CN118189932A - 一种可重构智能表面与惯性测量单元的融合定位方法 - Google Patents
一种可重构智能表面与惯性测量单元的融合定位方法 Download PDFInfo
- Publication number
- CN118189932A CN118189932A CN202410312204.2A CN202410312204A CN118189932A CN 118189932 A CN118189932 A CN 118189932A CN 202410312204 A CN202410312204 A CN 202410312204A CN 118189932 A CN118189932 A CN 118189932A
- Authority
- CN
- China
- Prior art keywords
- inertial measurement
- ris
- measurement unit
- user equipment
- intelligent surface
- 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.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 230000010363 phase shift Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000033228 biological regulation Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种可重构智能表面与惯性测量单元的融合定位方法，包括：获取惯性测量单元输出的运动数据并处理，得到用户设备当前时刻的初始位置估计；将用户设备当前时刻的初始位置估计作为可重构智能表面反射信道参数估计的先验信息，确定当前时刻用户设备实际位置阈值以及指导可重构智能表面的相移调控；接收不同参考RIS相移下实际无线电信号，并计算对应的理论接收信号；根据惯性测量单元输出的运动数据与RIS反射的无线电信号构建因子图优化模型，根据因子图中的约束关系构建目标函数；并对目标优化函数进行求解，得到当前时刻用户设备的位置信息。能够提升可重构智能表面定位的效率，降低系统信道估计的成本。
Description
技术领域
本发明涉及无线定位技术领域，具体涉及一种可重构智能表面与惯性测量单元的融合定位方法。
背景技术
无线定位是无线通信系统中一项重要技术，在第五代无线(5G)系统中，用户设备(UserEquipment，UE)的无线定位具有多种应用，包括工业用例、智能移动和基于位置的服务。传统的无线电定位技术往往受到环境条件、信号干扰和定位精度等方面的限制。
可重构智能表面(Reconfigurable Intelligent Surface，RIS)由许多低成本可控元件组成，这些可控元件可以改变电磁波的特性，如相位、振幅、频率或极化等。通过正确配置元件参数，RIS可以提供可控的通信信道，以支持无线设备的通信和定位服务。RIS具有节能、轻便、易于部署以及与现有无线基础设施兼容的特性。在实际的无线通信场景中，由于环境的复杂多变，基站与UE的视距路径通常被阻断，在已知先验位置信息且相移可控的RIS的帮助下(与非RIS下非视距场景不同)，可以建立反射传输路径，这使得RIS对城市或室内定位具有潜在的实用性和前景。由于RIS在BS和UE之间创建反射路径，因此UE可以利用来自该反射路径的信道参数测量作为用于定位的附加信息。RIS辅助定位通常由两个阶段组成：1)信道参数的估计阶段，UE根据接收到的反射信号估计信道参数；2)位置解算阶段，根据信道参数推断UE位置。
当UE具有较高动态性时，由于UE的位置未知且通常没有先验信息，导致RIS辅助定位的信道参数估计阶段产生大量的导频开销。惯性测量是一种基于测量物体的加速度和角速度来估计UE位置的技术，可以提供短时间内精确的相对位置变化信息，由于传感器测量误差的累积，在长时间的导航中可能导致位置漂移。
发明内容
本发明所要解决的技术问题是UE的位置未知且通常没有先验信息，长时间的导航中可能导致位置漂移，目的在于提供一种可重构智能表面与惯性测量单元的融合定位方法，利用惯性测量单元为RIS信道参数估计提供先验位置信息，极大降低信道参数估计阶段的导频开销；采用因子图优化的融合定位方法，充分利用惯性测量数据与信道参数估计UE位置，以提供更准确、稳健的定位信息，根据融合定位结果对惯性测量单元测量数据进行校准和误差补偿，实现持续、精确的定位。
本发明通过下述技术方案实现：
本发明提供一种可重构智能表面与惯性测量单元的融合定位方法，包括以下具体步骤：
S1、获取惯性测量单元输出的运动数据并处理，得到用户设备当前时刻的初始位置估计；
S2、将用户设备当前时刻的初始位置估计作为可重构智能表面反射信道参数估计的先验信息，确定当前时刻用户设备实际位置阈值以及指导可重构智能表面的相移调控；
S3、接收不同参考RIS相移下实际无线电信号，并计算对应的理论接收信号；
