CN103152826A - 一种基于nlos状态检测补偿的移动目标追踪方法 - Google Patents

Abstract

本发明属于信号处理领域，涉及一种基于NLOS状态检测补偿的移动目标追踪方法，包括：获取室内地图，明确室内环境中每个障碍物的位置；根据接收到的距离信号，进行最小二乘法初步定位，得到移动目标的初步定位位置；将所获得的初步定位位置，到每个固定节点的直达径上是否存在障碍物进行统计；将初步定位位置到固定节点直达径上存在障碍物的情况标记为非视距状态，对该固定节点得到的测距值进行修正；利用粒子滤波器对距离进行预测，利用滤波之后的距离值再通过最小二乘法即得到最终的定位位置。本发明能够提高室内复杂环境下的移动目标定位精度。

Description

一种基于NLOS状态检测补偿的移动目标追踪方法

技术领域

本发明属于信号处理领域，主要是用在移动目标定位技术中。

背景技术

室内定位技术在多方面的应用前景使得该技术得到了学者的广泛关注，根据不同的应用场景和需求，现有的室内定位技术主要包括有射频识别技术(RFID，Radio Frequency Identification,)、蓝牙(Bluetooth)技术、无线局域网(Wireless Local Area Network,WLAN)和脉冲超宽带(IR-UWB)技术、GPS辅助(Assisted-GPS,A-GPS)技术、Cell-ID(Cell Identification)、红外线技术(Infrared)等。复杂室内环境下，由于安全性、个人隐私等人为因素的限制，建筑物的布局、内部结构、材料、装饰等都会对室内定位效果产生影响，其中由于室内非视距环境造成的影响如反射、折射、透射等严重降低了定位精度。采用基于测距技术的方法，如TOA、TDOA等进行定位时的精度直接受制于测距的准确性，在NLOS条件下的距离测量值往往要比LOS条件下的测量值要大，为了减小甚至消除NLOS影响，很多学者进行了大量的研究。

在非视距环境下对移动目标进行追踪定位也是目前比较热门的一个研究点。移动目标定位方面广泛使用的技术有卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、粒子滤波器(PF)等。其中，自Dellaertt等人在1999年的IEEE ICRA大会上提出将粒子滤波器(Particle Filter，PF)应用在移动机器人定位方法中，粒子滤波器在移动目标追踪定位领域中得到了广泛应用。粒子滤波针对所有可能的观测值，通过在状态空间中随机生成一些粒子，每个粒子利用贝叶斯准则进行加权修正，然后递归构造状态变量的条件概率密度，以近似估计实际的***状态。粒子滤波算法不要求***满足线性、噪声高斯分布、后验概率也是高斯型的限制条件，对非线性非高斯***滤波问题的解决有着独特的优势。

发明内容

本发明主要针对非视距NLOS状态导致的测距值出现正偏差的问题，提出一种能够提高室内复杂环境下的移动目标定位精度的移动目标追踪方法。本发明在环境地图已知的情况下，首先检测MN相对于固定节点(AN)是否处于视距状态，若MN处于非视距状态，则对相应的距离测量值进行修正，并采用最小二乘法进行二次定位，在此基础上，采用粒子滤波器对MN进行位置跟踪，从而改善了定位的精度。本发明的技术方案如下：

一种基于NLOS状态检测补偿的粒子滤波器优化算法研究，包括下列步骤：

1)首先获取室内地图，明确室内环境中每个障碍物的位置。

2)根据接收到的距离信号，进行最小二乘法初步定位，得到移动目标的初步定位位置。

3)将2)中获得的初步定位位置，到每个固定节点的直达径上是否存在障碍物进行统计。

4)将初步定位位置到固定节点直达径上存在障碍物的情况标记为非视距状态，对该固定节点得到的测距值进行修正;当初步定位位置到固定节点直达径上不存在障碍物时，则不需要进行修正；

5)结合4)中修正过后的距离值以及无需修正的距离值，构成定位所需要的一组定位所需要的距离值，利用粒子滤波器对距离进行预测，将定位所需要的距离值作为当前观测信息对预测值进行修正，利用滤波之后的距离值再通过最小二乘法即得到最终的定位位置。

本发明首先对室内环境下的障碍物位置进行存储，通过对移动目标的非视距状态进行鉴别，并对非视距状态下的测距值进行一定的补偿，并采用粒子滤波器进行跟踪定位，最终达到提高室内移动目标定位精度的目的，本发明提供了一种在室内非视距情况下可行的移动目标定位方法，具有一定的应用前景。

