CN112073895A - 一种基于csi高精度人员定位跟踪方法 - Google Patents

Abstract

本发明提出了一种基于CSI高精度人员定位跟踪方法。首先在定位区域中部署多个无线接入点(Access Point，AP)，计算每个AP的位置坐标和布局图；配置局域网，AP接收数据并提取出信道状态信息(Channel Status Information，CSI)；接着利用天线之间电磁波耦合原理重构角度估计算法MUSIC(Multiple Signal Classification Algorithm，多重信号分类)模型，并利用重构后的MUSIC模型对CSI进行空间谱运算得到信号到达角(Angle of Arrival,AOA)；得到各个AP上的目标信号AOA之后，用卡尔曼滤波和平滑技术对AOA进行滤波和平滑处理。将各个AP上经过处理的目标信号AOA代入到最小二乘算法，结合AP本身的位置坐标，得到定位目标在定位区域中的位置。本发明工程可实现性强，定位精度高，适用于像室内多站、人员运动等多种定位场景。

Description

一种基于CSI高精度人员定位跟踪方法

技术领域

本发明涉及无线定位技术领域，特别涉及一种基于CSI高精度人员定位跟踪方法。

背景技术

随着互联网技术和智慧城市的建设和发展，人们对位置服务的需求逐步提高。用户对定位系统的实时性、准确性以及可靠性提出了愈来愈高的要求。目前，我国北斗定位与导航系统及美国GPS定位系统等全球定位系统已经延伸到生活的各个角落。而人们工作生活的大部分时间都在室内，对室内定位与导航系统的需求变得日益强烈，且对其用户体验、应用场景和安装部署成本都提出了更加苛刻的要求。然而，目前商用的定位与导航技术和系统大多运行于室外环境中，由于定位技术的限制，这些定位系统往往不能较好地应用于室内定位环境中。因此，用较低的定位成本提供高精度的室内定位信息，满足消费者对室内定位日益增长的需求已成为研究热点。室内定位技术在人员定位追踪、资产管理、安防救援和商品零售等领域有着广泛的应用前景。

20世纪末IEEE协会拟定了WLAN国际标准，之后WLAN由于社会生产和生活发展的需要得到了广泛应用，基于WLAN的室内定位系统也在此时应运而生。美国微软研究院于2000年提出了基于WLAN指纹定位的RADAR室内定位系统，这也是全球第一个基于指纹的WLAN室内定位系统，此后WLAN室内定位技术随着WLAN基础设施的广泛部署逐渐成为新兴的研究热点。就目前而言，当前存在的WLAN室内定位系统还有很多问题有待完善，但是该技术以其巨大的市场应用前景成为目前各学术机构的重点研究方向。根据WLAN室内技术的基本原理和方法，其核心思想与室外定位技术类似，因此WLAN室内定位系统中定位观测量主要分为到达时间(Time of Arrival,TOA)或者到达时间差(Time Difference of Arrival,TDOA)，到达角度(Angle of Arrival,AOA)，以及信号接收强度 (ReceivedSignal Strength,RSS)等。基于此，经典的WLAN室内定位算法主要可以分为 TOA/TDOA室内定位算法，AOA室内定位算法，以及RSS室内定位算法。

