CN106646366A - 基于粒子滤波算法和智能设备的可见光定位方法和*** - Google Patents

Abstract

本发明公开了一种基于粒子滤波算法和智能设备的可见光定位方法，包括将光电二极管检测到的室内设置的LED锚节点和LED参考点的光信号强度转换为距离，并对目标设备进行定位；对目标设备进行定位；***采集目标设备的传感器信息；接收到目标设备的定位信息和传感器信息，模拟出行人航迹推算模型，并确定目标设备的轨迹；建立LED参考点离线位置数据库；***在线环境下测量所述LED参考点、目标设备与所述各LED锚节点之间的定位信息，最终确定目标设备的定位追踪信息；以及基于粒子滤波算法和智能设备的可见光定位***，其提高了追踪***的抗遮挡能力，降低了增加参考点的成本，且追踪精度高，具有良好的经济和社会效益，广泛应用于室内定位追踪领域。

Description

基于粒子滤波算法和智能设备的可见光定位方法和***

技术领域

本发明涉及室内定位追踪领域，具体为一种基于粒子滤波算法和智能设备的可见光定位方法和***。

背景技术

RSSI：Received Signal Strength Indication，接收的信号强度指示，是通过接收到的信号强弱测定信号点与接收点的距离，进而根据相应数据进行定位计算的一种定位技术。

近年来，研究人员开始对室内定位追踪***进行深入研究。室内定位追踪***的实现都需要实时的和准确的信息。许多定位和追踪技术都是基于WiFi技术，射频技术，蓝牙技术，GPS技术等。然而，这些技术在室内定位和追踪***中各自存在缺陷。因而人们不断地追寻一种廉价的，高精度的，并且能广泛使用的方法。

利用可见光技术进行室内定位追踪，只需利用光电二极管就能接收到LED所发送的调制信号，无须增加额外的设备仪器，减轻实验所需要的负担。在信号传输环境中，利用三角定位法，将光电二极管检测的接收信号强度(RSS)转化为距离，然后通过几何算法进行坐标定位。

现在，智能设备成为了人们生活的必需品，人们利用智能设备获取各种信息。与其同时，大量的传感器诸如加速度传感器，地磁传感器等集成在智能设备上，使之功能越来越齐全。利用这些传感器获取相应的信息，能够建立模型来估算行人的运动轨迹。这种能够提供连续定位的方法可称之为惯性导航***方法。通过这种方法的迭代过程，仅能在短时间内得到较高精度的位置追踪，这意味着随着时间的推移，估算的位置误差会越来越大，因此有必要进行改进。

发明内容

为了解决上述技术问题，本发明的目的是提供一种抗干扰能力强，***成本低、定位精度高的基于粒子滤波算法和智能设备的可见光定位方法和***。

本发明所采用的技术方案是：

本发明提供一种基于粒子滤波算法和智能设备的可见光定位方法，包括以下步骤：

S1，***将光电二极管检测到的室内设置的LED锚节点和LED参考点的光信号强度转换为距离，并对目标设备进行定位；

S2，***采集目标设备的传感器信息；

S3，***接收到目标设备的定位信息和传感器信息，模拟出行人航迹推算模型，并采用粒子滤波算法对轨迹进行优化，对目标设备的轨迹进行迭代优化处理并确定目标设备的轨迹；

S4，***在离线环境下测量所述LED参考点与所述各LED锚节点之间的定位信息，并建立LED参考点离线位置数据库；

S5，***在在线环境下测量所述LED参考点、目标设备与所述各LED锚节点之间的定位信息，并通过比较所述LED参考点与所述各LED锚节点的定位信息和所述离线位置数据库，最终确定目标设备的定位追踪信息。