附图说明

图1为本发明流程框图。

图2为定位示意图。

具体实施方式

如图1所示，本发明包括三个主要步骤：环境地图的存储，移动目标非视距状态的鉴别，测距值补偿，通过粒子滤波器进行滤波处理。

具体方案如下:

一、环境地图的存储

由于本发明是在环境地图已知的情况下进行的，因此实验的第一步就是要对室内布局进行详细的测量统计，包括室内环境的大小，室内各种物件的大小及位置，固定节点的放置位置，以某个固定节点的位置作为整个实验的参考原点，并建立如图2所示的坐标系，室内的各个物件的坐标位置均要存储在环境地图的数据库内以便我们展开下一步的工作-移动目标非视距状态的鉴别。

二、移动目标非视距状态的鉴别

首先介绍一下本发明非视距状态鉴别的基本原理：

视距LOS情况下的测距模型为

其中

表示在k时刻移动节点到第m个AN的LOS距离测量值，

表示实际距离值假设，为测量噪声，服从均值为0，方差为

的高斯分布。非视距NLOS情况下的测距模型为表示由非视距带来的误差。假设

服从均值为b,方差为σ²的截断高斯分布，概率密度函数可以表示为：

$\left\{\begin{array}{c}p(n_k^{\mathrm{nlos}}=x)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(x-b)}^2}{2{\mathrm{\σ}}^2}),0\≤x\≤2b\\ p(n_k^{\mathrm{nlos}}=x)=\frac{2}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(x-b)}^2}{2{\mathrm{\σ}}^2}),x\≥2b\end{array}\right.---\left(1\right)$

在实际测量中，有

$\hat{b}=E\left(x\right)=\frac{1}{N^{\′}}\underset{i=1}{\overset{N^{\′}}{\mathrm{\Σ}}}{x}_i---\left(2\right)$

${\widehat{\mathrm{\σ}}}^2=\frac{1}{N^{\′}}\underset{i=1}{\overset{N^{\′}}{\mathrm{\Σ}}}{(x_i-b)}^2---\left(3\right)$

其中

分别为对b、σ²的似然估计。x_i为NLOS状态下第i次测量的误差，总实验次数为N′。设移动节点MN在k时刻的真实位置为(x_k,y_k)，M个固定节点的坐标分别为(a_i,b_i),i＝1,2,...M，室内障碍物为均匀障碍物，且位置已知。

NLOS鉴别及补偿算法如图1所示，设

为k时刻MN分别到M个固定节点的距离测量值。由最小二乘法(LS)进行定位得到MN的首次估计坐标判断从

到第i个固定节点(AN_i)的直达路径上是否存在障碍物，如果存在，则此刻MN相对于AN_i的状态应为NLOS，否则判断为LOS状态。

三、测距值补偿

则此刻MN相对于AN_i的状态应为NLOS，则

否则判断为LOS状态，

其中

表示补偿之后的距离值，表示由

到ANi距离值。根据补偿之后的距离值再次进行二乘法定位，得出新的估计位置

如图2定位示意图所示，虚直线代表

到AN的直达径，可以看到

到AN₂，AN₃的直达径上有障碍物存在，到AN₁，AN₄的直达径上不存在障碍物，因此需要对测距值

进行修正，无需修正

修正之后的AN₂，AN₃的定位圆(图中粗黑圆)，结合无需修正的AN₁、AN₄的两个虚线圆环，估计出新的定位坐标

四、粒子滤波器进行滤波处理

粒子滤波器通过对***状态的后验概率进行蒙特卡洛采样，用一系列离散的粒子样本均值来代替贝叶斯估计中的积分运算，实现状态变量的估计。设(x_k,y_k)表示移动目标在k时刻的估计位置，

表示在k时刻移动目标的速度。z_k表示观测模型变量，代表移动目标在k时刻估计的真实位置，

表示t时刻MN到第i个AN的预测距离值。本发明建立的仿真模型如下：

***模型：

$d_k^i=\sqrt{{(x_k-a_i)}^2+{(y_k-b_i)}^2}+{\mathrm{\η}}_k$

$=\sqrt{{(x_{k-1}+v_{x_k}\mathrm{\Δt}-a_i)}^2+{(y_{k-1}+v_{y_k}\mathrm{\Δt}-b_i)}^2}+{\mathrm{\η}}_k---\left(4\right)$

