CN113259837A - 基于角度估计和指纹定位算法的室内定位方法 - Google Patents

Abstract

本发明属于通信技术领域，涉及一种角度估计和指纹定位的融合方法，具体涉及一种融合指纹定位和角度估计的无源定位方法，可适用于室内定位的场景中，在不增加指纹数据库的存储成本和匹配算法复杂度的前提下，将指纹定位算法和天线阵列测向算法进行融合，有效提高室内定位精度；包括以下步骤：(1)在待测量区域进行接收信号强度的采集，构建指纹数据库；(2)在待测位置接收多个发送端的数据，记录信号强度并进行预处理和归一化；(3)将待测目标指纹与指纹数据库进行匹配；(4)构建室内多径信号模型，并对阵列接收信号进行预处理；(5)对信号到达角度进行估计；(6)构建权重，对参考指纹点坐标进行加权求和，得到待测目标的位置估计。

Description

基于角度估计和指纹定位算法的室内定位方法

技术领域

本发明属于通信技术领域，涉及一种角度估计和指纹定位的融合方法，具体涉及一种融合指纹定位和角度估计的无源定位方法，可适用于室内定位的场景中。

背景技术

随着物联网技术的发展，人员或物体的位置信息在经济、生活、军事等多种方面的需求越来越多，并且对定位精度的要求也越来越高，在室外定位技术中，已存在诸如全球导航卫星系统此类普适且成熟的方案，但与室外定位不同，由于室内环境复杂易变，多径效应较为严重，室外定位所应用的技术在室内场景的应用中，精度较差，在较复杂的环境中，甚至会造成定位失败。室内定位方法即在各种室内空间中，采用相关定位技术来实现室内导航以及对人员、物体的定位与跟踪，而当前人们衣食住行各个方面对位置信息精度的要求越来越高，尤其在室内场景下的定位，定位与位置服务“最后一公里”问题日益突出，室内定位凸显了其作用与价值。

定位系统中常用的位置信息测量技术包括TOA、TDOA等，在室内定位场景下，常用的测量技术会受到多径效应、阴影衰落和时延等的影响，测量精度受到较大影响，进而会影响定位的精度。当前多天线技术迅速发展，天线阵列可以应用于信号到达角度的测量，并且在DOA估计中，可以通过对接收信号预处理，有效应对多径效应；此外随着机器学习的逐渐发展，指纹定位算法的出现使得提高室内定位精度成为可能，指纹定位算法是指把实际环境中的位置和某些特征联系起来，一个位置对应一个独有的特征向量，将这个特征向量看做是位置指纹，当前大多指纹定位系统将位置指纹构建为为多维向量，通常是待定位设备发送或是接收信号的多个特征。

指纹定位算法多分为离线和在线两个阶段，离线阶段构建指纹和位置的关系，即指纹数据库；在线阶段首先提取目标的位置指纹，通过相应的匹配算法在指纹库中找到最匹配的位置信息，而有得必有失，虽然指纹定位算法可以满足高精度定位的要求，但其缺点是需要大量测量数据来建立数据库，进行训练和检测，并且其定位精度除与指纹的选择有关外，指纹库数据库的大小、采集信号的预处理及匹配算法的选择对其也有较大影响。

当前指纹定位中最常见的是基于接收信号强度的指纹定位算法，在室内复杂的多径环境中，不同位置的信号源在接收端有不同的信号强度信息，因此将RSSI值作为指纹来进行定位能够很好的利用信号反射、折射所形成的信号信息。此外也存在相关指纹算法将天线阵列接收信号的自相关矩阵作为指纹进行定位，此类定位系统的位置信息中包含了到达信号的角度信息，因此能够更加有效得利用多径模型，使得定位更加准确；但此时指纹为矩阵形式，使得指纹数据库的存储成本成倍增加，指纹匹配算法的复杂度也会大大增加，相关算法的存储和计算的成倍都较高。