目前，到达时间定位法主要分为TOA以及TDOA，但本质都是定位信号在时间维度上的特征表现，都是将接收信号的时间差作为定位参数实现定位。近年来，国际上最具代表性的学术研究机构有美国伍斯特理工学院、美国空军技术学院、英国萨里大学、澳大利亚国立大学、南洋理工大学。而在国内，也有众多高校和研究所从事相关技术的研究与开发，如北京理工大学、国防科技大学、北京邮电大学、中国科学研究院、电子科技大学等。美国伍斯特理工学院首次将用于天线阵列测量信号到达方向的多径信号分类算法MUSIC来测量波达信号的到达时间。美国空军技术学院利用波达信号的TOA/TDOA参数进行室内定位，其主要原理是利用波达信号的循环前缀进行相关峰值检测获得TOA值，根据多个用户得到的 TOA值计算TDOA进行定位。澳大利亚国立大学提出了一种复杂可视/非可视环境下的TOA 定位算法，该算法使用一种基于距离偏差的模型来推导TOA估计量，提高了复杂环境下的定位精度。国防科技大学分析了TOA定位中由于用户移动造成提取脉冲重复周期难度增大的问题，提出一种基于补偿延迟的算法，所提出的算法可以有效地降低模型匹配带来的估计误差。基于到达时间的定位系统，其室内定位平均精度可以达到4-6米左右，定位精度低且系统对于硬件设备的要求较高。因此，基于到达时间的定位系统在定位可用性方面受到了限制。AOA室内定位技术主要采用多天线阵列设备对波达信号的AOA值进行测量，将接收到的到达角作为定位观测量来实现定位，具有无需建库、定位精度高等特性。目前，国际上最具代表性的AOA定位系统有麻省理工学院的Ubicarse系统、瑞典皇家工学院的 DirectionFinding系统和斯坦福大学的SpotFi系统。近几年新加坡南洋理工大学，美国斯坦福大学等在AOA信号特征研究方面的重大突破，使得AOA室内定位系统成为目前最有希望突破亚米级定位精度的室内定位系统。最近，新加坡南洋理工大学利用超宽带天线阵列技术实现了无线信号到达角度的精确估计，从而提出了一种基于室内成对到达角度的锚节点协同定位算法，推导并分析了基于AOA协同定位精度限，在仿真环境下，其平均定位精度在1 米左右。美国麻省理工学院提出了Ubicarse系统，在WLAN环境下采用合成孔径雷达的设计思路，通过旋转接收端天线模拟大天线阵列实现接收角度估计。上海交通大学通过递归更新的克拉美下限，考虑天线元件间相互耦合对接收AOA值估计性能的影响，提出了一种统一频域的波束成形AOA自适应估计算法，适用于大型宽带混合阵列。虽然AOA室内定位技术建库时间短，定位精度可达亚米级，但是AOA定位技术不但需要复杂的硬件设备，而且该方法容易受到非视距传播、多径效应和人为干扰的影响，因此在复杂的室内环境下该方法稳定性和鲁棒性较低。

RSS室内定位技术是利用不同参考点位置处的信号强度特性来实现定位，该方法无需增加额外设备，因此具有较高的可行性和移植性。目前，国际上最具代表性的RSS定位系统有微软研究院的RADAR系统和马里兰大学的Horus系统。而在国内，也有众多高校和研究所开展了关于RSS定位系统的研究，较为典型的有北京航空航天大学、香港科技大学、中科院、北京邮电大学、武汉大学、哈尔滨工业大学、北京大学、上海交通大学等。近年来越来越多的研究者开始关注RSS定位技术的研究与推广。北京航空航天大学提出的Weyes 系统采用RSS值作为定位观测量，与RADAR系统和Horus系统不同的是，Weyes系统将经过差值算法处理后的RSS差值序列作为Weyes系统数据库的匹配模板，该方法可以很好地去除RSS采样时不同采样设备带来的误差。新加坡国立大学于2016年提出了一种新颖的室内定位匹配算法，该算法主要关注实际室内环境下WLAN指纹定位极小无偏方差的理论分析，该算法不但可以有效地降低定位误差，而且可以减少WLAN指纹定位方法中离线阶段的人力开销。坦佩雷理工大学分析了信号覆盖不均匀和信号测量不准确对定位性能的影响，建立与实际情况相似的非均匀信号覆盖模型，非准确信号测量模型以及误差分布模型。实验结果表明信号覆盖不均匀对定位性能的影响远远小于信号测量不准确带来的影响。可见， RSS室内定位方法的定位原理是接收RSS值随着用户与接入点(Access Point，AP)的距离和方向变化而变化，也正是这种信号特性才能区分目标区域内不同用户的位置。然而，由于室内环境中存在人体和障碍物的遮挡，环境噪声，信道干扰以及多径效应等问题，使得RSS 室内定位方法的定位精度在2-5米左右，很难突破亚米级定位精度。

发明内容

基于上述现有室内定位的缺陷和不足，本发明提供了一种基于CSI高精度人员定位跟踪方法。相比于传统的定位技术，本发明不需要耗费大量人力和时间构建指纹数据库。此外，本发明计算量较小，使用商业设备易于实现，定位精度高，耗时短，能有效解决室内人员的定位跟踪问题。

