CN113899369A - 一种基于自适应降噪算法的超宽带/pdr室内定位方法 - Google Patents
一种基于自适应降噪算法的超宽带/pdr室内定位方法 Download PDFInfo
- Publication number
- CN113899369A CN113899369A CN202111128944.3A CN202111128944A CN113899369A CN 113899369 A CN113899369 A CN 113899369A CN 202111128944 A CN202111128944 A CN 202111128944A CN 113899369 A CN113899369 A CN 113899369A
- Authority
- CN
- China
- Prior art keywords
- noise
- nlos
- rss
- pdr
- follows
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 230000009467 reduction Effects 0.000 title claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 title claims description 7
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000008054 signal transmission Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000005021 gait Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000002238 attenuated effect Effects 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于自适应降噪算法的超宽带/PDR室内定位方法。该算法为:首先建立所述融合室内定位方法中超宽带的定位模型和行人航位推算PDR模型,然后构造了基于高斯分布的非视距观测评估函数来评估信号传输衰减的概率,并根据非视距观测条件动态调整噪声分布,提出了一种动态调整噪声方差卡尔曼滤波器。若存在NLOS,则通过自适应滤波降噪算法将PDR与UWB的定位坐标进行融合,对UWB解算坐标数据进行修正;若不存在NLOS,则采用UWB解析出当前坐标,完成实时定位。本发明改进的PDR和超宽带组合定位系统为室内定位应用提供了精确的定位信息,具有精度高和鲁棒性强的优点。
Description
技术领域
本发明属于室内定位方法领域,特别是涉及一种基于自适应降噪算法的超宽带/PDR室内定位方法。
背景技术
随着人类室内活动日益增多,虚拟现实等技术的飞速发展,行人在室内环境下的位置获取尤为关键。由于复杂环境的影响,常用的卫星定位系统无法满足室内定位要求,为了提高室内定位技术定位精度,满足行人定位的动态性能,融合式室内定位技术研究成为当前定位技术的一个研究热点。目前,存在的室内定位技术有红外线、蓝牙、惯性导航、无线保真(wireless fidelity,WiFi)、超宽带(ultra wide band,UWB)技术等。UWB由于具有定位精度高、功耗低、有一定信号穿透性等优点而脱颖而出,已成为一个越来越被关注的技术领域。
任何无线电技术不可避免地都有缺陷,UWB技术也不例外。超宽带在理想的室内环境下可以达到厘米级的定位精度,但其信号传输易受非视距干扰。因为UWB信号在室内的传输距离有限,且其信号在绕过障碍物时会产生较大误差,无法胜任NLOS场景或存在盲区的室内场景。解决这个问题的一般想法是将惯性导航技术与UWB技术相结合。行人航位推算(Pedestrian Dead Reckoning,PDR),具有数据输出稳定连续、不依赖外部环境的优点,这些优点刚好可以与超宽带技术的缺陷形成互补。本发明结合UWB与PDR两者优点,互相弥补缺点,提出一种基于自适应降噪滤波算法利用超宽带技术与PDR技术进行融合的室内定位方法。
发明内容
针对以上问题,本发明旨在提供一种基于自适应降噪算法的超宽带/PDR室内定位方法,首先采用双频巴特沃斯滤波器进行步态检测,基于经验模型估计步长,然后结合步长和航向信息建立行人航位推算PDR模型,并计算目标位置;通过超宽带系统的无漂移输出周期性标定目标位置;最后,通过NLOS评估函数对噪声分布进行动态调整,利用变噪声方差卡尔曼滤波算法建立UWB/PDR组合定位模型。本发明改进的PDR/UWB组合定位系统为室内定位应用提供了精确的定位信息,具有精度高和鲁棒性强的优点。
