CN109799477B - 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 - Google Patents
一种面向毫米波车联网的序贯车辆指纹定位方法及装置 Download PDFInfo
- Publication number
- CN109799477B CN109799477B CN201811487284.6A CN201811487284A CN109799477B CN 109799477 B CN109799477 B CN 109799477B CN 201811487284 A CN201811487284 A CN 201811487284A CN 109799477 B CN109799477 B CN 109799477B
- Authority
- CN
- China
- Prior art keywords
- signal
- target vehicle
- vehicle
- target
- posterior probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000006855 networking Effects 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 40
- 239000002245 particle Substances 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种面向毫米波车联网的序贯车辆指纹定位及装置,所述方法包括:将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点;对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型;记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵;根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置,从而有效提高定位的准确性。
Description
技术领域
本发明涉及通信技术领域,特别是指一种面向毫米波车联网的序贯车辆指纹定位方法及装置。
背景技术
作为蓬勃发展的物联网(Internet of Thing,IoT)的一个重要分支,车辆网(Internet of Vehicle,IoV)技术在智慧城市、智能交通、安全驾驶等领域都起着至关重要的作用。在车联网技术中,车辆的实时位置是各种应用与服务的基础。因此,精确快速获取车辆的实时位置是车联网高效部署与大规模应用的关键。此外,基于大规模天线部署的毫米波(millimeter Wave,mmWave)通信技术以其高精度波束指向与高带宽、高速率、长距离的通信优势,被认为是车联网领域广泛应用的关键技术之一。然而,将毫米波技术应用于车联网实时定位应用时,将面临信号传播复杂的挑战。具体来说,毫米波信号在密集城市环境、富散射环境等复杂电磁环境下,其传播参数具有极强的不确定性,为车辆实时位置的高效获取造成了极大的困难。针对该问题,一种广泛研究的定位手段是基于指纹的定位技术。该技术主要分为两阶段:离线阶段,毫米波检测站的覆盖范围被划分为若干小区域,在每个小区域中都设置有参考点(Reference Point,RP),事先在每个参考点处对其信号参数进行记录,形成范围内完整的信号传播指纹地图;在线阶段,实测车辆进入毫米波检测站的覆盖范围,对其发射信号进行接收与处理,并基于指纹地图获取目标车辆的实时位置。
传统的指纹定位技术以静态定位技术为主。即,以每次获取的目标车辆信号处理得出其当前时刻的位置,而忽视之前时刻对目标车辆位置的估计结果。然而,动态序贯性是车辆的一大特性,若只考虑车辆的静态定位技术,使其位置获取精度不高。然而考虑车辆动态性将不免带来目标车辆观测值缺失问题。具体来说,毫米波信号频段较高,易受环境干扰,可能由障碍物阻挡而导致某时刻观测信号缺失。此外,目标车辆的短暂静默也可能导致观测缺失,这些不利条件将为实时位置获取造成障碍。
发明内容
有鉴于此,本发明的目的在于提出一种面向毫米波车联网的序贯车辆指纹定位方法及装置,能够有效提高定位的准确性。
基于上述目的本发明提供的面向毫米波车联网的序贯车辆指纹定位方法,包括:
将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点;
对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型;
记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵;
根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置。
进一步地,所述对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型,具体包括:
获取目标车辆在所述目标区域的随机有限集合Xt的概率分布f(Xt),所述随机有限集合Xt包括所述目标车辆在t时刻的信号状态和稀疏位置;