本发明所采用的技术方案为：一种基于CSI高精度人员定位跟踪方法，具体包括以下步骤：

1)在目标所在的定位区域中布置多个接入点(Access Point，AP)，并且建立坐标系，获取定位区域中所有AP的坐标和布局图；

2)对区域中所有的多天线AP进行设备网卡的多通道初始相位校正，避免由于设备天线长度和网卡的射频通道硬件误差造成的定位结果误差；

3)配置局域网，目标在定位区域内移动的过程中发射WiFi数据，AP接收数据并提取出信道状态信息(Channel Status Information，CSI)；

4)将所述步骤3)得到的CSI，利用天线之间电磁波耦合原理重构角度估计算法MUSIC (Multiple Signal Classification Algorithm，多重信号分类)模型，进行空间谱运算得到目标信号相对于AP的AOA，同时消除由于天线耦合造成的相位误差。最终计算出目标源发射信号相对于区域中所有AP的AOA；

5)利用卡尔曼滤波和平滑技术对所述步骤4)得到的目标信号AOA进行滤波和平滑处理，减少由于遮挡和多径造成的角度估计误差；

6)将所述步骤5)所得的所有AP上测得的目标信号AOA代入最小二乘算法中，通过已知AP的位置坐标和角度信息，对目标进行定位跟踪。

所述步骤4)中包含通过最大似然估计法重构包含天线耦合的MUSIC算法和构建室内 S-V信道模型来测试重构MUSIC算法的精确性，具体包括：

在室内环境下，WiFi信号通过直射径和许多反射径在收发设备之间传输。假设有L条路径，α_k和θ_k分别代表第k条路径的衰减和到达角。当第k条路径到达N天线阵列时，对于窄带信号来说，不同天线间的幅度衰减基本是相同的，但是相位由于AOA和天线位置分布的关系变化比较显著。因此，将第一根天线作参考，不同天线引起的相位偏移可用阵列流型矢量来表示：

s(θ_k)＝[1,a(θ_k),…a(θ_k)^M-1]^T (1)

其中

d和λ分别是两个天线之间间隔和波长。然后，将这些阵列流型与所有的路径结合，可得到阵列流型矩阵，如下所示：

S＝[s(θ₁),s(θ₂),…s(θ_K)] (2)

由超分辨原理可得天线阵列的接收信号矢量为：

y＝Sα+n (3)

其中a＝[α₁,α₂,…α_K]^T，n代表高斯噪声。为了得到所有路径的AOA，可以用超分辨算法MUSIC，来解算众多天线接收的CSI。但是在实际测试中，由于设备天线之间电流回路产生的电磁场影响，在多天线设备上每根天线提取出的CSI会受到相邻天线的影响，导致在提取出多天线之间CSI的相对相位差时产生额外的误差。为此需要对MUSIC算法进行重构，将天线耦合的影响考虑进去。

假设在平面上的N天线阵列，有q<N个窄带信号源从不同的角度到达天线阵列，可得Θ＝[θ₁...θ_q]，在L个快拍采样后，考虑到天线之间耦合的影响，得到重构后的MUSIC表达式：

其中

是接收信号矩阵，第l个时间快拍采样x(t_l)是X的第l列。矩阵

是信号源矩阵，与X相似，S的第l列是第l个传播信号。此外，阵列流型矩阵

包含 q个阵列流型矢量，例如

其中

是一个传播信号从角度θ_i入射到天线阵列得到的阵列流型矢量，包含了天线共耦的影响。

重构MUSIC模型的目的是在已知接收信号

耦合参数p和信号源个数q，并且在天线间耦合存在的情况下，估计出信号到达天线阵列的角度。而在均匀线性阵列下，如果不考虑天线耦合的影响，由于天线之间的间隔造成的阵列流型矩阵为：

a(θ)＝[1,z_θ,...z_θ ^N-1]^T (5)

其中

d代表天线之间间距，λ代表信号波长。由于天线之间的耦合影响，阵列流型矩阵可重构为：

其中

是一个带状对称Toeplitz矩阵，表示如下：

由上式可知，矩阵Γ_p(m)与AOA无关。由公式(6)和(7)可知，当天线以间隔为p进行排列放置时，天线之间不会受到耦合的影响。也就是说，对于所有i≥p，有m_i＝0。这是因为天线之间的相互耦合与距离成反比的关系。

对于公式(4)，有如下条件：

A:

是列满秩矩阵。

B:信号源的个数q是已知的

C:噪声矢量n(t_l)是高斯白噪声，均值为0，协方差为σ²I，与信号相互独立。

由条件C可知，所有的信号快拍采样点

是相互独立的，有

为了简化符号，可将所有的信号参数和噪声参数都写在同一个矢量里面，如下所示：

Ω＝[Θ^T,m^T,vec(S),σ²]^T (9)

