本发明涉及无线定位技术领域,具体涉及一种nlos(non-line-of-sight,非视距)环境下基于散射体信息的单站定位方法。
背景技术:
近年来通信技术发展迅速,基于蜂窝网络的移动端定位技术成为了目前研究和应用的热点。手机作为目前日常生活中的通信工具,被广泛应用于其中。基站定位技术不仅应用于消费者自身的定位,而且用于公共紧急救助电话服务、位置敏感性的记费服务操作、智能运输系统、蜂窝系统设计和管理等方面,具有非常广阔的应用前景。
在蜂窝环境中,往往存在大量障碍物,信号在遇到障碍物时会产生折射和散射,我们称之为非视距nlos传输。在实际的无线定位中,nlos传输将普遍存在,导致toa(到达时间)、aoa(到达角)等参数测量值会产生很大偏差,这会极大恶化传统定位算法的性能。为了提高nlos环境中的定位精度,目前已经有很多相关算法的研究,如:残差加权法,约束最优化法,传播模型法和基于散射体信息法等。目前研究较多的算法是散射体信息的定位算法:一种是基于散射模型的算法,通过对测量参数进行重构来完成定位的方法;一种是基于散射体几何位置关系的算法,需要先获取散射体的相关几何位置信息,可同时定位出散射体和目标的位置。
目前研究的算法中存在的主要问题是:参数重构类算法都是根据散射模型的各种信息来对测量值进行重构,对模型参数的准确性有很强的的依赖性,而散射体位置信息的算法,多基站对时间和数据同步要求严格,同时单基站定位时需要至少存在一条los路径。
技术实现要素:
为解决上述技术问题,本发明提供一种nlos环境下基于散射体信息的单站定位方法。本发明充分利用单站定位设备量小、成本低、无需数据和时间同步等优势,能实现无los信号存在、散射体位置未知时的单基站定位,利用nlos路径作为定位路径,能解决传统的蜂窝网对基站数量的依赖问题及nlos影响较大的问题,能同时估计出移动台和散射体的位置坐标,具有较高的定位精度。
本发明所述的nlos环境下基于散射体信息的单站定位方法,包括以下步骤:
步骤一、在nlos(non-line-of-sight,非视距)环境下,假设基站(bs)位置坐标为(xb,yb)且位于坐标原点(0,0),移动台(ms)的位置坐标为(xm,ym),基站、散射体和目标在同一水平面;
步骤二、构建散射环模型,散射体均匀分布在以移动台为圆心的圆环上,圆环半径为rr;
步骤三、构建散射盘模型,散射体均匀分布在以移动台为圆心的圆盘内,圆盘半径为rd;
步骤四、构建收敛高斯散射模型,高斯概率密度分布有效区域为以移动台为圆心、rg为半径的圆内;
步骤五、计算所述步骤二的散射环模型中,反射径与以基站为原点坐标的x轴方向的夹角aoaθr,和移动台发出的信号经散射体反射后到达基站的传输时间toaτr;
计算所述步骤三的散射盘模型中,反射径与以基站为原点坐标的x轴方向的夹角aoaθd和移动台发出的信号经散射体反射后到达基站的传输时间toaτd;
计算所述步骤四的收敛高斯散射模型中,反射径与以基站为原点坐标的x轴方向的夹角aoaθg和移动台发出的信号经散射体反射后到达基站的传输时间toaτg;
步骤六、基于所述步骤五中得到的aoaθr和toaτr,计算得到散射环模型下的aoaθr的概率密度函数p(θr)和toaτr的概率密度函数p(τr);
步骤七、基于所述步骤六中的概率密度函数p(θr)、p(τr),令
其中:
步骤八、基于所述步骤五中得到的aoaθd、toaτd,计算得到散射盘模型下的aoaθd的概率密度函数p(θd)和toaτd的概率密度函数p(τd);
步骤九、基于所述步骤八中的概率密度函数p(θd)、p(τd),令
其中:
步骤十、基于所述步骤五中得到的aoaθg、toaτg,计算得到高斯散射模型下的参数aoaθg的概率密度函数p(θg)和toaτg的概率密度函数p(τg);
步骤十一、基于所述步骤十中的概率密度函数p(θg)、p(τg),令
其中:
步骤十二、利用软件无线电平台采集多径信号,采用虚拟天线技术实现aoa估计和toa估计,得到估计aoaθm和估计toaτm;假设采集到n个多径信号;
步骤十三、计算所述步骤十二中的估计参数aoaθm的概率密度函数p(θm)和toaτm的概率密度函数p(τm);
步骤十四、基于所述步骤十三中的概率密度函数p(θm)、p(τm),令
其中:
步骤十五、利用地球移动距离算法将测试模板t与参考模板a、b、c分别进行匹配;
