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 PDF

Info

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
Application number
CN202210827706.XA
Other languages
English (en)
Other versions
CN115334447B (zh
Inventor
蔡国发
池文钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210827706.XA priority Critical patent/CN115334447B/zh
Publication of CN115334447A publication Critical patent/CN115334447A/zh
Application granted granted Critical
Publication of CN115334447B publication Critical patent/CN115334447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法
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：
Figure BDA0003747136800000021
其中，
Figure BDA0003747136800000022
和
Figure BDA0003747136800000023
是第k时间戳移动标签和第i个基站的测距真实值和环境造成的误差值；将
Figure BDA0003747136800000024
作为独立同分布的高斯白噪声
Figure BDA0003747136800000025
根据LOS和NLOS环境，mε和
Figure BDA0003747136800000026
分别为：
Figure BDA0003747136800000031
Figure BDA0003747136800000032
利用第k时间戳的测距
Figure BDA0003747136800000033
作为观测值修正两个并行IMM算法的预测值，i＝1,...,N；移动标签和和第i个基站(i＝1,...,N)的状态向量定义为：
Figure BDA0003747136800000034
其中
Figure BDA0003747136800000035
表示移动标签相对于第i个基站的速度；状态方程的动力学公式可写为
Figure BDA0003747136800000036
Figure BDA0003747136800000037
其中，
Figure BDA0003747136800000038
是过程驱动噪声，
Figure BDA0003747136800000039
为一个均值为0，方差为
Figure BDA00037471368000000310
的高斯白噪声，i＝1,...,N；根据LOS和NLOS条件，等式(5)和等式(6)的状态方程的动力学公式可修改为：
Figure BDA00037471368000000311
Figure BDA00037471368000000312
其中，
Figure BDA00037471368000000313
m∈从等式(2)得到。
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
Figure BDA00037471368000000314
使用模型概率
Figure BDA00037471368000000315
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，
Figure BDA00037471368000000316
卡尔曼滤波器的混合初始条件
Figure BDA00037471368000000317
和
Figure BDA00037471368000000318
使用混合概率
Figure BDA00037471368000000319
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
Figure BDA00037471368000000320
和协方差矩阵
Figure BDA00037471368000000321
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
Figure BDA0003747136800000041
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；
自适应IMM中的融合阶段，所有自适应IMM的模型滤波器的更新后的状态估计加权和，得到最终的状态估计
Figure BDA0003747136800000042
和
Figure BDA0003747136800000043
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：
Figure BDA0003747136800000044
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；
设
Figure BDA0003747136800000045
表示第k时间戳的移动标签MT与基站BS1的真实距离，d1,2表示基站BS2和基站BS1之间的真实距离。
Figure BDA0003747136800000046
可以用双向飞行时间的方法测量，其测量值表示为
Figure BDA0003747136800000047
d1,2的测量值表示为
Figure BDA0003747136800000048
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：
Figure BDA0003747136800000049
Figure BDA00037471368000000410
可用于补偿移动标签与BS1之间的测距误差，表示为：
Figure BDA00037471368000000411
根据IMM算法在(k-1)时间戳的估计值
Figure BDA00037471368000000412
则预测第k时间戳MT与BS1之间的测量值，表示为：
Figure BDA0003747136800000051
其中Tk是采样时间，改进的补偿值表达式为
Figure BDA0003747136800000052
其中
Figure BDA0003747136800000053
是MT与BS1之间在第k时间戳的原始测量值，
Figure BDA0003747136800000054
可从等式(10)得到，a表示补偿系数，表达式为：
Figure BDA0003747136800000055
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：