发明内容

本发明的目的在于克服上述算法的缺陷，提出了一种改善的室内定位精度的融合算法，在不增加指纹数据库的存储成本和匹配算法复杂度的前提下，将指纹定位算法和天线阵列测向算法进行融合，有效提高室内定位精度。

本发明的基于角度估计和指纹定位算法的室内定位方法，技术思路为：

首先指纹定位部分仍采用多个接收信号强度作为位置指纹，通过信号强度的测量和采集构建指纹数据库，采用WKNN算法进行指纹间匹配，因此指纹数据库的存储成本和匹配算法复杂度可以保持稳定；接下来通过天线阵列对接收信号的到达角度进行估计，通过角度的估计值构建WKNN算法的权重，应用于指纹定位阶段的匹配算法中，由此对指纹定位估计结果进行修正，提高定位精度，在保证存储和计算成本稳定的情况下，更有效利用测量位置信息；

根据上述思路，本发明的实现步骤包括如下：

(1)在待测量区域进行接收信号强度的采集，构建指纹数据库：

(1a)在定位测量区域分散放置个n_t信号发送端，记录发送端位置为(x_i,y_i),i≤n_t，按网格分布设置n_r个参考点，记录参考点的实际位置为(x_i,y_i),i≤n_r；

(1b)在每个参考点位置放置接收端，接收信号强度数据记录为

(1c)对记录数据进行预处理，通过高斯滤波滤除异常数据，并对指纹进行归一化处理，构建成为指纹数据库

(2)在待测位置接收多个发送端的数据，记录信号强度并进行预处理和归一化，作为待测目标指纹进行存储

(3)将待测目标指纹与指纹数据库中指纹进行匹配，取出指纹数据库中与待测目标指纹相似性最高的K个指纹及其实际位置坐标

和(x_j,y_j),j≤K，指纹间相似性通过欧氏距离来衡量；第j个参考点指纹与待测目标指纹间距离表示为：

(4)对天线阵列接收信号进行预处理；天线阵列接收待测目标的信号表示为s(t)，天线阵元数目为m，测向阵列位置为(x_a,y_a)，将室内的多径效应考虑在内，构建室内多径信号模型，在此基础上，对阵列接收数据进行平滑处理，以减小多径效应对测角带来的影响；

(5)通过对阵列接收信号进行处理，完成对多径衰落系数和到达方向的估计，得到估计值C_est和θ_est；

(6)通过指纹间相似性d_j以及信号到达方向的估计值θ_est构建权重，对参考点位置进行加权处理：

(6a)计算出步骤(3)中参考指纹与目标指纹间的相似性d_j、参考点的信号到达角度与角度估计θ_est之差△θ，并利用这些信息构建相应指纹的权重；

(6b)对步骤(3)所选出的参考点位置进行加权求和，将其作为待测目标的位置估计(x_est,y_est)，即：

本发明的基于角度估计和指纹定位算法的室内定位方法，步骤(4)中，考虑多径效应后构建了多径信号模型为，模型公式如下：

y＝ACs(t)+n(t)

其中C为多径衰落系数矩阵，包含了信号间时延和信号强度的差别，A为阵列流型，由多个驱动向量构成A＝[a(θ₁),,a(θ₂),L,a(θ_p)]，可以基于上式对到达角度和多径系数进行估计，进而可以根据多径系数区分主径和多径。

本发明的基于角度估计和指纹定位算法的室内定位方法，步骤(6a)通过参考指纹与目标指纹间的相似性d_j、参考点的信号到达角度与角度估计θ_est之差△θ进行权重的构建，公式如下：

其中△θ_j表示所选参考点的信号到达角度与角度估计之差，可表示为：

d_j的构建在步骤(3)中指出，可以用于衡量两个指纹间相似性；角度差和指纹间相似性都可以表示参考点和实际位置之间的接近程度，因此可以通过二者结合构建指纹匹配的权重。