由此可得到基于未知信号和噪声参数Ω条件下所有快拍采样点X的联合条件概率分布函数：

信号和噪声的确定性最大似然估计，也就是

可由如下准则得到：

最后，可得

如下所示：

其中

如下：

而

代表采样点的简单协方差矩阵：

通过求解公式(15)，可以得到

的值，即可得到信号入射到天线阵列的到达角。将其代入到公式(10)和(11)中，分别得到噪声方差和信号矩阵的最大似然估计，利用最大似然交替投影迭代法对

进行估计，最终得到入射信号相对于天线阵列的到达角。

事实上，在室内环境中反射径相较于直射径而言，由于要经历额外的传播路径和反射物，会经历更多的衰减。因此，通过超分辨MUSIC算法来估计多径信号的AOA时，强度较弱的反射信号由于严重的衰减，可以被忽略掉。就室内S-V信道模型而言，有如下形式：

其中β_r,m，τ_r,m和θ_r,m分别代表第m条路径聚类中的第r路信号的幅度、飞行时间和相位。T_m是第m个聚类中第一路信号的飞行时间。两个相邻信号路径聚类的TOF和同一信号路径聚类中两个相邻信号遵循以下分布：

其中同一聚类中的第一路信号的TOF和其他路信号的TOF分别服从γ和λ的泊松分布。用此信道模型生成多径信号然后对重构后的MUSIC模型进行测试来探讨AOA估计精度。因为室内信道模型可以很好的描述多径传播特性，能够说明反射信号对直射径AOA估计造成的影响，进而减少空间谱计算的所用时间消耗。

所述步骤5)中使用卡尔曼滤波和卡尔曼平滑技术对，具体包括：

5a)在802.11n标准中CSI是无线信道度量值，对于一个Intel 5300网卡来说，三天线的30个子载波的CSI可写成如下形式：

其中csi_i,j代表第i根天线上的第j个子载波，并且它包含了衰减的幅度和相位信息。CSI 矩阵中的每一列可以被认为是公式(4)中y的一次采样，y是三天线的输出。因此，这个 CSI矩阵可以通过使用MUSIC算法来进行AOA估计。

一个重要的问题在于当目标移动时，如何获得对应正确的AOA。事实上当目标处于静态时，所估计的AOA是准确的；当目标处于运动状态时，所估计的AOA变化明显，因为信道在迅速地变化。所以用原始采样的CSI数据提取出的原始AOA与真实AOA相比有较大误差，定位结果不具有鲁棒性。

为了从会造成较大定位误差的原始AOA中提取出正确的AOA，可在AOA估计中使用卡尔曼滤波和平滑技术。卡尔曼滤波是一个著名的线性最优状态估计方法，被应用在众多领域。卡尔曼滤波器中的滤波模型如下：

x_k＝A_k,k-1x_k-1+q_k-1 (22)

z_k＝H_kx_k+r_k (23)

其中x_k∈Rⁿ是状态矢量，z_k∈R^m是测量矢量，q_k-1～N(0,Q_k-1)是过程噪声，r_k～N(0,R_k) 是测量噪声，A_k,k-1是状态转移矩阵，H_k是测量矩阵。

卡尔曼滤波包含两部分，分别是预测部分：

P_k,k-1＝A_k,k-1P_k-1.k-1A^T _k,k-1+Q_k-1 (25)

更新部分：

P_k,k＝[I-K_kH_k]P_k,k-1 (27)

K_k＝P_k,k-1H_k ^T[H_kP_k,k-1H_k ^T+R_k]^-1 (28)

其中

和P_k,k-1是状态变量的预测均值和协方差，K_k是滤波器的增益矩阵，

是滤波器的最优状态变量。将步骤四估计出来的原始AOA输入作为测量矢量，预期的AOA作为状态变量进行迭代求解得到滤波后的AOA估计值。滤波后的AOA噪声和波动减少了。但是经过卡尔曼滤波后的AOA仍然存在着噪声等波动，从而影响定位精度。基于此，可使用卡尔曼平滑技术进一步消除存在的误差。

5b)t时刻状态估计的精确程度可通过利用t时刻以后的测量值来进行提高，这种估计方法叫做平滑。由于数据包传输频率很高而人员移动速度相对较低，所以可以利用卡尔曼平滑来进一步提高AOA估计的精确性。卡尔曼平滑的公式如下所示：

