CN107241797B - Nlos环境下基于散射体信息的单站定位方法 - Google Patents

Abstract

本发明公开了一种NLOS环境下基于散射体信息的单站定位方法。仿真建立宏蜂窝NLOS下的三种散射体模型；提取相应模型下多径信号参数，计算信号到达角和到达时间的概率密度函数，保存为参考模板；然后采集多径信号参数，计算其概率密度函数，作为测试模板；采用模式识别算法进行参考模板与测试模板的匹配，判别实测信号的传播模型；根据信号传播模型的定位几何关系，建立非线性定位方程，转换为优化问题后利用优化算法进行求解，实现宏蜂窝NLOS环境下的目标定位。本发明实现了无LOS信号存在、散射***置未知时的单基站定位，解决了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，可同时估计出移动台和散射体的位置坐标，提升了在NLOS环境下的定位精度。

Description

NLOS环境下基于散射体信息的单站定位方法

技术领域

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***、蜂窝***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***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。

发明内容

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***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(x_B,y_B)且位于坐标原点(0,0)，移动台(MS)的位置坐标为(x_m,y_m)，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R_r；

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R_d；

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、R_g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AOAθ_R，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TOAτ_R；

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AOAθ_D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TOAτ_D；

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AOAθ_G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TOAτ_G；

步骤六、基于所述步骤五中得到的AOAθ_R和TOAτ_R，计算得到散射环模型下的AOAθ_R的概率密度函数p(θ_R)和TOAτ_R的概率密度函数p(τ_R)；

步骤七、基于所述步骤六中的概率密度函数p(θ_R)、p(τ_R)，令

其中：表示散射环模型中第q个AOAθ_Rq和其对应的概率密度 表示第q个TOAτ_Rq和其对应的概率密度将和作为参考模板A；

步骤八、基于所述步骤五中得到的AOAθ_D、TOAτ_D，计算得到散射盘模型下的AOAθ_D的概率密度函数p(θ_D)和TOAτ_D的概率密度函数p(τ_D)；

步骤九、基于所述步骤八中的概率密度函数p(θ_D)、p(τ_D)，令

其中：表示散射盘模型中第q个AOAθ_Dq和其对应的概率密度 表示第q个TOAτ_Dq和其对应的概率密度将和作为参考模板B；

步骤十、基于所述步骤五中得到的AOAθ_G、TOAτ_G，计算得到高斯散射模型下的参数AOAθ_G的概率密度函数p(θ_G)和TOAτ_G的概率密度函数p(τ_G)；

步骤十一、基于所述步骤十中的概率密度函数p(θ_G)、p(τ_G)，令

其中：表示高斯散射模型中第q个AOAθ_Gq和其对应的概率密度 表示第q个TOAτ_Gq和其对应的概率密度将和作为参考模板C；

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AOAθ_M和估计TOAτ_M；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AOAθ_M的概率密度函数p(θ_M)和TOAτ_M的概率密度函数p(τ_M)；

步骤十四、基于所述步骤十三中的概率密度函数p(θ_M)、p(τ_M)，令

其中：表示实测模型中第n个AOAθ_Mn和其对应的概率密度 表示第n个TOAτ_Mn和其对应的概率密度将和作为测试模板T；

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L_i和移动台位置坐标(x_m,y_m)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(x_m,y_m)和L_i；

步骤十九、基于所述步骤十八中得到的L_i，计算得到散射***置坐标(x_i,y_i)；

步骤二十、基于步骤十八中得到的移动台位置坐标(x_m,y_m)和步骤十九中得到的散射***置坐标(x_i,y_i)，获取散射***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L_i和移动台位置坐标(x_m,y_m)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L_i和移动台位置坐标(x_m,y_m)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(x_m,y_m)和(x_i,y_i)的关系式：

其中，(x_i,y_i)为第i个散射体的位置坐标，(x_B,y_B)为基站的位置坐标，(x_m,y_m)为移动台的位置坐标，c为光速，τ_i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，L_i为第i个散射体到基站的直线距离，θ_i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(x_m,y_m)和L_i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(x_m,y_m)和L_i，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＝(x_m,y_m,L_i)，f_i(x)为第i条传播路径的定位方程对应的函数，g_i(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：

min G(x,r_k)＝h(x)+r_kB(x)；

其中，{r_k}是严格单调减且趋于零的罚因子数列；

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(x_m,y_m)和L_i。

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***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***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(Base Station，BS)位置坐标为(x_B,y_B)且位于坐标原点(0,0)，移动台(Mobile Station，MS)位置坐标为(x_m,y_m)，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R_r。