与现有技术相比本发明的有益效果为：

1.本发明更加充分得利用了空间可测量的位置信息；以指纹定位算法为基础，加入天线阵列测向的方法；其中基于接收信号强度的指纹定位算法有效利用了复杂场景下的多径模型与位置的对应关系，测向天线的将待测目标的角度信息用于定位，对指纹定位结果进行修正，能够有效提高定位精度；

2.本发明有效降低了算法的存储成本和计算复杂的；通常基于天线阵列的指纹定位算法存储和计算成本较高，本发明采取接收信号强度作为指纹，通过天线阵列采集的信息进行角度的估计，不需要存储信号的自相关矩阵，有效利用多种位置信息的前提下，保证了存储和计算成本的稳定；

3.本发明在进行指纹数据库的构建时，进行了归一化处理，有效拍出来发送端信号强度对于指纹定位精度的影响，可以通过多种不同设备实现定位，具有一定兼容性。

附图说明

图1为本发明的实现流程图；

图2为本发明指纹定位原理的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例：

(1)在待测量区域进行接收信号强度的测量，构建指纹数据库：

(1.1)在定位测量区域分散放置n_t个信号发送端，发送端的位置应尽量分散，存在3个或更多的发送端时，它们不可完全位于一条直线上，记录发送端位置为(x_i,y_i),i≤n_t，按网格分布设置n_r个参考点，参考点间距离应合理选择，距离越小，则定位精度会随之提高，但存储成本也会随之增加，记录参考点的实际位置为(x_i,y_i),i≤n_r，用于计算位置估计；

(1.2)在每个参考点位置处放置接收端，接收接收多个发送端的信号，并分别测量信号强度值，接收信号强度数据记录为

构成初步的指纹数据库；

(1.3)对记录数据进行预处理，由于信号采集过程中噪声的加入，采集信息中存在少量的数据有很大偏离，因此通过高斯滤波滤除异常数据；进一步为了减少发射信号强度不同对指纹定位造成的影响，需要对指纹进行归一化处理，构建成为指纹数据库

(2)在待测位置接收多个发送端的数据，采用与步骤(1)相同的方式采集信号强度，进行预处理和归一化处理并记录，将其作为待测目标的指纹存储

(3)将所得待测目标指纹与指纹数据库中指纹进行匹配；取出指纹数据库中与待测目标指纹相似性最高的K个指纹及其实际位置坐标

和(x_j,y_j),j≤K，指纹间相似性通过欧氏距离来衡量，第j个参考点指纹与待测目标指纹间距离表示为：

指纹间匹配即取出指纹数据库中与待测目标指纹进欧氏距离最小的K个指纹及其实际位置坐标作为参考点；

(4)构建多径信号模型，通过天线阵列接收信号，并对信号进行预处理后：

(4.1)构建室内多径信号模型；天线阵列接收待测目标的信号s(t)，天线阵元数目为m，测向阵列位置为(x_a,y_a)，测向阵列的位置可以和指纹定位发射端位置相同，考虑室内场景下的多径信号模型为：

y＝ACs(t)+n(t)

其中C为多径衰落系数矩阵，多径衰落系数中包含了信号间时延和信号强度的差别，A为阵列流型，由多个驱动向量构成A＝[a(θ₁),,a(θ₂),L,a(θ_p)]，驱动向量可以表示为：a(θ₁)＝[exp(-jω₀τ₁θ₁),exp(-jω₀τ₂θ₁),L,exp(-jω₀τ₃θ₁)]，该多径信号模型中包含了未知的到达角度和信号衰落系数，可以对此进行估计；

(4.2)对接收数据进行预处理；由于多径效应会对阵列信号测角带来较大影响，会降低测角精度，甚至会造成测向失败，因而在此信号模型的基础上，对阵列接收数据进行平滑处理，以减小多径效应对测角带来的影响；

(5)进行信号到达角度和多径衰落系数的估计；通过对阵列接收信号进行运算处理，对多径衰落系数和到达方向的进行估计，得到估计值C_est和θ_est，在室内多径场景下，会得到主径和多径的多个角度估计，通过对多径衰落系数的估计，便可排除多径，得到主径的估计值；

(6)通过指纹间相似性d_j以及信号到达方向的估计值θ_est构建权重，对参考点位置进行加权处理：

(6.1)计算出步骤(3)中参考指纹与目标指纹间的相似性d_j、参考点的信号到达角度与角度估计θ_est之差△θ，并利用这些信息构建相应指纹的权重；

其中△θ_j表示所选参考点的信号到达角度与角度估计之差，可表示为：

d_j的构建在步骤(3)中指出，可以用于衡量两个指纹间相似性；

(6.2)角度差越大和指纹间相似性越低都可以说明所选取的参考点和实际位置之间距离相对较远，因此可以用角度差和指纹间相似性构建参考点对应的权值，以提高定位的精度，对步骤(3)所选出的多个参考点位置进行加权求和，将其作为待测目标的位置估计(x_est,y_est)，即：

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (3)

1.基于角度估计和指纹定位算法的室内定位方法，其特征在于，包括如下步骤：

(1)在待测量区域进行接收信号强度的采集，构建指纹数据库：

(1a)在定位测量区域分散放置个n_t信号发送端，记录发送端位置为(x_i,y_i),i≤n_t，按网格分布设置n_r个参考点，记录参考点的实际位置为(x_i,y_i),i≤n_r；

(1b)在每个参考点位置放置接收端，接收信号强度数据记录为

(1c)对记录数据进行预处理，通过高斯滤波滤除异常数据，并对指纹进行归一化处理，构建成为指纹数据库

(2)在待测位置接收多个发送端的数据，记录信号强度并进行预处理和归一化，作为待测目标指纹进行存储

(3)将待测目标指纹与指纹数据库中指纹进行匹配，取出指纹数据库中与待测目标指纹相似性最高的K个指纹及其实际位置坐标

和(x_j,y_j),j≤K，指纹间相似性通过欧氏距离来衡量；第j个参考点指纹与待测目标指纹间距离表示为：

(4)对天线阵列接收信号进行预处理；天线阵列接收待测目标的信号表示为s(t)，天线阵元数目为m，测向阵列位置为(x_a,y_a)，将室内的多径效应考虑在内，构建室内多径信号模型，在此基础上，对阵列接收数据进行平滑处理，以减小多径效应对测角带来的影响；

(5)通过对阵列接收信号进行处理，完成对多径衰落系数和到达方向的估计，得到估计值C_est和θ_est；

(6)通过指纹间相似性d_j以及信号到达方向的估计值θ_est构建权重，对参考点位置进行加权处理：

(6a)计算出步骤(3)中参考指纹与目标指纹间的相似性d_j、参考点的信号到达角度与角度估计θ_est之差△θ，并利用这些信息构建相应指纹的权重；

(6b)对步骤(3)所选出的参考点位置进行加权求和，将其作为待测目标的位置估计(x_est,y_est)，即：

2.如权利要求1所述的基于角度估计和指纹定位算法的室内定位方法，其特征在于，步骤(4)中，考虑多径效应后构建了多径信号模型为，模型公式如下：

y＝ACs(t)+n(t)

其中C为多径衰落系数矩阵，包含了信号间时延和信号强度的差别，A为阵列流型，由多个驱动向量构成A＝[a(θ₁),,a(θ₂),L,a(θ_p)]，可以基于上式对到达角度和多径系数进行估计，进而可以根据多径系数区分主径和多径。

3.如权利要求2所述的基于角度估计和指纹定位算法的室内定位方法，其特征在于，步骤(6a)通过参考指纹与目标指纹间的相似性d_j、参考点的信号到达角度与角度估计θ_est之差△θ进行权重的构建，公式如下：

其中△θ_j表示所选参考点的信号到达角度与角度估计之差，可表示为：

d_j的构建在步骤(3)中指出，可以用于衡量两个指纹间相似性；角度差和指纹间相似性都可以表示参考点和实际位置之间的接近程度，因此可以通过二者结合构建指纹匹配的权重。

Images