CN115334447A - 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 - Google Patents
一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 Download PDFInfo
- Publication number
- CN115334447A CN115334447A CN202210827706.XA CN202210827706A CN115334447A CN 115334447 A CN115334447 A CN 115334447A CN 202210827706 A CN202210827706 A CN 202210827706A CN 115334447 A CN115334447 A CN 115334447A
- Authority
- CN
- China
- Prior art keywords
- imm
- model
- adaptive
- channel
- nlos
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007704 transition Effects 0.000 claims abstract description 52
- 238000001914 filtration Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000007499 fusion processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000002366 time-of-flight method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 4
- 208000033017 acquired idiopathic inflammatory myopathy Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000013643 idiopathic inflammatory myopathy Diseases 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- FNZAAEDNGCUHJL-UHFFFAOYSA-M phenylmercury(1+) 4,5,6,7,8,8-hexachloro-1,3-dioxo-1,3,3a,4,7,7a-hexahydro-4,7-methanoisoindol-2-ide Chemical compound ClC1(Cl)C2(Cl)C(Cl)=C(Cl)C1(Cl)C(C1=O)C2C(=O)N1[Hg]C1=CC=CC=C1 FNZAAEDNGCUHJL-UHFFFAOYSA-M 0.000 description 3
- 239000004568 cement Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mobile Radio Communication Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法、系统及计算机可读存储介质,方法包括以下步骤:S1:构建基于卡尔曼滤波的LOS模型和NLOS模型;S2:在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型,利用自适应IMM算法的融合处理得到状态估计;S3:利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿;S4:利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率;S5:将得到的转移概率和更新后的模型概率用于(k‑1)时间戳的自适应IMM过程,得到滤波后的观测数据,将观测数据用来校正扩展卡尔曼滤波算法的预测值,得到最终的行人位置坐标。本发明减小了行人定位误差,提高了定位精度。
Description
技术领域
本发明涉及室内定位技术领域,更具体地,涉及一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法、系统及计算机可读存储介质。
背景技术
随着无线通信技术的不断发展以及国家大力建设智慧城市、智慧工厂和智慧医疗的大背景下,各种以无线网络技术为基础的定位、导航、巡检技术也开始迅猛发展。GPS(全球定位系统)因其具有全球覆盖性、高精度定位性、应用范围多元性的优势,在出行、交通以及军事制导等方面得到了广泛的应用。一般来说,GPS可以满足人们绝大多数日常出行方面的需求,但是在较为封闭的室内环境下,由于建筑物的遮挡以及人员和物品的密集聚集,使GPS信号在室内受到极大衰减,从而无法为室内人员提供精确的位置信息。然而,工厂车间、养老院、博物馆、地下停车场等场所对室内定位的需求却日益增加。因此,室内定位技术的研究与应用成为了一个亟待解决的问题。
经过多年的研究与发展,室内定位技术也愈发成熟。目前主流的定位技术有WIFI定位技术、射频识别(RFID)技术、Zigbee以及超宽带(UWB)定位技术等。UWB技术以其抗扰能力强,定位精度高的优势,在室内定位领域展现出了极强的市场竞争力,得到了较为广泛的应用。然而,UWB系统仍然面临着一些挑战,如多路径效应和非视距(NLOS)环境。对于室内定位,由于混凝土柱、墙等各种堵塞,不可避免存在NLOS信道。在NLOS环境中,脉冲无线电信号由于频散而发生严重的波形失真,UWB接收机的第一路径检测不准确,从而导致基于到达时间(TOA)的UWB定位系统的测距误差。现有的技术中,仅通过单一的滤波方法来缓解NLOS带来的测距误差,如卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)和交互多模型(IMM)等。单一的滤波方法由于固定的参数设置,对定位精度有较大影响。