根据所述随机有限集合Xt的概率分布f(Xt),构建所述目标车辆从t-1时刻到t时刻的动态变化模型φt|t-1(Xt|Xt-1);
其中,表示t时刻未检测到目标车辆,{lt}表示t时刻检测到目标车辆,lt表示目标车辆在t时刻的稀疏位置,p表示接收目标车辆信号的概率,h(lt)表示t时刻的稀疏位置分布,p{lt}|Xt-1表示目标车辆从t-1时刻到t时刻的信号状态变化概率,πt|t-1(lt|lt-1)为转移概率密度,表示目标车辆从t-1时刻到t时刻的稀疏位置变化概率。
进一步地,所述目标区域为正方形区域;所述检测站位于所述目标区域的底部中心位置;
所述将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点,具体包括:
将所述目标区域的每条边等分为N1/2段,使所述目标区域等分为N个正方形小区域;N≥1;
在每个小区域的中心位置处设置参考点。
进一步地,所述检测站配备有均匀线性天线阵列,所述均匀线性天线阵列包括M个天线阵元;
所述记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵,具体包括:
获取所述检测站接收第i个参考点信号的方位角θi和信号强度Pi;1≤i≤N,θi∈[0,π];
根据所述方位角θi,计算获得所述M个天线阵元接收第i个参考点信号的指向向量α(θi);
根据所述信号强度Pi和所述指向向量α(θi),计算获得所述M个天线阵元接收第i个参考点信号的信号向量gi;
将所有参考点对应的信号向量记录为所述目标区域的指纹矩阵G=[g1,g2,...,gi,...,gN]。
进一步地,所述信号向量gi的计算公式为:
Pi=PT-PR(d0)-10βlg(di/d0)+ni;
其中,PT为信号发射功率,d0为参考距离,di为第i个参考点与检测站之间的传播距离,PR(d0)为传播距离是d0时的平均信号强度衰减,β为路径损耗参数,ni为第i个参考点的信号噪声,j为虚数单位,s为天线阵元间隔距离,λ为信号波长。
进一步地,所述根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率分布进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置,具体包括:
根据上一时刻估计的Xt-1后验概率分布和所述动态变化模型φt|t-1(Xt|Xt-1),对当前时刻的Xt后验概率分布进行估计;
采用粒子滤波方法对所述信号状态后验概率pt|t和稀疏位置后验概率ht|t(lt)进行近似计算,获得所述目标车辆在当前时刻t的信号状态和稀疏位置。
进一步地,所述信号状态后验概率pt|t和稀疏位置后验概率ht|t(lt)分别为:
其中,Gm,i为指纹矩阵中第m个天线阵元接收第i个参考点信号的信号向量。
进一步地,所述采用粒子滤波方法对所述信号状态后验概率pt|t和稀疏位置后验概率ht|t(lt)进行近似计算,获得所述目标车辆在当前时刻t的信号状态和稀疏位置,具体包括:
设置一组数量为W的粒子***{x(i),w(i)}i=1 W;x(i)∈RN×1表示粒子状态,以模拟t时刻的稀疏位置lt,w(i)表示粒子状态x(i)的权重;所述目标车辆在t时刻的稀疏位置分布表示为ht(lt)=Σiwt (i)δ(x-xt (i));
基于所述粒子***对所述信号状态后验概率pt|t进行近似计算,并根据计算结果获得所述目标车辆在当前时刻t的信号状态;
进一步地,所述信号状态后验概率pt|t的近似计算公式为:
其中,若计算结果pt|t>0.5,则判定t时刻存在目标车辆的信号;若计算结果pt|t≤0.5,则判定t时刻不存在目标车辆的信号;
相应地,本发明实施例还提供一种面向毫米波车联网的序贯车辆指纹定位装置,能够实现上述面向毫米波车联网的序贯车辆指纹定位方法,所述装置包括:
参考点设置模块,用于将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点;
动态建模模块,用于对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型;
指纹矩阵构建模块,用于记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵;
定位模块,用于根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置。
从上面所述可以看出,本发明提供的面向毫米波车联网的序贯车辆指纹定位方法及装置,能够将毫米波检测站覆盖的目标区域划分为至少一个小区域,以记录每个小区域信号的方位角和信号强度,构建指纹矩阵,丰富指纹信息的同时提高稀疏位置分辨率;基于所述动态变化模型和所述指纹矩阵,对所述目标车辆的信号状态和稀疏位置进行联合实时估计,克服毫米波信号缺失的影响,有效提高车辆定位的准确性。
附图说明
图1为本发明实施例提供的面向毫米波车联网的序贯车辆指纹定位方法的流程示意图;
图2为本发明实施例提供的面向毫米波车联网的序贯车辆指纹定位方法与传统定位方法的信号状态检测性能的对比图;
图3为本发明实施例提供的面向毫米波车联网的序贯车辆指纹定位方法与传统定位方法的位置估计性能的对比图;