S4、根据惯性测量单元输出的运动数据与RIS反射的无线电信号构建因子图优化模型，根据因子图中的约束关系构建目标函数；
S5、采用Levenberg-Marquardt算法对目标优化函数进行求解，得到当前时刻用户设备的位置信息。
本发明利用惯性测量单元为RIS信道参数估计提供先验位置信息，极大降低信道参数估计阶段的导频开销；采用因子图优化的融合定位方法，充分利用惯性测量数据与信道参数估计UE位置，以提供更准确、稳健的定位信息，根据融合定位结果对惯性测量单元测量数据进行校准和误差补偿，实现持续、精确的定位。
进一步的，所述步骤S1具体包括：
惯性测量单元利用内置的加速度计与陀螺仪测量自身的加速度和角速度；
根据测量的角速度以及加速度数据，确定用户设备第k时刻的初始位置估计。
进一步的，所述测量自身的加速度和角速度具体包括：
其中，和/>分别表示惯性测量单元在用户设备坐标系下k时刻的角速度与加速度原始测量值；ωk和ak分别表示角速度与加速度；bak、bωk表示传感器误差；/>和/>表示加速度和陀螺仪测量中附加的高斯噪声；/>为全局坐标系至UE设备坐标系的转换矩阵；g是全局坐标系下的重力常量。
进一步的，所述确定当前时刻用户设备实际位置阈值具体包括：
获取实际位置的不确定性半径；
以用户设备第k时刻的初始位置估计为圆心；
结合不确定性半径，确定圆形区域为用户设备实际位置阈值。
进一步的，所述指导可重构智能表面的相移调控具体包括：
从圆形区域C内随机选择L个参考点ξ1,...,ξL，计算得到L个RIS参考相移Ωl(k),…,ΩL(k)：
其中，m表示RIS的第m个反射单元，m＝0,...,M-1；k(θ)表示波束矢量；PR表示RIS中心坐标；[QR]m表示第m个反射单元的坐标；λ＝c/f表示基站发射无线电信号的波长。
进一步的，所述波数矢量k(θ)的具体计算步骤包括：
其中，[θ]az和[θ]el表示在RIS坐标系下信号的方位角和俯仰角；λ＝c/f表示基站发射无线电信号的波长，c表示光速，f表示载波频率。
进一步的，所述步骤S3具体包括：
获取信号从基站到RIS的传输数据，构建基站和RIS之间的信道、RIS和UE之间的信道；
根据基站和RIS之间的信道、RIS和UE之间的信道，确定对应的理论接收信号。
进一步的，所述步骤S4具体包括：
构建惯性测量单元的测量模型，构建惯性测量预积分残差函数；
根据不同参考RIS相移下实际无线电信号以及不同参考RIS相移下实际无线电信号对应的理论接收信号，构建接收信号残差函数；
根据惯性测量预积分残差函数和用户设备接收信号残差函数，构建位置估计目标函数。
进一步的，所述位置估计目标函数的具体计算步骤包括：
其中，χ＝[pT,qT,vT,bT]T表示用户设备当前时刻的状态，其中包括位置、方向、速度以及IMU陀螺仪和加速度计的偏差；分别表示用户设备接收信号残差函数以及惯性测量预积分残差函数；FR表示RIS反射的无线电信号测量的协方差矩阵；FI表示惯性测量的协方差矩阵。
进一步的，还包括估计的位置数据进行评估，根据用户设备的位置估计与实际位置p的均方根误差(RMSE)作为性能度量，计算步骤包括
其中，表示期望运算符。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明基于用户设备通过融合处理来自惯性测量单元的传感数据以及可重构智能表面的反射信号，从而估计自身的位置信息。通过设计高效的数据收集和融合方案，利用惯性测量单元输出频率快、短期精度高的特点，为RIS的反射信道参数估计提供先验信息，解决了仅RIS定位方案中存在的导频训练开销大，难以满足动态用户设备定位需求的问题。仿真结果显示，本发明在不增加额外成本的条件下，能够显著提升用户设备的定位精度，具有很强的应用价值和实际意义。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为本发明实施例中的基于可重构智能表面与惯性测量单元融合定位方法的流程图；
图2为本发明实施例中的因子图；
图3为本发明实施例中的3D空间中RIS、BS和UE的位置关系；
图4为本发明实施例中的EuRoC数据集下定位的用户设备轨迹与实际轨迹对比关系图；
图5为本发明实施例中的可重构智能表面反射单元数量与系统定位均方根误差的关系图；
图6为本发明实施例中的基站发射功率与系统定位均方根误差的关系图；
图7为本发明实施例中的可重构智能表面部署位置与系统定位均方根误差的关系图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
如图1所示，本实施例第一方面提供一种可重构智能表面与惯性测量单元的融合定位方法，获取惯性测量单元输出的运动数据并处理，得到用户设备当前时刻的初始位置估计，将用户设备当前时刻的初始位置估计作为可重构智能表面反射信道参数估计的先验信息，确定当前时刻用户设备实际位置阈值以及指导可重构智能表面的相移调控，利用惯性测量单元为RIS信道参数估计提供先验位置信息，极大降低信道参数估计阶段的导频开销；接收不同参考RIS相移下实际无线电信号，并计算对应的理论接收信号，根据惯性测量单元输出的运动数据与RIS反射的无线电信号构建因子图优化模型，根据因子图中的约束关系构建目标函数，采用Levenberg-Marquardt算法对目标优化函数进行求解，得到当前时刻用户设备的位置信息，采用因子图优化的融合定位方法，充分利用惯性测量数据与信道参数估计UE位置，以提供更准确、稳健的定位信息，根据融合定位结果对惯性测量单元测量数据进行校准和误差补偿，实现持续、精确的定位。
本实施例的实施流程包含以下步骤：
步骤1：对惯性测量单元输出的运动数据进行处理，得到惯性定位数据。
步骤1.1，惯性测量单元利用内置的加速度计与陀螺仪测量自身的加速度和角速度：
其中，和/>分别表示惯性测量单元在用户设备坐标系下第k时刻的角速度与加速度原始测量值；bak、bωk表示传感器误差；/>和/>表示加速度和陀螺仪测量中附加的高斯噪声；/>表示第k时刻全局坐标系至用户设备坐标系的转换矩阵；g是全局坐标系下的重力常量。
步骤1.2，根据测量的角速度以及加速度数据可以计算得到用户设备第k时刻的初始位置估计。
本实施例采用预积分的方法来计算用户设备上一时刻到当前时刻的相对运动，进而获得每个时刻初始的用户设备的状态信息。用户设备在第k时刻获得新的惯性测量数据，在时间间隔Δtk(两个定位时刻之间的时间间隔)内，用户设备状态被递归地传播，计算公式下：
其中，表示第k时刻全局坐标系至用户设备坐标系的转换矩阵；/>表示第k-1时刻全局坐标系至用户设备坐标系的转换矩阵；/>分别表示k时刻的位置、速度和旋转矢量；pk-1、vk-1、/>分别表示k-1时刻的位置、速度和旋转矢量；Δtk为k-1时刻到k时刻之间的时间间隔；
分别表示从k-1时刻到k时刻的位置、速度。旋转的预积分；g表示重力加速度。
其中，分别表示从k-1时刻到k时刻的位置、速度、旋转预积分。/>表示加速度，/>分别表示加速度与角速度测量的偏置误差；na、nw分别表示加速度与角速度测量的噪声；γk-1表示k-1时刻的旋转预积分值。
步骤2，根据步骤1中得到的用户设备第k时刻的初始位置估计作为RIS反射信道参数估计的先验信息，用于确定第k时刻用户设备位置的可能范围以及指导RIS相移调控。
步骤2.1，根据步骤1，可以得到第k时刻用户设备的初始位置估计为ξ。考虑到惯性测量单元在数据测量中存在的噪声，用户设备的初始位置估计ξ与用户设备实际位置存在偏差。设定用户设备实际位置的不确定性半径为σ，因此，UE的实际位置P位于以ξ为圆心，σ为半径的圆形区域C内。
P-ξ<σ
步骤2.2，根据步骤2.1所确定的用户设备实际位置范围C，配置RIS相位。首先，从圆形区域C内随机选择L个参考点ξ1,...,ξL(服从均匀分布)，由于区域C以及选取的L个参考点位置已知，可以计算得到L个RIS参考相移Ωl(k),…,ΩL(k)：
其中，m表示RIS的第m个反射单元，m＝0,...,M-1；k(θ)表示波束矢量；PR表示RIS中心坐标；[QR]m表示第m个反射单元的坐标。
波数矢量k(θ)定义为：
其中，[θ]az和[θ]el表示在RIS坐标系下信号的方位角和俯仰角；λ＝c/f表示基站发射无RIS和UE之间的信道；w(k)表示k时刻的信道噪声。
其中，τB,R、θB,R和φB,R分别表示信号从基站到RIS的飞行时间、出发角(AoD)和到达角(AoA)；ρB,R＝(dB,R)-μ表示自由空间传播损耗，dB,R表示从基站到RIS的距离，μ是传播损耗系数。类似的，τR,U、θR,U、φR,U、ρR,U分别表示信号从RIS到UE处的相关参数；α表示信号的转向矢量；αH表示α的共轭转置；M表示RIS反射单元数量；NB表示基站天线的数量；NU表示用户设备的天线数量。
在每个观测时间槽k中，用户设备可以收集到L个观测信号及其相应的理论值，即：
Yk＝[yk,1,yk,1,…,yk,L]T
其中，yk,L表示用户设备第k时刻第L个观测信号；Yk＝[yk,1,yk,1,…,yk,L]T表示用户设备第k时刻L个观测信号构成的向量；表示用户设备第k时刻，处于位置PU时，第L个理论接收信号；/>表示用户设备第k时刻L个理论信号构成的向量。
步骤4，用户设备根据收集的惯性测量单元传感数据与RIS反射的无线电信号构建因子图优化模型，如图2所示，其位置估计目标函数可定义为：
其中，χ＝[pT,qT,vT,bT]T表示用户设备当前时刻的状态，其中包括位置、方向、速度以及IMU陀螺仪和加速度计的偏差；分别表示用户设备接收信号残差函数以及惯性测量预积分残差函数；FR表示RIS反射的无线电信号测量的协方差矩阵；FI表示惯性测量的协方差矩阵。
目标函数的具体构建步骤如下：
1)惯性测量预积分残差函数
如图3所示，惯性测量单元的测量模型(即步骤1.1)由一个基站(BS)、用户设备(UE)和可重构智能表面(RIS)。基站和用户设备上的天线都是均匀线性阵列(ULA)，分别具有元素数量NB和NU。用户设备配备有能够测量线性加速度和角速度的惯性测量单元(IMU)。可重构智能表面为一个均匀平面阵列(UPA)，具有M个反射单元，位于一个顶部位置，例如室内空间的屋顶，并对基站和用户设备可见。用户设备通过接收来自RIS的反射信号(BS-RIS-UE)以及来自惯性测量单元的传感器数据来确定自己的位置。根据步骤1中，惯性测量单元的测量模型，可以定义惯性测量单元测量的预积分残差函数为：