现有技术公开了一种IMM-EKF-UWB融合的方法,该方案先使用IMM(交互多模型)对UWB(超宽带定位)的测距进行滤波,然后使用滤波后的测距作为观测值,与EKF(卡尔曼滤波算法)的预测值进行融合,达到最终的目标位置坐标。该方案使用了固定的NLOS模型补偿值和固定的马尔科夫转移概率,定位精度不够准确。
发明内容
本发明一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法、系统及计算机可读存储介质,解决了现有技术中长时间处于NLOS环境下导致的行人定位误差大、精度较低的技术问题。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
本发明第一方面提供了一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法,包括以下步骤:
S1:构建基于卡尔曼滤波的LOS模型和NLOS模型;
S2:在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型,利用自适应IMM算法的融合处理得到状态估计,所述并行的两个IMM算法包括:通用IMM算法和自适应IMM算法;
S3:利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿;
S4:利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率;
S5:将得到的转移概率和更新后的模型概率用于(k-1)时间戳的自适应IMM过程,得到滤波后的观测数据,将观测数据用来校正扩展卡尔曼滤波算法的预测值,得到最终的行人位置坐标。
进一步的,构建基于卡尔曼滤波的LOS模型和NLOS模型具体过程为:
构建移动标签与第i个基站的状态空间向量模型,首先,移动标签和第i个基站在第k时间戳测距可以表示为:
进一步的,所述在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型包括三个阶段:模型交互、并行滤波、模型概率更新、自适应IMM中的融合,具体为:
在模型交互阶段,混合概率使用模型概率和马尔科夫转移概率wqh计算得到,马尔科夫转移概率wqh来自于马尔科夫转移概率矩阵Π=[wqh]2×2,卡尔曼滤波器的混合初始条件和使用混合概率和(k-1)时间戳的不同模型的状态估计计算得到,状态估计的特征是状态向量和协方差矩阵
并行滤波阶段,两个卡尔曼滤波器并行运行,并且原始的测量值被用于LOS模型滤波器的观测值,经过菲涅耳区自适应补偿后的测量值被用于NLOS模型滤波器的观测值;在并行滤波阶段,获得更新的第k时间戳的状态估计,同时每一个模型滤波器的似然函数被计算得到;
模型概率更新阶段,使用似然函数、预测的模型概率和转移概率wqh来更新模型概率;
进一步的,利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿具体过程为:
设定两个基站分别记为BS1、BS2,则该两个基站作为无线电波长λ下工作的两个收发器,则包含k个椭圆的菲涅尔区表示为:
其中,l1和l2是每一个基站到沿着两个收发器连线上的任意点P的距离,k表示菲涅尔区数,R表示第k个菲涅尔区边缘与点P之间的距离;
BS1和BS2之间的阻碍物会阻碍菲涅耳区并引起测量误差,BS1和BS2之间的测量误差可被计算为:
其中Tk是采样时间,改进的补偿值表达式为
进一步的,利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率,具体过程为:
计算移动标签和和第i个BS信道的总接收功率kr和第一径接收功率kFPC的差值k,k的计算公式如下:
其中,c,F1,F2,F3,分别表示信道脉冲响应功率值、第一径振幅点1、第一径振幅点2、第一径振幅点3;
基于功率的NLOS信道识别是概率性质的,并且第k时间戳MT与第i个基站之间的NLOS概率表示为:
第k时间戳MT与第i个基站之间的LOS概率表示为:
根据第k时间戳MT与第i个基站之间的NLOS概率和第k时间戳MT与第i个基站之间的LOS概率确定信道的类型;
当时,信道可认为是LOS信道;当时,信道可被视为NLOS信道;此外,当或者时,信道可认为是混合LOS/NLOS信道;如果信道是LOS信道并且该信道可视为增强的LOS信道;另外,如果信道是NLOS信道并且该信道可视为增强的NLOS信道;
定义基于功率的自适应转移概率修正函数,表达式为:
进一步的,对更新后的转移概率标准化,表示为:
标准化后,修正后的转移概率依然符合马尔科夫链的要求,如下所示
进一步的,根据第k时间戳MT与第i个基站之间的NLOS概率和第k时间戳MT与第i个基站之间的LOS概率确定信道的类型具体为
当时,信道可认为是LOS信道;当时,信道可被视为NLOS信道;此外,当或者时,信道可认为是混合LOS/NLOS信道;如果信道是LOS信道并且该信道可视为增强的LOS信道;另外,如果信道是NLOS信道并且该信道可视为增强的NLOS信道。
本发明第二方面提供了一种基于自适应IMM的鲁棒室内行人跟踪UWB定位系统,该系统包括:存储器、处理器,所述存储器中包括一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序,所述一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序被所述处理器执行时实现如下步骤:
S1:构建基于卡尔曼滤波的LOS模型和NLOS模型;
S2:在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型,利用自适应IMM算法的融合处理得到状态估计,所述并行的两个IMM算法包括:通用IMM算法和自适应IMM算法;
S3:利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿;
S4:利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率;
S5:将得到的转移概率和更新后的模型概率用于(k-1)时间戳的自适应IMM过程,得到滤波后的观测数据,将观测数据用来校正扩展卡尔曼滤波算法的预测值,得到最终的行人位置坐标。
进一步的,构建基于卡尔曼滤波的LOS模型和NLOS模型具体过程为:
构建移动标签与第i个基站的状态空间向量模型,首先,移动标签和第i个基站在第k时间戳测距可以表示为:
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序,所述一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序被处理器执行时,实现所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法的步骤。
与现有技术相比,本发明技术方案的有益效果是:
本发明基于基站之间的菲涅耳区,提出的自适应补偿算法能够对标签与基站之间的测距进行补偿,基于功率驱动的并行IMM算法能够自适应调整马尔科夫转移概率,提升了测距滤波效果,减小了行人定位误差,提高了定位精度。
附图说明
图1为本发明一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法流程图。
图2为本发明实施例收发器BS1与BS2之间的菲涅耳区垂直图。
图3为本发明实施例基于菲涅耳区域的自适应补偿算法的垂直图。
图4为本发明实施例MT不在菲涅耳区的垂直图。
图5为本发明实施例测试平面图。
图6为本发明实施例不同方案的定位误差图。
图7为本发明实施例不同方案的CDF图。
图8为本发明实施例不同方案的路线图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,本发明第一方面提供了一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法,包括以下步骤:
S1:构建基于卡尔曼滤波的LOS模型和NLOS模型;
需要说的是,本发明在具体的实施过程中需要在已知的位置布置N(N>3)个基站(BS),并在行人上安装一个移动标签(MT)。本发明是基于扩展卡尔曼滤波(EKF)的超宽带(UWB)室内行人跟踪定位方案,本发明方案融合了基于菲涅耳区的自适应测距误差补偿和功率驱动的并行交互多模型算法。本发明方案可记作FPIMM-EKF-UWB方案,本发明可以自适应补偿UWB的测距误差,并且可以自适应调整马尔科夫转移概率矩阵,提高定位精度。需要说明的是,本发明中的FPIMM算法的结构,它包括两个并行的IMM算法,即一个通用的IMM(CIMM)和一个自适应IMM,它们通过功率驱动连接在一起。
具体过程为:
针对室内定位中LOS/NLOS环境,构建移动标签与第i个基站的状态空间向量模型,首先,移动标签和第i个基站在第k时间戳测距可以表示为:
至此,基于卡尔曼滤波的LOS模型和NLOS模型已经建立。然而固定的m∈可能会影响定位精度,因此本发明提出了利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿。在进行补充之前,先在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型。
S2:在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型,利用自适应IMM算法的融合处理得到状态估计,所述并行的两个IMM算法包括:通用IMM算法和自适应IMM算法;
融合过程包括三个阶段:模型交互、并行滤波、模型概率更新、自适应IMM中的融合,具体为:
在模型交互阶段,混合概率使用模型概率和马尔科夫转移概率wqh计算得到,马尔科夫转移概率wqh来自于马尔科夫转移概率矩阵Π=[wqh]2×2,卡尔曼滤波器的混合初始条件和使用混合概率和(k-1)时间戳的不同模型的状态估计计算得到,状态估计的特征是状态向量和协方差矩阵
并行滤波阶段,两个卡尔曼滤波器并行运行,并且原始的测量值被用于LOS模型滤波器的观测值,经过菲涅耳区自适应补偿后的测量值被用于NLOS模型滤波器的观测值;在并行滤波阶段,获得更新的第k时间戳的状态估计,同时每一个模型滤波器的似然函数被计算得到;
模型概率更新阶段,使用似然函数、预测的模型概率和转移概率wqh来更新模型概率;
S3:利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿;
需要说明的是,菲涅尔区是一对无线电收发器之间的同心椭圆球体,如图2所示,基站BS1和基站BS2是无线电波长λ下工作的两个收发器,则包含k个椭圆的菲涅尔区表示为:
其中,l1和l2是每一个基站到沿着两个收发器连线上的任意点P的距离,k表示菲涅尔区数,R表示第k个菲涅尔区边缘与点P之间的距离;
基于菲涅耳区域的自适应补偿算法用于补偿受NLOS影响的UWB测距。通过利用两个基站之间的菲涅耳区,可以识别和缓解移动标签和基站之间的NLOS影响。如图3所示。
BS1和BS2之间的阻碍物会阻碍菲涅耳区并引起测量误差,BS1和BS2之间的测量误差可被计算为:
需要说明的是,如果MT没有在菲涅耳区内,如图4所示,这种情况下用上述方法得到的补偿值可能是不准确的。为了解决这个问题,我们需要首先确定MT是否在BS1和BS2之间的菲涅耳区内,然后选择不同的方法得到补偿值。
其中Tk是采样时间,改进的补偿值表达式为
S4:利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率;
需要说的是,本发明采用一个功率驱动的并行IMM(记作PIMM),它可以自适应调节马尔科夫转移概率。PIMM由两个并行的IMM组成,即CIMM和自适应IMM,它们通过功率驱动连接。通过PIMM,可以自适应地调整马尔科夫转移概率矩阵ΠA。