其中

和P_k+1,k分别是k+1时刻AOA的预测状态均值和状态协方差，

和

分别是k时刻AOA的最优估计和状态协方差。C_k是k时刻AOA的平滑增益。

所述步骤6)中结合所述步骤5)中在所有AP上所估计得到的目标信号AOA，根据事先已经测量的AP坐标，通过联合多个AP的LOS路径对目标进行定位选，具体包括：

假设环境中有R个AP用于定位，利用最小二乘算法得到目标的位置为：

其中，

表示目标位置p到第i个AP的真实AOA，θ_i表示第i个AP计算出来的LOS 路径的AOA。

本发明具有以下优点：相比于传统的定位技术，本发明能够定位和跟踪人员目标。此外，本发明工程可实现性强，定位精度高，并且不需要特殊的硬件设备。

附图说明

图1为本发明系统流程框图

图2为本发明信号传播系统图

图3为本发明AP定位示意图

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明所采用的技术方案为：一种基于CSI高精度人员定位跟踪方法，具体包括以下步骤：

1)在目标所在的定位区域中布置多个接入点(Access Point，AP)，并且建立坐标系，获取定位区域中所有AP的坐标和布局图；

2)对区域中所有的多天线AP进行设备网卡的多通道初始相位校正，避免由于设备天线长度和网卡的射频通道硬件误差造成的定位结果误差；

3)配置局域网，目标在定位区域内移动的过程中发射数据，AP接收数据并提取出信道状态信息(Channel Status Information，CSI)；

4)将所述步骤3)得到的CSI，利用天线之间电磁波耦合原理重构角度估计算法MUSIC (Multiple Signal Classification Algorithm，多重信号分类)模型，进行空间谱运算得到目标信号相对于AP的AOA，同时消除由于天线耦合造成的相位误差。最终计算出目标源发射信号相对于区域中所有AP的AOA；

5)利用卡尔曼滤波和平滑技术对所述步骤4)得到的目标信号AOA进行滤波和平滑处理，减少由于遮挡和多径造成的角度估计误差；

6)将所述步骤5)所得的所有AP上测得的目标信号AOA代入最小二乘算法中，通过已知AP的位置坐标和角度信息，对目标进行定位跟踪。

所述步骤4)中包含通过最大似然估计法重构包含天线耦合的二维MUSIC算法和构建室内S-V信道模型来测试二维MUSIC算法的精确性，具体包括：

在室内环境下，WiFi信号通过直射径和许多反射径在收发设备之间传输。假设有L条路径，α_k和θ_k分别代表第k条路径的衰减和到达角。当第k条路径到达N天线阵列时，对于窄带信号来说，不同天线间的幅度衰减基本是相同的，但是相位由于AOA和天线位置分布的关系变化比较显著。因此，将第一根天线作参考，不同天线引起的相位偏移可用阵列流型矢量来表示：

s(θ_k)＝[1,a(θ_k),…a(θ_k)^M-1]^T (1)

其中

d和λ分别是两个天线之间间隔和波长。然后，将这些阵列流型与所有的路径结合，可得到阵列流型矩阵，如下所示：

S＝[s(θ₁),s(θ₂),…s(θ_K)] (2)

由超分辨原理可得天线阵列的接收信号矢量为：

y＝Sα+n (3)

其中a＝[α₁,α₂,…α_K]^T，n代表高斯噪声。为了得到所有路径的AOA，可以用超分辨算法MUSIC，来解算众多天线接收的CSI。但是在实际测试中，由于设备天线之间电流回路产生的电磁场影响，在多天线设备上每根天线提取出的CSI会受到相邻天线的影响，导致在提取出多天线之间CSI的相对相位差时产生额外的误差。为此需要对MUSIC算法进行重构，将天线耦合的影响考虑进去。

假设在平面上的N天线阵列，有q<N个窄带信号源从不同的角度到达天线阵列，可得Θ＝[θ₁...θ_q]，在L个快拍采样后，考虑到天线之间耦合的影响，得到重构后的MUSIC表达式：