图4为本发明实施例提供的面向毫米波车联网的序贯车辆指纹定位装置的结构示意图;
图5为本发明实施例提供的面向毫米波车联网的序贯车辆指纹定位装置的架构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
参见图1,是本发明实施例提供的面向毫米波车联网的序贯车辆指纹定位方法的流程示意图,所述方法包括:
101、将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点。
在本实施例中,假设毫米波检测站的覆盖的目标区域为正方形区域,所述检测站位于所述目标区域的底部中心位置。
具体地,步骤101包括:
将所述目标区域的每条边等分为N1/2段,使所述目标区域等分为N个正方形小区域;N≥1;
在每个小区域的中心位置处设置参考点。
需要说明的是,首先对目标区域进行划分,将目标区域的每条边长划分为等分的N1/2段,则整个目标区域被划分为N个全等的小区域。在每个小区域的中心设置参考点,则参考点数量同样为N,其坐标表示为{(x1,y1),(x2,y2),...,(xN,yN)},而检测站的坐标为(N1/2/2,0)。
102、对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型。
具体地,步骤102具体包括:
获取目标车辆的随机有限集合Xt的概率分布f(Xt),所述随机有限集合Xt包括所述目标车辆在t时刻的信号状态和稀疏位置;
根据所述随机有限集合Xt的概率分布f(Xt),构建所述目标车辆从t-1时刻到t时刻的动态变化模型φt|t-1(Xt|Xt-1)。
在本实施例中,考虑到目标车辆的信号状态(可接收到/不可接收到)与随机的实时位置为两个相对独立的变化状态,若分别进行考虑与估计则难度较大。因此引入随机有限集合的思想统一建模上述两状态。具体地,设随机有限集合Xt统一描述t时刻的目标车辆的信号状态和稀疏位置,该随机有限集合Xt由服从伯努利分布的基(Cardinality)和一个稀疏位置分布h(lt)共同完全描述。该随机有限集合Xt的概率分布可表示为:
其中,表示t时刻未检测到目标车辆,{lt}表示t时刻检测到目标车辆,lt表示目标车辆在t时刻的稀疏位置向量(lt(i)=0表示目标车辆不在参考点i处,lt(i)=1表示目标车辆位于参考点i处),p表示接收目标车辆信号的概率。
基于随机有限集合Xt,考虑目标车辆的联合状态动态变化,以一阶马尔科夫链建模目标车辆的动态变化模型,并以φt|t-1(Xt|Xt-1)表示:
其中,条件概率p{lt}|Xt-1表示目标车辆从t-1时刻到t时刻的信号状态变化概率,具体可表示为重生概率(信号由消失到重新出现的概率)和生存概率(信号由出现到再次出现的概率)两部分,分别为:
另外,转移概率密度πt|t-1(lt|lt-1)表示目标车辆实时位置的动态迁移特性。针对该转移概率密度,采用离散随机游走模型(Discrete-Random Walking Model,D-RWM)对其建模。具体地,基于目标车辆上一时刻的位置向量lt-1,在t时刻,目标车辆将以相同的概率停留在当前的小区域内(参考点处),或迁移到相邻的各个小区域内(参考点处)。
103、记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵。
在本实施例中,检测站配备有具有M个天线阵元的均匀线性天线阵列(UniformLinear Array,ULA)。
具体地,步骤103包括:
获取所述检测站接收第i个参考点信号的方位角θi和信号强度Pi;1≤i≤N,θi∈[0,π];
根据所述方位角θi,计算获得所述M个天线阵元接收第i个参考点信号的指向向量α(θi);
根据所述信号强度Pi和所述指向向量α(θi),计算获得所述M个天线阵元接收第i个参考点信号的信号向量gi;
将所有参考点对应的信号向量记录为所述目标区域的指纹矩阵G=[g1,g2,...,gi,...,gN]。
需要说明的是,由于毫米波波段信号的波长通常为毫米级,远小于车联网一般通信距离,而毫米波天线阵元间隔距离一般与波长相比拟。因此,由目标车辆从参考点i处到达检测站各天线阵元的接收信号强度设为相等,并以Pi表示:
Pi=PT-PR(d0)-PL(i)+ni (5)
其中,PT为发射功率,PR(d0)为传播距离是参考距离d0时的平均信号强度衰减,ni为第i个参考点的信号噪声,为不失一般性,考虑其服从圆对称复高斯分布,PL(i)为参考点i与检测站之间的传播路径损耗,即:
PL(i)=10βlg(di/d0) (6)
其中,β为路径损耗参数,其与具体场景有关,di为参考点i与检测站之间的距离。
考虑各天线阵元,设θi∈[0,π]为参考点i处信号到达检测站的到达方位角,则对应于信号方向θi的接收天线指向向量α(θi)表示为:
其中,j为虚数单位,s为天线阵元间隔距离,λ为信号波长。
假设由各个参考点到检测站的传播信道主要为直射信道(此处仅考虑特例,扩展至任意信道形式同样适用),基于上述接收信号强度以及信号方位角的建模形式,当目标车辆位于参考点i处时,信号向量gi表示为:
对各个参考点的信号向量进行记录,最终形成目标区域内完整的RSS-AoA指纹地图(指纹矩阵),由G表示,即G=[g1,g2,...,gN]。
104、根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置。
在本实施例中,基于对目标车辆的动态变化特性的建模分析,目标车辆的信号状态以及实时位置由统一的随机有限集合Xt表示。因此,对目标车辆的信号状态和实时位置的联合估计可由对Xt的序贯估计实现。
具体地,步骤104包括:
根据上一时刻估计的Xt-1后验概率分布和所述动态变化模型φt|t-1(Xt|Xt-1),对当前时刻的Xt后验概率分布进行估计;
采用粒子滤波方法对所述信号状态后验概率pt|t和稀疏位置后验概率ht|t(lt)进行近似计算,获得所述目标车辆在当前时刻t的信号状态和稀疏位置。
在本实施例中,先以最大后验概率(Maximum A Posterior,MAP)准则对Xt进行估计,即:
其中,f(Xt|g1:t)为Xt的后验概率分布。为序贯获取该后验概率分布,采用两步贝叶斯估计方法。即,首先通过上一时刻估计的Xt-1后验概率分布f(Xt-1|g1:t-1)与动态变化模型φt|t-1(Xt|Xt-1),对当前时刻的后验概率分布进行预测,即:
f(Xt|g1:t-1)=∫φt|t-1(Xt|Xt-1)f(Xt-1|g1:t-1)δXt-1 (10)
然而,由于Xt形式较为复杂,对其后验概率分布的估计难以直接完成。由式(1)可知,对后验概率f(Xt|g1:t)的估计完全等价于对目标车辆的信号状态后验概率pt|t以及稀疏位置后验概率ht|t(lt)的联合估计。因此,联合检测与定位问题转化为对pt|t与ht|t(lt)的序贯估计问题。
信号状态后验概率pt|t以及稀疏位置后验概率ht|t(lt)分别为:
其中,pt-1|t-1为上一时刻(t-1时刻)估计所得的信号状态后验概率,ht|t-1(lt)为上一时刻估计所得的稀疏位置后验概率。进一步地,由式(10)与式(1)联立,可更新得目标车辆的信号状态后验概率pt|t以及稀疏位置后验概率ht|t(lt),分别为:
其中,Gm,i为指纹矩阵中第m个天线阵元接收第i个参考点信号的信号向量,可方便地从指纹地图(指纹矩阵)中获得。
进一步地,所述采用粒子滤波方法对所述信号状态后验概率pt|t和稀疏位置后验概率ht|t(lt)进行近似计算,获得所述目标车辆在当前时刻t的信号状态和稀疏位置,具体包括:
设置一组数量为W的粒子***{x(i),w(i)}i=1 W;x(i)∈RN×1表示粒子状态,以模拟t时刻的稀疏位置lt,w(i)表示粒子状态x(i)的权重;所述目标车辆在t时刻的稀疏位置分布表示为ht(lt)=Σiwt (i)δ(x-xt (i));
基于所述粒子***对所述信号状态后验概率pt|t进行近似计算,并根据计算结果获得所述目标车辆在当前时刻t的信号状态;
需要说明的是,由于目标车辆的信号状态后验概率与稀疏位置后验概率分布的估计过程中,包含关于目标车辆实时位置分布h(lt)的积分,而h(lt)具有非高斯的复杂特性,因此上述积分难以直接以数值方式计算。因此,本实施例提供一种针对上述估计过程的粒子滤波(Particle Filtering,PF)方法解决该问题。具体来说,设置一组数量为W的粒子***:{x(i),w(i)}i=1 W。其中,x(i)∈RN×1表示粒子状态,用来对lt进行模拟;w(i)表示对应于粒子状态x(i)的权重,则目标车辆的稀疏位置分布可近似表示为ht(lt)=Σiwt (i)δ(x-xt (i))。
具体实施时,首先需对粒子状态的迁移设计重要性采样函数。由式(13)可知,当前时刻t目标车辆的稀疏位置后验概率分布的估计由两部分组成:上一时刻生存的分布以及当前时刻重新出现的分布。因此将粒子***分为两部分,对上述两种分布分别进行模拟,即:
而对粒子权重的计算基于贝叶斯基本原理分为预测与更新两步骤。首先,基于式(13)对粒子权重进行预测,即:
进一步地,基于式(15),代入似然函数对粒子权重进行更新得到后验形式的粒子权重,即:
进一步地,由后验形式的粒子***对目标车辆的信号状态以及实时位置做出判断。具体来说,对目标车辆的信号状态作出后验概率近似计算,即:
其中,设置门限值为0.5,若pt|t>0.5,则判定该时刻目标车辆信号存在;若pt|t≤0.5,则判定该时刻目标车辆信号不存在。
进一步地,根据期望最大后验(Expected A Posterior,EAP)方法对目标车辆的实时位置进行计算,即:
为仿真验证本实施例的有效性,仿真设置覆盖区域包含256个小区域,传输功率50dBm,参考距离1m,此处的信号衰减为30dBm,路径损耗常数为2,目标车辆信号的生存概率与重生概率统一设置为0.8。
图2示出了针对目标车辆信号状态检测的仿真结果。图中对本实施例提供的指纹定位方法与一种传统指纹定位检测方法(降噪基追踪算法)的检测性能进行了对比。如图2所示,本实施例提供的指纹定位方法较之于传统定位检测方法提升约7dB,在信噪比0dB时,本实施例已基本满足目标车辆信号检测需求。此外,增加天线个数有助于提升信号检测精度。
图3示出了针对目标车辆定位精度的仿真结果。图中对本本实施例提供的指纹定位方法与三种传统的指纹定位方法(k最邻近方法、降噪基追踪算法、核函数法)定位精度进行了对比。如图3所示,本实施例提供的指纹定位方法较之于传统定位方法在精度上有明显的提升,在信噪比-5~5dB范围内,本实施例精度提升约5dB。
本发明提供的面向毫米波车联网的序贯车辆指纹定位方法,能够将毫米波检测站覆盖的目标区域划分为至少一个小区域,以记录每个小区域信号的方位角和信号强度,构建指纹矩阵,丰富指纹信息的同时提高稀疏位置分辨率;基于所述动态变化模型和所述指纹矩阵,对所述目标车辆的信号状态和稀疏位置进行联合实时估计,克服毫米波信号缺失的影响,有效提高车辆定位的准确性。
相应地,本发明还提供一种毫米波车联网的序贯车辆指纹定位装置,能够实现上述毫米波车联网的序贯车辆指纹定位方法的所有流程。
参见图4,是本发明提供的毫米波车联网的序贯车辆指纹定位装置的结构示意图,所述装置包括:
参考点设置模块1,用于将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点;
动态建模模块2,用于对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型;
指纹矩阵构建模块3,用于记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵;
定位模块4,用于根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置。
需要说明的是,本实施例分为三个阶段,包括建模阶段、离线阶段和在线阶段,如图5所示。
其中,目标车辆动态建模为对目标车辆的信号状态与稀疏位置进行联合建模,并用统一的随机有限集合来描述。
离线阶段为将毫米波检测站覆盖范围划分为若干个小区域,在每个小区域中设置参考点,在每个参考点处,记录接收目标车辆信号的信号强度与信号到达角度(方位角),并形成完整的指纹矩阵。
在线阶段为获取目标车辆的实际发射信号,基于所设计的序贯压缩感知算法,序贯估计随机有限集合的后验概率,并由此得出目标车辆的实时信号状态与稀疏位置。
本发明提供的面向毫米波车联网的序贯车辆指纹定位装置,能够将毫米波检测站覆盖的目标区域划分为至少一个小区域,以记录每个小区域信号的方位角和信号强度,构建指纹矩阵,丰富指纹信息的同时提高稀疏位置分辨率;基于所述动态变化模型和所述指纹矩阵,对所述目标车辆的信号状态和稀疏位置进行联合实时估计,克服毫米波信号缺失的影响,有效提高车辆定位的准确性。
示例性地,本发明实施例中所述的计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述实现一种基于深度学习的命名实体链接方法中的执行过程。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向毫米波车联网的序贯车辆指纹定位方法,其特征在于,包括:
将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点;
对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型;
记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵;
根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置。
2.根据权利要求1所述的面向毫米波车联网的序贯车辆指纹定位方法,其特征在于,所述对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型,具体包括:
获取目标车辆在所述目标区域的随机有限集合Xt的概率分布f(Xt),所述随机有限集合Xt包括所述目标车辆在t时刻的信号状态和稀疏位置;
根据所述随机有限集合Xt的概率分布f(Xt),构建所述目标车辆从t-1时刻到t时刻的动态变化模型φt|t-1(Xt|Xt-1);
3.根据权利要求2所述的面向毫米波车联网的序贯车辆指纹定位方法,其特征在于,所述目标区域为正方形区域;所述检测站位于所述目标区域的底部中心位置;
所述将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点,具体包括:
将所述目标区域的每条边等分为N1/2段,使所述目标区域等分为N个正方形小区域;N≥1;
在每个小区域的中心位置处设置参考点。
4.根据权利要求3所述的面向毫米波车联网的序贯车辆指纹定位方法,其特征在于,所述检测站配备有均匀线性天线阵列,所述均匀线性天线阵列包括M个天线阵元;
所述记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵,具体包括:
获取所述检测站接收第i个参考点信号的方位角θi和信号强度Pi;1≤i≤N,θi∈[0,π];
根据所述方位角θi,计算获得所述M个天线阵元接收第i个参考点信号的指向向量α(θi);
根据所述信号强度Pi和所述指向向量α(θi),计算获得所述M个天线阵元接收第i个参考点信号的信号向量gi;
将所有参考点对应的信号向量记录为所述目标区域的指纹矩阵G=[g1,g2,...,gi,...,gN]。
6.根据权利要求5所述的面向毫米波车联网的序贯车辆指纹定位方法,其特征在于,所述根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率分布进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置,具体包括:
根据上一时刻估计的Xt-1后验概率分布和所述动态变化模型φt|t-1(Xt|Xt-1),对当前时刻的Xt后验概率分布进行估计;
采用粒子滤波方法对所述信号状态后验概率pt|t和稀疏位置后验概率ht|t(lt)进行近似计算,获得所述目标车辆在当前时刻t的信号状态和稀疏位置。
8.根据权利要求7所述的面向毫米波车联网的序贯车辆指纹定位方法,其特征在于,所述采用粒子滤波方法对所述信号状态后验概率pt|t和稀疏位置后验概率ht|t(lt)进行近似计算,获得所述目标车辆在当前时刻t的信号状态和稀疏位置,具体包括:
设置一组数量为W的粒子***{x(i),w(i)}i=1 W;x(i)∈RN×1表示粒子状态,以模拟t时刻的稀疏位置lt,w(i)表示粒子状态x(i)的权重;所述目标车辆在t时刻的稀疏位置分布表示为ht(lt)=Σiwt (i)δ(x-xt (i));
基于所述粒子***对所述信号状态后验概率pt|t进行近似计算,并根据计算结果获得所述目标车辆在当前时刻t的信号状态;
10.一种面向毫米波车联网的序贯车辆指纹定位装置,能够实现如权利要求1至9任一项所述的面向毫米波车联网的序贯车辆指纹定位方法,其特征在于,所述装置包括:
参考点设置模块,用于将毫米波检测站覆盖的目标区域划分为至少一个小区域,并在每个小区域中设置参考点;
动态建模模块,用于对目标车辆在所述目标区域的信号状态和稀疏位置进行联合建模,获得所述目标车辆的动态变化模型;
指纹矩阵构建模块,用于记录所述检测站接收每个参考点信号的方位角和信号强度,以构建所述目标区域的指纹矩阵;
定位模块,用于根据当前的目标车辆信号,并基于所述动态变化模型和所述指纹矩阵,对所述目标车辆当前的信号状态后验概率和稀疏位置后验概率进行序贯估计,以获得所述目标车辆当前的信号状态和稀疏位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487284.6A CN109799477B (zh) | 2018-12-06 | 2018-12-06 | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487284.6A CN109799477B (zh) | 2018-12-06 | 2018-12-06 | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109799477A CN109799477A (zh) | 2019-05-24 |
CN109799477B true CN109799477B (zh) | 2021-04-20 |
Family
ID=66556484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487284.6A Active CN109799477B (zh) | 2018-12-06 | 2018-12-06 | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109799477B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034445B (zh) * | 2020-08-17 | 2022-04-12 | 东南大学 | 基于毫米波雷达的车辆运动轨迹跟踪方法和*** |
CN112733874B (zh) * | 2020-10-23 | 2023-04-07 | 招商局重庆交通科研设计院有限公司 | 基于知识图谱推理的可疑车辆判别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102111872B (zh) * | 2009-12-23 | 2013-11-20 | ***通信集团公司 | 基于指纹定位技术的定位方法及装置 |
FR2987216B1 (fr) * | 2012-02-17 | 2014-03-28 | Pole Star | Methode de cartographie de signatures wi-fi par collecte aveugle de mesures rss |
CN103117964B (zh) * | 2013-01-09 | 2018-06-05 | 北京邮电大学 | 一种60GHz毫米波通信***下的信号检测方法与装置 |
CN103139907B (zh) * | 2013-02-04 | 2016-02-10 | 北京工业大学 | 一种利用指纹法的室内无线定位方法 |
CN104053129A (zh) * | 2014-06-19 | 2014-09-17 | 北京芯同汇科技有限公司 | 一种基于稀疏射频指纹插值的无线传感器网络室内定位方法和装置 |
CN104469782B (zh) * | 2014-10-16 | 2018-03-20 | 北京邮电大学 | 一种移动授权用户频谱检测与其地理位置估计方法与装置 |