$=\sqrt{{\left(d_{k-1}^i\right)}^2+(v_{x_k}^2+v_{y_k}^2)\mathrm{\Δ}{t}^2+2[(x_{k-1}-a_i)v_{x_k}+(y_{k-1}-a_i)v_{y_k}]\mathrm{\Δt}}+{\mathrm{\η}}_k$

观测模型：

其中

i＝1,2...M，M是AN的个数。

基本粒子滤波器选用***状态变量的转移概率密度作为重要性密度函数，即q(x_k|X_k-1,Z_k)＝p(x_k|x_k-1)，这会使得对粒子进行预测过程中会丢失当前测量值信息，则当前时刻的状态严重依赖模型，如果模型不精确或者测量噪声增大，基本粒子滤波器的滤波效果会急剧下降。因此本发明在粒子预测及重采样过程中引入当前测量值信息，并引入加权因子进行协调，不仅解决了***预测严重依赖于模型的问题，同时保证了粒子的多样性，而且采用开始时刻的测量值对粒子进行初始化，一定程度上避免了***开始时刻预测不准给***带来的误差。改进粒子滤波器详细步骤阐述如下：

1、初始化：置初始时刻为k＝1，结合初始时刻得到的定位位置

或者初始时刻的距离测量值来初始化粒子

其中s⁽ⁱ⁾表示位置状态。

2、预测：通过距离预测模型及当前观测信息完成对下一步粒子的预测。

$s_k^{\left(i\right)}~p\left(s_k\right|(s_{k-1}^{\left(i\right)}*\mathrm{\ω}1+s_{\mathrm{ob}}*\mathrm{\ω}2)),i=\mathrm{1,2}...N---\left(6\right)$

其中N为粒子总数，ω1，ω2为加权因子，ω1+ω2＝1，s_ob为当前时刻的观测值。

3、滤波：

(i)计算重要性权重：采用当前观测距离值(采用补偿之后的距离值)来更新权重，计算公式为：

$w_k^{\left(i\right)}={\left(\underset{j=1}{\overset{M}{\mathrm{\Π}}}p\left(z_k^j\right|d_k^j)\right)}^{\frac{1}{M}}---\left(7\right)$

其中M为固定节点个数， $z_k^j=d_k^j+{\mathrm{\ζ}}_k,j=\mathrm{1,2},...M.$

(ii)权重归一化，得到接收概率：

${\stackrel{\‾}{w}}_k^{\left(i\right)}=w_k^{\left(i\right)}/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_k^{\left(i\right)},i=\mathrm{1,2}...N---\left(8\right)$

(iii)输出：

${\hat{s}}_k=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\‾}{w}}_k^{\left(i\right)}{s}_k^{\left(i\right)}---\left(9\right)$

(iv)重采样，设定阈值，在复制粒子的时候以一个比较小的权重引入当前观测值，保证了粒子的多样性，在粒子更新过程中重新生成N个粒子。

4、置k:＝k+1，转到(2)进行循环迭代。

下面是本发明的一个具体仿真实验实施例：

如图2所示，设置室内环境大小设置为10m×10m，读卡器摆放在房间的四个角落上，障碍物摆放在房间的正中央，障碍物的长度为4m，宽度和厚度忽略不计。移动标签沿着障碍物的一侧做匀速直线运动，运动速度设为v＝0.2m/s，观测时间间隔为Δt＝1s。

权值设置：α=39/40，β=1/40；ω1＝23，ω2＝13，粒子数目N=100。

Claims (1)

1.一种基于NLOS状态检测补偿的移动目标追踪方法，包括下列步骤：

1)首先获取室内地图，明确室内环境中每个障碍物的位置；

2)根据接收到的距离信号，进行最小二乘法初步定位，得到移动目标的初步定位位置；

3)将2)中获得的初步定位位置，到每个固定节点的直达径上是否存在障碍物进行统计；

4)将初步定位位置到固定节点直达径上存在障碍物的情况标记为非视距状态，对该固定节点得到的测距值进行修正;当初步定位位置到固定节点直达径上不存在障碍物时，则不需要进行修正；

5)结合4)中修正过后的距离值以及无需修正的距离值，构成定位所需要的一组定位所需要的距离值，利用粒子滤波器对距离进行预测，将定位所需要的距离值作为当前观测信息对预测值进行修正，利用滤波之后的距离值再通过最小二乘法即得到最终的定位位置。

Images