Figure BDA0003747136800000056
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：
Figure BDA0003747136800000057
第k时间戳MT与第i个基站之间的LOS概率表示为：
Figure BDA0003747136800000058
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
Figure BDA0003747136800000061
时，信道可认为是LOS信道；当
Figure BDA0003747136800000062
时，信道可被视为NLOS信道；此外，当
Figure BDA0003747136800000063
或者
Figure BDA0003747136800000064
时，信道可认为是混合LOS/NLOS信道；如果信道是LOS信道并且
Figure BDA0003747136800000065
该信道可视为增强的LOS信道；另外，如果信道是NLOS信道并且
Figure BDA0003747136800000066
该信道可视为增强的NLOS信道；
设置环境参数
Figure BDA0003747136800000067
表示第k时间戳MT与第i个基站之间的信道环境，表达式如下：
Figure BDA0003747136800000068
定义基于功率的自适应转移概率修正函数，表达式为：
Figure BDA0003747136800000069
其中
Figure BDA00037471368000000610
h＝1代表LOS，h＝2代表NLOS；
根据环境参数
Figure BDA00037471368000000611
第k时间戳的自适应IMM的从其他模型到模型h的转移概率可被以下函数更新：
Figure BDA00037471368000000612
其中
Figure BDA00037471368000000613
q＝1代表LOS，q＝2代表NLOS，
Figure BDA00037471368000000614
代表(k-1)时间戳自适应IMM的从模型q到模型h的转移概率，
Figure BDA00037471368000000615
代表(k-1)时间戳CIMM的从模型q到模型h的转移概率；
进一步的，对更新后的转移概率标准化，表示为：
Figure BDA00037471368000000616
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
Figure BDA0003747136800000071
进一步的，根据环境参数
Figure BDA0003747136800000072
有选择性地更新(k-1)时间戳的自适应IMM的模型概率，表达式如下：
Figure BDA0003747136800000073
其中
Figure BDA0003747136800000074
表示(k-1)时间戳的CIMM的模型h的概率。
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
Figure BDA0003747136800000075
时，信道可认为是LOS信道；当
Figure BDA0003747136800000076
时，信道可被视为NLOS信道；此外，当
Figure BDA0003747136800000077
或者
Figure BDA0003747136800000078
时，信道可认为是混合LOS/NLOS信道；如果信道是LOS信道并且
Figure BDA0003747136800000079
该信道可视为增强的LOS信道；另外，如果信道是NLOS信道并且
Figure BDA00037471368000000710
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：
Figure BDA0003747136800000081
其中，
Figure BDA0003747136800000082
和
Figure BDA0003747136800000083
是第k时间戳移动标签和第i个基站的测距真实值和环境造成的误差值；将
Figure BDA0003747136800000084
作为独立同分布的高斯白噪声
Figure BDA0003747136800000085
根据LOS和NLOS环境，mε和
Figure BDA0003747136800000086
分别为：
Figure BDA0003747136800000087
Figure BDA0003747136800000088
利用第k时间戳的测距
Figure BDA0003747136800000089
作为观测值修正两个并行IMM算法的预测值，i＝1,...,N；移动标签和和第i个基站(i＝1,...,N)的状态向量定义为：
Figure BDA00037471368000000810
其中
Figure BDA00037471368000000811
表示移动标签相对于第i个基站的速度；状态方程的动力学公式可写为
Figure BDA00037471368000000812
Figure BDA00037471368000000813
其中，
Figure BDA0003747136800000091
是过程驱动噪声，
Figure BDA0003747136800000092
为一个均值为0，方差为
Figure BDA0003747136800000093
的高斯白噪声，i＝1,...,N；根据LOS和NLOS条件，等式(5)和等式(6)的状态方程的动力学公式修改为：
Figure BDA0003747136800000094
Figure BDA0003747136800000095
其中，
Figure BDA0003747136800000096
m∈从等式(2)得到。
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：
Figure BDA0003747136800000101
其中，
Figure BDA0003747136800000102
和
Figure BDA0003747136800000103
是第k时间戳移动标签和第i个基站的测距真实值和环境造成的误差值；将
Figure BDA0003747136800000104
作为独立同分布的高斯白噪声
Figure BDA0003747136800000105
根据LOS和NLOS环境，mε和
Figure BDA0003747136800000106
分别为：
Figure BDA0003747136800000111
Figure BDA0003747136800000112
利用第k时间戳的测距
Figure BDA0003747136800000113
作为观测值修正两个并行IMM算法的预测值，i＝1,...,N；移动标签和和第i个基站(i＝1,...,N)的状态向量定义为：