CN104853435B (zh) * | 2015-05-26 | 2018-08-14 | 北京京东尚科信息技术有限公司 | 一种基于概率的室内定位方法和装置 |
CN106793082B (zh) * | 2017-02-13 | 2019-12-24 | 南京邮电大学 | 一种在wlan/蓝牙异构网络环境中的移动设备定位方法 |
-
2018
- 2018-12-06 CN CN201811487284.6A patent/CN109799477B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109799477A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105929378B (zh) | 基于外辐射源联合时延与多普勒频率的直接跟踪方法 | |
CN108363054B (zh) | 用于单频网络和多路径传播的被动雷达多目标跟踪方法 | |
CN104077498B (zh) | 一种结合目标角度的外辐射源雷达多目标跟踪方法 | |
CN106093934B (zh) | 基于改进动态规划的穿墙雷达成像后多目标位置估计方法 | |
CN104101876B (zh) | 外辐射源雷达中一种基于随机有限集的多目标跟踪方法 | |
CN108717174B (zh) | 基于信息论的预测快速协方差交互融合无源协同定位方法 | |
JP4116898B2 (ja) | 目標追尾装置 | |
Masmitja et al. | Range-only single-beacon tracking of underwater targets from an autonomous vehicle: From theory to practice | |
CN109799477B (zh) | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 | |
Kaltiokallio et al. | mmWave simultaneous localization and mapping using a computationally efficient EK-PHD filter | |
Anderson et al. | Track association for over-the-horizon radar with a statistical ionospheric model | |
CN116630370A (zh) | 多模型pbp-tpmb机动扩展目标跟踪方法 | |
Souli et al. | Cooperative relative positioning using signals of opportunity and inertial and visual modalities | |
Watson et al. | Non-line-of-sight radar | |
CN117433538A (zh) | 一种多源异构传感器航迹融合方法 | |
Qasem et al. | Unscented and extended Kalman estimators for non linear indoor tracking using distance measurements | |
Liu et al. | RFS-Based Multiple Extended Target Tracking With Resolved Multipath Detections in Clutter | |
Lee et al. | -10CNN-Based UAV Detection and Classification Using Sensor Fusion | |
Belyaev et al. | Object detection in an urban environment using 77GHz radar | |
Barbosa et al. | Multitarget-multisensor tracking in an urban environment: A closed-loop approach | |
Kim | Surface target tracking using towed array sonars with direct and bottom bounce underwater sound signals | |
Bartoletti et al. | Positioning Methods | |
Su et al. | Underwater passive manoeuvring target tracking with isogradient sound speed profile | |
Son et al. | SIMM method based on acceleration extraction for nonlinear maneuvering target tracking | |
CN114034298A (zh) | 一种基于可重构智能表面的车辆定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |