施方式中，该状态转移方程函数表明目标当前状态Xt是由它的前一状态 Xt-i和噪声决定的。在实际中因为存在取向的问题，该函数是非线性不固定的，可以通过多 次测量总结得到。
[0051] 该观测函数Yt是依据网格地图中信号的强度分布和目标在当前位置检测到的信 号结合起来计算得到的。
[0052] 根据贝叶斯理论，假设已知初始分布函数pUolyo)，由于目标的初始位置随机分 布，所以初始分布函数为均匀分布函数，再根据查普曼-科尔莫戈罗夫等式和假设系统为一 阶马尔科夫过程，可得目标状态预测方程为：
[0053] p(xt | zi：t-i)=Jp(xt I xt-i)p(xt-i | zi：t-i)dxt-i (2)
[0054] 其中:p(Xt I zm)代表目标在t时刻的后验概率密度分布，
[0055] Ρ(Χ?|Χ?-υ代表目标在t时刻的先验概率密度函数分布。
[0056] S202:根据所述无线信号和磁场信号的强度，将预测的第二位置进行更新。
[0057] 在本实施方式中，在得到t时刻磁场强度的值zt之后，利用贝叶斯准则对状态预测 值进行更新，状态更新方程为：
[0058]
[0059] 其中，Xt表示移动的目标在t时刻的坐标和位置状态（即目标坐标点和目标朝向）； zt表示该目标在t时刻磁场强度的值;p(XQ | yo)表示初始分布函数。
[0060] 由此可以计算出该目标的后验概率密度（即目标的当前位置），且此迭代递归关系 构成了贝叶斯估计。粒子滤波是依据大数定理采用蒙特卡洛算法来实现贝叶斯估计中的积 分运算。其实质是通过粒子的位置和其不同的权重构成的随机离散测度来近似目标的后验 概率密度，并且根据算法递推更新离散随机测度。本实施方式中就是利用粒子滤波算法来 实现贝叶斯估计中目标后验概率的计算。
[0061] 在本实施方式中，{vt，teN}表示测量噪声，{wt，teN}表示观测噪声。在射频发射 接收系统中，噪声是指不携带有用信息的电信号。而此类系统中根据噪声的来源可以分为 无线电噪声、工业噪声、天电噪声和内部噪声。其中内部噪声是主要噪声来源，也称为起伏 噪声，是指信道内部的热噪声和器件噪声以及来自空间的宇宙噪声。这种噪声都是不规则 的随机过程。例如在通信系统中，为了理论的分析、计算系统噪声，通常假定系统信道中的 热噪声为高斯白噪声。所以在射频接收和发送系统中，我们假设噪声源为随机噪声和高斯 白噪声结合的加性噪声。该实施方式中，加入的噪声为射频系统的随机噪声(S~U[ Si，S2]) 和高斯白噪声⑶加上地磁场系统中的高斯白噪声Old#))。可以直接采用已有的 噪声模型(高斯白噪声)来仿真实验。
[0062] S203:根据所述磁场信号的强度，对目标的位置进行多次预测和更新。
[0063]本实施方式可以通过不断的预测、更新、再预测、再更新，通过这样的训练学习，达 到一定的次数以后就终止了。能大幅度提尚目标定位的精度。
[0064]在本实施方式中，无线信号可以是RFID信号、IRID信号、WIFI信号和蓝牙信号等信 号。对它们的定位精度不做特别的要求，目的只是划分定位区域。
[0065] 在本实施方式中，定位过程分为两个阶段。
[0066] 第一阶段:根据无线信号的分布和邻近算法来确定移动目标是在某个无线信号 (例如RFID/IRID标签的信号)辐射范围内。因为每个RF的信号辐射范围是已知和确定的，所 以可以将目标位置的范围缩小在单一RF信号辐射的范围内。
[0067]第二阶段:在上述单一 RF信号辐射的范围内，再基于磁场波动的粒子滤波算法来 确定移动目标的更准确的位置。由此，简化算法的复杂度，减少计算量，提高定位精度。
[0068]图3为本发明另一实施方式的簇式磁场定位的方法流程示意图。下面以为手扶推 车的机器人(即上述的目标)定位为例。如图3所示，该定位方法包括：
[0069] S301:开始（初始化）。
[0070] 在本实施方式中，初始的粒子均匀分布在室内，粒子的位置为if 5粒子权重为 秘粒子数 Ns 为 200。
[0071] 在本实施方式中，粒子是算法中的某个点，每个粒子表示目标位置在当前活动范 围内位置的一种可能。
[0072] S302:推车同时接收RF发射器发射的RSSI信号与磁场强度。
[0073] S303:推车首先依据RF发射器发射的RSSI信号强度，由邻近算法确定出其在室内 的大致范围，即对推车进行粗定位。
[0074]在本实施方式中，该大致范围例如可以是:在被确定的某个RF发射节点的周围多 少米;也可以是以该发射节点为中心的圆区域还是其它相关的区域;还可以是某个RF信号 的辐射范围等情况。
[0075] S304:依据上述所确定的范围，参照某个RF信号的辐射范围内的地磁场分布，运用 粒子滤波估计出手扶推车的机器人的相对精确的位置。
[0076] 在本实施方式中，在上述粗定位所得到的区域内随机采样Ns个粒子，得到一个 "新"粒子集合<8:，作为对机器人当前位置的概率分布（即机器人在当前范围内位置的可 能分布)的估计。
[0077] 首先，采取重要性采样的方式，即：基于蒙特卡洛法的思想，利用随机采样对目标 函数做近似处理。在t时刻，对于集合粒子igs >将每个粒子的状态根据前一步粒子滤波粗 定位确定的区域从If &更新到
[0078] 其次，计算重要性权重，该重要性权重的算方法见下式：
[0079]
[0080] 其中：为目标（即手扶推车的机器人）的真实分布，而qpf 为目标建议性的分布。这两种分布是不一样的。建议性分布是靠经验推算得到，所以建议性 的分布越逼近真实分布越好。一般的真实分布是靠准确测量得到的。
[0081 ]本实施例可以采用的数据库(该数据库是计算单元中存储的地磁场信号分布图)可以 由网格地图的大小相同的3个网格地图组成，分别用
三个磁场量值表不。这三个磁场量值都是标量，分别为地磁场场强大小、水平分量和垂直分 量。而传统的Hx、Hy、Hz不是标量。因为实际中的目标的移动方向是随机的，而Hx、Hy是会随着 目标的移动方向改变的，这样Hx、Hy的网格分布就会变动，Hx、Hy的大小会受传感器方向的影 响，进而会对后面的定位的精度产生影响。本实施方式，
和 #三个磁场量(其数值是标量)可以减少误差，提高了后续定位的精度。
[0082] 然后，通过式(5)归一化所述重要性权重份f '
[0083] 所述
WS：
[0084] 最后，通过式(6)计算目标准确位置
[0085] 在本实施方式中，是粒子滤波算法固有的步骤，最终的目的就是通过带有权重的 粒子累加去估计目标的位置。
[0086] S305:判断手扶推车的机器人是否行走。
[0087]在本实施方式中，可以通过运动状态传感器所采集的推车的运动状态来判断手扶 推车的机器人是否行走。
[0088] 当推车还行走时，跳转至S302。
[0089]当推车静止时，跳转至S306:结束。
[0090] 图4~图6描述了实验人员在实验室内行走时的定位情况示意图。
[0091] 图4(a)为本发明一实施方式的RF发射器在室内分布的示意图。如图4(a)所示，在 10m*10m的室内，均匀布置了6个RF发射器(对应于图中，分别为Tagl、2、3、4、5、6)。
[0092] 图4(b)为图4(a)中标签5的信号强度的分布情况示意图。如图4(b)所示，RF发射器 所发射信号的强度分布不是随着距发射器的距离而线性递减的，而是在发射器周围的一定 范围内呈现一定状态进行分布的，具体信号分布情况可以参考图4(b)。其他标签(Tagl、2、 3、4和6)设置点的信号强度分布和标签5类似。为了验证本实施方式所提出算法的可行性， 在本实施方式中采用Micr 〇Mag3磁传感器芯片测量得到的真实室内地磁场分布数据。该磁 传感器芯片可以分别同时测得水平面上纵向、横向和重力三个方向上的磁场值，即Hx、H Y、 Hz。采用RF接收器检测标签发出的信号。
[0093]首先实地测量了室内10m*10m范围内的地磁场数据和RF发射器的tag信号分布数 据。其中，每隔〇.5m测量一组数据取平均值，一共测得441组数据作为参考数据库，并导入数 据处理单元，作为下面数据分析所用。
[0094]图5(a)为对目标根据RFID信号和磁场信号定位的仿真结果示意图。图5(b)为目标 根据磁场信号定位的仿真结果示意图。
[0095]如图5(a)和图5(