本发明提供一种基于自适应降噪算法的超宽带/PDR室内定位方法,包括以下步骤:
S1,建立超宽带定位模型;
S2,建立行人航位推算PDR模型;
步骤S2所述的建立PDR定位模型步态检测方法,具体如下:
通过flow低频滤波器得到每个周期的波峰和波谷,然后根据这些特征在fhigh高频滤波信号中回溯搜索真实的波峰和波谷,将低频和高频滤波信号的垂直加速度分别表示为aL和aH,峰值时刻分别为和谷值时刻分别为和因此,基于双频滤波器的峰谷值回溯过程首先从低频滤波信号中提取和然后在第k-1和k个低频峰值时间段内搜索高频滤波信号的最大和最小加速度,即和公式如下:
S3,建立超宽带/PDR组合定位模型;
S4,建立动态调整降噪滤波算法;
步骤S4所述的建立自适应降噪滤波算法,具体如下:
根据卡尔曼滤波原理,PDR系统作为状态方程,公式如下:
X(k)=A X(k-1)+B u(k-1)+q(k-1) (2)
式中,A为状态转移矩阵和B为单位矩阵,k表示新的行人步长,X(k)=[x(k) y(k)]T为第k步运动目标的位置状态向量,q(k-1)为第k-1步过程噪声向量,设系统输入向量u(k-1)为:
根据UWB系统,测量方程设定如下:
Z(k)=HX(k)+r(k) (4)
Z(k)=[xUWB(k) yUWB(k)]T超宽频系统的输出位置,表示观测向量,H表示测量矩阵,r(k)表示第k步的测量噪声向量;
根据离群点的大小动态调整测量噪声和过程噪声的方差分布,利用所提出的NLOS评价函数对测量噪声和过程噪声的方差分布进行动态调整,测量噪声、过程噪声和NLOS评价函数之间的关系如下:
R(k)=PTotal(k)·R0 (5)
Q(k-1)=[1-PTotal(k-1)]·Q0 (6)
现有的卡尔曼滤波算法没有考虑非视距环境引起的异常值,而且过程噪声和测量噪声为常数不能准确地描述传输过程中的噪声分布,基于上述描述,将融合过程中过程噪声和测量噪声的固定值替换为可变噪声方差,提出了一种新的集成系统融合策略,动态调整噪声滤波算法的预测方程如下:
式中Xk|k-1和Mk|k-1分别为得到测量值前第k步状态向量的先验状态估计和先验协方差矩阵;
对当前测量值的预测状态进行更新,建立卡尔曼滤波的更新方程如下:
式中Xk|k和Mk|k分别表示得到测量值后第k步状态向量的后验状态估计和后验协方差矩阵,Kk是卡尔曼增益矩阵;
S5,采用基于高斯分布的评估函数鉴别是否存在NLOS情况;
步骤S5所述的用基于高斯分布的NLOS评估概率函数鉴别是否存在NLOS情况,具体如下:
在非视距环境下,接收机接收到的信号存在偏置误差,会产生大量的离群值,导致定位精度严重下降甚至失效,当障碍物干扰信号的传输时,部分接收信号强度RSS被障碍物削弱,将沿直线到达接收机的RSS设为RSSF,并将实际接收到的RSS设置为RSSR,公式定义如下:
ΔRSS=RSSR-RSSF (10)
ΔRSS代表信号强度通过障碍时沿着直线传播被削弱的程度,反映了基站与标签之间的NLOS水平,当ΔRSS的差值超过一个上阈值ThH,表明接收信号在传输过程中显著衰减,且处于NLOS状态的概率较大,相反,当ΔRSS小于低阈值ThL,表示信号略有失真,且处于NLOS条件下,概率最小,以上过程描述为:
式中δ1和δ2为预先设定的置信水平,并且δ1,δ2∈(0,0.05),假设ΔRSS遵循高斯分布,表示为ΔRSS~N(μ,σ2);
式中lH和lL为标准正态随机变量,表示累积正态分布在1-δ1的值,通过以下方法得到阈值:
假设μ是ThH和ThL平均值,μ和σ表示为:
根据以上的假设和推导,标签与基站之间的NLOS程度通过概率密度函数来具体评估:
基于三边测量方法的超宽频系统有三个独立的基站A1、A2和A3,将之设为三个独立事件,P(ΔRSS(k))表示每个基站受NLOS条件的影响,根据独立事件,通过以下方法来评估运动目标处于NLOS条件的整体程度:
PTotal(k)=P(ΔRSSA1∪ΔRSSA2∪ΔRSSA3) (16)
=1-[1-P(ΔRSSA1)][1-P(ΔRSSA2)][1-P(ΔRSSA3)]
若存在NLOS,如上述步骤所述,通过自适应降噪滤波算法将惯导航位推算的坐标与超宽带的定位坐标进行融合,对UWB解算坐标数据进行修正,返回步骤5;若不存在NLOS,则采用UWB解析出当前坐标,完成实时定位。
作为本发明进一步改进,所述步骤S2为了准确表示步态状态之间的过渡关系,开始步态检测后,通过检测第一个加速度峰值来判断行人是否开始行走,不断的启动检测保证第一步的特征被完全检测到,一旦提取出第一个峰值,则进入下一个状态持续检测谷值,通过设置峰值阈值Thpeak和谷值阈值Thvalley,在谷值检测和峰值检测状态中检测每一步的整个周期,当谷值检测后检测到一个小于峰值Thpeak的峰值时,表示当前遍历过程结束,应该再次返回到初始状态,等待下一次开始检测。