其中，分别表示用户设备k时刻惯性测量预积分残差函数。
δba、δbg分别表示位置、速度、旋转、加速度偏置误差、角速度偏置误差的预积分残差。/>表示第k-1时刻全局坐标系至用户设备坐标系的转换矩阵。pk、vk、qk分别表示k时刻的位置、速度和旋转矢量；pk-1、vk-1、qk-1分别表示k-1时刻的位置、速度和旋转矢量；/>分别表示从k-1时刻到k时刻的位置、速度、旋转预积分；Δtk为k-1时刻与k时刻之间的时间间隔；g表示重力加速度。
2)接收信号残差函数
根据步骤3中收集到L个观测信号及其相应的理论值，即Yk＝[yk,1,yk,1,…,yk,L]T和构建接收信号残差函数为：
步骤5，采用Levenberg-Marquardt算法对步骤4中的目标优化函数进行求解，最终得到当前时刻用户设备的位置信息。
为了验证该基于RIS与IMU融合定位方法的优越性。设置了另外3种参考方案作为对比，分别为：1)IMU：UE仅使用IMU传感器数据进行定位；2)Random Profile：UE使用IMU数据与接收导频信号(经RIS反射)定位，其中RIS每个反射元件相位是从[0,2π]中随机生成；3)Directional Profile:UE使用IMU数据与接收导频信号(经RIS反射)定位，其中RIS每个反射元件相位，根据IMU提供的先验位置信息，在位置不确定性半径内进行采样。
为了评估所提出的融合定位方法的性能，使用用户设备的位置估计与实际位置p的均方根误差(RMSE)作为性能度量。所提出定位方案的RMSE的计算：
其中，表示期望运算符。
系统仿真参数设置如下：将BS的坐标设置为(-5,12,0)，RIS的中心坐标设置为(7.5,2,5)，且平行于XOY平面。UE移动在大小为[-5，20]m×[-8，12]m的空间中移动。IMU的数据输出频率为200Hz，接收信号更新频率为10Hz。
图4表示EuRoC数据集中MH_05数据序列轨迹的追踪结果在水平面上的投影。可以看出，本实施例提出的融合定位算法优于其他对比算法，因为跟踪轨迹更接近地面实况。为了进一步验证本实施例所提方案的可靠性，对EuRoC数据集中所有MH序列都进行仿真实验，这些序列收集了同一室内空间中，不同起始位置和不同运动轨迹的IMU传感器数据以及真实运动轨迹数据。如表1所示，在5组MH序列中，本实施例相比于对比方案具有明显优势。
表1EuRoC数据集系统定位均方根误差(m)
图5表示可重构智能表面反射单元数量与系统定位RMSE之间关系。可以看出，随着RIS反射元件数量的增加，系统的定位误差逐渐减小。这是因为增加反射元件数量有助于更有效地将功率集中在用户设备(UE)上，从而提高系统的定位精度。与传统的IMU方案相比，本实施例所提方案性能提高了约36.4倍。与采用随机相位的方案相比，性能提高了约4.6倍，而与直接相位方案相比，性能提高了约0.7倍。
图6表示基站发送功率与系统定位RMSE的关系。可以看出，当BS发送的导频信号功率增加时，除了IMU定位的方案外，所考虑的其他方法的RMSE都会减少。这是因为当导频信号功率较低时，UE接收到的导频信号信噪比低，系统定位性能较差；当导频信号的功率增加时，UE接收到的导频信号信噪比提高，系统定位性能提高。当发送功率大于30dBm时，所提出的定位方案可以实现厘米级的定位精度。与其它方案相比，在达到同样RMSE水平的情况下，所提方案需要的发射功率更低。
图7表示为RIS在XY平面中不同位置的系统定位RMSE热图，左上角橘色原点表示BS在XY平面的位置。可以看出，当RIS靠近基站或位于空间的中心位置时系统定位性能较好，当RIS远离基站和平面中心位置时，定位误差呈上升趋势。这是由于当RIS靠近基站时，BS到RIS信道距离减小；当RIS处于中心位置时，RIS到UE运动轨迹上各点的平均距离也减小。这导致RIS信道的乘性衰落减小，从而提高了UE接收信号的信噪比，最终提高了定位精度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种可重构智能表面与惯性测量单元的融合定位方法，其特征在于，包括以下具体步骤：
S1、获取惯性测量单元输出的运动数据并处理，得到用户设备当前时刻的初始位置估计；
S2、将用户设备当前时刻的初始位置估计作为可重构智能表面反射信道参数估计的先验信息，确定当前时刻用户设备实际位置阈值以及指导可重构智能表面的相移调控；
S3、接收不同参考RIS相移下实际无线电信号，并计算对应的理论接收信号；
S4、根据惯性测量单元输出的运动数据与RIS反射的无线电信号构建因子图优化模型，根据因子图中的约束关系构建目标函数；
S5、采用Levenberg-Marquardt算法对目标优化函数进行求解，得到当前时刻用户设备的位置信息。
2.根据权利要求1所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，所述步骤S1具体包括：