其中

是接收信号矩阵，第l个时间快拍采样x(t_l)是X的第l列。矩阵

是信号源矩阵，与X相似，S的第l列是第l个传播信号。此外，阵列流型矩阵

包含 q个阵列流型矢量，例如

其中

是一个传播信号从角度θ_i入射到天线阵列得到的阵列流型矢量，包含了天线共耦的影响。

重构MUSIC模型的目的是在已知接收信号

耦合参数p和信号源个数q，并且在天线间耦合存在的情况下，估计出信号到达天线阵列的角度。而在均匀线性阵列下，如果不考虑天线耦合的影响，由于天线之间的间隔造成的阵列流型矩阵为：

a(θ)＝[1,z_θ,...z_θ ^N-1]^T (5)

其中

d代表天线之间间距，λ代表信号波长。由于天线之间的耦合影响，阵列流型矩阵可重构为：

其中

是一个带状对称Toeplitz矩阵，表示如下：

由上式可知，矩阵Γ_p(m)与AOA无关。由公式(6)和(7)可知，当天线以间隔为p进行排列放置时，天线之间不会受到耦合的影响。也就是说，对于所有i≥p，有m_i＝0。这是因为天线之间的相互耦合与距离成反比的关系。

对于公式(4)，有如下条件：

A:

是列满秩矩阵。

B:信号源的个数q是已知的

C:噪声矢量n(t_l)是高斯白噪声，均值为0，协方差为σ²I，与信号相互独立。

由条件C可知，所有的信号快拍采样点

是相互独立的，有

为了简化符号，可将所有的信号参数和噪声参数都写在同一个矢量里面，如下所示：

Ω＝[Θ^T,m^T,vec(S),σ²]^T (9)

由此可得到基于未知信号和噪声参数Ω条件下所有快拍采样点X的联合条件概率分布函数：

信号和噪声的确定性最大似然估计，也就是

可由如下准则得到：

最后，可得

如下所示：

其中

如下：

而

代表采样点的简单协方差矩阵：

通过求解公式(15)，可以得到

的值，即可得到信号入射到天线阵列的到达角。将其代入到公式(10)和(11)中，分别得到噪声方差和信号矩阵的最大似然估计，利用最大似然交替投影迭代法对

进行估计，最终得到入射信号相对于天线阵列的到达角。

事实上，在室内环境中反射径相较于直射径而言，由于要经历额外的传播路径和反射物，会经历更多的衰减。因此，通过超分辨MUSIC算法来估计多径信号的AOA时，强度较弱的反射信号由于严重的衰减，可以被忽略掉。就室内S-V信道模型而言，有如下形式：

其中β_r,m，τ_r,m和θ_r,m分别代表第m条路径聚类中的第r路信号的幅度、飞行时间和相位。T_m是第m个聚类中第一路信号的飞行时间。两个相邻信号路径聚类的TOF和同一信号路径聚类中两个相邻信号遵循以下分布：

f_Tm(T_m|T_m-1)＝γexp[-γ(T_m-T_m-1)] (19)

f_τr,m(τ_r,m|τ_r-1,m)＝λexp[-λ(τ_r,m-τ_r-1,m)] (20)

其中同一聚类中的第一路信号的TOF和其他路信号的TOF分别服从γ和λ的泊松分布。用此信道模型生成多径信号然后对重构后的MUSIC模型进行测试来探讨AOA估计精度。因为室内信道模型可以很好的描述多径传播特性，能够说明反射信号对直射径AOA估计造成的影响，进而减少空间谱计算的所用时间消耗。

所述步骤5)中使用卡尔曼滤波和卡尔曼平滑技术对，具体包括：

5a)在802.11n标准中CSI是无线信道度量值，对于一个Intel 5300网卡来说，三天线的30个子载波的CSI可写成如下形式：

其中csi_i,j代表第i根天线上的第j个子载波，并且它包含了衰减的幅度和相位信息。CSI 矩阵中的每一列可以被认为是公式(4)中y的一次采样，y是三天线的输出。因此，这个 CSI矩阵可以通过使用MUSIC算法来进行AOA估计。

一个重要的问题在于当目标移动时，如何获得对应正确的AOA。事实上当目标处于静态时，所估计的AOA是准确的；当目标处于运动状态时，所估计的AOA变化明显，因为信道在迅速地变化。所以用原始采样的CSI数据提取出的原始AOA与真实AOA相比有较大误差，定位结果不具有鲁棒性。

为了从会造成较大定位误差的原始AOA中提取出正确的AOA，可在AOA估计中使用卡尔曼滤波和平滑技术。卡尔曼滤波是一个著名的线性最优状态估计方法，被应用在众多领域。卡尔曼滤波器中的滤波模型如下：

x_k＝A_k,k-1x_k-1+q_k-1 (22)

z_k＝H_kx_k+r_k (23)