Figure BDA0003747136800000114
其中
Figure BDA0003747136800000115
表示移动标签相对于第i个基站的速度；状态方程的动力学公式可写为
Figure BDA0003747136800000116
Figure BDA0003747136800000117
其中，
Figure BDA0003747136800000118
是过程驱动噪声，
Figure BDA0003747136800000119
为一个均值为0，方差为
Figure BDA00037471368000001110
的高斯白噪声，i＝1,...,N；根据LOS和NLOS条件，等式(5)和等式(6)的状态方程的动力学公式可修改为：
Figure BDA00037471368000001111
Figure BDA00037471368000001112
其中，
Figure BDA00037471368000001113
m∈从等式(2)得到。
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
Figure BDA0003747136800000121
使用模型概率
Figure BDA0003747136800000122
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，
Figure BDA0003747136800000123
卡尔曼滤波器的混合初始条件
Figure BDA0003747136800000124
和
Figure BDA0003747136800000125
使用混合概率
Figure BDA0003747136800000126
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
Figure BDA0003747136800000127
和协方差矩阵
Figure BDA0003747136800000128
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
Figure BDA0003747136800000129
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；
自适应IMM中的融合阶段，所有自适应IMM的模型滤波器的更新后的状态估计加权和，得到最终的状态估计
Figure BDA00037471368000001210
和
Figure BDA00037471368000001211
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：
Figure BDA00037471368000001212
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。
设
Figure BDA00037471368000001213
表示第k时间戳的移动标签MT与基站BS1的真实距离，d1,2表示基站BS2和基站BS1之间的真实距离。
Figure BDA00037471368000001214
可以用双向飞行时间的方法测量，其测量值表示为
Figure BDA00037471368000001215
d1,2的测量值表示为
Figure BDA00037471368000001216
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：
Figure BDA0003747136800000131
Figure BDA0003747136800000132
可用于补偿移动标签与BS1之间的测距误差，表示为：
Figure BDA0003747136800000133
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。
根据IMM算法在(k-1)时间戳的估计值
Figure BDA0003747136800000134
则预测第k时间戳MT与BS1之间的测量值，表示为：
Figure BDA0003747136800000135
其中Tk是采样时间，改进的补偿值表达式为
Figure BDA0003747136800000136
其中
Figure BDA0003747136800000137
是MT与BS1之间在第k时间戳的原始测量值，
Figure BDA0003747136800000138
可从等式(10)得到，a表示补偿系数，表达式为：
Figure BDA0003747136800000139
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：
Figure BDA0003747136800000141
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：
Figure BDA0003747136800000142
第k时间戳MT与第i个基站之间的LOS概率表示为：
Figure BDA0003747136800000143
当
Figure BDA0003747136800000144
时，信道可认为是LOS信道；当
Figure BDA0003747136800000145
时，信道可被视为NLOS信道；此外，当
Figure BDA0003747136800000146
或者
Figure BDA0003747136800000147
时，信道可认为是混合LOS/NLOS信道；如果信道是LOS信道并且
Figure BDA0003747136800000148
该信道可视为增强的LOS信道；另外，如果信道是NLOS信道并且
Figure BDA0003747136800000149
该信道可视为增强的NLOS信道；
设置环境参数
Figure BDA00037471368000001410
表示第k时间戳MT与第i个基站之间的信道环境，表达式如下：
Figure BDA0003747136800000151
定义基于功率的自适应转移概率修正函数，表达式为：
Figure BDA0003747136800000152
其中
Figure BDA0003747136800000153
h＝1代表LOS，h＝2代表NLOS；
根据环境参数
Figure BDA0003747136800000154
第k时间戳的自适应IMM的从其他模型到模型h的转移概率可被以下函数更新：
Figure BDA0003747136800000155
其中
Figure BDA0003747136800000156
q＝1代表LOS，q＝2代表NLOS，
Figure BDA0003747136800000157
代表(k-1)时间戳自适应IMM的从模型q到模型h的转移概率，
Figure BDA0003747136800000158
代表(k-1)时间戳CIMM的从模型q到模型h的转移概率；
对更新后的转移概率进行标准化，表示为：
Figure BDA0003747136800000159
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
Figure BDA00037471368000001510
进一步的，根据环境参数
Figure BDA00037471368000001511
有选择性地更新(k-1)时间戳的自适应IMM的模型概率，表达式如下：
Figure BDA00037471368000001512
其中
Figure BDA00037471368000001513
表示(k-1)时间戳的CIMM的模型h的概率。
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，
Figure BDA0003747136800000161
CIMM和自适应IMM的初始化转移概率：
Figure BDA0003747136800000162
初始化模型概率为：
Figure BDA0003747136800000171
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：
Figure FDA0003747136790000011
其中，
Figure FDA0003747136790000012
和
Figure FDA0003747136790000013
是第k时间戳移动标签和第i个基站的测距真实值和环境造成的误差值；将
Figure FDA0003747136790000014
作为独立同分布的高斯白噪声
Figure FDA0003747136790000015
根据LOS和NLOS环境，mε和
Figure FDA0003747136790000016
分别为：
Figure FDA0003747136790000017
Figure FDA0003747136790000021
利用第k时间戳的测距
Figure FDA0003747136790000022
作为观测值修正两个并行IMM算法的预测值，i＝1,...,N；
移动标签和和第i个基站(i＝1,...,N)的状态向量定义为：
Figure FDA0003747136790000023
其中
Figure FDA0003747136790000024
表示移动标签相对于第i个基站的速度；状态方程的动力学公式可写为
Figure FDA0003747136790000025
Figure FDA0003747136790000026
其中，
Figure FDA0003747136790000027
Figure FDA0003747136790000028
是过程驱动噪声，
Figure FDA0003747136790000029
为一个均值为0，方差为
Figure FDA00037471367900000210
的高斯白噪声，i＝1,...,N；根据LOS和NLOS条件，等式(5)和等式(6)的状态方程的动力学公式修改为：
Figure FDA00037471367900000211
Figure FDA00037471367900000212
其中，
Figure FDA00037471367900000213
m∈从等式(2)得到。
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
Figure FDA00037471367900000214
使用模型概率
Figure FDA00037471367900000215
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，
Figure FDA00037471367900000216
卡尔曼滤波器的混合初始条件
Figure FDA00037471367900000217
和
Figure FDA00037471367900000218
使用混合概率
Figure FDA00037471367900000219
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
Figure FDA00037471367900000220
和协方差矩阵
Figure FDA00037471367900000221
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
Figure FDA00037471367900000222
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；
自适应IMM中的融合阶段，所有自适应IMM的模型滤波器的更新后的状态估计加权和，得到最终的状态估计
Figure FDA0003747136790000031
和
Figure FDA0003747136790000032
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：
Figure FDA0003747136790000033
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；
设
Figure FDA0003747136790000034
表示第k时间戳的移动标签MT与基站BS1的真实距离，d1,2表示基站BS2和基站BS1之间的真实距离，
Figure FDA0003747136790000035
可以用双向飞行时间的方法测量，其测量值表示为
Figure FDA0003747136790000036
d1,2的测量值表示为
Figure FDA0003747136790000037
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：
Figure FDA0003747136790000038
Figure FDA0003747136790000039
可用于补偿移动标签与BS1之间的测距误差，表示为：
Figure FDA00037471367900000310
根据IMM算法在(k-1)时间戳的估计值
Figure FDA00037471367900000311
则预测第k时间戳MT与BS1之间的测量值，表示为：
Figure FDA0003747136790000041
其中Tk是采样时间，改进的补偿值表达式为
Figure FDA0003747136790000042
其中
Figure FDA0003747136790000043
是MT与BS1之间在第k时间戳的原始测量值，
Figure FDA0003747136790000044
可从等式(10)得到，a表示补偿系数，表达式为：
Figure FDA0003747136790000045
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：
Figure FDA0003747136790000046