惯性测量单元利用内置的加速度计与陀螺仪测量自身的加速度和角速度；
根据测量的角速度以及加速度数据，确定用户设备第k时刻的初始位置估计。
3.根据权利要求2所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，所述测量自身的加速度和角速度具体包括：
其中，和/>分别表示惯性测量单元在用户设备坐标系下k时刻的角速度与加速度原始测量值；ωk和ak分别表示角速度与加速度；bak、bωk表示传感器误差；/>和表示加速度和陀螺仪测量中附加的高斯噪声；/>为全局坐标系至UE设备坐标系的转换矩阵；g是全局坐标系下的重力常量。
4.根据权利要求1所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，所述确定当前时刻用户设备实际位置阈值具体包括：
获取实际位置的不确定性半径；
以用户设备第k时刻的初始位置估计为圆心；
结合不确定性半径，确定圆形区域为用户设备实际位置阈值。
5.根据权利要求4所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，所述指导可重构智能表面的相移调控具体包括：
从圆形区域C内随机选择L个参考点ξ1,...,ξL，计算得到L个RIS参考相移Ωl(k),…,ΩL(k)：
其中，m表示RIS的第m个反射单元，m＝0,...,M-1；k(θ)表示波束矢量；PR表示RIS中心坐标；[QR]m表示第m个反射单元的坐标；λ＝c/f表示基站发射无线电信号的波长。
6.根据权利要求5所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，所述波数矢量k(θ)的具体计算步骤包括：
其中，[θ]az和[θ]el表示在RIS坐标系下信号的方位角和俯仰角；λ＝c/f表示基站发射无线电信号的波长，c表示光速，f表示载波频率。
7.根据权利要求1所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，所述步骤S3具体包括：
获取信号从基站到RIS的传输数据，构建基站和RIS之间的信道、RIS和UE之间的信道；
根据基站和RIS之间的信道、RIS和UE之间的信道，确定对应的理论接收信号。
8.根据权利要求1所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，所述步骤S4具体包括：
构建惯性测量单元的测量模型，构建惯性测量预积分残差函数；
根据不同参考RIS相移下实际无线电信号以及不同参考RIS相移下实际无线电信号对应的理论接收信号，构建接收信号残差函数；
根据惯性测量预积分残差函数和用户设备接收信号残差函数，构建位置估计目标函数。
9.根据权利要求8所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，所述位置估计目标函数的具体计算步骤包括：
其中，χ＝[pT,qT,vT,bT]T表示用户设备当前时刻的状态，其中包括位置、方向、速度以及IMU陀螺仪和加速度计的偏差；分别表示用户设备接收信号残差函数以及惯性测量预积分残差函数；FR表示RIS反射的无线电信号测量的协方差矩阵；FI表示惯性测量的协方差矩阵。
10.根据权利要求1所述的可重构智能表面与惯性测量单元的融合定位方法，其特征在于，还包括估计的位置数据进行评估，根据用户设备的位置估计与实际位置p的均方根误差RMSE作为性能度量，计算步骤包括
其中，表示期望运算符。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410312204.2A CN118189932A (zh) | 2024-03-19 | 2024-03-19 | 一种可重构智能表面与惯性测量单元的融合定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410312204.2A CN118189932A (zh) | 2024-03-19 | 2024-03-19 | 一种可重构智能表面与惯性测量单元的融合定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118189932A true CN118189932A (zh) | 2024-06-14 |
Family
ID=91401747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410312204.2A Pending CN118189932A (zh) | 2024-03-19 | 2024-03-19 | 一种可重构智能表面与惯性测量单元的融合定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118189932A (zh) |
-
2024