其中x_k∈Rⁿ是状态矢量，z_k∈R^m是测量矢量，q_k-1～N(0,Q_k-1)是过程噪声，r_k～N(0,R_k) 是测量噪声，A_k,k-1是状态转移矩阵，H_k是测量矩阵。

卡尔曼滤波包含两部分，分别是预测部分：

P_k,k-1＝A_k,k-1P_k-1.k-1A^T _k,k-1+Q_k-1 (25)

更新部分：

P_k,k＝[I-K_kH_k]P_k,k-1 (27)

K_k＝P_k,k-1H_k ^T[H_kP_k,k-1H_k ^T+R_k]^-1 (28)

其中

和P_k,k-1是状态变量的预测均值和协方差，K_k是滤波器的增益矩阵，

是滤波器的最优状态变量。将步骤四估计出来的原始AOA输入作为测量矢量，预期的AOA作为状态变量进行迭代求解得到滤波后的AOA估计值。滤波后的AOA噪声和波动减少了。但是经过卡尔曼滤波后的AOA仍然存在着噪声等波动，从而影响定位精度。基于此，可使用卡尔曼平滑技术进一步消除存在的误差。

5b)t时刻状态估计的精确程度可通过利用t时刻以后的测量值来进行提高，这种估计方法叫做平滑。由于数据包传输频率很高而人员移动速度相对较低，所以可以利用卡尔曼平滑来进一步提高AOA估计的精确性。卡尔曼平滑的公式如下所示：

其中

和P_k+1,k分别是k+1时刻AOA的预测状态均值和状态协方差，

和

分别是k时刻AOA的最优估计和状态协方差。C_k是k时刻AOA的平滑增益。

所述步骤6)中结合所述步骤5)中在所有AP上所估计得到的目标信号AOA，根据事先已经测量的AP坐标，通过联合多个AP的LOS路径对目标进行定位选，具体包括：

假设环境中有R个AP用于定位，利用最小二乘算法得到目标的位置为：

其中，

表示目标位置p到第i个AP的真实AOA，θ_i表示第i个AP计算出来的LOS 路径的AOA。

Claims (2)

1.一种基于CSI高精度人员定位跟踪方法，其特征在于，包括以下步骤：

1)在目标所在的定位区域中布置多个接入点(Access Point，AP)，并且建立坐标系，获取定位区域中所有AP的坐标和布局图；

2)对区域中所有的多天线AP进行设备网卡的多通道初始相位校正，避免由于设备天线长度和网卡的射频通道硬件误差造成的定位结果误差；

3)配置局域网，目标在定位区域内移动的过程中发射WiFi数据，AP接收数据并提取出信道状态信息(Channel Status Information)；

4)将所述步骤3)得到的CSI，利用天线之间电磁波耦合原理重构角度估计算法MUSIC(Multiple Signal Classification Algorithm，多重信号分类)模型，进行空间谱运算得到目标信号相对于AP的AOA，同时消除由于天线耦合造成的相位误差。最终计算出目标源发射信号相对于区域中所有AP的AOA；

5)利用卡尔曼滤波和平滑技术对所述步骤4)得到的目标信号AOA进行滤波和平滑处理，减少由于遮挡和多径造成的角度估计误差；

6)将所述步骤5)所得的所有AP上测得的目标信号AOA代入最小二乘算法中，通过已知AP的位置坐标和角度信息，对目标进行定位跟踪。

2.基于权利要求1中所述的一种基于CSI高精度人员定位跟踪方法，其特征在于：所述步骤4)中包含通过最大似然估计法重构包含天线耦合的MUSIC算法和构建室内S-V信道模型来测试MUSIC算法的精确性，具体包括：

在室内环境下，WiFi信号通过直射径和许多反射径在收发设备之间传输。假设有L条路径，α_k和θ_k分别代表第k条路径的衰减和到达角。当第k条路径到达N天线阵列时，对于窄带信号来说，不同天线间的幅度衰减基本是相同的，但是相位由于AOA和天线位置分布的关系变化比较显著。因此，将第一根天线作参考，不同天线引起的相位偏移可用阵列流型矢量来表示：

s(θ_k)＝[1,a(θ_k),…a(θ_k)^M-1]^T (1)

