CN114034298B - 一种基于可重构智能表面的车辆定位方法 - Google Patents
一种基于可重构智能表面的车辆定位方法 Download PDFInfo
- Publication number
- CN114034298B CN114034298B CN202111299657.9A CN202111299657A CN114034298B CN 114034298 B CN114034298 B CN 114034298B CN 202111299657 A CN202111299657 A CN 202111299657A CN 114034298 B CN114034298 B CN 114034298B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- intelligent surface
- reconfigurable
- reconfigurable intelligent
- observation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000010363 phase shift Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
一种基于可重构智能表面的车辆定位方法，本发明涉及车辆定位方法。本发明目的是为了解决现有无线定位算法在直接链路受阻时性能下降，不能准确反映目标位置信息，并且对无线传感器网络和天线阵列需求高，在缺乏基础设施的环境中失效的问题。一种基于可重构智能表面的车辆定位方法具体过程为：步骤一、建立预测车辆位置模型；步骤二、建立虚拟视距链路；步骤三、基于步骤一和步骤二，获取观测信息并构造观测向量；步骤四、基于步骤一、步骤二、步骤三，利用扩展卡尔曼滤波器预测车辆位置。本发明用于信号处理技术领域。
Description
技术领域
本发明涉及车辆定位方法，具体涉及一种基于可重构智能表面的车辆定位方法，用于车辆跟踪、自主导航以及交通安全监测中来提升定位性能，属于信号处理技术领域。
背景技术
随着信息技术的进步和生活水平的提高，汽车已逐渐成为日常生活的必需品。然而，城市交通系统中汽车数量的激增势必导致交通事故发生率的上升。车辆作为移动节点的精准定位能够有效避免车辆碰撞和交通拥堵，有利于城市交通运行状态的实时监测和有效调度。车辆定位技术是智慧交通中的重要研究内容之一，是实现车辆安全通行的基本前提和重要保障，广泛应用在车辆跟踪、自主导航和交通安全监测等领域，其中全球定位系统(Global Position System，GPS)因其操作简便、覆盖范围大以及普适性强等优势被广泛应用。然而，当车辆处于遮挡、室内、隧道或地下车库等缺乏视距链路的环境时，GPS技术的性能会变得不稳定，甚至失效。因此，开发在GPS-Free条件下的车辆定位技术具有重要意义。
近年来许多GPS-Free的车辆定位技术被提出，根据实际场景以及定位性能的需求不同大致可分为三类：(1)基于无线信号的定位技术，例如利用到达时间(Time ofArrival，TOA)、到达角(Angle of Arrival，AOA)或接收信号强度(Received SignalStrength，RSS)等进行定位；(2)基于惯性导航系统的定位技术；(3)基于高精度地图的定位技术。这些方法中大部分都依赖于无线传感器网络的协作通信(如多边定位、V2X等)或天线阵列的角度测量，对硬件要求偏高，当环境中缺乏相应的基础设施时算法会失效。此外，复杂的城市交通场景会增加直达路径阻塞的概率，从而造成信号衰减、多径效应和信道异质等问题，导致现有技术性能不稳定。
发明内容
本发明目的是为了解决现有无线定位算法在直接链路受阻时性能下降，不能准确反映目标位置信息，并且对无线传感器网络和天线阵列需求高，在缺乏基础设施的环境中失效的问题，而提出一种基于可重构智能表面的车辆定位方法。
一种基于可重构智能表面的车辆定位方法具体过程为：
步骤一、建立预测车辆位置模型；
步骤二、建立虚拟视距链路；
步骤三、基于步骤一和步骤二，获取观测信息并构造观测向量；
步骤四、基于步骤一、步骤二、步骤三，利用扩展卡尔曼滤波器预测车辆位置。
本发明的有益效果为：
1.本发明所述的车辆定位方法利用可重构智能表面能够智能地重新配置无线传播环境的特性，建立车辆与外界之间的虚拟视距链路，解决了在复杂城市环境中由于缺乏视距传播途径而造成的信号衰减问题，有效提升了在缺乏视距链路条件下的定位性能。
2.本发明所述的基于可重构智能表面的车辆定位方法仅通过单路侧单元单天线系统即可完成对车辆的精准定位，有效降低了对硬件设施的需求。
附图说明
图1是本发明所述的一种基于可重构智能表面的车辆定位方法的流程框图；
图2是本发明所述的一种基于可重构智能表面的车辆定位方法的系统模型图；
图3是采用本发明所述的一种基于可重构智能表面的车辆定位方法预测的车辆运动轨迹图；
图4是采用本发明所述的一种基于可重构智能表面的车辆定位方法获取的各时间点定位的均方根误差图。
具体实施方式
具体实施方式一：本实施方式一种基于可重构智能表面的车辆定位方法具体过程为：
步骤一、建立预测车辆位置模型；
步骤二、建立虚拟视距链路；
步骤三、基于步骤一和步骤二，获取观测信息并构造观测向量；
步骤四、基于步骤一、步骤二、步骤三，利用扩展卡尔曼滤波器预测车辆位置。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中建立预测车辆位置模型，步骤如下：
步骤一一、构造包含车辆位置和速度信息的状态向量xk，xk＝[px,k,vx,k,py,k,vy,k]T；
其中px,k和py,k表示k时刻车辆在二维笛卡尔坐标系中x轴方向和y轴方向上的坐标位置，vx,k和vy,k分别表示px,k和py,k对应的速度，上角标T表示转置；xk表示k时刻车辆的状态向量；
步骤一二、假设车辆在任意两个相邻时刻内近似为恒速模型，满足xk＝Fxk-1+Gω；
其中F表示状态转移矩阵，Δt表示采样间隔；ω为均值为零，协方差矩阵为Q的高斯噪声；G为高斯噪声ω的噪声驱动矩阵，xk-1表示k-1时刻车辆的状态向量；
步骤一三、利用状态转移矩阵F对k时刻车辆的状态向量xk进行预测得到
其中为k-1时刻车辆的状态向量xk-1的最优估计；/>为k时刻车辆的状态向量xk的估计(k|k-1是利用k-1时刻的最优估计值/>计算出k时刻的估计值并不是最优的，还需要进一步计算得到k时刻的最优估计值/>
卡尔曼滤波器是一个递归的过程，假设初始时已知状态向量x0的值，卡尔曼滤波器可以利用x0的值推算出下一时刻状态向量x1的最佳估计值然后将/>作为该时刻的真实值推算x2的最佳估计值/>如此往复循环，一直这么递归下去。/>就是k-1时刻的状态向量xk-1的最佳估计值，是通过/>计算出来的。初始的x0在下面的具体实施方式中给出了，即x0＝[125m,-10m/s,50m,2m/s]T。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二中建立虚拟视距链路，步骤如下：
步骤二一、针对缺乏视距链路的复杂场景，采用可重构智能表面技术建立车辆与路侧单元的虚拟视距链路，参考基于传播损耗与阴影效应的路径损耗模型，k时刻信号通过由可重构智能表面建立的虚拟视距链路传播至车辆，车辆接收的信号强度为
其中s(Γk)表示车辆接受信号强度的真实值，下角标n表示可重构智能表面N个元素中的第n个，1≤n≤N，整个系统以第一个元素为基准，δ和λ分别为发射信号的功率和波长，为路侧单元到可重构智能表面第n个元素的距离，/>为k时刻可重构智能表面第n个元素到车辆的距离，/>为路侧单元对可重构智能表面第n个元素的天线增益，/>为车辆对可重构智能表面第n个元素的天线增益，ξ为标准差为σ1的零均值高斯随机阴影分量，Γk＝[Γ1,k,Γ2,k,...,Γn,k,...,ΓN,k]T表示可重构智能表面元素的反射因子，其中αn,k为可重构智能表面的幅度参数，cn,k为可重构智能表面的相移参数，用于控制元素相位；j为虚数，j2＝-1；
步骤二二、可重构智能表面反射信号在远场时可近似为平面波，此时N个元素反射到车辆的信号角度相等，在此基础上可推出k时刻可重构智能表面第n个元素到车辆的距离满足
其中为k时刻可重构智能表面第一个元素到车辆的距离；d为可重构智能表面元素间距，θk|k-1为利用k时刻车辆的状态向量xk的估计/>得到的车辆方位角， 为基于/>得到的k时刻车辆位置预测值；
步骤二三、为了实现可重构智能表面所有元素的反射信号在θk|k-1方向上的相长干涉，调整Γn,k使Γn,k满足进而得到可重构智能表面的相移参数/>此时车辆接收到的信号具有相同的相位并且接收信号强度值最大，完成虚拟视距链路的建立；
为路侧单元到可重构智能表面第1个元素的距离。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述远场满足
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述可重构智能表面的幅度参数αn,k＝1。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤三中基于步骤一和步骤二，获取观测信息并构造观测向量，步骤如下：
步骤三一、以可重构智能表面的第一个元素为基准，测量路侧单元发射的信号经可重构智能表面反射到车辆的传输时间为
其中c表示光速；为零均值高斯随机噪声；/>为k时刻可重构智能表面第一个元素到车辆距离的估计值；
等式两边同乘光速c可进一步得到
其中为k时刻可重构智能表面第一个元素到车辆的距离；/>代表标准差为σ2的零均值高斯随机噪声；
步骤三二、将步骤二推出的和代入接收信号强度公式中，化简得到通过虚拟视距链路获取接收信号强度/>的理论值为
公式的推导过程如下：首先将cn,k和代入到第一个/>中，实现相长干涉，此时所有信号的相位相同，因此可推出
接下来将绝对值号去掉，保留幅值部分得到
最后将代入就得到/>的理论值。
步骤三三、基于步骤三一和步骤三二构造观测向量
其中hk(xk)为中间变量，wk是观测噪声协方差矩阵为R的零均值观测噪声。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述观测噪声协方差矩阵为
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述步骤四中基于步骤一、步骤二、步骤三，利用扩展卡尔曼滤波器预测车辆位置，步骤如下：
步骤四一、利用一阶泰勒展开的方法将状态向量xk与观测向量zk之间的非线性映射关系转换成线性映射关系，求得观测矩阵
其中
其中
步骤四二、基于观测矩阵Hk和观测噪声协方差矩阵R计算得到卡尔曼增益
其中Pk|k-1为k时刻的预测误差协方差矩阵，Pk|k-1＝FPk-1|k-1FT+GQGT，Pk-1|k-1为k-1时刻的估计误差协方差矩阵；
步骤四三、根据卡尔曼增益Kk、观测矩阵Hk和预测误差协方差矩阵Pk|k-1，更新k时刻的估计误差协方差矩阵Pk|k＝(I-KkHk)Pk|k-1；
式中I表示单位矩阵；
并且获取k时刻车辆的状态向量的最优估计即预测得到车辆位置；
为将hk(xk)中的xk替换为/>而得到的中间变量的估计值；
其中k时刻车辆在x轴方向和y轴方向上的速度vx,k和vy,k通过惯性导航系统读取。
其它步骤及参数与具体实施方式一至七之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本发明利用可重构智能表面技术，智能地重新配置无线传播环境。当目标车辆行驶在城区、隧道或室内，其直接链路受到严重阻塞时，通过可重构智能表面为车辆与外界之间智能地创造一个虚拟视距链路，实现车辆与外界的通信。在此基础上利用扩展卡尔曼滤波器完成车辆位置信息的融合，实现车辆的动态定位。
参阅图1，本发明所述的一种基于可重构智能表面的车辆定位方法的MATLAB仿真实验步骤如下：
1.建立预测车辆位置模型，步骤如下：
1)构造车辆的状态向量xk，xk＝[px,k,vx,k,py,k,vy,k]T，
其中px,k和py,k表示k时刻车辆在二维笛卡尔坐标系中x轴方向和y轴方向上的坐标位置，vx,k和vy,k表示对应的速度，上角标T表示转置；
以可重构智能表面的第一个元素为原点建立二维笛卡尔坐标系，实验中系统真实的初始状态向量为x0＝[125m,-10m/s,50m,2m/s]T；
2)车辆在短时隙Δt内近似为恒速模型，因此满足xk＝Fxk-1+Gω，其中状态转移矩阵ω为均值为零，协方差矩阵为Q的高斯噪声，G为高斯噪声ω的噪声驱动矩阵，/>
实验中Δt＝0.5s，Q＝diag(5×10-4,10-3)；
3)利用状态转移矩阵F对k时刻车辆的状态向量xk进行预测得到其中/>为k-1时刻车辆的状态向量的最优估计；
实验中假设车辆在x轴方向和y轴方向上的初始位置均有10m的偏差，系统初始状态向量为
2.建立虚拟视距链路，步骤如下：
1)针对缺乏视距链路的复杂场景，采用可重构智能表面技术建立车辆与路侧单元的虚拟视距链路，如图2所示，参考基于传播损耗与阴影效应的路径损耗模型，k时刻信号通过由可重构智能表面建立的虚拟视距链路传播至车辆的接收信号强度为其中下角标n表示可重构智能表面N个元素中的第n个，1≤n≤N，整个系统以第一个元素为基准，δ和λ分别为发射信号的功率和波长，/>和/>分别为路侧单元到可重构智能表面第n个元素的距离和k时刻第n个元素到车辆的距离，/>和/>分别为路侧单元和车辆对第n个元素的天线增益，ξ为标准差为σ1的零均值高斯随机阴影分量，Γk＝[Γ1,k,Γ2,k,...,Γn,k,...,ΓN,k]T表示可重构智能表面元素的反射因子，其中/>αn,k为可重构智能表面的幅度参数，通常αn,k＝1，cn,k为可重构智能表面的相移参数，用于控制元素相位；
实验中可重构智能表面的元素数量为N＝50，天线增益和/>均为1，路侧单元位于(2m,2m)，其发射信号的功率和波长分别为δ＝0dB和λ＝0.1m，ξ的标准差σ1＝4dB；
2)可重构智能表面反射信号在远场时可近似为平面波，此时通过N个元素反射到车辆的信号角度相等，在此基础上可推出k时刻第n个元素到车辆的距离满足其中d为可重构智能表面元素间距，/>为利用k时刻车辆的状态向量的估计/>得到的车辆方位角，/>为k时刻可重构智能表面第1个元素到车辆的距离；
实验中元素间隔d＝0.05m；
3)为了实现可重构智能表面所有元素的反射信号在θk|k-1方向上的相长干涉，调整Γn,k使其满足进而得到可重构智能表面的相移参数为此时车辆接收到的信号具有相同的相位并且接收信号强度值最大，完成虚拟视距链路的建立；
3.获取观测信息并构造观测向量，步骤如下：
1)以可重构智能表面的第一个元素为基准，通过虚拟视距链路测量信号到达时间为其中c表示光速，/>为零均值高斯随机噪声，等式两边同乘c得到可重构智能表面与车辆之间的距离/> 代表标准差为σ2的零均值高斯随机噪声；
实验中的标准差σ2＝1m；
2)调整相移参数cn,k实现反射信号在车辆处的相长干涉，通过虚拟视距链路获取接收信号强度的观测值根据/>和/>可推出/>的理论值为/>
3)构造观测向量其中hk(xk)为车辆的状态向量与接收信号强度和距离之间的映射矩阵，wk是协方差矩阵为/>的零均值观测噪声；
4.利用扩展卡尔曼滤波器预测车辆位置，步骤如下：
1)利用一阶泰勒展开的方法将状态向量xk与观测向量zk之间的非线性映射关系转换成线性映射关系，求得观测矩阵其中 其中
2)通过观测矩阵Hk和观测噪声协方差矩阵R计算得到卡尔曼增益其中Pk|k-1＝FPk-1|k-1FT+GQGT为k时刻的预测误差协方差矩阵，Pk-1|k-1为k-1时刻的估计误差协方差矩阵；
实验中初始协方差矩阵为P0|0＝I4×4，其中I4×4为四阶单位矩阵；
3)根据卡尔曼增益Kk、观测矩阵Hk和预测误差协方差矩阵Pk|k-1，更新估计误差协方差矩阵Pk|k＝(I-KkHk)Pk|k-1，式中I表示单位矩阵，并且获取k时刻车辆的状态向量的最优估计即预测得到车辆的位置，其中k时刻车辆在x轴方向和y轴方向上的速度vx,k和vy,k通过惯性导航系统读取。
观测时长为60s，采样间隔为Δt＝0.5s，预测得到的车辆运动轨迹图如图3所示。从图3可以发现初始时位置的估计值与车辆的真实位置有较大的偏差，但是收敛速度非常快，收敛后预测的车辆运动轨迹与真实轨迹基本重合。
改变σ1和σ2的值，分别进行1000次蒙特卡洛实验，根据均方根误差(Root MeanSquared Error，RMSE)公式其中为k时刻第i次蒙特卡洛实验预测的车辆位置，得到60s内预测位置的均方根误差如图4所示。从图4可以看出定位性能与时间呈正相关，与σ1和σ2呈负相关。在20s后扩展卡尔曼滤波器收敛，并且最终的定位误差稳定在0.18m至0.36m之间。综上所述，本实施例证明了所述的基于可重构智能表面的车辆定位方法的有效性和可靠性。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种基于可重构智能表面的车辆定位方法，其特征在于：所述方法具体过程为：
步骤一、建立预测车辆位置模型；
步骤二、建立虚拟视距链路；
步骤三、基于步骤一和步骤二，获取观测信息并构造观测向量；
步骤四、基于步骤一、步骤二、步骤三，利用扩展卡尔曼滤波器预测车辆位置；
所述步骤二中建立虚拟视距链路，步骤如下：
步骤二一、k时刻信号通过由可重构智能表面建立的虚拟视距链路传播至车辆，车辆接收的信号强度为
其中s(Γk)表示车辆接受信号强度的真实值，下角标n表示可重构智能表面N个元素中的第n个，1≤n≤N，δ和λ分别为发射信号的功率和波长，为路侧单元到可重构智能表面第n个元素的距离，/>为k时刻可重构智能表面第n个元素到车辆的距离，/>为路侧单元对可重构智能表面第n个元素的天线增益，/>为车辆对可重构智能表面第n个元素的天线增益，ξ为标准差为σ1的零均值高斯随机阴影分量，Γk＝[Γ1,k,Γ2,k,…,Γn,k,…,ΓN,k]T表示可重构智能表面元素的反射因子，其中/>αn,k为可重构智能表面的幅度参数，cn,k为可重构智能表面的相移参数；j为虚数，j2＝-1；
步骤二二、可重构智能表面反射信号在远场时为平面波，此时N个元素反射到车辆的信号角度相等，推出k时刻可重构智能表面第n个元素到车辆的距离满足
其中为k时刻可重构智能表面第一个元素到车辆的距离；d为可重构智能表面元素间距，θk|k-1为利用k时刻车辆的状态向量xk的估计/>得到的车辆方位角；
步骤二三、为了实现可重构智能表面所有元素的反射信号在θk|k-1方向上的相长干涉，调整Γn,k使Γn,k满足进而得到可重构智能表面的相移参数/>此时车辆接收到的信号具有相同的相位并且接收信号强度值最大，完成虚拟视距链路的建立；
为路侧单元到可重构智能表面第1个元素的距离。
2.根据权利要求1所述一种基于可重构智能表面的车辆定位方法，其特征在于：所述步骤一中建立预测车辆位置模型，步骤如下：
步骤一一、构造包含车辆位置和速度信息的状态向量xk，xk＝[px,k,vx,k,py,k,vy,k]T；
其中px,k和py,k表示k时刻车辆在二维笛卡尔坐标系中x轴方向和y轴方向上的坐标位置，vx,k和vy,k分别表示px,k和py,k对应的速度，上角标T表示转置；xk表示k时刻车辆的状态向量；
步骤一二、假设车辆在任意两个相邻时刻内为恒速模型，满足xk＝Fxk-1+Gω；
其中F表示状态转移矩阵，Δt表示采样间隔；ω为均值为零，协方差矩阵为Q的高斯噪声；G为高斯噪声ω的噪声驱动矩阵，/>xk-1表示k-1时刻车辆的状态向量；
步骤一三、利用状态转移矩阵F对k时刻车辆的状态向量xk进行预测得到
其中为k-1时刻车辆的状态向量xk-1的最优估计；/>为k时刻车辆的状态向量xk的估计。
3.根据权利要求2所述一种基于可重构智能表面的车辆定位方法，其特征在于：所述远场
4.根据权利要求3所述一种基于可重构智能表面的车辆定位方法，其特征在于：所述可重构智能表面的幅度参数αn,k＝1。
5.根据权利要求4所述一种基于可重构智能表面的车辆定位方法，其特征在于：所述步骤三中基于步骤一和步骤二，获取观测信息并构造观测向量，步骤如下：
步骤三一、以可重构智能表面的第一个元素为基准，测量路侧单元发射的信号经可重构智能表面反射到车辆的传输时间为
其中c表示光速；为零均值高斯随机噪声；/>为k时刻可重构智能表面第一个元素到车辆距离的估计值；
等式两边同乘光速c可进一步得到
其中为k时刻可重构智能表面第一个元素到车辆的距离；/>代表标准差为σ2的零均值高斯随机噪声；
步骤三二、将步骤二推出的和/>代入接收信号强度公式/>中，化简得到通过虚拟视距链路获取接收信号强度/>的理论值为
步骤三三、基于步骤三一和步骤三二构造观测向量
其中hk(xk)为中间变量，wk是观测噪声协方差矩阵为R的零均值观测噪声。
6.根据权利要求5所述一种基于可重构智能表面的车辆定位方法，其特征在于：所述观测噪声协方差矩阵为
7.根据权利要求6所述一种基于可重构智能表面的车辆定位方法，其特征在于：所述步骤四中基于步骤一、步骤二、步骤三，利用扩展卡尔曼滤波器预测车辆位置，步骤如下：
步骤四一、利用一阶泰勒展开的方法将状态向量xk与观测向量zk之间的非线性映射关系转换成线性映射关系，求得观测矩阵
其中
其中
步骤四二、基于观测矩阵Hk和观测噪声协方差矩阵R计算得到卡尔曼增益
其中Pk|k-1为k时刻的预测误差协方差矩阵，Pk|k-1＝FPk-1|k-1FT+GQGT，Pk-1|k-1为k-1时刻的估计误差协方差矩阵；
步骤四三、根据卡尔曼增益Kk、观测矩阵Hk和预测误差协方差矩阵Pk|k-1，更新k时刻的估计误差协方差矩阵Pk|k＝(I-KkHk)Pk|k-1；
式中I表示单位矩阵；
并且获取k时刻车辆的状态向量的最优估计即预测得到车辆位置；
为将hk(xk)中的xk替换为/>而得到的中间变量的估计值；
其中k时刻车辆在x轴方向和y轴方向上的速度vx,k和vy,k通过惯性导航系统读取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111299657.9A CN114034298B (zh) | 2021-11-04 | 2021-11-04 | 一种基于可重构智能表面的车辆定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111299657.9A CN114034298B (zh) | 2021-11-04 | 2021-11-04 | 一种基于可重构智能表面的车辆定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114034298A CN114034298A (zh) | 2022-02-11 |
| CN114034298B true CN114034298B (zh) | 2023-11-03 |
Family
ID=80136194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111299657.9A Active CN114034298B (zh) | 2021-11-04 | 2021-11-04 | 一种基于可重构智能表面的车辆定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114034298B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114608590B (zh) * | 2022-03-09 | 2024-04-30 | 吉林大学 | 一种恶劣环境下基于智能反射表面的多车辆追踪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016112758A1 (zh) * | 2015-01-15 | 2016-07-21 | 中兴通讯股份有限公司 | 终端的定位方法及装置 |
| CN106767783A (zh) * | 2016-12-15 | 2017-05-31 | 东软集团股份有限公司 | 基于车载通信的定位修正方法和装置 |
| CN109147390A (zh) * | 2018-08-20 | 2019-01-04 | 浙江工业大学 | 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法 |
| CN109190811A (zh) * | 2018-08-20 | 2019-01-11 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 |
| CN109668555A (zh) * | 2019-01-17 | 2019-04-23 | 北京交通大学 | 基于ins和有源rfid组合的隧道内车辆定位系统及定位方法 |
| CN112073895A (zh) * | 2019-06-10 | 2020-12-11 | 重庆邮电大学 | 一种基于csi高精度人员定位跟踪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6689659B2 (ja) * | 2016-04-19 | 2020-04-28 | クラリオン株式会社 | 位置推定装置、及び、推定方法 |
| US10784841B2 (en) * | 2018-03-08 | 2020-09-22 | Cnh Industrial America Llc | Kalman filter for an autonomous work vehicle system |
-
2021
- 2021-11-04 CN CN202111299657.9A patent/CN114034298B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016112758A1 (zh) * | 2015-01-15 | 2016-07-21 | 中兴通讯股份有限公司 | 终端的定位方法及装置 |
| CN106767783A (zh) * | 2016-12-15 | 2017-05-31 | 东软集团股份有限公司 | 基于车载通信的定位修正方法和装置 |
| CN109147390A (zh) * | 2018-08-20 | 2019-01-04 | 浙江工业大学 | 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法 |
| CN109190811A (zh) * | 2018-08-20 | 2019-01-11 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 |
| CN109668555A (zh) * | 2019-01-17 | 2019-04-23 | 北京交通大学 | 基于ins和有源rfid组合的隧道内车辆定位系统及定位方法 |
| CN112073895A (zh) * | 2019-06-10 | 2020-12-11 | 重庆邮电大学 | 一种基于csi高精度人员定位跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| RSS协助的Ray-tracing室内定位算法;史云飞;郝永生;刘德亮;王波;;信号处理(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114034298A (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Woo et al. | Application of WiFi-based indoor positioning system for labor tracking at construction sites: A case study in Guangzhou MTR | |
| Parker et al. | Vehicular node localization using received-signal-strength indicator | |
| CN110045324B (zh) | 一种基于uwb和蓝牙技术的室内定位融合方法 | |
| Parker et al. | Cooperative vehicle position estimation | |
| CN113706612B (zh) | 融合uwb和单目视觉slam的煤矿井下车辆定位方法 | |
| Aernouts et al. | Combining TDoA and AoA with a particle filter in an outdoor LoRaWAN network | |
| Galov et al. | Bayesian filters for ToF and RSS measurements for indoor positioning of a mobile object | |
| CN104698453A (zh) | 基于合成孔径天线阵列的雷达信号被动定位方法 | |
| CN105357754A (zh) | 一种基于无线网络的移动节点组合定位方法 | |
| CN114034298B (zh) | 一种基于可重构智能表面的车辆定位方法 | |
| CN114537477B (zh) | 一种基于tdoa的列车定位追踪方法 | |
| Zhang et al. | Tracking mobile robot in indoor wireless sensor networks | |
| CN110865338B (zh) | 一种基于水下机动平台的未知周期声信标高精度定位方法 | |
| Wu et al. | UAV-based target tracking: Integrating sensing into communication signals | |
| CN112180323A (zh) | 基于Wi-Fi的TOA与AOA室内联合定位算法研究 | |
| Kohlbacher et al. | A low cost omnidirectional relative localization sensor for swarm applications | |
| Page et al. | Enhanced situational awareness with signals of opportunity: RSS-based localization and tracking | |
| Chen et al. | TDOA/FDOA mobile target localization and tracking with adaptive extended Kalman filter | |
| Saleh et al. | Vehicular positioning using mmWave TDOA with a dynamically tuned covariance matrix | |
| Bakhuraisa et al. | A survey of ranging techniques for vehicle localization in intelligence transportation system: challenges and opportunities | |
| Destiarti et al. | Modified iterated extended Kalman filter for mobile cooperative tracking system | |
| CN112684411A (zh) | 一种基于改进到达频率差的水下目标定位方法 | |
| Chen et al. | Recursive estimation of vehicle position by using navigation sensor fusion | |
| Rockl et al. | Hybrid fusion approach combining autonomous and cooperative detection and ranging methods for situation-aware driver assistance systems | |
| CN114608590B (zh) | 一种恶劣环境下基于智能反射表面的多车辆追踪方法 |
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 |