非高斯噪声条件下基于粒子滤波的室内定位方法
【技术领域】
[0001] 本发明属于无线定位的技术领域。
【背景技术】
[0002] 如何在室内环境下，对移动目标实现精确定位和追踪是室内定位研宄的重点之 一。在现有的定位技术中，超宽带（UWB)技术可以实现厘米级的测距精度。由于室内环境 对电磁波传输的影响，实际的测距值会受到非高斯噪声的影响，从而产生较大的偏差，现有 的方法是假设噪声服从正态分布，对测量的结果进行卡尔曼滤波，但实际的测量噪声往往 不是服从单峰正态分布，而会呈现多峰分布情形。所以，将观测噪声近似为正态分布，尽管 可以降低计算量，但是难以对实际状态进行准确估计，因此，上述方法将测距噪声通过混合 高斯变量进行逼近。
[0003] 此外，传统超宽带（UWB)定位算法采用三边测量法获得的是满足条件的最小二乘 解，但是当某些锚节点出现微小的偏差，其定位结果即会产生较大的偏差；并且移动目标在 运动的过程中会存在加速、减速、匀速等运动状态，所以物体运动的加速度也不会服从单峰 正态分布。
[0004] 标准的粒子滤波算法选择先验概率密度作为重要密度函数，但是由于没有考虑当 前的测量值，从重要密度函数中取样得到的样本与从真实后验概率密度采样得到的样本有 很大偏差。重要性权重的方差也会随着时间而随机递增，使得粒子的权重集中到少数粒子 上，出现退化问题。为了克服退化现象，需要选择好的重要密度函数，但是在实际过程中观 测方程为非线性，无法直接获得最优密度函数，因此无法保证计算的效率和精度。
【发明内容】
[0005] 发明目的：本发明提供一种非高斯噪声条件下基于粒子滤波的室内定位方法，该 方法改善了粒子滤波中粒子退化现象，实现对状态向量的最优估计，提高定位精度。
[0006] 技术方案：一种非高斯噪声条件下基于粒子滤波的室内定位方法，将状态方程中 的加速度和观测方程中的测量噪声建模为混合高斯随机变量，并对观测方程进行局部线性 化，求得次优重要性函数，从而进行粒子滤波，得出状态量的最优估计，该方法的具体步骤 为：
[0007] (1)建立移动目标运动的状态方程和观测方程，将状态方程中的加速度向量的概 率分布通过混合高斯分布来进行逼近，将观测方程中的测距噪声和惯性测量噪声分布也通 过混合高斯分布来近似；
[0008] (2)对非线性的观测方程进行局部线性化，获得任意时刻的次优重要性函数和权 系数，其中的两个参量，即均值和方差的值通过递推获得；
[0009] (3)测得移动目标当前时刻与观测节点之间的距离，移动目标当前时刻的运动方 位角，以及与上一时刻位置的距离，对测量值采用基于次优重要性函数的粒子滤波，得到最 优估计；
[0010] (4)根据滤波后移动目标与观测点的距离和方位角对移动目标进行定位追踪，同 时更新两个参量，即均值和方差。
[0011] 进一步地，所述步骤（1)中将状态方程的加速度项建模为服从混合高斯分布的随 机向量，通过先期对测距误差和方位角测量误差的统计，也将观测方程中的噪声项建模为 服从混合高斯分布的随机向量。
[0012] 进一步地，所述步骤（1)中移动目标携带终端，包括超宽带（UWB)和惯性传感器单 元（ISU)两个部分，根据实际场景比较真实值与测量值，得出测量误差，并根据测量误差的 统计特性采用混合高斯分布来近似。
[0013] 更进一步地，所述状态方程的加速度根据正常人行走过程中的加速、减速和匀速 的运动状态进行建模，采用集合数为3的混合高斯分布来逼近。
[0014] 进一步地，所述均值和方差为粒子滤波过程中权系数中的统计量，具有记忆性，可 以根据前一时刻的值迭代得到当前时刻所需的值，递归过程为线性运算。
[0015] 更进一步地，所述超宽带（UWB)销节点为单个，对单个用户进行定位。
[0016] 有益效果：与现有技术相比，本发明的优点在于：
[0017] 1、采用基于次优重要性函数的粒子滤波方法，通过将物体运动的加速度和测量噪 声建模为服从混合高斯分布的随机向量，更加接近真实情形。
[0018] 2、通过对观测方程进行局部线性化，从而获得次优重要密度函数，改善粒子滤波 的退化现象，提高计算效率和精度，实现室内环境下高精度的定位和跟踪功能。
[0019] 3、通过综合使用超宽带（UWB)测距技术和惯性传感器单元（ISU)的测量信息，一 方面可以减小超宽带（UWB)定位所需锚节点数目，减小对超宽带（UWB)的依赖，大大降低了 成本；另一方面惯性传感器测量值的误差也建模为混合高斯变量，可以提高定位精度。
【附图说明】
[0020] 图1为整体方案实现框图；
[0021] 图2为定位场景图；
[0022] 图3为移动目标所需携带移动终端原理图；
[0023] 图4为基于次优重要性函数的粒子滤波算法流程图。
【具体实施方式】
[0024] 下面结合附图和【具体实施方式】，进一步阐明本发明。
[0025] 如图1-2所示，一种非高斯噪声条件下基于粒子滤波的室内定位方法，采用单个 超宽带（UWB)锚节点对单个用户进行定位。该方法将状态方程中的加速度和观测方程中的 测量噪声建模为混合高斯随机变量，并对观测方程进行局部线性化，求得次优重要性函数， 从而进行粒子滤波，得出状态量的最优估计，该方法的具体步骤：
[0026] (1)建立移动目标运动的状态方程和观测方程，将状态方程中的加速度向量的概 率分布通过混合高斯分布来进行逼近，将观测方程中的测距噪声和惯性测量噪声分布也通 过混合高斯分布来近似；
[0027] 其中，状态方程的加速度项建模为服从混合高斯分布的随机向量，通过先期对测 距误差和方位角测量误差的统计，也将观测方程中的噪声项建模为服从混合高斯分布的随 机向量；
[0028] 移动目标携带终端，包括超宽带（UWB)和惯性传感器单元（ISU)两个部分，根据实 际场景比较真实值与测量值，得出测量误差，并根据测量误差的统计特性采用混合高斯分 布来近似；
[0029] 状态方程中加速度的统计特性可以根据正常人行走的速度进行建模，由于人在行 走的过程中存在加速、减速、匀速等运动状态，因此可以将其采用集合数为3的混合高斯分 布来逼近。
[0030] (2)对非线性的观测方程进行局部线性化，获得任意时刻的次优重要性函数和权 系数，其中的两个参量，即均值和方差的值通过递推获得；
[0031] ⑶测得移动目标当前时刻与观测节点之间的距离，移动目标当前时刻的运动方 位角，以及与上一时刻位置的距离，对测量值采用基于次优重要性函数的粒子滤波，得到最 优估计；
[0032] (4)根据滤波后移动目标与观测点的距离和方位角对移动目标进行定位追踪，同 时更新两个参量，即均值和方差。
[0033] 其中，观测方程为非线性函数，状态变量通过观测方程后其统计特性难以分析，因 此通过对观测方程进行局部线性化，从而获得重要性函数，并且使得重要性函数在普遍假 设条件下渐近收敛到所需的滤波分布。。
[0034] 粒子滤波采用基于重要性函数的粒子滤波算法，通过采用推导所得的次优重要性 函数和权系数，可以改善粒子滤波中的退化现象，提高算法的效率和精度。
[0035] 如图3-4所示，对本发明技术方案作进一步的具体分析和描述。
[0036] 建立移动目标运动的状态方程和观测方程：
[0037] rIk= Fn k-1+Γ Wk ⑴
[0038] ξ,= h(n t)+vt (2)状态方程（1)中，
【主权项】
1. 一种非高斯噪声条件下基于粒子滤波的室内定位方法，其特征在于：将状态方程中 的加速度和观测方程中的测量噪声建模为混合高斯随机变量，并对观测方程进行局部线性 化，求得次优重要性函数，从而进行粒子滤波，得出状态量的最优估计，该方法的具体步骤 为： (1) 建立移动目标运动的状态方程和观测方程，将状态方程中的加速度向量的概率分 布通过混合高斯分布来进行逼近，将观测方程中的测距噪声和惯性测量噪声分布也通过混 合高斯分布来近似； (2) 对非线性的观测方程进行局部线性化，获得任意时刻的次优重要性函数和权系数， 其中的两个参量，即均值和方差的值通过递推获得； (3) 测得移动目标当前时刻与观测节点之间的距离，移动目标当前时刻的运动方位角， 以及与上一时刻位置的距离，对测量值采用基于次优重要性函数的粒子滤波，得到最优估 计； (4) 根据滤波后移动目标与观测点的距离和方位角对移动目标进行定位追踪，同时更 新两个参量，即均值和方差。
2. 根据权利要求1所述的一种非高斯噪声条件下基于粒子滤波的室内定位方法，其特 征在于：所述步骤（1)中将状态方程的加速度项建模为服从混合高斯分布的随机向量，通 过先期对测距误差和方位角测量误差的统计，也将观测方程中的噪声项建模为服从混合高 斯分布的随机向量。
3. 根据权利要求1所述的一种非高斯噪声条件下基于粒子滤波的室内定位方法，其特 征在于：所述步骤（1)中移动目标携带终端，包括超宽带（UWB)和惯性传感器单元（ISU)两 个部分，根据实际场景比较真实值与测量值，得出测量误差，并根据测量误差的统计特性采 用混合高斯分布来近似。
4. 根据权利要求1或2所述的一种非高斯噪声条件下基于粒子滤波的室内定位方法， 其特征在于：所述状态方程的加速度根据正常人行走过程中的加速、减速和匀速的运动状 态进行建模，采用集合数为3的混合高斯分布来逼近。
5. 根据权利要求1所述的一种非高斯噪声条件下基于粒子滤波的室内定位方法，其特 征在于：所述均值和方差为粒子滤波过程中权系数中的统计量，具有记忆性，可以根据前一 时刻的值迭代得到当前时刻所需的值，递归过程为线性运算。
6. 根据权利要求3所述的一种非高斯噪声条件下基于粒子滤波的室内定位方法，其特 征在于：所述超宽带（UWB)锚节点为单个，对单个用户进行定位。
【专利摘要】本发明公开了一种非高斯噪声条件下基于粒子滤波的室内定位方法，该方法采用基于次优重要性函数的粒子滤波方法，在训练阶段，将物体运动的加速度和测量噪声建模为服从混合高斯分布的随机向量；在定位阶段，通过对非线性的观测方程进行局部线性化，得出次优重要性函数和权系数，进而改善粒子滤波中粒子退化现象，实现对状态向量的最优估计。该方法的优点在于：一方面，混合高斯模型的建模相比较高斯噪声更接近实际情形，可以有效的减小模型近似带来的误差；另一方面，通过求得的次优重要性函数可以改善粒子滤波过程中权系数的退化速度，提高算法效率和精度，从而有效提高定位精度。
【IPC分类】G01S5-10
【公开号】CN104793182
【申请号】CN201510190763
【发明人】夏玮玮, 章跃跃, 沈连丰, 宋铁成, 胡静
【申请人】东南大学
【公开日】2015年7月22日
【申请日】2015年4月21日