CN115119141A - 一种可用于复杂室内环境基于卡尔曼滤波的uwb定位方法 - Google Patents

Abstract

本发明公开一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，属于计算、推算或计数的技术领域。该方法首先采用五个或以上基站的测距结果构建定位解算方程组，选取在非视距情况下定位误差敏感的CHAN方法进行解算，将解算结果与各基站的位置进行残差处理，并划分出不同的置信区域。然后对于不同置信区域，预先设定匹配的卡尔曼滤波增益系数K，从而提高视距和非视距场景转换的定位结果稳定性，降低转换过程中的定位误差。实验结果表明，该方法可以将非视距场景下的定位误差降低至80厘米，满足室内精准定位的需求。

Description

一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法

技术领域

本发明涉及室内定位技术，具体公开一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，属于计算、推算或计数的技术领域。

背景技术

随着科技的发展，各种无线通信系统相继出现，这使得以通信为基础的导航、定位等技术迅速发展。全球定位系统(GPS，Global Positioning System)是一个由24颗卫星组成并覆盖全球的卫星系统，在室外空旷地带定位效果很好，但是GPS信号的接收功率很小，并且在有障碍物遮挡时会出现很大的误差，因此并不适用于室内定位。针对GPS不适于室内定位的问题，蓝牙定位、无线局域网定位、红外线定位、超宽带(UWB，Ultra Wide Band)定位等各种室内定位方法相继出现。相比于其它室内定位技术，UWB定位通过计算脉冲到达时间完成距离的测量，从而实现目标的定位，具有很高的频率和时间分辨率，多径信号在时间上不容易重叠，方便接收机分离多径信号分量并充分利用，提升定位精度。因此，UWB定位精度可达到分米级，且抗干扰能力及抗多径衰落能力强，满足室内精准定位的要求。

然而，随着室内定位技术的飞速发展，人们对室内定位精度的需求越来越高。随着室内环境复杂度的逐步提高，室内非视距情况下定位误差对定位精度的影响逐渐增大，如何降低非视距情况下定位误差对定位精度的影响显得尤为重要。卡尔曼滤波在降低室内非视距情况下定位误差方面有着广泛的应用，但其在视距与非视距场景转换过程中会产生新的误差。因此，亟待针对复杂室内定位环境提出一种基于卡尔曼滤波的改进型UWB定位方法以期降低非视距情况下定位误差对UWB定位精度的影响。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法。面向室内复杂环境，以UWB定位系统为基准，应用卡尔曼滤波，给出降低UWB室内定位中非视距误差的改进技术方案，实现提高复杂室内环境下定位精度的发明目的，解决现有UWB定位技术用于复杂室内环境时精度有待提高以及卡尔曼滤波在视距与非视距场景频繁转换下产生新误差的技术问题。

本发明为实现上述发明目的采用如下技术方案：

一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，计算当前测量时刻不同基站组合下的CHAN定位结果；获取当前测量时刻不同基站组合下CHAN定位结果的残差；根据当前测量时刻不同基站组合下CHAN定位结果残差的最小值和最大值计算当前测量时刻的置信因子；对当前测量时刻不同基站组合下CHAN定位结果的残差进行加权，获取卡尔曼滤波初始值；根据当前测量时刻的置信因子取值选取卡尔曼滤波增益取值；根据卡尔曼滤波初始值及卡尔曼滤波增益预测下一时刻的定位结果。

进一步地，一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法中，当前测量时刻不同基站组合下CHAN定位结果的残差为：

其中，R_es(X_r,S_r)为当前测量时刻在基站组合索引集S_r下CHAN定位结果的残差，D_i为第i个基站到Tag的实际距离，X_r为在第r种基站组合下的CHAN定位结果，X_i为第i个基站的位置，r＝1,2,...,M，

l＞4，N为基站总数。

再进一步地，一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法中，当前测量时刻的置信因子为

α为当前测量时刻的置信因子，γ为当前测量时刻在基站组合索引集S_r下CHAN定位结果的残差的最小值，γ＝min{R_es(X_r,S_r)}。

再进一步地，一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法中，对当前测量时刻不同基站组合下CHAN定位结果的残差进行加权的表达式为：

x_Tag为卡尔曼滤波初始值。

再进一步地，一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法中，根据当前测量时刻的置信因子取值选取卡尔曼滤波增益取值的表达式为：