进一步地，所述步骤S4和S5中，分别多次测量LED锚节点、LED参考点与目标设备之间的定位信息，并对定位信息测量结果依次做高斯滤波处理和均值处理。

进一步地，所述粒子滤波算法包括粒子初始化，序贯重要性采样和重采样。

进一步地，所述序贯重要性采样阶段利用下列公式计算和规范化每个粒子在第K次时的权重，

X_t＝f_t-1(X_t-1)+n_t-1

Z_t＝h_t(X_t)+e_t

p(x_t|Z_t-1)＝∫(p(x_t|x_t-1)p(x_t-1|Z_t-1))dx_t-1

其中t为离散时间，X_t为***状态，Z_t为观测状态，f(x)为状态转移方程，h(x)为观测方程，n_t-1为过程噪声，e_t为服从高斯分布的噪声，p(x_t|Z_t)表示后验分布；

并利用下面公式重新分配权重，

其中，W_t ⁽ⁱ⁾为第i个粒子在t时刻的权重，表示参考分布。

进一步地，所述重采样阶段，利用如下公式去除权重过低的粒子并复制权重较高的粒子，

其中，M_thr为粒子退化程度。

另一方面，本发明还提供一种基于粒子滤波算法和智能设备的可见光定位***，包括：

LED锚节点、LED参考点和目标设备，其中，所述LED锚节点的和LED参考点的数量均至少为3个；

可见光定位模块，用于测量所述LED参考点、目标设备与所述各LED锚节点之间的定位信息；

行人航迹推算模块，用于利用目标设备传感器获取相应的信息，并估算行人的运动轨迹；

轨迹修正模块，用于将得到的目标设备与所述各LED锚节点之间的定位信息和当前环境下获得的传感器信息进行轨迹修正，从而确定目标设备的轨迹；

离线定位追踪模块，用于在离线环境下测量所述LED参考点与各所述LED锚节点之间的定位信息，建立离线位置数据库；

定位追踪修正模块，用于对目标设备轨迹和离线指纹库数据进行数据匹配，从而获得精确的定位追踪位置信息。

进一步地，所述LED参考点、目标设备上均设置有无线通信模块，所述无线通信模块均为光通信模块，用于将编码后光信号解调转化为电信号。

进一步地，所述目标设备上具有加速度传感器、方向传感器、磁场传感器。

进一步地，所述LED锚节点采用发光模型为朗伯传输模型的白光LED。

本发明的有益效果是：本发明提供的基于粒子滤波算法和智能设备的可见光定位方法和***，采用智能设备和无线技术进行定位追踪，首先采用可见光进行初定位，同时配合使用传感器进行连续定位追踪；然后利用粒子滤波算法将轨迹信息对目标设备进行轨迹修正，提高了追踪***的抗遮挡能力，降低了增加参考点的成本，而且追踪精度高，具有良好的经济和社会效益。

另外，本发明通过对无线定位数据应用高斯滤波算法和均值滤波算法，从而减少一些小概率、大干扰的突发性事件对整体测量值的影响，增加了定位追踪的抗干扰能力。

附图说明

下面结合附图对本发明的具体实施方式作进一步说明：

图1是基于三角形测量法定位技术的实施原理图；

图2是基于本发明一实施例的可见光通信***图；

图3是本发明一实施例的架构图；

图4是本发明一实施例的***模型图；

图5是传感器之间运动状态关系图；

图6是行走过程中的各轴运动加速度曲线；

图7是粒子滤波算法流程图；

图8是路径平滑因子移动方向原理图；

图9是一实施例的结果示意图；

图10是一实施例的示意图；

图11是另一实施例的示意图；

图12是利用各种技术进行定位的对比图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明提供一种基于粒子滤波算法和智能设备的可见光定位方法，包括以下步骤：

S1，***将光电二极管检测到的室内设置的LED锚节点和LED参考点的光信号强度转换为距离，并对目标设备进行定位；

S2，***采集目标设备的传感器信息；

S3，***接收到目标设备的定位信息和传感器信息，模拟出行人航迹推算模型，并采用粒子滤波算法对轨迹进行优化，对目标设备的轨迹进行迭代优化处理并确定目标设备的轨迹；