利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率,具体过程为:
计算移动标签和和第i个BS信道的总接收功率kr和第一径接收功率kFPC的差值k,k的计算公式如下:
其中,c,F1,F2,F3,分别表示信道脉冲响应功率值、第一径振幅点1、第一径振幅点2、第一径振幅点3;
基于功率的NLOS信道识别是概率性质的,并且第k时间戳MT与第i个基站之间的NLOS概率表示为:
第k时间戳MT与第i个基站之间的LOS概率表示为:
当时,信道可认为是LOS信道;当时,信道可被视为NLOS信道;此外,当或者时,信道可认为是混合LOS/NLOS信道;如果信道是LOS信道并且该信道可视为增强的LOS信道;另外,如果信道是NLOS信道并且该信道可视为增强的NLOS信道;
定义基于功率的自适应转移概率修正函数,表达式为:
对更新后的转移概率进行标准化,表示为:
标准化后,修正后的转移概率依然符合马尔科夫链的要求,如下所示
S5:将得到的转移概率和更新后的模型概率用于(k-1)时间戳的自适应IMM过程,得到滤波后的观测数据,将观测数据用来校正扩展卡尔曼滤波算法的预测值,得到最终的行人位置坐标。
实施例2
本发明第二方面提供了一种基于自适应IMM的鲁棒室内行人跟踪UWB定位系统,该系统包括:存储器、处理器,所述存储器中包括一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序,所述一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序被所述处理器执行时实现如下步骤:
S1:构建基于卡尔曼滤波的LOS模型和NLOS模型;
S2:在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型,利用自适应IMM算法的融合处理得到状态估计,所述并行的两个IMM算法包括:通用IMM算法和自适应IMM算法;
S3:利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿;
S4:利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率;
S5:将得到的转移概率和更新后的模型概率用于(k-1)时间戳的自适应IMM过程,得到滤波后的观测数据,将观测数据用来校正扩展卡尔曼滤波算法的预测值,得到最终的行人位置坐标。
实施例3
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序,所述一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序被处理器执行时,实现所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法的步骤。
实施例4
基于上述实施例,本实施例通过具体实验进行严证分析,测试平面图如图5所示,该测试环境包括一个1.32m2的水泥墙柱子。测试使用三个基站BS1、BS2和BS3分别布置在(5.35,0),(0,0)和(0,5.5)。基站BS1与基站BS3之间形成菲涅耳区,且该菲涅耳区被水泥墙阻挡。在行人身上安装一个UWB装置作为移动标签。本实施例中参数设置如下,mNLOS=1.5,CIMM和自适应IMM的初始化转移概率:初始化模型概率为:本发明方案与传统方案IMM-UWB-EKF对比如表1所示。
表1误差分析表
最大误差(m) | 平均误差(m) | 标准差(m) | |
传统方案 | 1.4959 | 0.2174 | 0.2662 |
本发明方案 | 0.7399 | 0.1677 | 0.1590 |
图6、图7和图8给出了数据的分析,其中可见本发明方案的最大误差、平均误差、标准差都是比传统方案要小,从路线图中可以看见本发明方案是比较贴切实际路线并且从误差累积函数(CDF)图中可看到,本发明方案是一直位于传统方案的上位。综上表明,本发明提出的方案明显优于对比的传统方案。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法,其特征在于,包括以下步骤:
S1:构建基于卡尔曼滤波的LOS模型和NLOS模型;
S2:在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型,利用自适应IMM算法的融合处理得到状态估计,所述并行的两个IMM算法包括:通用IMM算法和自适应IMM算法;
S3:利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿;
S4:利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率;
S5:将得到的转移概率和更新模型概率用于(k-1)时间戳的自适应IMM过程,得到滤波后的观测数据,将观测数据用来校正扩展卡尔曼滤波算法的预测值,得到最终的行人位置坐标。
2.根据权利要求1所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法,其特征在于,构建基于卡尔曼滤波的LOS模型和NLOS模型具体过程为:
构建移动标签与第i个基站的状态空间向量模型,首先,移动标签和第i个基站在第k时间戳测距可以表示为:
移动标签和和第i个基站(i=1,...,N)的状态向量定义为:
3.根据权利要求1所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法,其特征在于,所述在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型包括三个阶段:模型交互、并行滤波、模型概率更新、自适应IMM中的融合,具体为:
在模型交互阶段,混合概率使用模型概率和马尔科夫转移概率wqh计算得到,马尔科夫转移概率wqh来自于马尔科夫转移概率矩阵Π=[wqh]2×2,卡尔曼滤波器的混合初始条件和使用混合概率和(k-1)时间戳的不同模型的状态估计计算得到,状态估计的特征是状态向量和协方差矩阵