K_new为卡尔曼滤波增益，δ₁、δ₂为划分卡尔曼滤波增益置信区间的阈值。

更进一步地，一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法中，根据所述卡尔曼滤波初始值及卡尔曼滤波增益预测下一时刻的定位结果的具体方法为：

根据当前测量时刻状态的最优估计结果

预测下一测量时刻的状态

更新下一时刻状态

根据当前时刻协方差阵的最优估计结果P(k|k)预测下一测量时刻协方差阵P(k+1|k)：

P(k+1|k)＝ΦP(k|k)Φ^T+ΓQΓ^T；

更新下一测量时刻协方差阵P(k+1|k+1)：

P(k+1|k+1)＝[I_n-K_new(k+1)H]P(k+1|k)；

其中，Φ为状态转移矩阵，ε(k+1)为下一测量时刻的预测误差，Y(k+1)为下一测量时刻状态的观测信号，H为观测矩阵，Γ为噪声驱动矩阵，Q为协方差矩阵，I_n为单位矩阵。

本发明采用上述技术方案，具有以下有益效果：本发明通过根据每一测量时刻不同基站组合下的CHAN定位结果的残差，计算表征卡尔曼滤波增益对预测结果置信度的置信因子，在每一测量时刻都实时更新卡尔曼滤波增益并结合CHAN定位结果残差优化卡尔曼滤波初始值，所提出的改进算法能够应对视距与非视距场景频繁转换复杂室内定位环境，解决卡尔曼滤波在定位初始时定位精度不高和卡尔曼滤波增益K在复杂室内定位场景下产生新误差的问题，定位精度优于CHAN定位算法、未改进的基于CHAN的卡尔曼滤波算法。

附图说明

图1为TDOA定位算法示意图。

图2为本发明基于CHAN的改进卡尔曼滤波的流程图。

图3为本发明实施例中真实运动轨迹仿真图。

图4为本发明实施例中运动轨迹仿真图。

图5为本发明实施例中x-y运动轨迹仿真图。

图6为本发明实施例中x-z运动轨迹仿真图。

图7为本发明实施例中y-z运动轨迹仿真图。

图8为本发明实施例中定位误差仿真图。

图9为本发明实施例中RMSE-测量误差仿真图。

图10为本发明实施例中ΔK-时间仿真图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

本发明分析UWB定位系统在室内复杂环境下定位误差并建立数学模型，基于卡尔曼滤波和残差理论，提出降低定位误差的方法。

根据UWB室内定位系统中各节点在无线网络中的作用和类型，将UWB室内定位系统中的节点分为两类：第一类是作为坐标系参考的已知节点，称作锚节点，也可以称为基站(BS,Base Station)，主要作用是接收待测目标位置发出的信号以及上传数据至上位机；第二类是作为待测节点的标签(Tag)，其主要是作为待测目标给基站发送信号。

在实际室内定位中，LOS和NLOS场景分布基本是相等的。假设对于某一个BS而言，随着时间的推移，Tag与该BS之间的环境是在LOS场景与NLOS场景间不断转换，如果不能及时地分辨LOS信号和NLOS信号，并对不同信号进行适当地处理，则会导致定位结果的误差较大。所以为了真实描述室内复杂定位环境，本发明假设：

P_LOS＝P_NLOS (1)

式(1)中，P_LOS,P_NLOS分别为在复杂室内定位环境下LOS场景的出现概率和NLOS场景的出现概率。

基于不同的测量参数，建立UWB室内定位系统的模型。目前常用的室内定位系统模型有：泊松模型、POCA-NAZA模型、S-V模型、双簇模型和IEEE802.15.4a模型等。其中，IEEE802.15.4a模型是现阶段研究最多的模型，本发明采用IEEE802.15.4a模型。

对于一个UWB室内定位系统，考虑到一个无线网络中有N个BS和1个Tag，其中，BS_i＝[x_i,y_i,z_i]^T是第i个BS的位置，Tag与第i个BS之间的测量距离d_ilos可表示为：

d_ilos＝d_i+n_i＝cτ_i,i＝1,2,3...,N (2)

式(2)中，c为光速，c的取值是3*10⁸m/s，τ_i为Tag发送的信号到达BS_i的时间，d_i为Tag发送的信号到达BS_i的真实距离，n_i是Tag与第i个BS之间的信道的加性高斯白噪声，n_i满足

分布，

为Tag与第i个BS之间的信道分布的加性高斯白噪声的方差。

根据IEEE802.15.4a的研究结果表明，室内情况下NLOS误差的分布是满足Nakagami-m分布，其均方根时延扩展τ_rms和平均超量时延μ有近似1：1的关系。因此，NLOS误差服从指数分布，其概率密度函数为：

式(3)中，τ_rms可看成是满足对数正态分布的随机变量。表1给出了IEEE802.15.4a中室内住宅和室内办公室的τ_rms，其中，μ_nlos和σ_nlos分别是τ_rms的均值和标准差。

表1 IEEE802.15.4a信道模型NLOS参数

根据上述情况，在复杂室内办公室的环境中，UWB室内定位的距离模型可以建模为：

d_inlos＝d_i+n_i+b_i＝cτ_i+cτ_inlos,i＝1,2,3...,N (4)

式(4)中，τ_inlos表示非视距场景下Tag信号到达BS_i的时间。

到达时延迟差(TDOA,Time Difference of Arrival)定位是一种基于到达时延差的定位方法，主要依据双曲线特性实现定位。该方法只需要将各个BS的时间进行同步，不需要Tag与BS之间时间同步，更符合实际情况，降低了时间同步造成的误差。该方法实现的具体步骤为：首先，将各个已知的BS时间同步，由Tag向各个BS发射信号，每个BS都记录下信号所到达的时间戳并将其接收的数据上传给上位机，上位机将时间戳转化为时间；然后，以BS_i为基点，BS_j(j≠i)收到信号的时间减去BS_i收到信号的时间后得到到达时间差，根据双曲线的定义可知到达两个固定点的距离差是常数，可以得到点的轨迹，建立N-1个双曲线方程，解N-1个双曲线方程构成的方程组，可得到Tag的具体位置。

TDOA方法如图1所示：其中，BS₁,BS₂,BS₃,BS₄分别为四个已知节点，并以BS₁为基准画三个双曲线，它们的交点即为Tag。在二维定位中，只需知道三个已知节点就可计算Tag的位置；在三维定位中，则必须已知四个节点。假设四个已知BS的坐标分别为(x₁,y₁,z₁)、(x₂,y₂,z₂)、(x₃,y₃,z₃)、(x₄,y₄,z₄)，Tag为未知节点，其坐标为(x,y,z)。由上述分析可得，

D_ij＝cτ_ij＝D_i-D_j (6)

式(6)中，D_i表示BS_i到Tag的实际距离，D_j表示BS_j到Tag的实际距离，D_ij表示Tag到BS_i距离和Tag到BS_j距离的差值，τ_ij表示Tag发送的信息到达BS_i时间和Tag发送的信息到达BS_j时间的差值。

将式(6)移项平方，并且令

得：

将其带入具体数据并化为矩阵形式得：

Ax_Tag＝bD₁+c (8)

其中，

上述方程可解出Tag的具体位置为：

x_Tag＝A^-1bD₁+A^-1c (13)

CHAN定位解算方法是一种具有闭式解的二步加权最小二乘方法，在噪声满足高斯分布的情况下，有良好的减轻噪声的作用，广泛应用于各个场景。CHAN定位解算方法分为四基站定位与多基站定位，本发明采用的是后者。

设Z_a＝[Z_p,D₁]^T为Tag所未知的信息，Z_p＝[x,y,z]^T为Tag在坐标系中具体位置，根据式(8)可得如下的定位误差矢量：

其中：

Z_a ⁰表示赋值Tag实际位置坐标初始化后的Z_a，假定TDOA定位方法中到达第一个基站的信号时间与到达第i个基站的信号时间的测量误差的方差为

则其协方差矩阵为：

用该协方差矩阵Q代替误差矢量ε的协方差矩阵Ψ，并通过加权最小二乘法求解式(15)可得：

求Z_a中Z_p即为Tag具体坐标。上述过程中用该协方差矩阵Q代替误差矢量ε的协方差矩阵Ψ，增加了一定误差，为了降低这一部分误差的影响，要对上述的过程进行进一步优化，即进行两步加权最小二乘法的运算。

当TDOA测量误差的标准差相对而言比较小时，误差矢量ε可用如下式近似表示：

ε≈cBn (19)

式(20)中，n为噪声向量。

B＝diag{D₂,D₃,...,D_i} (20)

误差矢量ε的协方差矩阵Ψ如下：

Ψ＝E[εε^T]＝c²BQB (21)

通过第一次加权最小二乘法得出的近似坐标(x,y,z)可以计算出D_i ⁰，用D_i ⁰代替D_i，再次运用加权最小二乘法进行估计：

然后根据卡尔曼滤波方法的状态空间模型：

X(k+1)＝ΦX(k)+ΓW(k) (23)

Y(k)＝HX(k)+V(k) (24)

k为离散时间，系统在时刻k的状态为X(k)∈Rⁿ，Y(k)∈R^m为对应状态的观测信号；W(k)∈R^r为输入的白噪声；V(k)∈R^m为观测噪声；Φ为状态转移矩阵，Γ为噪声驱动矩阵，H为观测矩阵。带入CHAN方法定位结果得到的滤波结果即为定位结果，即：

该方法有效地降低了CHAN方法在NLOS环境下的误差，但是卡尔曼滤波在定位初始时定位精度不高和卡尔曼滤波增益K在复杂室内定位场景下由于视距与非视距场景频繁交替产生新误差的问题没有得到解决。

置信区域的划分同时解决了这两个问题。其利用了复杂室内场景中LOS/NLOS场景频繁切换的特性，对LOS/NLOS基站存在数目进行一个置信区域的划分。根据划分的不同区域去选择合适的滤波增益参数K来解决上述问题。

根据CHAN方法在LOS基站大于4个时，定位精度较高，将其定位结果和各个基站的位置进行残差并作为区域判别的置信因子。基于CHAN定位结果的残差计算如下：

假设总共有N个BS，由于在三维定位中必须有4个BS才能解算出Tag坐标，所以选取任意l(l＞4)个基站为一组，总共有M种组合，其值为：

索引集为{S_r,r＝1,2,...,M}。

残差定义为：

其中，X_r表示在第r种基站组合下的CHAN方法估计的TAG位置，X_i表示第i个基站BS_i的位置，这样每一测量时刻就可以得到M组残差值，M组残差值代表了在该测量时刻不同基站对Tag的定位情况。当存在4个及以上LOS情况的时候，CHAN定位精度高，得到的残差值小，所以选取M组残差值中的最小值作为依据，残差值的大小代表了定位情况的优劣。残差值越大说明定位结果越差，越小说明定位结果越好。记下此时的残差最小值为：

γ＝min{R_es(X_r,S_r)} (28)