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：
Figure FDA0003747136790000047
第k时间戳MT与第i个基站之间的LOS概率表示为：
Figure FDA0003747136790000048
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
Figure FDA0003747136790000051
时，信道可认为是LOS信道；当
Figure FDA0003747136790000052
时，信道可被视为NLOS信道；此外，当
Figure FDA0003747136790000053
或者
Figure FDA0003747136790000054
时，信道可认为是混合LOS/NLOS信道；如果信道是LOS信道并且
Figure FDA0003747136790000055
该信道可视为增强的LOS信道；另外，如果信道是NLOS信道并且
Figure FDA0003747136790000056
该信道可视为增强的NLOS信道；
设置环境参数
Figure FDA0003747136790000057
表示第k时间戳MT与第i个基站之间的信道环境，表达式如下：
Figure FDA0003747136790000058
定义基于功率的自适应转移概率修正函数，表达式为：
Figure FDA0003747136790000059
其中
Figure FDA00037471367900000510
h＝1代表LOS，h＝2代表NLOS；
根据环境参数
Figure FDA00037471367900000511
第k时间戳的自适应IMM的从其他模型到模型h的转移概率可被以下函数更新：
Figure FDA00037471367900000512
其中
Figure FDA00037471367900000513
q＝1代表LOS，q＝2代表NLOS，
Figure FDA00037471367900000514
代表(k-1)时间戳自适应IMM的从模型q到模型h的转移概率，
Figure FDA00037471367900000515
代表(k-1)时间戳CIMM的从模型q到模型h的转移概率；
对更新后的转移概率进行标准化，如下所示：
Figure FDA0003747136790000061
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
Figure FDA0003747136790000062
6.根据权利要求5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，根据环境参数
Figure FDA0003747136790000063
有选择性地更新(k-1)时间戳的自适应IMM的模型概率，表达式如下：
Figure FDA0003747136790000064
其中
Figure FDA0003747136790000065
Figure FDA0003747136790000066
表示(k-1)时间戳的CIMM的模型h的概率。
7.根据权利要求5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，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
Figure FDA0003747136790000067
时，信道可认为是LOS信道；当
Figure FDA0003747136790000068
时，信道可被视为NLOS信道；此外，当
Figure FDA0003747136790000069
或者
Figure FDA00037471367900000610
时，信道可认为是混合LOS/NLOS信道；如果信道是LOS信道并且
Figure FDA00037471367900000611
该信道可视为增强的LOS信道；另外，如果信道是NLOS信道并且
Figure FDA00037471367900000612
该信道可视为增强的NLOS信道。
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：
Figure FDA0003747136790000071
其中，
Figure FDA0003747136790000072
和
Figure FDA0003747136790000073
是第k时间戳移动标签和第i个基站的测距真实值和环境造成的误差值；将
Figure FDA0003747136790000074
作为独立同分布的高斯白噪声
Figure FDA0003747136790000075
根据LOS和NLOS环境，mε和
Figure FDA0003747136790000076
分别为：
Figure FDA0003747136790000077
Figure FDA0003747136790000078
利用第k时间戳的测距
Figure FDA0003747136790000079
作为观测值修正两个并行IMM算法的预测值，i＝1,...,N；移动标签和和第i个基站(i＝1,...,N)的状态向量定义为：
Figure FDA0003747136790000081
其中
Figure FDA0003747136790000082
表示移动标签相对于第i个基站的速度；状态方程的动力学公式可写为
Figure FDA0003747136790000083
Figure FDA0003747136790000084
其中，
Figure FDA0003747136790000085
Figure FDA0003747136790000086
是过程驱动噪声，
Figure FDA0003747136790000087
为一个均值为0，方差为
Figure FDA0003747136790000088
的高斯白噪声，i＝1,...,N；根据LOS和NLOS条件，等式(5)和等式(6)的状态方程的动力学公式修改为：
Figure FDA0003747136790000089
Figure FDA00037471367900000810
其中，
Figure FDA00037471367900000811
mε从等式(2)得到。
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。
CN202210827706.XA 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 Active CN115334447B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (14)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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