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R_d。

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R_g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x_soy_s的直角坐标系，式中(x_s,y_s)是在x_sy_s直角坐标系中散射体的位置坐标，表示MS到散射体的距离，σ_s表示高斯分布均方根。

·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***置坐标为(x_i,y_i)，基站位置坐标为(x_B,y_B)，移动台位置坐标为(x_m,y_m)，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AOAθ_R和MS发出的信号经散射体反射后到达BS的传输时间TOAτ_R：

θ_R＝[θ_R1,θ_R2,...,θ_Rq],τ_R＝[τ_R1,τ_R2,...,τ_Rq]。

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AOAθ_D和MS发出的信号经散射体反射后到达BS的传输时间TOAτ_D：

θ_D＝[θ_D1,θ_D2,...,θ_Dq],τ_D＝[τ_D1,τ_D2,...,τ_Dq]。

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AOAθ_G和MS发出的信号经散射体反射后到达BS的传输时间TOAτ_G：

θ_G＝[θ_G1,θ_G1,...,θ_Gq],τ_G＝[τ_G1,τ_G2,...,τ_Gq]。

步骤六、基于所述步骤五(5b)中得到的多径参数AOAθ_R和TOAτ_R，计算得到散射环模型下的AOAθ_R的概率密度函数p(θ_R)和TOAτ_R的概率密度函数p(τ_R)。

步骤七、基于所述步骤六中的概率密度函数p(θ_R)、p(τ_R)，令

其中：表示散射环模型中第q个AOAθ_Rq和其对应的概率密度 表示第q个TOAτ_Rq和其对应的概率密度将和作为参考模板A。

步骤八、基于所述步骤五(5c)中得到的多径参数AOAθ_D和TOAτ_D，计算得到散射盘模型下的AOAθ_D的概率密度函数p(θ_D)和TOAτ_D的概率密度函数p(τ_D)。

步骤九、基于所述步骤八中的概率密度函数p(θ_D)、p(τ_D)，令

其中：表示散射盘模型中第q个AOAθ_Dq和其对应的概率密度 表示第q个TOAτ_Dq和其对应的概率密度将和作为参考模板B。

步骤十、基于所述步骤五(5d)中得到的多径参数AOAθ_G和TOAτ_G，计算得到高斯散射模型下的参数AOAθ_G的概率密度函数p(θ_G)和TOAτ_G的概率密度函数p(τ_G)。

步骤十一、基于所述步骤十中的概率密度函数p(θ_G)、p(τ_G)，令

其中：表示高斯散射模型中第q个AOAθ_Gq和其对应的概率密度 表示第q个TOAτ_Gq和其对应的概率密度将和作为参考模板C。

·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AOAθ_M和估计TOAτ_M，假设采集到n个多径信号：

θ_M＝[θ_M1,θ_M1,...,θ_Mn],τ_M＝[τ_M1,τ_M2,...,τ_Mn]；

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AOAθ_M的概率密度函数p(θ_M)和TOAτ_M的概率密度函数p(τ_M)。

步骤十四、基于所述步骤十三中的概率密度函数p(θ_M)、p(τ_M)，令

其中：表示实测模型中第n个AOAθ_Mn和其对应的概率密度 表示第n个TOAτ_Mn和其对应的概率密度将和作为测试模板T。

步骤十五、利用地球移动距离(Earth Mover's Distance,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L_i和MS位置坐标(x_m,y_m)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(x_m,y_m)和(x_i,y_i)的关系式：

其中，第i个散射***置坐标为(x_i,y_i)，基站位置坐标为(x_B,y_B)，移动台位置坐标为(x_m,y_m)，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，L_i为第i个散射体到BS的直线距离，θ_i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(x_m,y_m)和L_i的非线性定位方程：

其中，(x_i,y_i)为第i个散射***置坐标，(x_B,y_B)为基站位置坐标，c为光速，c＝3×10⁸m/s，θ_i为第i条传输路径的AOA，τ_i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(x_m,y_m)和L_i。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＝(x_m,y_m,L_i)，f_i(x)为第i条传播路径的定位方程对应的函数，g_i(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：

min G(x,r_k)＝h(x)+r_kB(x)；

其中，{r_k}是严格单调减且趋于零的罚因子数列；

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(x_m,y_m)和L_i。

步骤十九、基于所述步骤十八中得到的L_i，利用步骤十七(17b)的公式，计算得到散射***置坐标(x_i,y_i)。

步骤二十、基于步骤十八中得到的MS位置坐标(x_m,y_m)和步骤十九中得到的散射***置坐标(x_i,y_i)，获取散射***置信息和实现目标定位。

Claims (3)

1.一种NLOS环境下基于散射体信息的单站定位方法，其特征在于，包括以下步骤：

步骤一、在NLOS环境下，假设基站位置坐标为(x_B,y_B)且位于坐标原点(0,0)，移动台的位置坐标为(x_m,y_m)，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R_r；

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R_d；

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、R_g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AOAθ_R，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TOAτ_R；

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AOAθ_D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TOAτ_D；

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AOAθ_G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TOAτ_G；

步骤六、基于所述步骤五中得到的AOAθ_R和TOAτ_R，计算得到散射环模型下的AOAθ_R的概率密度函数p(θ_R)和TOAτ_R的概率密度函数p(τ_R)；

步骤七、基于所述步骤六中的概率密度函数p(θ_R)、p(τ_R)，令

其中：表示散射环模型中第q个AOAθ_Rq和其对应的概率密度 表示第q个TOAτ_Rq和其对应的概率密度将和作为参考模板A；

步骤八、基于所述步骤五中得到的AOAθ_D、TOAτ_D，计算得到散射盘模型下的AOAθ_D的概率密度函数p(θ_D)和TOAτ_D的概率密度函数p(τ_D)；

步骤九、基于所述步骤八中的概率密度函数p(θ_D)、p(τ_D)，令

其中：表示散射盘模型中第q个AOAθ_Dq和其对应的概率密度 表示第q个TOAτ_Dq和其对应的概率密度将和作为参考模板B；

步骤十、基于所述步骤五中得到的AOAθ_G、TOAτ_G，计算得到高斯散射模型下的参数AOAθ_G的概率密度函数p(θ_G)和TOAτ_G的概率密度函数p(τ_G)；

步骤十一、基于所述步骤十中的概率密度函数p(θ_G)、p(τ_G)，令

其中：表示高斯散射模型中第q个AOAθ_Gq和其对应的概率密度 表示第q个TOAτ_Gq和其对应的概率密度将和作为参考模板C；

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AOAθ_M和估计TOAτ_M；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AOAθ_M的概率密度函数p(θ_M)和TOAτ_M的概率密度函数p(τ_M)；

步骤十四、基于所述步骤十三中的概率密度函数p(θ_M)、p(τ_M)，令

其中：表示实测模型中第n个AOAθ_Mn和其对应的概率密度 表示第n个TOAτ_Mn和其对应的概率密度将和作为测试模板T；

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L_i和移动台位置坐标(x_m,y_m)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(x_m,y_m)和L_i；

步骤十九、基于所述步骤十八中得到的L_i，计算得到散射***置坐标(x_i,y_i)；

步骤二十、基于步骤十八中得到的移动台位置坐标(x_m,y_m)和步骤十九中得到的散射***置坐标(x_i,y_i)，获取散射***置信息和实现目标定位。

2.根据权利要求1所述的NLOS环境下基于散射体信息的单站定位方法，其特征在于：所述步骤十七中，构建关于散射体到基站的距离L_i和移动台位置坐标(x_m,y_m)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(x_m,y_m)和(x_i,y_i)的关系式：

其中，(x_i,y_i)为第i个散射体的位置坐标，(x_B,y_B)为基站的位置坐标，(x_m,y_m)为移动台的位置坐标，c为光速，τ_i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，L_i为第i个散射体到基站的直线距离，θ_i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(x_m,y_m)和L_i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。

3.根据权利要求1或2所述的NLOS环境下基于散射体信息的单站定位方法，其特征在于：所述步骤十八中，求解非线性定位方程得到(x_m,y_m)和L_i，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＝(x_m,y_m,L_i)，f_i(x)为第i条传播路径的定位方程对应的函数，g_i(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：

min G(x,r_k)＝h(x)+r_kB(x)；

其中，{r_k}是严格单调减且趋于零的罚因子数列；

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(x_m,y_m)和L_i。