通过对该测量时刻计算的M组残差值进行归一化处理得到当前测量时刻的置信因子为：

式(35)中，α为置信因子，是区域判别指标。同时，进行对每一测量时刻的M组残差加权，得到此测量时刻的定位结果为：

接下来根据置信因子α进行不同区域的卡尔曼滤波，具体流程图如图2。

先将定位的区域划分为了三个，再根据不同区域选择不同的卡尔曼滤波增益，并将当前测量时刻的定位结果x_Tag带入不同的区域进行卡尔曼滤波，得出最后的定位结果。

首先，根据置信因子α划分不同的置信区域，即：

其中，K_new为根据不同置信区域选择的卡尔曼滤波增益，α为置信因子，δ₁,δ₂是划分置信区域的阈值，由多次测量结果确定。例如：在仿真设置环境中，由多次测量可得出，δ₁,δ₂的取值分别为0.3和0.5。然后，在置信区域的划分中，δ₁,δ₂和滤波增益K_new满足在可信区域(Trusted Area)中，滤波增益K_new更加相信测量结果，此时α在0和δ₁之间；在模糊区域(Fuzzy Area)中，滤波增益K_new会适当地调整测量结果和预测结果的关系，此时α在δ₁和δ₂之间；在不可信区域中(Untrusted Area)中，滤波增益K更加相信预测结果，此时α在δ₂和1之间。

然后根据选择的K_new去进行卡尔曼滤波。主要流程为：通过对输入的预测值和观测值进行滤波处理，使得估计结果更加接近真实值。其滤波过程如下：

状态一步预测：

状态更新：

一步预测协方差阵：

P(k+1|k)＝ΦP(k|k)Φ^T+ΓQΓ^T (35)

协方差阵更新：

P(k+1|k+1)＝[I_n-K_new(k+1)H]P(k+1|k) (36)

为上一个状态的最优估计结果，

为根据上一个状态结果预测当前状态的结果。P(k|k)，P(k+1|k)分别为相对应估计结果的协方差矩阵，矩阵R为测量噪声矩阵。

例如：在仿真实验中，可信区域选择的卡尔曼滤波增益为4/5，模糊区域和不可信区域的卡尔曼滤波增益分别为1/2和1/11。最后，得到该时刻的定位结果

至此，方法结束。

假定在1 000cm*1 000cm*1 000cm复杂室内的空间内，存在8个BS，其LOS信号和NLOS信号的几率都为50％。一个物体的运动轨迹为从(200，200，200)到(700，700，700)的匀速直线运动，该物体在每个方向上的加速度都为20cm/s,由于物体运动时存在一定误差，其概率分布满足N～(0,ω²)的加性高斯白噪声，ω的取值为10cm。真实运动轨迹如图3。UWB室内定位中，查阅IEEE802.15.4a可知，设定测量误差的标准差是符合高斯分布，其均值为0cm，方差为10cm；非视距误差是满足前文提出的对数正态分布，同时均值为2.075 4cm，方差为0.178 3cm。根据多次数据的测量，阈值δ₁取值为0.3，阈值δ₂取值为0.5。可信区域代表8个BS中有5个及以上BS的接收信号为LOS情况，模糊区域代表存在3-4个BS的接收信号为LOS情况，不可信区域代表低于2个BS的接收信号为LOS情况。由于CHAN算法在5个基站的时候就有很高精度，所以本发明选取的k＝5。

图4至图7为普通的CHAN算法，CHAN+卡尔曼算法和CHAN+改进卡尔曼滤波算法的定位示意图，运行次数为10000次来保证实验的准确性。图4是三维空间内三种算法的定位结果展示。可以明显地看出CHAN算法由于复杂室内环境，定位效果很差，运动轨迹偏离真实轨迹较大，甚至出现了先定位点在后定位点之前的情况；CHAN+卡尔曼算法由于卡尔曼滤波的加入，一定程度降低了定位的非视距误差，运动轨迹更加平滑，接近真实运动轨迹。但是由于在初始定位时增益值选取的问题，在运动初始定位的过程中，产生了较大的定位偏移情况；CHAN+改进卡尔曼滤波算法是三种定位算法中定位误差最低的算法，定位轨迹更加接近真实轨迹。同时，在初始定位的过程中，CHAN+改进卡尔曼滤波算法从定位初始时就接近真实的定位轨迹，在初始定位时就有较低的定位误差，相比前两种算法的定位轨迹，有了明显的校正，解决了卡尔曼滤波在初始位置定位精度的问题。综上，CHAN+改进卡尔曼滤波算法对比另外两种算法在定位精度和定位稳定性上都有较大提升。