并行滤波阶段,两个卡尔曼滤波器并行运行,并且原始的测量值被用于LOS模型滤波器的观测值,经过菲涅耳区自适应补偿后的测量值被用于NLOS模型滤波器的观测值;在并行滤波阶段,获得更新的第k时间戳的状态估计,同时每一个模型滤波器的似然函数被计算得到;
模型概率更新阶段,使用似然函数、预测的模型概率和转移概率wqh来更新模型概率;
4.根据权利要求1所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法,其特征在于,利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿具体过程为:
设定两个基站分别记为BS1、BS2,则该两个基站作为无线电波长λ下工作的两个收发器,则包含k个椭圆的菲涅尔区表示为:
其中,l1和l2是每一个基站到沿着两个收发器连线上的任意点P的距离,k表示菲涅尔区数,R表示第k个菲涅尔区边缘与点P之间的距离;
BS1和BS2之间的阻碍物会阻碍菲涅耳区并引起测量误差,BS1和BS2之间的测量误差可被计算为:
其中Tk是采样时间,改进的补偿值表达式为
5.根据权利要求1所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法,其特征在于,利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率,具体过程为:
计算移动标签和和第i个BS信道的总接收功率kr和第一径接收功率kFPC的差值k,k的计算公式如下:
其中,c,F1,F2,F3,分别表示信道脉冲响应功率值、第一径振幅点1、第一径振幅点2、第一径振幅点3;
基于功率的NLOS信道识别是概率性质的,并且第k时间戳MT与第i个基站之间的NLOS概率表示为:
第k时间戳MT与第i个基站之间的LOS概率表示为:
根据第k时间戳MT与第i个基站之间的NLOS概率和第k时间戳MT与第i个基站之间的LOS概率确定信道的类型;
当时,信道可认为是LOS信道;当时,信道可被视为NLOS信道;此外,当或者时,信道可认为是混合LOS/NLOS信道;如果信道是LOS信道并且该信道可视为增强的LOS信道;另外,如果信道是NLOS信道并且该信道可视为增强的NLOS信道;
定义基于功率的自适应转移概率修正函数,表达式为:
对更新后的转移概率进行标准化,如下所示:
标准化后,修正后的转移概率依然符合马尔科夫链的要求,如下所示
8.一种基于自适应IMM的鲁棒室内行人跟踪UWB定位系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序,所述一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序被所述处理器执行时实现如下步骤:
S1:构建基于卡尔曼滤波的LOS模型和NLOS模型;
S2:在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型,利用自适应IMM算法的融合处理得到状态估计,所述并行的两个IMM算法包括:通用IMM算法和自适应IMM算法;
S3:利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿;
S4:利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率;
S5:将得到的转移概率和更新后的模型概率用于(k-1)时间戳的自适应IMM过程,得到滤波后的观测数据,将观测数据用来校正扩展卡尔曼滤波算法的预测值,得到最终的行人位置坐标。
9.根据权利要求8所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位系统,其特征在于,构建基于卡尔曼滤波的LOS模型和NLOS模型具体过程为:
构建移动标签与第i个基站的状态空间向量模型,首先,移动标签和第i个基站在第k时间戳测距可以表示为:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序,所述一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序被处理器执行时,实现如权利要求1至7中任一项所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210827706.XA CN115334447B (zh) | 2022-07-14 | 2022-07-14 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210827706.XA CN115334447B (zh) | 2022-07-14 | 2022-07-14 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115334447A true CN115334447A (zh) | 2022-11-11 |
CN115334447B CN115334447B (zh) | 2023-06-02 |
Family
ID=83917706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210827706.XA Active CN115334447B (zh) | 2022-07-14 | 2022-07-14 | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115334447B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080246653A1 (en) * | 2007-04-05 | 2008-10-09 | Sirf Technology, Inc. | Gps navigation using interacting multiple model (imm) estimator and probabilistic data association filter (pdaf) |
CN101483805A (zh) * | 2009-02-11 | 2009-07-15 | 江苏大学 | 一种视距和非视距混合环境下的无线定位方法 |
CN101509969A (zh) * | 2009-03-31 | 2009-08-19 | 江苏大学 | 联合非视距误差消除和运动状态估计的无线定位方法 |
CN101526605A (zh) * | 2009-03-31 | 2009-09-09 | 江苏大学 | 一种具有非视距误差消除功能的鲁棒定位方法 |
US20100203839A1 (en) * | 2009-02-10 | 2010-08-12 | Chunjie Duan | Method for Estimating Condition of Wireless Channels |
CN106646358A (zh) * | 2016-12-27 | 2017-05-10 | 深圳信息职业技术学院 | 一种用于室内无线定位的多误差模型的imm算法 |
CN107704432A (zh) * | 2017-07-28 | 2018-02-16 | 西安理工大学 | 一种转移概率自适应的交互多模型目标跟踪方法 |
CN107966142A (zh) * | 2017-11-14 | 2018-04-27 | 济南大学 | 一种基于多窗口的室内行人自适应ufir数据融合方法 |
CN111722180A (zh) * | 2020-07-02 | 2020-09-29 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 |
US10809388B1 (en) * | 2019-05-01 | 2020-10-20 | Swift Navigation, Inc. | Systems and methods for high-integrity satellite positioning |
CN112083457A (zh) * | 2020-09-17 | 2020-12-15 | 哈尔滨工程大学 | 一种神经网络优化的imm卫星定位导航方法 |
CN113074739A (zh) * | 2021-04-09 | 2021-07-06 | 重庆邮电大学 | 基于动态鲁棒容积卡尔曼的uwb/ins融合定位方法 |
US11199379B1 (en) * | 2018-09-28 | 2021-12-14 | Bae Systems Information And Electronic Systems Integration Inc. | EOIR and RF sensors fusion and tracking using a dual EKFs system |
CN113899369A (zh) * | 2021-09-26 | 2022-01-07 | 东南大学 | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 |
-
2022
- 2022-07-14 CN CN202210827706.XA patent/CN115334447B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080246653A1 (en) * | 2007-04-05 | 2008-10-09 | Sirf Technology, Inc. | Gps navigation using interacting multiple model (imm) estimator and probabilistic data association filter (pdaf) |
US20100203839A1 (en) * | 2009-02-10 | 2010-08-12 | Chunjie Duan | Method for Estimating Condition of Wireless Channels |
CN101483805A (zh) * | 2009-02-11 | 2009-07-15 | 江苏大学 | 一种视距和非视距混合环境下的无线定位方法 |
CN101509969A (zh) * | 2009-03-31 | 2009-08-19 | 江苏大学 | 联合非视距误差消除和运动状态估计的无线定位方法 |
CN101526605A (zh) * | 2009-03-31 | 2009-09-09 | 江苏大学 | 一种具有非视距误差消除功能的鲁棒定位方法 |
CN106646358A (zh) * | 2016-12-27 | 2017-05-10 | 深圳信息职业技术学院 | 一种用于室内无线定位的多误差模型的imm算法 |
CN107704432A (zh) * | 2017-07-28 | 2018-02-16 | 西安理工大学 | 一种转移概率自适应的交互多模型目标跟踪方法 |
CN107966142A (zh) * | 2017-11-14 | 2018-04-27 | 济南大学 | 一种基于多窗口的室内行人自适应ufir数据融合方法 |
US11199379B1 (en) * | 2018-09-28 | 2021-12-14 | Bae Systems Information And Electronic Systems Integration Inc. | EOIR and RF sensors fusion and tracking using a dual EKFs system |
US10809388B1 (en) * | 2019-05-01 | 2020-10-20 | Swift Navigation, Inc. | Systems and methods for high-integrity satellite positioning |
CN111722180A (zh) * | 2020-07-02 | 2020-09-29 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 |
CN112083457A (zh) * | 2020-09-17 | 2020-12-15 | 哈尔滨工程大学 | 一种神经网络优化的imm卫星定位导航方法 |
CN113074739A (zh) * | 2021-04-09 | 2021-07-06 | 重庆邮电大学 | 基于动态鲁棒容积卡尔曼的uwb/ins融合定位方法 |
CN113899369A (zh) * | 2021-09-26 | 2022-01-07 | 东南大学 | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 |
Non-Patent Citations (4)
Title |
---|
周彦;欧阳宁烽;盛权;胡岚;: "LOS/NLOS环境中融合TOA与RSSI的IMM目标跟踪", 计算机工程与应用 * |
周彦;胡岚;王冬丽;: "基于IMM-UKF-CS的混合环境目标跟踪", 系统仿真学报 * |
欧阳宁烽;周彦;徐建闽;: "LOS/NLOS混合环境中基于交互式多模型的鲁棒目标跟踪", 计算机应用研究 * |
罗豪龙;李广云;欧阳文;杨啸天;向奉卓;: "基于自适应卡尔曼滤波的TDOA定位方法", 测绘科学技术学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN115334447B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112584306B (zh) | 一种基于卡尔曼滤波的室内机器人定位算法 | |
CN112533163B (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
WO2016032678A1 (en) | Method and apparatus for real-time, mobile-based positioning according to sensor and radio frequency measurements | |
CN113706612B (zh) | 融合uwb和单目视觉slam的煤矿井下车辆定位方法 | |
US20080100505A1 (en) | Method For Determing Positional Data | |
CN111722180B (zh) | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 | |
CN101131432A (zh) | 无线射频识别系统的定位方法及其装置 | |
CN104181500A (zh) | 一种基于惯性信息和机会无线信号特征的实时定位方法 | |
US9521645B1 (en) | Method and apparatus for filtering access points for WiFi positioning | |
CN109141427A (zh) | 在非视距环境下基于距离和角度概率模型的ekf定位方法 | |
Li et al. | Research on a factor graph-based robust UWB positioning algorithm in NLOS environments | |
CN106900057A (zh) | 一种基于测距的室内定位方法及系统 | |
CN112180323A (zh) | 基于Wi-Fi的TOA与AOA室内联合定位算法研究 | |
CN113899369A (zh) | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 | |
Guo et al. | Virtual wireless device-constrained robust extended Kalman filters for smartphone positioning in indoor corridor environment | |
KR102119196B1 (ko) | 머신러닝 기반의 실내 측위 방법 및 시스템 | |
CN112101051B (zh) | 一种基于超高频rfid的车辆定位方法和系统 | |
CN117518077A (zh) | 一种复杂地下环境机器人定位和误差缓解方法 | |
CN115334447A (zh) | 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法 | |
CN112540345A (zh) | 一种基于高斯分布检测uwb质量的双模型定位方法及系统 | |
Jose et al. | Taylor series method in TDOA approach for indoor positioning system. | |
CN114363807B (zh) | 一种室内三维定位方法及计算机可读存储介质 | |
CN116321410A (zh) | 一种基于toa的迭代加权最小二乘超宽带定位算法 | |
Landolsi et al. | TOAI/AOA/RSS maximum likelihood data fusion for efficient localization in wireless networks | |
CN112800889B (zh) | 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法 |
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 |