本发明与现有技术相比,其显著优点为:
(1)在PDR步态检测过程中利用双频巴特沃斯滤波器检测峰谷,回溯过程不仅避免了假峰和假谷,而且消除了滤波过程造成的时间延迟;
(2)基于接收信号强度符合高斯分布的先验假设,提出了一个NLOS评估函数来计算信号衰减的概率,利用改进的动态调整噪声方差卡尔曼滤波算法将UWB和PDR数据融合,有效地消除了系统对噪声统计分布的依赖;
(3)利用行人航位推算PDR来补偿UWB信号丢失或非视距的情况,提高了系统的定位精度,保证了系统鲁棒性。
附图说明
图1为UWB/PDR组合定位原理图;
图2为PDR行人航位推算图;
图3为峰谷值步态检测流程图;
图4为动态降噪滤波原理。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明旨在提供一种基于自适应降噪算法的超宽带/PDR室内定位方法,首先采用双频巴特沃斯滤波器进行步态检测,基于经验模型估计步长,然后结合步长和航向信息建立行人航位推算PDR模型,并计算目标位置;通过超宽带系统的无漂移输出周期性标定目标位置;最后,通过NLOS评估函数对噪声分布进行动态调整,利用变噪声方差卡尔曼滤波算法建立UWB/PDR组合定位模型。本发明改进的PDR/UWB组合定位系统为室内定位应用提供了精确的定位信息,具有精度高和鲁棒性强的优点。
本发明的总体流程如图1所示,一种基于改进卡尔曼滤波算法的UWB/PDR室内定位方法,包括以下步骤:S1,建立UWB定位模型;S2,建立行人航位推算PDR模型;S3,建立UWB/PDR组合定位模型;S4,建立改进的卡尔曼滤波算法;S5,采用基于高斯分布的评估函数鉴别是否存在NLOS情况;
S1:建立UWB定位模型;
本发明UWB定位系统主要由三个基站和一个标签构成,利用无线通信双向测距获得基站和标签之间的距离,公式如下:
d=c*TTOF (1)
式中:d表示标签与基站的距离,c=3×108m/s,TTOT表示从定位标签发送数据到接收到基站发射的相应应答数据所消耗的时间,TTAT代表定位基站接收到数据到发射出应答数据包间隔的时间,TTOF代表数据在传播过程中消耗的时间。
通过TOF双向测距得到基站与标签之间的距离后,利用三边测量法定位出标签的位置,假设A1、A2、A3为三个定位基站,以基站为圆心,以测得的标签距离基站的距离为半径做圆,基站的坐标位置分别为(x1,y1),(x2,y2),(x3,y3),理想情况下所做的三个圆相交于一点O,交点O就是定位标签位置,假设交点O的坐标为(x,y),标签位置计算公式如下:
实际模型中三个圆基本不可能交于一点,可能相交于一片区域,或者根本不相交,方程组无法直接求解。因此对于上述定位算法,本发明采用最小二乘优化方法求解,该方法首先根据传感器特性构造误差函数,通过最小化该误差函数进行优化求解得到标签坐标。误差函数有多种形式,其中一种表示方法为:
假设要求解的坐标为(x′,y′),可通过最小化目标函数E(x,y)得到:
(x′,y′)=arg min E(x,y) (6)
S2:建立行人航位推算PDR模型;
PDR利用惯性传感器的原始数据来估计行人的步长和每一步的方向,从而达到对人员进行定位跟踪的目的。PDR算法的原理如图2所示,航迹递推公式如式
其中X、Y分别为x轴和y轴坐标,SL为步长,θ为航向角,即运动方向与x轴的夹角。
PDR算法一般包括3个部分:步态检测、步长估计和航向计算。
(1)步态检测
本发明提出了一种2Hz和5Hz双频组合巴特沃斯滤波器。首先通过2Hz低频滤波器得到每个周期的波峰和波谷,然后根据这些特征在5Hz高频滤波信号中回溯搜索真实的波峰和波谷,将低频和高频滤波信号的垂直加速度分别表示为aL和aH,峰值时刻分别为和谷值时刻分别为和因此,基于双频滤波器的峰谷值回溯过程首先从低频滤波信号中提取和然后在第k-1和k个低频峰值时间段内搜索高频滤波信号的最大和最小加速度,即和公式如下:
为了准确表示步态状态之间的过渡关系,本发明提出如图3所示的峰谷值步态检测流程图。开始步态检测后,通过检测第一个加速度峰值来判断行人是否开始行走,不断的启动检测可以保证第一步的特征被完全检测到。一旦提取出第一个峰值,则进入下一个状态持续检测谷值,通过设置峰值阈值Thpeak和谷值阈值Thvalley,在谷值检测和峰值检测状态中检测每一步的整个周期。当谷值检测后检测到一个小于峰值Thpeak的峰值时,表示当前遍历过程结束,应该再次返回到初始状态,等待下一次开始检测。
(2)步长估计
对于步长估计,采用非线性步长估计模型,即
式中:amax(k)和amin(k)为步态检测结果中第k步时间范围内加速度数据中的最大值和最小值,c为校准常量。
(3)航向计算
航向计算主要由磁力计和陀螺仪来完成,通过磁力计输出确定初始航向,陀螺仪确定方向改变量。地球是一个双极的磁体,其具有一个固定指向北向的磁分量,通过使用磁力计测量这个分量在三轴上的投影,从而可以确定惯性定位节点的朝向。对角速度值进行积分可以计算出角度的变化值。
S3:建立UWB/PDR组合定位模型,如图1所示;
S4:建立改进的卡尔曼滤波算法,具体如下:
根据卡尔曼滤波原理,PDR系统作为状态方程,公式如下:
X(k)=A X(k-1)+B u(k-1)+q(k-1) (10)
式中,A为状态转移矩阵和B为单位矩阵,k表示新的行人步长。X(k)=[x(k) y(k)]T为第k步运动目标的位置状态向量,q(k-1)为第k-1步过程噪声向量,设系统输入向量u(k-1)为:
根据UWB系统,测量方程设定如下:
Z(k)=HX(k)+r(k) (12)
Z(k)=[xUWB(k) yUWB(k)]T超宽频系统的输出位置,表示观测向量。H表示测量矩阵,r(k)表示第k步的测量噪声向量。
根据离群点的大小动态调整测量噪声和过程噪声的方差分布,利用所提出的NLOS评价函数对测量噪声和过程噪声的方差分布进行动态调整。测量噪声、过程噪声和NLOS评价函数之间的关系如下:
R(k)=PTotal(k)·R0 (13)
Q(k-1)=[1-PTotal(k-1)]·Q0 (14)
由于现有的卡尔曼滤波算法没有考虑非视距环境引起的异常值,而且过程噪声和测量噪声为常数不能准确地描述传输过程中的噪声分布。基于上述描述,将融合过程中过程噪声和测量噪声的固定值替换为可变噪声方差,提出了一种新的集成系统融合策略,如图4所示。
改进的卡尔曼滤波的预测方程如下:
式中Xk|k-1和Mk|k-1分别为得到测量值前第k步状态向量的先验状态估计和先验协方差矩阵。
对当前测量值的预测状态进行更新,建立卡尔曼滤波的更新方程如下:
式中Xk|k和Mk|k分别表示得到测量值后第k步状态向量的后验状态估计和后验协方差矩阵,Kk是卡尔曼增益矩阵。
S5:使用UWB进行实时定位,同时惯导依据初始位置进行行人航位推算,接收到RSS数据后,采用基于高斯分布的评估函数鉴别是否存在NLOS情况;
若存在NLOS,如上述步骤所述,通过改进的卡尔曼滤波算法将惯导航位推算的坐标与UWB的定位坐标进行融合,对UWB解算坐标数据进行修正,返回步骤5;若不存在NLOS,则采用UWB解析出当前坐标,完成实时定位。
基于高斯分布的NLOS评估函数:
在非视距环境下,接收机接收到的信号存在偏置误差,会产生大量的离群值,导致定位精度严重下降甚至失效。当障碍物干扰信号的传输时,部分接收信号强度(RSS)被障碍物削弱,将沿直线到达接收机的RSS设为RSSF,并将实际接收到的RSS设置为RSSR,公式定义如下:
ΔRSS=RSSR-RSSF (18)
ΔRSS代表信号强度通过障碍时沿着直线传播被削弱的程度,反映了基站与标签之间的NLOS水平。当ΔRSS的差值超过一个上阈值ThH,表明接收信号在传输过程中显著衰减,且处于NLOS状态的概率较大。相反,当ΔRSS小于低阈值ThL,表示信号略有失真,且处于NLOS条件下,概率最小。以上过程可描述为:
式中δ1和δ2为预先设定的置信水平,并且δ1,δ2∈(0,0.05),假设ΔRSS遵循高斯分布,可以表示为ΔRSS~N(μ,σ2)。
式中lH和lL为标准正态随机变量,表示累积正态分布在1-δ1的值,可以通过以下方法得到阈值:
假设μ是ThH和ThL平均值,μ和σ可表示为:
根据以上的假设和推导,标签与基站之间的NLOS程度可以通过概率密度函数来具体评估:
基于三边测量方法的超宽频系统有三个独立的基站A1、A2和A3,将之设为三个独立事件,P(ΔRSS(k))表示每个基站受NLOS条件的影响。根据独立事件,可以通过以下方法来评估运动目标处于NLOS条件的整体程度:
PTotal(k)=P(ΔRSSA1∪ΔRSSA2∪ΔRSSA3) (24)
=1-[1-P(ΔRSSA1)][1-P(ΔRSSA2)][1-P(ΔRSSA3)]
本发明提出一种基于改进卡尔曼滤波算法的UWB/PDR室内定位方法,针对室内定位应用,以超宽带定位信息为测量值,采用VNV卡尔曼滤波融合PDR系统输出,提出了一种基于异常值高斯分布的非视距评估函数并通过此NLOS评估函数动态调整噪声分布。本发明与现有技术相比,其显著优点为:(1)在PDR步态检测过程中利用双频巴特沃斯滤波器检测峰谷,回溯过程不仅避免了假峰和假谷,而且消除了滤波过程造成的时间延迟;(2)基于接收信号强度符合高斯分布的先验假设,提出了一个NLOS评估函数来计算信号衰减的概率,利用改进的动态调整噪声方差卡尔曼滤波算法将UWB和PDR数据融合,有效地消除了系统对噪声统计分布的依赖;(3)利用行人航位推算PDR来补偿UWB信号丢失或非视距的情况,提高了系统的定位精度,保证了系统鲁棒性。
以上所述,仅是本发明的较佳实施例之一,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.一种基于自适应降噪算法的超宽带/PDR室内定位方法,其特征在于,包括以下步骤:
S1,建立超宽带定位模型;
S2,建立行人航位推算PDR模型;
步骤S2所述的建立PDR定位模型步态检测方法,具体如下:
通过flow低频滤波器得到每个周期的波峰和波谷,然后根据这些特征在fhigh高频滤波信号中回溯搜索真实的波峰和波谷,将低频和高频滤波信号的垂直加速度分别表示为aL和aH,峰值时刻分别为和谷值时刻分别为和因此,基于双频滤波器的峰谷值回溯过程首先从低频滤波信号中提取和然后在第k-1和k个低频峰值时间段内搜索高频滤波信号的最大和最小加速度,即和公式如下:
S3,建立超宽带/PDR组合定位模型;
S4,建立动态调整降噪滤波算法;
步骤S4所述的建立自适应降噪滤波算法,具体如下:
根据卡尔曼滤波原理,PDR系统作为状态方程,公式如下:
X(k)=A X(k-1)+B u(k-1)+q(k-1) (2)
式中,A为状态转移矩阵和B为单位矩阵,k表示新的行人步长,X(k)=[x(k) y(k)]T为第k步运动目标的位置状态向量,q(k-1)为第k-1步过程噪声向量,设系统输入向量u(k-1)为:
根据UWB系统,测量方程设定如下:
Z(k)=HX(k)+r(k) (4)
Z(k)=[xUWB(k) yUWB(k)]T超宽频系统的输出位置,表示观测向量,H表示测量矩阵,r(k)表示第k步的测量噪声向量;
根据离群点的大小动态调整测量噪声和过程噪声的方差分布,利用所提出的NLOS评价函数对测量噪声和过程噪声的方差分布进行动态调整,测量噪声、过程噪声和NLOS评价函数之间的关系如下:
R(k)=PTotal(k)·R0 (5)
Q(k-1)=[1-PTotal(k-1)]·Q0 (6)
现有的卡尔曼滤波算法没有考虑非视距环境引起的异常值,而且过程噪声和测量噪声为常数不能准确地描述传输过程中的噪声分布,基于上述描述,将融合过程中过程噪声和测量噪声的固定值替换为可变噪声方差,提出了一种新的集成系统融合策略,动态调整噪声滤波算法的预测方程如下:
式中Xk|k-1和Mk|k-1分别为得到测量值前第k步状态向量的先验状态估计和先验协方差矩阵;
对当前测量值的预测状态进行更新,建立卡尔曼滤波的更新方程如下:
式中Xk|k和Mk|k分别表示得到测量值后第k步状态向量的后验状态估计和后验协方差矩阵,Kk是卡尔曼增益矩阵;
S5,采用基于高斯分布的评估函数鉴别是否存在NLOS情况;
步骤S5所述的用基于高斯分布的NLOS评估概率函数鉴别是否存在NLOS情况,具体如下:
在非视距环境下,接收机接收到的信号存在偏置误差,会产生大量的离群值,导致定位精度严重下降甚至失效,当障碍物干扰信号的传输时,部分接收信号强度RSS被障碍物削弱,将沿直线到达接收机的RSS设为RSSF,并将实际接收到的RSS设置为RSSR,公式定义如下:
ΔRSS=RSSR-RSSF (10)
ΔRSS代表信号强度通过障碍时沿着直线传播被削弱的程度,反映了基站与标签之间的NLOS水平,当ΔRSS的差值超过一个上阈值ThH,表明接收信号在传输过程中显著衰减,且处于NLOS状态的概率较大,相反,当ΔRSS小于低阈值ThL,表示信号略有失真,且处于NLOS条件下,概率最小,以上过程描述为:
式中δ1和δ2为预先设定的置信水平,并且δ1,δ2∈(0,0.05),假设ΔRSS遵循高斯分布,表示为ΔRSS~N(μ,σ2);
式中lH和lL为标准正态随机变量,表示累积正态分布在1-δ1的值,通过以下方法得到阈值:
假设μ是ThH和ThL平均值,μ和σ表示为:
根据以上的假设和推导,标签与基站之间的NLOS程度通过概率密度函数来具体评估:
基于三边测量方法的超宽频系统有三个独立的基站A1、A2和A3,将之设为三个独立事件,P(ΔRSS(k))表示每个基站受NLOS条件的影响,根据独立事件,通过以下方法来评估运动目标处于NLOS条件的整体程度:
若存在NLOS,如上述步骤所述,通过自适应降噪滤波算法将惯导航位推算的坐标与超宽带的定位坐标进行融合,对UWB解算坐标数据进行修正,返回步骤5;若不存在NLOS,则采用UWB解析出当前坐标,完成实时定位。
2.根据权利要求书1所述一种基于自适应降噪算法的超宽带/PDR室内定位方法,其特征在于:所述步骤S2为了准确表示步态状态之间的过渡关系,开始步态检测后,通过检测第一个加速度峰值来判断行人是否开始行走,不断的启动检测保证第一步的特征被完全检测到,一旦提取出第一个峰值,则进入下一个状态持续检测谷值,通过设置峰值阈值Thpeak和谷值阈值Thvalley,在谷值检测和峰值检测状态中检测每一步的整个周期,当谷值检测后检测到一个小于峰值Thpeak的峰值时,表示当前遍历过程结束,应该再次返回到初始状态,等待下一次开始检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128944.3A CN113899369B (zh) | 2021-09-26 | 2021-09-26 | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128944.3A CN113899369B (zh) | 2021-09-26 | 2021-09-26 | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113899369A true CN113899369A (zh) | 2022-01-07 |
CN113899369B CN113899369B (zh) | 2024-04-09 |
Family
ID=79029222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111128944.3A Active CN113899369B (zh) | 2021-09-26 | 2021-09-26 | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113899369B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928811A (zh) * | 2022-05-05 | 2022-08-19 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
CN115334447A (zh) * | 2022-07-14 | 2022-11-11 | 广东工业大学 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
CN116582818A (zh) * | 2023-07-06 | 2023-08-11 | 中国科学院空天信息创新研究院 | 一种基于uwb测距的非视距效应补偿室内定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101871052B1 (ko) * | 2016-10-18 | 2018-06-25 | 조선대학교산학협력단 | 하이브리드 실내 측위 시스템 및 그 방법 |
CN108225304A (zh) * | 2018-01-26 | 2018-06-29 | 青岛美吉海洋地理信息技术有限公司 | 基于多源传感器室内快速定位方法与系统 |
CN109916410B (zh) * | 2019-03-25 | 2023-04-28 | 南京理工大学 | 一种基于改进平方根无迹卡尔曼滤波的室内定位方法 |
CN112556689B (zh) * | 2020-10-30 | 2023-09-05 | 郑州联睿电子科技有限公司 | 一种融合加速度计和超宽带测距的定位方法 |
-
2021
- 2021-09-26 CN CN202111128944.3A patent/CN113899369B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928811A (zh) * | 2022-05-05 | 2022-08-19 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
CN115334447A (zh) * | 2022-07-14 | 2022-11-11 | 广东工业大学 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
CN115334447B (zh) * | 2022-07-14 | 2023-06-02 | 广东工业大学 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
CN116582818A (zh) * | 2023-07-06 | 2023-08-11 | 中国科学院空天信息创新研究院 | 一种基于uwb测距的非视距效应补偿室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113899369B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113899369B (zh) | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 | |
US7783302B2 (en) | Apparatus and method for determining a current position of a mobile device | |
EP3186654B1 (en) | Method and apparatus for real-time, mobile-based positioning according to sensor and radio frequency measurements | |
US10648816B2 (en) | Device and method for integrated navigation based on wireless fingerprints and MEMS sensors | |
González et al. | Mobile robot localization based on ultra-wide-band ranging: A particle filter approach | |
Liu et al. | Survey of wireless based indoor localization technologies | |
JP6301255B2 (ja) | 感度が制限された受信機を用いるrss測定に基づく距離推定方法 | |
Song et al. | Mobile node localization using fusion prediction-based interacting multiple model in cricket sensor network | |
US20160183057A1 (en) | Method and system for hybrid location detection | |
US20060149475A1 (en) | Determining relative spatial information between vehicles | |
CN112533163B (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
GB2511907A (en) | Environmental awareness for improved power consumption and responsiveness in positioning devices | |
Kim et al. | NLOS identification based UWB and PDR hybrid positioning system | |
CN113899370B (zh) | 一种基于gnss_uwb的多传感器组合室内外无缝定位方法 | |
CN114501300A (zh) | 一种基于空间环境误差模型的分布式定位算法 | |
CN112051545B (zh) | 基于蓝牙测距的地下矿井校正定位方法 | |
Li et al. | Research on a factor graph-based robust UWB positioning algorithm in NLOS environments | |
Aernouts et al. | Combining TDoA and AoA with a particle filter in an outdoor LoRaWAN network | |
Zhang et al. | Review on UWB-based and multi-sensor fusion positioning algorithms in indoor environment | |
Zhao et al. | Comparing centralized Kalman filter schemes for indoor positioning in wireless sensor network | |
KR20150112659A (ko) | 단말 이동 방향 결정 및 위치 보정 방법, 그리고 이를 이용한 측위 장치 | |
CN117570980A (zh) | 一种基于uwb与gps融合定位算法的方法及系统 | |
KR102153652B1 (ko) | 스마트 항만에서의 uwb 위치 측위 방법 | |
CN108332749B (zh) | 一种室内动态追踪定位方法 | |
Kong et al. | Hybrid indoor positioning method of BLE and monocular VINS based smartphone |
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 |