图8显示了三种室内定位算法的定位误差。可以看出，在定位过程中，普通CHAN算法的定位误差稳定在2m左右。对于需要精准定位的室内定位来说，普通CHAN算法不满足其要求。CHAN+卡尔曼滤波算法的定位误差在1m-1.5m之间，假设需要定位的运动体是人，此误差在人运动的合理范围之内，可以用于普通的室内定位情况。从图中也可以看出，CHAN+卡尔曼滤波算法在定位初始的位置时，误差仍偏大。CHAN+改进卡尔曼滤波算法的定位精度在0.5m-1m左右，符合室内精准定位的要求，达到了UWB在民用室内定位中的规范。同时，在定位初始的情况下，也满足室内精准定位的需求。总体而言，三种定位算法整体误差曲线平滑。在整个定位过程中，CHAN+改进卡尔曼滤波算法的定位误差始终比其他两种算法定位误差要小，与普通CHAN算法相比，误差降低了1.5m；与CHAN+卡尔曼滤波算法相比，定位误差降低了0.5m。

为了更好对比三种算法的定位精度，表2也提供了在10000次定位结果下，三种定位算法的均方根误差(Root Mean Squared Error，RMSE)。在复杂室内的环境下，CHAN算法的RMSE在2m以上，有明显的定位误差，不能用于室内定位；CHAN+卡尔曼滤波算法定位精度在1m以上，基本符合室内定位的需求；CHAN+改进卡尔曼滤波算法的定位精度在80cm左右，与前两种算法对比，提升在60％和34％，降低了复杂室内环境的定位误差。

表2各定位算法RMSE

同时，在不同定位测量误差的场景下，CHAN+改进卡尔曼滤波算法仍然拥有较好的定位精度。如图9所示，在固定了LOS/NLOS基站的分布情况下，可以看到，随着定位测量误差的增大，各个定位算法的定位精度都在降低，符合实际情况。普通CHAN算法受定位测量误差的影响较大，定位误差增加的情况下，定位精度降低的十分明显。相比普通CHAN算法，CHAN+卡尔曼滤波算法和CHAN+改进卡尔曼滤波算法受定位测量误差的影响较小，是由于卡尔曼滤波迭代过程中，更新质量优劣因子P随着定位的过程逐渐改善，弥补了测量误差的增大。在同一测量误差的情况下，CHAN+改进卡尔曼滤波算法相比其他两种算法，RMSE更小，有更好的定位精度。在定位环境越来越恶劣的情况下，普通CHAN算法的RMSE趋势不收敛，定位效果较差。CHAN+卡尔曼滤波算法和CHAN+改进卡尔曼滤波算法的RMSE逐渐稳定在2m和1.5m左右，对于定位环境十分恶劣的情况而言，是在可接受范围内。

本实验还验证了卡尔曼滤波增益系数在初始状态改善的问题，设ΔK为CHAN+改进卡尔曼滤波算法与CHAN+卡尔曼滤波算法增益系数的差值，其示意图如图10。可以得出，ΔK在初始状态时有明显的差异，是普通卡尔曼滤波在初始定位时滤波增益还未改善的原因。相比CHAN+卡尔曼滤波算法而言，CHAN+改进卡尔曼滤波算法由于对置信区域进行选择，改善了增益系数，让其更快的趋于稳定和精准。随着时间的进行，两种算法增益系数的差值逐渐缩小，可以说明，不同区域预先选择的增益值是符合预期。综上，CHAN+改进卡尔曼滤波算法在初始状态时就已经改善了增益系数，降低了由于复杂室内环境产生的新误差。