S4，***在离线环境下测量所述LED参考点与所述各LED锚节点之间的定位信息，并建立LED参考点离线位置数据库；

S5，***在在线环境下测量所述LED参考点、目标设备与所述各LED锚节点之间的定位信息，并通过比较所述LED参考点与所述各LED锚节点的定位信息和所述离线位置数据库，最终确定目标设备的定位追踪信息。

进一步地，所述步骤S4和S5中，分别多次测量LED锚节点、LED参考点与目标设备之间的定位信息，并对定位信息测量结果依次做高斯滤波处理和均值处理。

进一步地，所述粒子滤波算法包括粒子初始化，序贯重要性采样和重采样。

进一步地，所述序贯重要性采样阶段利用下列公式计算和规范化每个粒子在第K次时的权重，

X_t＝f_t-1(X_t-1)+n_t-1

Z_t＝h_t(X_t)+e_t

p(x_t|Z_t-1)＝∫(p(x_t|x_t-1)p(x_t-1|Z_t-1))dx_t-1

其中t为离散时间，X_t为***状态，Z_t为观测状态，f(x)为状态转移方程，h(x)为观测方程，n_t-1为过程噪声，e_t为服从高斯分布的噪声，p(x_t|Z_t)表示后验分布；

并利用下面公式重新分配权重，

其中，W_t ⁽ⁱ⁾为第i个粒子在t时刻的权重，表示参考分布。

进一步地，所述重采样阶段，利用如下公式去除权重过低的粒子并复制权重较高的粒子，

其中，M_thr为粒子退化程度。

另一方面，本发明还提供一种基于粒子滤波算法和智能设备的可见光定位***，包括：

LED锚节点、LED参考点和目标设备，其中，所述LED锚节点的和LED参考点的数量均至少为3个；

可见光定位模块，用于测量所述LED参考点、目标设备与所述各LED锚节点之间的定位信息；

行人航迹推算模块，用于利用目标设备传感器获取相应的信息，并估算行人的运动轨迹；

轨迹修正模块，用于将得到的目标设备与所述各LED锚节点之间的定位信息和当前环境下获得的传感器信息进行轨迹修正，从而确定目标设备的轨迹；

离线定位追踪模块，用于在离线环境下测量所述LED参考点与各所述LED锚节点之间的定位信息，建立离线位置数据库；

定位追踪修正模块，用于对目标设备轨迹和离线指纹库数据进行数据匹配，从而获得精确的定位追踪位置信息。

进一步地，所述LED参考点、目标设备上均设置有无线通信模块，所述无线通信模块均为光通信模块，用于将编码后光信号解调转化为电信号。

进一步地，所述目标设备上具有加速度传感器、方向传感器、磁场传感器。

进一步地，所述LED锚节点采用发光模型为朗伯传输模型的白光LED。

参照图1，为基于三角形测量法定位技术的实施原理，以三个位置已知的锚节点为圆心，以所述各锚节点到待测目标的距离为半径做圆，三个圆交于所述待测目标。设所述待测目标的坐标位置为(x,y)，已知所述锚节点1、2、3的坐标分别为(x1,y1)、(x2,y2)和(x3,y3)，其到所述待测目标的距离为d1、d2、d3，则求解下列方程组即可得到所述待测目标的位置坐标：

(x-x1)²+(y-y1)²＝d1²

(x-x2)²+(y-y2)²＝d2²

(x-x3)²+(y-y3)²＝d3²

参照图2为***的可见光通信***图。由于在信号传输的过程中存在干扰和衰落，信号通信容易出现差错，所以需要先将信号进行预处理。通过信道编码能够有效地抵抗各种干扰，从而到达保真。将调制后的信息驱动LED。利用光电转换电路将光信号转化为电信号，再把电信号进行解调，将解调后的信号发送到智能移动设备MD，再进行***定位追踪。

