Federated Filter Tracking表示联合过滤器跟踪，UKF Tracking表示联合过滤跟踪，PF Tracking表示粒子滤波跟踪，图2表示仿真结果，采用基于RSS地图的联合滤波室内单目标跟踪算法的跟踪精度，要优于无迹卡尔曼滤波跟踪算法和粒子滤波跟踪算法。

图3所示为根据本发明实施方式的总体流程图，其流程包括：S100，采集单目标对应室内的Wi-Fi信号的RSS值，确定单目标的待定位区域参考点的RSSI指纹；S200，基于标准高斯过程计算RSSI指纹后验概率密度函数，构建RSS指纹数据库，生成RSS地图；S300，根据室内地形对RSS地图进行区域划分，得到一个或多个不同类型的划分区域，根据不同类型的划分区域执行对应的跟踪算法，对单目标行定位跟踪。

图4所示为根据本发明实施方式的装置示意图。如图4所示的存储器100、处理器200及采集器300，采集器用于采集单目标对应室内的Wi-Fi信号的RSS值，存储器100用于存储采集器300及程序运行时数据，处理器用于执行如图1所示的流程。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，该方法包括：

S100，采集单目标对应室内的Wi-Fi信号的RSS值，确定单目标的待定位区域参考点的RSSI指纹；

S200，基于标准高斯过程计算所述RSSI指纹后验概率密度函数，构建RSS指纹数据库，生成RSS地图；

S300，根据室内地形对所述RSS地图进行区域划分，得到一个或多个不同类型的划分区域，根据不同类型的所述划分区域执行对应的跟踪算法，对单目标行定位跟踪。

2.根据权利要求1所述的基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，所述S100包括：

在所述室内待定位区域设置多个参考点，所述室内待定位区域还具一个或多个AP热点，对所述待定位区域进行均匀随机采样，得到其中的一个或多个采样点，并在所述采样点位置处测得对应的AP热点的RSSI指纹信息，其中热点的信号为所述Wi-Fi信号，将所述采样点及RSSI指纹信息构建对应数据集。

3.根据权利要求2所述的基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，所述参考点的设立采取将待定位区域划分网格的形式。

4.根据权利要求2所述的基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，所述S100具体包括：

通过RSS_l(p)＝PL_l(p)+e_l(p)+n_l (1)，采集单目标对应室内的Wi-Fi信号的RSS值，其中l＝1,...,L，式中RSS_l(p)表示在任何位置点p处接收到的来自第l个AP热点的RSSI信息，PL(p)表示第l个AP热点到位置p的确定性路径损耗函数，确定性路径损耗函数使用对数路径损耗模型，e_l(p)是与位置p相关的噪声项，n_l是均值为0，方差为

的高斯白噪声；

其中，式(1)中确定性路径损耗函数PL_l(p)遵循经验性路径损耗模型，如式(2)所示：

式(2)中A_l为在参考距离为d₀处测量的Wi-Fi信号发射功率，B_l为路径损耗指数，d_l(p)是位置为p_ap,l的第l个AP热点到参考点p的欧氏距离，d_l(p)由式(3)确定：

式(1)中与位置有关的噪声项e_l(p)通过零均值的高斯过程来表示，如式(4)所示，其中

表示高斯过程：

式(4)中的k_l(p,p')表示高斯过程的核函数，k_l(p,p')如式(5)所示：

表示模型的不确定性，

是特征长度尺度，表示两个位置之间的空间相关性；

将采样点和其对应RSSI指纹信息所制成的数据集D_l称之为训练数据，其中D_l如式(6)所示：

其中l＝1,...,L，p_lm表示与第l个AP对应的第m个采样点的坐标。

5.根据权利要求2所述的基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，所述S200包括：

根据所述训练数据D_l通过式(7)计算RSSI指纹的服从分布，

p(r_l(P_l),θ_l)～N(m_l(P_l),C_l(P_l,P_l)) (7)

其中，

进而，计算任意参考点p的RSSI后验概率密度：

式(13)中的均值和方差为：

计算出所有所述参考点对应每个AP热点的RSSI信息的后的概率指纹，后验概率指纹为：

得到所有参考点RSSI信息的后验概率之后，构建参考点的RSS概率指纹数据库，生成室内RSS地图。

6.根据权利要求1所述的基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，所述S300包括：

根据单目标所处的室内空间，在空间较为狭窄，单目标只能做近似为直线运动的区域，使用结合定位算法结果的改进无迹卡尔曼滤波算法进行目标跟踪；

在空间较为宽阔，单目标的运动情形较为复杂的区域，目标的状态服从非线性非高斯分布，使用结合定位算法的改进粒子滤波算法进行跟踪。

7.根据权利要求5或6所述的基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，所述结合定位算法结果的改进无迹卡尔曼滤波算法进行目标跟踪包括：

在待跟踪目标的估计位置的附近区域选出多个sigma点，其中sigma点的数量与状态向量的维度有关；

通过用sigma点构造的高斯密度函数去近似目标状态的概率密度函数，估计目标当前时刻的状态，进而在非线性系统中对单目标进行跟踪，具体地：

设置非线性系统的系统方程为：X_t＝f(X_t-1,W_t)(17)，Z_t＝h(X_t,E_t) (18)其中(17)表示状态方程，(18)表示观测方程，X_t为状态向量，W_t为过程噪声，Z_t为观测向量，E_t为观测噪声，过程噪声与观测噪声均为相互独立的零均值加性高斯白噪声，其协方差矩阵分别用Q和R来表示，状态向量的维度是n，均值为

方差为P；

sigma点的数量为2n-1，表示为：

式中

表示方差P的第i列，

sigma点对应的权值计算方法如下：

式中m为均值，c为协方差，λ为缩放比例，用来降低预测误差，并且λ＝α²(n+k)-n，k为待选参数，α与sigma点的分布相关，β为非负的权值系数；

预测阶段在构造完sigma点后，通过状态转移函数将其映射为新的sigma点集，得到sigma点的预测为：

计算得到目标状态和协方差的预测分别为：

使用定位算法产生的估计位置作为观测值，并利用观测值直接产生sigma点，更新阶段sigma点的产生方法为：

其中Z^WiFi＝(x^WiFi,y^WiFi)表示t时刻室内定位算法的定位结果，

通过观测函数映射，得到sigma点集的预测为：

加权之后，可以得到观测向量的估计值和协方差分别为：

根据观测向量的估计值和协方差计算卡尔曼增益为

进一步得到状态更新方程：

8.根据权利要求5或6所述的基于RSS地图的联合滤波室内单目标跟踪方法，其特征在于，所述结合定位算法的改进粒子滤波算法进行跟踪包括：

设置目标的状态的先验概率分布是p(X₀)，目标在t时刻的状态X_t的后验概率为p(X_0:t|Z_1:t)，其中X_0:t为0到t时刻的状态，用

来表示粒子集，粒子的权值是

则t时刻目标的后验概率为：

利用一个已知分布的重要性函数q(X_0:t|Z_1:t)，并从中采样得到粒子，则粒子的权值：

粒子的权值代表了粒子的可信任程度，执行归一化处理：

将重要性分布q(X_0:t|Z_1:t)分解得到：

q(X_0:t|Z_1:t)＝q(X_t|X_0:t-1,Z_1:t)q(X_0:t-1|Z_1:t-1) (36)

对重要性分布q(X_t|X_0:t-1,Z_1:t)采样得到的点集合

与前t-1个时刻的粒子集

组成新的粒子集

设置目标状态的变化服从一阶马尔科夫过程，后验概率分布p(X_0:t|Z_1:t)可以表示为：

使用定位算法的定位结果作为观测值并用其来实现对时刻粒子权值的更新，权值的计算方法为：

权值归一化之后，得到目标状态的更新：

其中

分别为t时刻第i个粒子的坐标，σ_x ²和σ_y ²为x、y方向的粒子方差。

9.一种基于RSS地图的联合滤波室内单目标跟踪装置，该装置包括采集器、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述采集器用于采集单目标对应室内的Wi-Fi信号的RSS值，所述处理器执行所述计算机程序时实现权利要求1-8任一所述的方法步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一所述的方法步骤。

Images