最后，为了表征不同定位算法之间的复杂度区别，记录了各个算法的实际运行时间，如表3所示。普通CHAN算法的实际运行时间最快，而本发明所提出的CHAN+改进卡尔曼滤波算法要多次进行CHAN算法解算，并根据解算结果与各个基站进行残差，判别置信区域后再进行卡尔曼滤波，增加了算法复杂度，因此其运行时间最长。但是本发明算法运行时间仍然满足定位实时处理的要求，可在实际定位系统中使用。

表3各定位算法运行时间

本发明提出了一种在复杂室内定位环境下基于CHAN的改进卡尔曼滤波算法，该算法可以提高基于CHAN的卡尔曼滤波算法在复杂室内环境下的定位精度，并且改善了卡尔曼增益在初始定位时的准确性。实验验证了本发明方法具有较高的定位精度，在非视距的环境下精度达到了亚米级，是一种有效的定位方法。

Claims (6)

1.一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，其特征在于，

计算当前测量时刻不同基站组合下的CHAN定位结果；

获取当前测量时刻不同基站组合下CHAN定位结果的残差；

根据当前测量时刻不同基站组合下CHAN定位结果残差的最小值和最大值计算当前测量时刻的置信因子；

对当前测量时刻不同基站组合下CHAN定位结果的残差进行加权，获取卡尔曼滤波初始值；

根据当前测量时刻的置信因子取值选取卡尔曼滤波增益取值；

根据所述卡尔曼滤波初始值及卡尔曼滤波增益预测下一时刻的定位结果。

2.根据权利要求1所述一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，其特征在于，所述当前测量时刻不同基站组合下CHAN定位结果的残差为：

其中，R_es(X_r,S_r)为当前测量时刻在基站组合索引集S_r下CHAN定位结果的残差，D_i为第i个基站到Tag的实际距离，X_r为在第r种基站组合下的CHAN定位结果，X_i为第i个基站的位置，r＝1,2,...,M，

l＞4，N为基站总数。

3.根据权利要求2所述一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，其特征在于，所述当前测量时刻的置信因子为

α为当前测量时刻的置信因子，γ为当前测量时刻在基站组合索引集S_r下CHAN定位结果的残差的最小值，γ＝min{R_es(X_r,S_r)}。

4.根据权利要求3所述一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，其特征在于，对当前测量时刻不同基站组合下CHAN定位结果的残差进行加权的表达式为：

x_Tag为卡尔曼滤波初始值。

5.根据权利要求4所述一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，其特征在于，根据当前测量时刻的置信因子取值选取卡尔曼滤波增益取值的表达式为：

K_new为卡尔曼滤波增益，δ₁、δ₂为划分卡尔曼滤波增益置信区间的阈值。

6.根据权利要求5所述一种可用于复杂室内环境基于卡尔曼滤波的UWB定位方法，其特征在于，根据所述卡尔曼滤波初始值及卡尔曼滤波增益预测下一时刻的定位结果的具体方法为：

根据当前测量时刻状态的最优估计结果

预测下一测量时刻的状态

更新下一时刻状态

根据当前时刻协方差阵的最优估计结果P(k|k)预测下一测量时刻协方差阵P(k+1|k)：

P(k+1|k)＝ΦP(k|k)Φ^T+ΓQΓ^T；

更新下一测量时刻协方差阵P(k+1|k+1)：

P(k+1|k+1)＝[I_n-K_new(k+1)H]P(k+1|k)；

其中，Φ为状态转移矩阵，ε(k+1)为下一测量时刻的预测误差，Y(k+1)为下一测量时刻状态的观测信号，H为观测矩阵，Γ为噪声驱动矩阵，Q为协方差矩阵，I_n为单位矩阵。

Images