一般情况下，可以认为LED的发光模式为朗伯传输模型，在和光源法线成任意φ方向上的发光强度为：

所以，在水平面上任一坐标(X,Y)上的光照度为：

其中I(0)为LED中心发光强度，为辐射角，D为收信机到LED的发射机中心距离；m为朗伯辐射级数，其与LED的发射机半功率角Φ_1/2有关。

m＝-ln2/ln(cosΦ_1/2) 式(3)

在可见光定位***中，我们采用发光模式为朗伯传输模型的白色LED。其接收光功率与发射光功率的公式为：

P_r＝P_t·H(0) 式(4)

式中H(0)为光通信信道的直流增益。

式中：0≤ψ≤ψ_FOV,D为信号收发机之间的距离，ψ_FOV为光接收机的视场角。A_r为光探测器的探测面积，和ψ分别为辐射角和入射角。T_s(ψ)为接收器的光学滤波增益，g(ψ)为光学聚光器的聚焦增益。其中n为折射***系数。

参照图3和4，本发明的模型搭建在长宽高为5*5*3的房间内。使用4组LED矩阵，其分别安装于房间的正上方。

首先，建立指纹库。指纹库的定位机制主要包括两个阶段：离线采集数据阶段和在线匹配信息阶段。在离线采集数据阶段中，主要需要收集每个参考点(RP)的定位信息。设定每隔5cm放置一个参考点RP，在每个RP上分别收集4组LED的定位信息，并存储到指纹库中。在每个RP上重复相关工作，直到收集所有信息完毕。

参照图3，是本发明一实施例的架构图，其中进行在线匹配信息，***根据目标MD收集到的定位信息，将MD的定位信息进行实时跟踪。为了减少在线追踪MD所带来的误差，利用智能移动设备的各种运动传感器对反馈的定位追踪信息进行优化。根据行人航迹推算模型(PRD),能够估算出行人移动的实况，包括速度和方向。

行人航迹推算模型是一种能够提供基于牛顿力学直接测量动态信息的方法。以前一些研究表明，惯性导航***结构能够为基于步行模式和步行距离估算的移动设备进行定位，但却不能得到高精度的测量数据。在本专利中，我们利用移动设备的各种传感器和权重因子对人类运动状态进行优化估算。

参照图5，为传感器之间运动状态关系。运动状态和传感器之间有着密切联系。因此，通过对一般的智能设备的传感器进行研究，大体上有5种传感器对运动状态有影响。

表1智能移动设备的传感器

加速度传感器的x，y和z轴与地球对应的三轴不是一样的，它们之间存在一个角度。所以认为速度不仅与加速度有关，并且与方位角和重力加速度也有关系。可以通过以下的公式计算出速度：

R(ψ,ρ,γ)＝C^-1(ψ,ρ,γ)＝C^T(ψ,ρ,γ) 式(10)

这里的是从加速度传感器中获得的加速度，是相对地轴中的加速度值，而R(ψ,ρ,γ)是转移矩阵,是地轴某时刻的速度值。

利用如下公式可求得人类运动方向:

这里的是某时刻的运动方向。尽管不能从方向传感器中获得高精度的方向值，但还是能够得到大致方向。利用粒子滤波的权值因子来纠正方向误差。为了能够得到更加准确的方向和速度值，采用比较好的传感器采样频率。在本方案中，采用的频率为50HZ。

参照图6为使用者加速行走过程中的各轴运动加速度曲线。

下一步将定位信息和运动信息结合粒子滤波算法进一步优化路径。

粒子滤波，是基于蒙特卡洛仿真的近似贝叶斯滤波算法。其核心思想是用一些离散随机采样点(粒子)来近似***随机变量的概率密度函数，以样本均值代替积分运算，从而获得状态的最小方差估计。

贝叶斯滤波算法用于从观测值中概率估算出当前状态。粒子滤波方法是一种在线的后验概率估算算法，通过结合重要性抽样和蒙特卡洛算法可用于估算后验概率密度。当能够解决粒子滤波的衰退现象，并且计算机能够有足够大的计算能力时，粒子滤波算法就能很好地应用于非高斯和非线性***状态估算。在定位问题中，目标位置经常用状态空间模型表示，包括状态方程(12)和观测方程(13)。

X_t＝f_t-1(X_t-1)+n_t-1 式(12)

Z_t＝h_t(X_t)+e_t 式(13)

其中t为离散时间，X_t为***状态，Z_t为观测状态，f(x)为状态转移方程，h(x)为观测方程，n_t-1为过程噪声，e_t为服从高斯分布的噪声。

贝叶斯滤波算法包括预测和修正。我们假设初始的概率密度P(x₀)和概率密度P(x₀)的时间是已知的，预测阶段和在线修正阶段的公式如下所示：

p(x_t|Z_t-1)＝∫(p(x_t|x_t-1)p(x_t-1|Z_t-1))dx_t-1 式(14)

其中Z_t为观测向量，X_t为状态值。公式(11)很难大量计算。粒子滤波算法能够有效地解决贝叶斯滤波算法的局限性。粒子滤波算法可视为贝叶斯滤波算法的一个近似值。粒子滤波算法包括三个步骤：粒子初始化，序贯重要性采样和重采样。参照图7。

粒子初始化：初始化粒子。初始样品通常来自于实际位置中的高斯分布的粒子云平均值。所有的粒子在初始阶段具有相同的权重。

序贯重要性采样：在这个阶段，利用公式(12)(13)(14)(15)计算和规范化每个粒子在第K次时的权重。接下来利用公式(16)重新分配权重。

重采样：重采样阶段是粒子滤波算法的一个重要阶段。重采样的基本原理是去除权重过低的粒子。在本阶段中，利用如下公式去除权重过低的粒子，复制权重较高的粒子。

在可见光-指纹库搭建的***中，由于存在可见光的测量噪声和遮挡问题，所得到定位追踪信息的精确度不高。利用粒子滤波算法的优点，能够优化这套***，从而减少定位追踪误差。

通过结合惯性导航***信息，粒子滤波算法可用于可见光信号的测量。粒子滤波算法能够方便地结合到来自惯性导航***的传感器的运动信息。由于粒子与移动设备使用者的运动行为有直接的关系，这些运动信息能够指引粒子。

将公式(12)和(13)具体化，就能得到公式(18)和(19)

其中表示在t时刻时每个粒子的状态向量，T_s是两次测量之间的运行时间，n_t-1是过程噪声，e_t是服从高斯分布的噪声。

在可见光定位追踪***中，结合粒子滤波算法和智能移动设备的定位追踪过程如下步骤：

1、建立指纹库

可见光-指纹库***包括离线阶段和在线阶段。离线阶段需要测量出每个点的定位信息包括坐标和对应的RSS，在线阶段对目标设备进行实时定位追踪。

2、计算运动状态

***会收集智能设备中传感器的各种数据并且计算出相关特征向量，然后根据公式(7)和(11)计算出方位角和速度。

3、粒子滤波

在粒子初始化之后，每个粒子经过状态转移方程(11)都会转移为新的一个粒子。所有的粒子都会转移到新的位置。所有的粒子都会移动到一个新的具有代表性的位置。根据公式(20)和(21)，利用欧几里得算法计算出功率差值，与此同时通过重新计算出权重。

另外，当在行人航迹模型中加入了运动向量时，我们将粒子权重因子作为路径平滑因子，不同的粒子权重因子具有不同的路径，路径平滑因子移动方向原理图见图8。

其中，θ_t用于计算在t时刻传感器数据的运动方向，是在t时刻第i个粒子引入路径平滑因子后的运动方向。

4.位置估算

我们利用加权法，通过公式(23)得到智能设备新的位置。然后重复步骤2直到停止。

为了验证所提出的方法的可行性，我们结合仿真实验进行论述。以下实验是基于智能设备和Matlab仿真得到：

表2实验平台参数

在本实验中开发了一款手机应用，用于收集传感器的原始数据，并且计算目标智能设备的运动信息包括速度和方向。运动信息传输到电脑上，进行Matlab仿真实验。

为了探讨所提出的方法的可行性，通过Matlab对模型进行了如下的仿真实验。其中LED的参数及房间模型见表(2)LED的分布坐标为(0.5,0.5),(4.5,0.5),(4.5,4.5),(0.5,4.5)。仿真实验模拟在100*100个参考点的房间内，每个参考点相隔0.05m。

表3

在本实验中挑选200个点作为原始路径(图9中的实线路径)，在Matlab搭建本***进行模拟仿真，得到的模拟路径为图9的点线路径，从图9中可以看到，其中规则的曲线为实际路径；两条路径大部分一致，包括转向的路径。因此验证了运用本方案所提出的方法对目标智能设备进行定位追踪是可行的。

为了进一步验证所提出的方法的可行性，模拟仿真了一个多路径的实验。参照图10所示，虚线路径为基于传感器的PDR路径，可以观察到PDR路径不是很好，随着时间的推移，路径越来越偏离原始路径。主要是由于一开始的时候，传感器能够得到较好的数据，但是会出现误差，随着误差的积累就会偏差很大。点线路径是在可见光***中基于粒子滤波算法和传感器的估算路径，可见其与原始路径基本吻合。利用传感器能够迅速捕捉到方向的变化，利用粒子滤波算法能够减少误差。

基于指纹库的可见光***存在的位移问题是当进行定位追踪时，如果有障碍物遮挡，那么所得到的定位追踪误差就会很大。所以利用本***来检验该方法时候对这种遮挡问题有所改善。我们在仿真实验中模拟有遮挡物的场景，参照图11有箭头的位置，可以看到当追踪路径到达存在遮挡物的地方时都很大程度上偏离了原始路径，但是基于粒子滤波算法和智能设备的可见光-指纹库定位追踪方法明显比只是可见光-指纹库的方法好，它能很快回归到原始路径中。

图12对几种定位追踪技术做了对比。各种滤波方式对误差的累积也不是一样的。如果只是使用传感器，随着时间的推移，误差会越来越大。利用卡尔曼滤波也不见得对定位追踪误差有明显改善。对比其他的方法，本方案提出的定位追踪方法对精度有所提高。

在本方案中提出了基于粒子滤波算法和智能设备的可见光-指纹库***，有助于提高室内定位追踪技术的精确度。同时，我们结合实验和仿真来验证了所提出的方法的可靠性，在实验和仿真中得到的定位追踪误差为8cm。即使是在复杂的环境中，基于所提出的方法的定位结果也能快速收敛。同时，可见光***中的遮挡问题的也得到很好的改善。

本发明提供的基于粒子滤波算法和智能设备的可见光定位方法和***，采用智能设备和无线技术进行定位追踪，首先采用可见光进行初定位，同时配合使用传感器进行连续定位追踪；然后利用粒子滤波算法将轨迹信息对目标设备进行轨迹修正，提高了追踪***的抗遮挡能力，降低了增加参考点的成本，而且追踪精度高，具有良好的经济和社会效益。

另外，本发明通过对无线定位数据应用高斯滤波算法和均值滤波算法，从而减少一些小概率、大干扰的突发性事件对整体测量值的影响，增加了定位追踪的抗干扰能力。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种基于粒子滤波算法和智能设备的可见光定位方法，其特征在于，包括以下步骤：

S1，***将光电二极管检测到的室内设置的LED锚节点和LED参考点的光信号强度转换为距离，并对目标设备进行定位；

S2，***采集目标设备的传感器信息；

S3，***接收到目标设备的定位信息和传感器信息，模拟出行人航迹推算模型，并采用粒子滤波算法对轨迹进行优化，对目标设备的轨迹进行迭代优化处理并确定目标设备的轨迹；

S4，***在离线环境下测量所述LED参考点与所述各LED锚节点之间的定位信息，并建立LED参考点离线位置数据库；

S5，***在在线环境下测量所述LED参考点、目标设备与所述各LED锚节点之间的定位信息，并通过比较所述LED参考点与所述各LED锚节点的定位信息和所述离线位置数据库，最终确定目标设备的定位追踪信息。

2.根据权利要求1所述的基于粒子滤波算法和智能设备的可见光定位方法，其特征在于，所述步骤S4和S5中，分别多次测量LED锚节点、LED参考点与目标设备之间的定位信息，并对定位信息测量结果依次做高斯滤波处理和均值处理。

3.根据权利要求1所述的基于粒子滤波算法和智能设备的可见光定位方法，其特征在于，所述粒子滤波算法包括粒子初始化，序贯重要性采样和重采样。

4.根据权利要求3所述的基于粒子滤波算法和智能设备的可见光定位方法，其特征在于，所述序贯重要性采样阶段利用下列公式计算和规范化每个粒子在第K次时的权重，

X_t＝f_t-1(X_t-1)+n_t-1

Z_t＝h_t(X_t)+e_t

p(x_t|Z_t-1)＝∫(p(x_t|x_t-1)p(x_t-1|Z_t-1))dx_t-1

$p\left(x_t\right|Z_t)=p\left(x_t\right|Z_t,Z_{t-1})=\frac{p\left(z_t\right|x_t,Z_{t-1})p\left(x_t\right|Z_{t-1})}{p\left(z_t\right|Z_{t-1})}$

其中t为离散时间，X_t为***状态，Z_t为观测状态，f(x)为状态转移方程，h(x)为观测方程，n_t-1为过程噪声，e_t为服从高斯分布的噪声，p(x_t|Z_t)表示后验分布；

并利用下面公式重新分配权重，

其中，W_t ⁽ⁱ⁾为第i个粒子在t时刻的权重，表示参考分布。

5.根据权利要求4所述的基于粒子滤波算法和智能设备的可见光定位方法，其特征在于，所述重采样阶段，利用如下公式去除权重过低的粒子并复制权重较高的粒子，

其中，M_thr为粒子退化程度。

6.一种基于粒子滤波算法和智能设备的可见光定位***，其特征在于，包括：

LED锚节点、LED参考点和目标设备，其中，所述LED锚节点的和LED参考点的数量均至少为3个；

可见光定位模块，用于测量所述LED参考点、目标设备与所述各LED锚节点之间的定位信息；

行人航迹推算模块，用于利用目标设备传感器获取相应的信息，并估算行人的运动轨迹；

轨迹修正模块，用于将得到的目标设备与所述各LED锚节点之间的定位信息和当前环境下获得的传感器信息进行轨迹修正，

从而确定目标设备的轨迹；

离线定位追踪模块，用于在离线环境下测量所述LED参考点与各所述LED锚节点之间的定位信息，建立离线位置数据库；

定位追踪修正模块，用于对目标设备轨迹和离线指纹库数据进行数据匹配，从而获得精确的定位追踪位置信息。

7.根据权利要求6所述的一种基于粒子滤波算法和智能设备的可见光定位***，其特征在于，所述LED参考点、目标设备上均设置有无线通信模块，所述无线通信模块均为光通信模块，用于将编码后光信号解调转化为电信号。

8.根据权利要求7所述的一种基于粒子滤波算法和智能设备的可见光定位***，其特征在于，所述目标设备上具有加速度传感器、方向传感器、磁场传感器。

9.根据权利要求8所述的一种基于粒子滤波算法和智能设备的可见光定位***，其特征在于，所述LED锚节点采用发光模型为朗伯传输模型的白光LED。