步骤十六、分析测试模板t与参考模板a、b、c的匹配度,即测试模板与参考模板的相似性距离,距离越小相似性越高,以此判别出实际环境散射体模型;
步骤十七、构建散射体到基站的距离li和移动台位置坐标(xm,ym)的非线性定位方程;
步骤十八、基于所述步骤十七的非线性定位方程,利用智能优化算法或非线性最小二乘算法求解(xm,ym)和li;
步骤十九、基于所述步骤十八中得到的li,计算得到散射体位置坐标(xi,yi);
步骤二十、基于步骤十八中得到的ms位置坐标(xm,ym)和步骤十九中得到的散射体位置坐标(xi,yi),获取散射体位置信息和实现目标定位。
进一步,所述步骤十七中,构建关于散射体到基站的距离li和移动台位置坐标(xm,ym)的非线性定位方程;其包括以下步骤:
构建关于散射体到基站的距离li和移动台位置坐标(xm,ym)的非线性定位方程;其包括以下步骤:
17a、假设有n条传播路径,构建关于(xm,ym)和(xi,yi)的关系式:
其中,(xi,yi)为第i个散射体的位置坐标,(xb,yb)为基站的位置坐标,(xm,ym)为移动台的位置坐标,c为光速,τi为第i条传输路径的toa,n为反射路径数;
17b、根据散射体模型的几何关系可得散射体坐标:
其中,li为第i个散射体到基站的直线距离,θi为第i条传输路径的aoa;
17c、基于所述步骤17a和步骤17b,构建关于(xm,ym)和li的非线性定位方程:
17d、将所述步骤17c中的非线性定位方程转换为正定或超定方程。
进一步,所述步骤十八中,求解非线性定位方程得到(xm,ym)和li,包括以下步骤:
18a、将方程转换为非线性约束最小二乘优化问题:
式中x=(xm,ym,li),fi(x)为第i条传播路径的定位方程对应的函数,gi(x)为第i条路径对应的约束函数;
18b、利用内点罚函数法处理约束函数,将约束优化问题转换为无约束优化问题:
ming(x,rk)=h(x)+rkb(x);
其中,
18c、利用智能优化算法或非线性最小二乘法求解所述步骤18b中的无约束优化问题,得到(xm,ym)和li。
本发明具有以下优点:利用单基站实现los(line-of-sight,视距)路径不存在的移动台定位,无需系统同步和大量的数据交换,且成本低;利用散射模型的几何位置关系定位,不需要获取散射体位置坐标,不用先估计移动台和散射体的位置距离信息;利用智能优化算法或最小二乘法求解优化问题,算法简单,可同时估计出移动台和散射体的位置;采用三种常见散射模型,利用模式识别算法进行模型匹配,符合蜂窝环境多样性的要求,具有较高的定位精确。
附图说明
图1和图2为本发明的流程图;
图3为本发明蜂窝网散射模型图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
如图1和图2所示,本发明提出的一种nlos环境下基于散射体信息的单站定位方法,包括以下步骤:
●仿真模型构建
步骤一、在nlos环境下,假设基站(basestation,bs)位置坐标为(xb,yb)且位于坐标原点(0,0),移动台(mobilestation,ms)位置坐标为(xm,ym),基站、散射体和目标在同一水平面。
步骤二、构建散射环模型(参见图3中(a)),散射体均匀分布在以ms为圆心的圆环上,圆环半径为rr。
步骤三、构建散射盘模型(参见图3中(b)),散射体均匀分布在以ms为圆心的圆盘内,圆盘半径为rd。
步骤四、构建收敛高斯散射模型(参见图3中(c)),高斯概率密度分布有效区域为以rg为半径的圆及其内部,高斯分布函数为:
以bs与ms的连线为x轴构建一个xsoys的直角坐标系,式中(xs,ys)是在xsys直角坐标系中散射体的位置坐标,
●参数分析
步骤五、计算从所述步骤二到步骤四的仿真模型中的多径参数aoa、toa,其中:aoa指反射径与以基站为原点坐标的x轴方向的夹角,toa指ms发出的信号经散射体反射后到达bs的传输时间。具体包括以下步骤:
5a、根据模型中ms、bs和各散射体的位置坐标,aoa、toa以及ms、bs和散射体之间的几何位置关系有:
其中,第i个散射体位置坐标为(xi,yi),基站位置坐标为(xb,yb),移动台位置坐标为(xm,ym),光速为c,仿真反射路径数为q。
5b、计算所述步骤二的散射环模型中,反射径与以基站为原点坐标的x轴方向的夹角aoaθr和ms发出的信号经散射体反射后到达bs的传输时间toaτr:
θr=[θr1,θr2,...,θrq],τr=[τr1,τr2,...,τrq]。
5c、计算所述步骤三的散射盘模型中,反射径与以基站为原点坐标的x轴方向的夹角aoaθd和ms发出的信号经散射体反射后到达bs的传输时间toaτd:
θd=[θd1,θd2,...,θdq],τd=[τd1,τd2,...,τdq]。
5d、计算所述步骤四的收敛高斯散射模型中,反射径与以基站为原点坐标的x轴方向的夹角aoaθg和ms发出的信号经散射体反射后到达bs的传输时间toaτg:
θg=[θg1,θg1,...,θgq],τg=[τg1,τg2,...,τgq]。
步骤六、基于所述步骤五(5b)中得到的多径参数aoaθr和toaτr,计算得到散射环模型下的aoaθr的概率密度函数p(θr)和toaτr的概率密度函数p(τr)。
步骤七、基于所述步骤六中的概率密度函数p(θr)、p(τr),令
其中:
步骤八、基于所述步骤五(5c)中得到的多径参数aoaθd和toaτd,计算得到散射盘模型下的aoaθd的概率密度函数p(θd)和toaτd的概率密度函数p(τd)。
步骤九、基于所述步骤八中的概率密度函数p(θd)、p(τd),令
其中:
步骤十、基于所述步骤五(5d)中得到的多径参数aoaθg和toaτg,计算得到高斯散射模型下的参数aoaθg的概率密度函数p(θg)和toaτg的概率密度函数p(τg)。
步骤十一、基于所述步骤十中的概率密度函数p(θg)、p(τg),令
其中:
●模型判别
步骤十二、利用精度较高的软件无线电平台采集多径信号,采用超分辨的虚拟天线技术实现aoa估计和toa估计,得到估计aoaθm和估计toaτm,假设采集到n个多径信号:
θm=[θm1,θm1,...,θmn],τm=[τm1,τm2,...,τmn];
本发明直接应用aoa、toa,不对aoa、toa的估计算法进行描述。
步骤十三、计算所述步骤十二中的估计参数aoaθm的概率密度函数p(θm)和toaτm的概率密度函数p(τm)。
步骤十四、基于所述步骤十三中的概率密度函数p(θm)、p(τm),令
其中:
步骤十五、利用地球移动距离(earthmover'sdistance,emd)算法将测试模板t与参考模板a、b、c分别进行匹配。
步骤十六、分析测试模板t与参考模板a、b、c的匹配度,即测试模板与参考模板的相似性距离,距离越小相似性越高,以此判别出实际环境散射体模型。
●位置解算
步骤十七、构建散射体到bs的距离li和ms位置坐标(xm,ym)的非线性定位方程。具体包括以下步骤:
17a、假设有n条传播路径,构建关于(xm,ym)和(xi,yi)的关系式:
其中,第i个散射体位置坐标为(xi,yi),基站位置坐标为(xb,yb),移动台位置坐标为(xm,ym),光速为c,反射路径数为n;
17b、根据散射体模型几何关系可得散射体坐标:
其中,li为第i个散射体到bs的直线距离,θi为第i条传输路径的aoa(即第i条反射径与以基站为原点坐标的x轴方向的夹角)。
17c、基于所述步骤17a和步骤17b,构建关于(xm,ym)和li的非线性定位方程:
其中,(xi,yi)为第i个散射体位置坐标,(xb,yb)为基站位置坐标,c为光速,c=3×108m/s,θi为第i条传输路径的aoa,τi为第i条传输路径的toa;
17d、将所述步骤17c中的非线性定位方程转换为正定或超定方程。
步骤十八、根据定位方程,求解(xm,ym)和li。具体步骤为:
18a、将方程转换为非线性约束最小二乘优化问题:
式中x=(xm,ym,li),fi(x)为第i条传播路径的定位方程对应的函数,gi(x)为第i条路径对应的约束函数;
18b、利用内点罚函数法处理约束函数,将约束优化问题转换为无约束优化问题:
ming(x,rk)=h(x)+rkb(x);
其中,
18c、利用智能优化算法或非线性最小二乘法求解18b中的无约束优化问题,得到(xm,ym)和li。
步骤十九、基于所述步骤十八中得到的li,利用步骤十七(17b)的公式,计算得到散射体位置坐标(xi,yi)。
步骤二十、基于步骤十八中得到的ms位置坐标(xm,ym)和步骤十九中得到的散射体位置坐标(xi,yi),获取散射体位置信息和实现目标定位。