- 2024-03-19 CN CN202410312204.2A patent/CN118189932A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kanhere et al. | Position locationing for millimeter wave systems | |
| US8478292B2 (en) | Wireless localization method based on an efficient multilateration algorithm over a wireless sensor network and a recording medium in which a program for the method is recorded | |
| US7821453B2 (en) | Distributed iterative multimodal sensor fusion method for improved collaborative localization and navigation | |
| US7570213B2 (en) | Method and apparatus for detecting and locating intrusion in a wireless network | |
| Graefenstein et al. | Wireless node localization based on RSSI using a rotating antenna on a mobile robot | |
| CN204166130U (zh) | 射频定位装置和系统 | |
| CN102395196A (zh) | 一种基于标校点的定位方法和装置 | |
| Kilani et al. | RSSI-based indoor tracking using the extended Kalman filter and circularly polarized antennas | |
| Meles et al. | Measurement based performance evaluation of drone self-localization using AoA of cellular signals | |
| Kohlbacher et al. | A low cost omnidirectional relative localization sensor for swarm applications | |
| Kuxdorf-Alkirata et al. | Reliable and low-cost indoor localization based on bluetooth low energy | |
| US9316719B1 (en) | Power difference of arrival geolocation | |
| Zeng et al. | Radio frequency based direction sensing using massive MIMO | |
| JP2008008780A (ja) | 位置推定システムおよび位置推定方法 | |
| Kaveripakam et al. | Enhancement of precise underwater object localization | |
| CN115979256A (zh) | 一种基于人工信标的多源协同位姿确定方法、装置及系统 | |
| Leitch et al. | Different Indoor Localisation Techniques using Smartphones | |
| CN118189932A (zh) | 一种可重构智能表面与惯性测量单元的融合定位方法 | |
| CN111025358B (zh) | 基于导航卫星信号单短基线的定向方法 | |
| KR101459915B1 (ko) | 위치인식 방법 | |
| JP7315349B2 (ja) | 位置推定装置、及び位置推定方法 | |
| Peng et al. | Comparison of wireless location algorithms in mobile communication networks | |
| Garg et al. | Indoor tracking using BLE-brief survey of techniques | |
| KR101213171B1 (ko) | 이동체의 위치 추정 장치 및 방법 | |
| Zaki et al. | An indoor location positioning algorithm for portable devices and autonomous machines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |