一种基于AOA和PDOA的阵列天线室内定位算法的制作方法

本发明属于室内定位算法技术领域，特别针对多径和非视距的室内定位环境。

背景技术：

定位技术的研究和应用十分广泛，渗透于军事、商业、生活等各个方面，全球定位系统(GPS)提供了良好的全球定位服务，但是它在室内环境下无法使用。无源超高频射频识别(UHF RFID)室内定位技术受到越来越多的人的关注，因为无源标签具有体积小、部署简单、无需供电、价格低廉、读取距离较远、较快的读写速度等优势，无源超高频RFID定位技术已逐步被应用到情景感知领域，如物流管理、智能交通、机器人、自动化办公等方面。

室内无线定位的方法包括基于到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)、到达信号强度(RSS)和到达相位差(PDOA)等。然而，在带宽很窄的UHF FRID系统中，TOA和TDOA的方法很难被实现；基于RSS的方法对多径的信号衰落很敏感，所以基于单纯的RSS方法的定位系统，定位精度不是很高；基于PDOA的方法也受到多径的影响，使得测距结果不准确；同时，基于AOA的方法受到非视距(NLOS)和多径的影响。

常见的减弱多径和非视距对室内定位精度影响的方法分为统计学办法和几何学办法。这两类方法不论在前端的建模环节，还是在后端的定位算法环节都有着广泛的应用。对于建模环节抑制误差的方法，统计建模一般是针对非视距误差进行建模，用某种统计特征来描述非视距误差，或者是对造成多径问题的散射体进行建模；而几何建模，如射线跟踪(Ray-tracing)，主要是利用无线信号传播特性与光的传播特性相近，分析信号在具体环境下传播的路径。对于定位算法环节抑制误差的方法，统计学的方法是通过测量接收信号误差分布来确定信号路径是视距还是非视距；而几何学的方法是通过几何关系来确定信号路径是视距还是非视距。

统计学方法最大的缺点是需要已知信号在某种环境下的统计特性，这就需要通过大量的实际测量来获得这种统计特性。当环境改变时，统计特性会发生变化，需要重新大量的测量来修正参数。而几何学的方法不需要大量的测量，只需已知室内布局图即可。但是现有的方法都是利用直射路径或一次散射路径进行定位，对于多次散射问题，或者假设不存在，或者通过算法判断来滤除。

技术实现要素：

本发明提供一种可以很好地改善多径和非视距对室内定位的影响、有效地提高定位精度的室内定位算法，技术方案如下：

一种基于AOA和PDOA的阵列天线室内定位算法，包括如下步骤：

1)利用阵列天线来区分多径信号；

2)根据接收到的信号的能量大小来选取出两条能量最强的信号路径，并且从天线中获取两条信号路径的相位信息；

3)利用AOA估计方法来计算两条信号的到达角度；

4)利用PDOA估计方法来计算两条信号的传播距离；

5)根据定位场景总障碍物的位置，能够建立虚拟基站，将非视距NLOS路径转化为视距LOS路径；

6)根据步骤3)中得到的角度信息、步骤4)中得到的距离信息，联合步骤5)中建立的虚拟基站，利用加权最小二乘WLS算法计算待定位物体的位置坐标(x′,y′):

Z₁＝[x′,y′,x′²+y′²]^T＝(G^TWG)^-1G^TWH

其中diag{·}表示对角矩阵，

Z＝[x,y,x²+y²]^T，X_k＝[x_k,y_k]^T,k＝1,2,...,N,是与第k条信号路径相对应的虚拟基站，d_k是由PDOA估计出来的第k条信号路径的路径长度，并且d_k≤d_k+1，θ_k是第k条信号路径的到达角度；

7)利用残差加权LS算法对步骤6)得到的位置进行优化，得到更加准确的位置坐标(x,y)。

本发明利用天线阵列来区分多径信号，利用虚拟基站来将非视距路径转化为视距路径。选取两条能量最强的信号路径，利用AOA和PDOA估计算法，联合加权最小二乘和残差加权算法来计算待定位物体的位置。可以很好地改善多径和非视距对室内定位的影响、有效地提高定位精度。

附图说明

图1是本发明的整体流程框图。

图2是本发明的定位场景示意图。

图3利用虚拟基站将非视距路径转化为视距路径的示意图。

图4是利用本发明中的算法的定位精度的仿真图，仿真的环境是一个10m*10m的屋子，在高斯白噪声的环境下，利用本发明的算法，定位精度以80％的概率小于0.5m。

具体实施方式

下面利用均匀线性阵列，对本发明所述的算法进行详细的描述。

1)利用阵列天线来区分多径信号。

2)根据接收到的信号的能量大小来选取出两条能量最强的信号路径，并且从天线中获取两条信号路径的相位信息。

3)利用AOA估计方法来计算两条信号的到达角度，根据步骤2)中得到的相位信息，利用AOA估计方法中经典的基于空间平滑的MUSIC算法就能计算信号的到达角度。

4)利用PDOA估计方法来计算两条信号的传播距离，PDOA方法测距的公式如下所示：

其中，c是光在空气中的传播速度，Δφ表示信号从阵列天线传播到待定位物体产生的相位差，π＝3.14，Δf是两个不同频率的信号之间的频率差，d是计算得到的信号的传播距离。

5)根据定位场景总障碍物的位置，能够建立虚拟基站，将非视距(NLOS)路径转化为视距(LOS)路径。如图3所示，X_b是阵列天线的位置，X_t是待定位物体的位置，X_v是根据障碍物l建立的位置建立的虚拟基站。从虚拟基站向待定位的物体看去，我们就会得到一条视距路径。

6)根据步骤3)中得到的角度信息、步骤4)中得到的距离信息，联合步骤5)中建立的虚拟基站，利用加权最小二乘(WLS)算法计算待定位物体的位置:

设有N条信号路径的距离d和角度θ被实体基站估计出来，X_k＝[x_k,y_k]^T,k＝1,2,...,N是与第k条信号路径相对应的虚拟基站，d_k是由PDOA估计出来的第k条信号路径的路径长度，并且d_k≤d_k+1，θ_k是第k条信号路径的到达角度。用X＝[x,y]^T代表待定位物体的位置，则：

x sin(θ_i)-y cos(θ_i)＝x_i sin(θ_i)+y_i cos(θ_i)

将上面的两个公式写成矩阵形式，可以得到GZ＝H，其中：

Z＝[x,y,x²+y²]^T。

利用加权最小二乘算法计算待定位物体的位置，得到待定位物体的初始位置坐标(x′,y′)：

Z₁＝[x′,y′,x′²+y′²]^T＝(G^TWG)^-1G^TWH，

其中diag{·}表示对角矩阵，

7)设利用残差加权(LS)算法对步骤6)得到的位置进行优化，得到更为准确的待定位物体的位置X＝[x,y]^T,其中：

X′_i＝[x′_i,y′_i]^T i＝1,2,...,N是从第i条信号路径中推导出来的待定位物体的位置。