其中

d和λ分别是两个天线之间间隔和波长。然后，将这些阵列流型与所有的路径结合，可得到阵列流型矩阵，如下所示：

S＝[s(θ₁),s(θ₂),…s(θ_K)] (2)

由超分辨原理可得天线阵列的接收信号矢量为：

y＝Sα+n (3)

其中a＝[α₁,α₂,…α_K]^T，n代表高斯噪声。为了得到所有路径的AOA，可以用超分辨算法MUSIC，来解算众多天线接收的CSI。但是在实际测试中，由于设备天线之间电流回路产生的电磁场影响，在多天线设备上每根天线提取出的CSI会受到相邻天线的影响，导致在提取出多天线之间CSI的相对相位差时产生额外的误差。为此需要对MUSIC算法进行重构，将天线耦合的影响考虑进去。

假设在平面上的N天线阵列，有q<N个窄带信号源从不同的角度到达天线阵列，可得Θ＝[θ₁...θ_q]，在L个快拍采样后，考虑到天线之间耦合的影响，得到重构后的MUSIC表达式：

其中

是接收信号矩阵，第l个时间快拍采样x(t_l)是X的第l列。矩阵

是信号源矩阵，与X相似，S的第l列是第l个传播信号。此外，阵列流型矩阵

包含q个阵列流型矢量，例如

其中

是一个传播信号从角度θ_i入射到天线阵列得到的阵列流型矢量，包含了天线共耦的影响。

重构MUSIC模型的目的是在已知接收信号

耦合参数p和信号源个数q，并且在天线间耦合存在的情况下，估计出信号到达天线阵列的角度。而在均匀线性阵列下，如果不考虑天线耦合的影响，由于天线之间的间隔造成的阵列流型矩阵为：

a(θ)＝[1,z_θ,…z_θ ^N-1]^T (5)

其中

d代表天线之间间距，λ代表信号波长。由于天线之间的耦合影响，阵列流型矩阵可重构为：

其中

是一个带状对称Toeplitz矩阵，表示如下：

由上式可知，矩阵Γ_p(m)与AOA无关。由公式(6)和(7)可知，当天线以间隔为p进行排列放置时，天线之间不会受到耦合的影响。也就是说，对于所有i≥p，有m_i＝0。这是因为天线之间的相互耦合与距离成反比的关系。

对于公式(4)，有如下条件：

A:

是列满秩矩阵。

B:信号源的个数q是已知的

C:噪声矢量n(t_l)是高斯白噪声，均值为0，协方差为σ²I，与信号相互独立。

由条件C可知，所有的信号快拍采样点

是相互独立的，有

为了简化符号，可将所有的信号参数和噪声参数都写在同一个矢量里面，如下所示：

Ω＝[Θ^T,m^T,vec(S),σ²]^T (9)

由此可得到基于未知信号和噪声参数Ω条件下所有快拍采样点X的联合条件概率分布函数：

信号和噪声的确定性最大似然估计，也就是

可由如下准则得到：

最后，可得

如下所示：

其中

如下：

而

代表采样点的简单协方差矩阵：

通过求解公式(15)，可以得到

的值，即可得到信号入射到天线阵列的到达角。将其代入到公式(10)和(11)中，分别得到噪声方差和信号矩阵的最大似然估计，利用最大似然交替投影迭代法对

进行估计，最终得到入射信号相对于天线阵列的到达角。

事实上，在室内环境中反射径相较于直射径而言，由于要经历额外的传播路径和反射物，会经历更多的衰减。因此，通过超分辨MUSIC算法来估计多径信号的AOA时，强度较弱的反射信号由于严重的衰减，可以被忽略掉。就室内S-V信道模型而言，有如下形式：

其中β_r,m，τ_r,m和θ_r,m分别代表第m条路径聚类中的第r路信号的幅度、飞行时间和相位。T_m是第m个聚类中第一路信号的飞行时间。两个相邻信号路径聚类的TOF和同一信号路径聚类中两个相邻信号遵循以下分布：

其中同一聚类中的第一路信号的TOF和其他路信号的TOF分别服从γ和λ的泊松分布。用此信道模型生成多径信号然后对重构后的MUSIC模型进行测试来探讨AOA估计精度。因为室内信道模型可以很好的描述多径传播特性，能够说明反射信号对直射径AOA估计造成的影响，进而减少空间谱计算的所用时间消耗。

Images