CN111601253B - 无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端 - Google Patents

Abstract

本发明属于无线通信与人工智能技术领域，公开了一种无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端，Wi‑Fi设备采集CSI信息；天线间CSI共轭相乘算法提取各多径信号的动态传播路径分量；信道参数估计算法对各多径信号的动态传播路径的信号参数进行估计；结合人工智能算法，每台Wi‑Fi设备独立的对人体运动轨迹进行估计；使用多设备运动轨迹融合算法对第四步不同Wi‑Fi设备得到的人体运动轨迹进行融合。本发明使用多信道参数联合进行人体运动轨迹跟踪，并结合人工智能算法，避免了现有技术精度低，鲁棒性差的问题。本发明使用多台Wi‑Fi设备联合进行人体运动轨迹跟踪，避免了现有技术进行人体跟踪定位精度较低的问题，提升了室内人体无源被动跟踪定位精度。

Description

无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端

技术领域

本发明属于人工智能与无线通信技术领域，尤其涉及一种无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端。

背景技术

近年来，目标不携带任何设备的无源被动跟踪定位技术备受关注，旨在对室内的人体进行跟踪定位，具体的应用包括老年人、病人安全监测，智能家居等，在多个方面都具有很大的发展潜力和非常广泛的应用前景。现有的各种室内目标跟踪方法大多要求目标携带专用设备或可穿戴设备，但是在某些情况下携带设备是不现实的。现有的无源被动轨迹跟踪定位技术包括超声波、红外线、LED可见光、Wi-Fi等。目前，基于Wi-Fi的跟踪定位***研究一直是人们关注的焦点，这种***不需要额外的基础设施，只需要Wi-Fi设备并分别布置于不同的环境。室内环境中存在的人体会对Wi-Fi信号的传输环境造成一定程度的影响，而且信道状态信息(CSI)可以细粒化的反映Wi-Fi信号的变化情况，通过人体目标上的信号反射来提取基本运动和位置信息。但是无源被动跟踪定位比有源主动跟踪定位更具挑战性，因为由人体反射的信号能量通常比直接路径信号的能量弱几个数量级，并且通常与从墙壁、家具和其他附近的杂物反射的信号叠加。因此很难从反射信号中提取有用的、准确的定位信息。现有的无源被动轨迹跟踪定位***例如科罗拉多大学Yasha Wang等人提出的Dynamic-MUSIC***通过提取信号到达角(AoA)进行人体无源被动跟踪定位。但是大多数商用Wi-Fi网卡只有三根天线和有限的带宽，难以实现准确的AoA估计，因此在复杂的室内环境下，很难准确的对人体进行无源被动跟踪定位。北京大学张大庆等人提出的IndoTrack***通过测量多普勒频移，进而实现人体运动速度的测量，通过人体运动速度对时间的积分运算实现无源被动跟踪定位，但是普通Wi-Fi设备难以实现准确的多普勒频移测量，进而影响人体运动速度的测量精度，通过速度积分运算得到的跟踪定位结果将产生很大的积累误差。而且现有的无源被动轨迹跟踪定位***大多数基于2个Wi-Fi设备实现，受限于Wi-Fi设备数量，跟踪定位精度较低。近几年，人工智能技术飞速发展，各类技术都将与人工智能技术结合而出现种种变革。因此如何利用多信道参数(信号到达角，信号飞行时间，多普勒频移)，并结合人工智能算法，实现人体无源被动跟踪定位，以减少单信道参数的误差对定位结果的影响；对如何利用多个Wi-Fi设备实现人体无源被动跟踪定位，具有重要的应用价值。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有的Dynamic-MUSIC***，IndoTrack***等仅通过单一信道参数(信号到达角或多普勒频移)进行人体无源被动跟踪定位，受限于单一信道参数的估计精度，其跟踪定位精度较低，鲁棒性较差。

(2)现有的Dynamic-MUSIC***，IndoTrack***等仅使用少量的Wi-Fi设备进行人体无源被动跟踪定位，受限于Wi-Fi设备的数量，其跟踪定位精度较低，鲁棒性较差。

解决以上问题及缺陷的难度为：如何使用多信道参数和人工智能算法对人体运动轨迹进行数学建模，实现精确度高，鲁棒性强的人体无源被动跟踪定位。如何有效利用多个Wi-Fi设备实现人体无源被动跟踪定位。

解决以上问题及缺陷的意义为：人体无源被动跟踪定位对于生产生活都有十分重要的意义，不论是家庭、商场还是医院等场所，都会有广泛的应用。解决上述技术问题，利用多信道参数，人工智能算法和多Wi-Fi节点实现人体无源被动跟踪定位，使其更能满足低成本和高精度的要求。

发明内容

针对现有技术存在的问题，本发明提供了一种无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端。

本发明是这样实现的，一种无源智能跟踪定位方法，所述无源智能跟踪定位方法包括：

第一步，Wi-Fi设备采集CSI信息；

第二步，天线间CSI共轭相乘算法提取各多径信号的动态传播路径分量；

第三步，信道参数估计算法对各多径信号的动态传播路径的信号参数进行估计；

第四步，结合人工智能算法，每台Wi-Fi设备独立的对人体运动轨迹进行估计；

第五步，使用多设备运动轨迹融合算法对第四步不同Wi-Fi设备得到的人体运动轨迹进行融合。

进一步，所述第一步包括：获取Wi-Fi设备处的CSI信息，i时刻，第j条接收天线上的CSI信息H(i,j)表示为：

H(i,j)＝[H(i,j,1),H(i,j,2),...,H(i,j,k)]；

其中，j＝1,…,M，k为子载波编号，k＝1,…,N，M为Wi-Fi接收机天线数量，N为Wi-Fi接收机子载波数量。

进一步，所述第二步包括：选取Wi-Fi设备的第一根天线作为参考天线，将同一Wi-Fi设备其他天线的CSI信息分别与参考天线进行共轭相乘：

C(m)＝H(m)*H^*(m₀)；

令m＝(i,j,k)，m₀＝(i,j₀,k)，j₀＝1，(·)^*代表共轭运算。共轭相乘后将CSI信息划分为静态路径分量和动态路径分量，分别用P_s,P_d表示，则共轭相乘的结果表示为：

式中第一项为静态路径分量，通过特定截止频率的带通滤波器滤除，滤波后的C(m)仅剩多径信号动态路径分量，将滤波后的多径信号动态路径分量记为h(m)。

进一步，所述第三步包括：将得到的多径信号动态路径分量h(m)使用改进空间交替广义期望最大(SAGE)算法对各多径信号的动态传播路径的信号参数矩阵Θ＝[θ₁，θ₂,θ₃,…θ_l]进行估计，l为信号传播路径的数量，其中θ_l＝[Ω_l,τ_l,υ_l,a_l]，由信号到达角Ω_l，信号飞行时间τ_l，信号多普勒频移υ_l，信号复振幅a_l组成。

进一步，所述第四步包括：在估计出的l条信号传播路径的信号参数矩阵Θ＝[θ₁，θ₂,θ₃,…,θ_l]中识别出目标信号反射路径信号参数θ_Tar，并使用θ_Tar对人体运动轨迹进行跟踪定位，跟踪定位完成后对跟踪定位结果进行错误检查，如跟踪定位错误，使用人工智能算法进行纠错处理。

进一步包括：

(1)在l条信号传播路径中，信号复振幅a_l最大的信号传播路径作为目标信号反射路径，信号参数为θ_Tar＝[Ω_Tar,τ_Tar,υ_Tar,a_Tar]；

(2)使用卡尔曼滤波器求解信号反射路径距离range_p，卡尔曼滤波器***测量值z取信号反射路径距离τ_Tar×c，卡尔曼滤波器***控制量u取信号反射路径距离变化率-υ_Tar×λ。其中c代表光速，λ为信号波长；

卡尔曼滤波器求解的信号反射路径距离range_p与真实信号反射路径距离range存在下列关系：

range＝range_p+dist；

其中，dist为Wi-Fi设备接收端与发射端的直线距离，人体轨迹坐标(x,y)由下式导出：

其中，

ψ_r为Wi-Fi接收机的天线方向角，(x_r,y_r)为Wi-Fi接收机坐标；

(3)计算人体运动速度v与人体运动速度变化率a，其中(x′,y′)为t秒前人体轨迹坐标，(x,y)为当前时刻人体轨迹坐标：

(4)人体运动速度v，人体运动速度变化率a与正常情况下人体合理的运动速度v_Thr，人体合理的运动速度变化率a_Thr进行比较。如果v＞v_Thr或者a＞a_Thr，认定人体运动速度或者加速度产生了异常，转到(5)，否则，转到(8)；

(5)使用人工智能算法支持向量机(SVM)提取发生v＞v_Thr或者a＞a_Thr时的时间范围T，作为人体运动速度/加速度异常时间区间；

(6)对时间范围T内的信号参数矩阵Θ＝[θ₁,θ₂,θ₃,…,θ_l]，选用信号复振幅a_l第i+1大的信号路径作为目标信号反射路径(i初值为1)，转到(2)，对时间范围T内的人体运动轨迹进行重新计算；

(7)上一步的计算结果称之为新轨迹，未经上一步重新计算的人体运动轨迹称之为旧轨迹，将新旧轨迹进行拼接，转到(3)；

(8)得到纠错后的人体运动轨迹。

进一步，所述第五步包括：

(1)计算第i台Wi-Fi设备得到的人体运动轨迹置信度ξ_i，其中，u₁ u₂是与环境有关的常数值，υ_i,Tar和Ω_i,Tar为第i台Wi-Fi设备目标信号反射路径的信号多普勒频移和信号到达角；

(2)由人体运动轨迹坐标置信度ξ_i得第i台Wi-Fi设备人体运动轨迹动态权重u′_i，其中R为参与人体运动轨迹跟踪的Wi-Fi设备总数：

(3)使用动态权重u′_i对步骤四每台Wi-Fi设备计算得到的人体运动轨迹(x_i,y_i)进行动态加权融合，得到融合后的运动轨迹(x,y)：

本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤：

第一步，Wi-Fi设备采集CSI信息；

第二步，天线间CSI共轭相乘算法提取各多径信号的动态传播路径分量；

第三步，信道参数估计算法对各多径信号的动态传播路径的信号参数进行估计；

第四步，结合人工智能算法，每台Wi-Fi设备独立的对人体运动轨迹进行估计；

第五步，使用多设备运动轨迹融合算法对第四步不同Wi-Fi设备得到的人体运动轨迹进行融合。

本发明的另一目的在于提供一种实施所述无源被动跟踪定位方法的无源被动跟踪定位***，所述无源被动跟踪定位***包括：

信息采集模块，用于实现Wi-Fi设备采集CSI信息；

信号动态传播路径提取模块，用于实现CSI动态信号路径提取算法提取各多径信号的动态传播路径；

信号参数估计模块，用于信道参数估计算法对各多径信号的动态传播路径的信号参数进行估计；

运动轨迹估计模块，用于每台Wi-Fi设备独立的对人体运动轨迹进行估计；

运动轨迹融合模块，用于使用多设备运动轨迹融合算法对不同Wi-Fi设备得到的人体运动轨迹进行融合。

本发明的另一目的在于提供一种智能跟踪定位终端，所述跟踪定位终端安装有所述的无源被动跟踪定位***，所述跟踪定位终端安装在智慧医疗控制平台、安防监控控制平台、紧急救助平台或智能家居应用平台上。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：由于本发明使用多信道参数(信号到达角AoA，信号飞行时间ToF，信号多普勒频移DFS)，并结合人工智能算法，联合进行人体运动轨迹跟踪，精度高，克服了传统方法被动跟踪定位精度受限于单信道参数估计精度的问题。本发明使用多设备运动轨迹融合算法融合了多台Wi-Fi设备得出的运动轨迹跟踪结果，精度高，克服了传统方法仅使用2个Wi-Fi设备进行人体跟踪定位精度较低的问题。

本发明以解决目前人体无源被动跟踪定位技术存在的被动跟踪定位精度受限于单信道参数估计精度的问题，使用多信道参数(信号到达角AoA，信号飞行时间ToF，信号多普勒频移DFS)，并结合人工智能算法，联合进行人体运动轨迹跟踪。本发明以解决目前现有技术仅使用2个Wi-Fi设备进行人体跟踪定位精度较低的问题，采用多设备运动轨迹融合算法对多台Wi-Fi设备得出的运动轨迹跟踪结果进行动态加权融合，进一步提升了轨迹跟踪精度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人体来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的无源被动跟踪定位方法流程图。

图2是本发明实施例提供的人体运动轨迹估计模块流程图。

图3是本发明实例提供的多设备轨迹融合算法模块流程图。

图4是本发明实例提供的与现有的两种室内人体无源被动跟踪定位方法跟踪定位误差仿真结果对比图。

图5是本发明实例提供的当实验环境不变时，不同数量Wi-Fi设备对轨迹跟踪结果影响仿真结果对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端，下面结合附图对本发明作详细的描述。

如图1所示，本发明提供的无源跟踪智能定位方法包括以下步骤：

S101：通过现有Wi-Fi设备采集CSI信息；

S102：通过CSI动态信号路径提取算法提取各多径信号的动态传播路径；

S103：通过信道参数估计算法对各多径信号的动态传播路径的信号参数进行估计；

S104：结合人工智能算法，每台Wi-Fi设备独立的对人体运动轨迹进行估计；

S105：使用多设备运动轨迹融合算法对不同Wi-Fi设备得到的人体运动轨迹进行融合。

本发明提供的无源被动智能跟踪定位***包括：

信息采集模块，用于实现Wi-Fi设备采集CSI信息；

信号动态传播路径提取模块，用于实现CSI动态信号路径提取算法提取各多径信号的动态传播路径；

信号参数估计模块，用于信道参数估计算法对各多径信号的动态传播路径的信号参数进行估计；

运动轨迹估计模块，用于每台Wi-Fi设备独立的对人体运动轨迹进行估计；

运动轨迹融合模块，用于使用多设备运动轨迹融合算法对不同Wi-Fi设备得到的人体运动轨迹进行融合。

下面结合附图对本发明的技术方案作进一步的描述。

本发明提供的无源被动智能跟踪定位方法具体包括以下步骤：

步骤一，获取Wi-Fi设备处的CSI信息，i时刻，第j条接收天线上的CSI信息H(i,j)表示为：

H(i,j)＝[H(i,j,1),H(i,j,2),...,H(i,j,k)]；

其中，j＝1,…,M，k为子载波编号，k＝1,…,N，M为Wi-Fi接收机天线数量，N为Wi-Fi接收机子载波数量。

步骤二，选取Wi-Fi设备的第一根天线作为参考天线，将同一Wi-Fi设备其他天线的CSI信息分别与参考天线进行共轭相乘：

C(m)＝H(m)*H^*(m₀)；

令m＝(i,j,k)，m₀＝(i,j₀,k)，j₀＝1，(·)^*代表共轭运算。共轭相乘后将CSI信息划分为静态路径分量和动态路径分量，分别用P_s,P_d表示，则共轭相乘的结果可以表示为：

上式中第一项为静态路径分量，可以通过特定截止频率的带通滤波器滤除，滤波后的C(m)仅剩多径信号动态路径分量，将滤波后的多径信号动态路径分量记为h(m)。

步骤三，将得到的多径信号动态路径分量h(m)使用改进空间交替广义期望最大(SAGE)算法对各多径信号的动态传播路径的信号参数矩阵Θ＝[θ₁，θ₂,θ₃,…θ_l]进行估计，l为信号传播路径的数量，其中θ_l＝[Ω_l,τ_l,υ_l,a_l]，由信号到达角Ω_l，信号飞行时间τ_l，信号多普勒频移υ_l，信号复振幅a_l组成。

步骤四，在估计出的l条信号传播路径的信号参数矩阵Θ＝[θ₁,θ₂,θ₃,…,θ_l]中识别出目标信号反射路径信号参数θ_Tar，并使用θ_Tar对人体运动轨迹进行跟踪定位，跟踪定位完成后对跟踪定位结果进行错误检查，如跟踪定位错误，使用人工智能算法进行纠错处理。如图2所示，具体实现如下：

(1)在l条信号传播路径中，信号复振幅a_l最大的信号路径作为目标信号反射路径，其信号参数为θ_Tar＝[Ω_Tar,τ_Tar,υ_Tar,a_Tar]。

(2)使用卡尔曼滤波器求解信号反射路径距离range_p，卡尔曼滤波器***测量值z取信号反射路径距离τ_Tar×c，卡尔曼滤波器***控制量u取信号反射路径距离变化率-υ_Tar×λ。其中c代表光速，λ为信号波长。

卡尔曼滤波器求解的信号反射路径距离range_p与真实信号反射路径距离range存在下列关系：

range＝range_p+dist；

其中，dist为Wi-Fi设备接收端与发射端的直线距离。此时，Wi-Fi设备得到的人体轨迹坐标(x,y)可由下式导出：

其中，

ψ_r为Wi-Fi接收机的天线方向角，(x_r,y_r)为Wi-Fi接收机的坐标。

(3)计算人体运动速度v与人体速度变化率a，其中(x′,y′)为t秒前人体轨迹坐标，(x,y)为当前时刻人体轨迹坐标：

(4)人体运动速度v，人体速度变化率a与正常情况下人体合理的运动速度v_Thr，人体合理的速度变化率a_Thr进行比较。如果v＞v_Thr或者a＞a_Thr，认定人体运动速度或者加速度产生了异常，转到(5)，否则，转到(8)。

(5)使用人工智能算法支持向量机(SVM)提取v＞v_Thr或者a＞a_Thr时的时间范围T，作为人体运动速度/加速度异常时间区间。

(6)对时间范围T内的信号参数矩阵Θ＝[θ₁,θ₂,θ₃,…,θ_l]，选用信号复振幅a_l第i+1大的信号路径作为目标信号反射路径(i初值为1)，转到(2)，对时间范围T内的人体运动轨迹进行重新计算。

(7)上一步的计算结果称之为新轨迹，未经上一步重新计算的人体运动轨迹称之为旧轨迹，将新旧轨迹进行拼接。转到(3)。

(8)得到纠错后的人体运动轨迹(x,y)。

步骤五，使用自适应加权融合算法对步骤四中每台Wi-Fi设备得到的人体运动轨迹进行融合处理，得到最终的人体运动轨迹结果。本步骤的具体实现如下：

(1)计算第i台Wi-Fi设备得到的人体运动轨迹置信度ξ_i，其中，u₁ u₂是与环境有关的常数值，υ_i,Tar和Ω_i,Tar为第i台Wi-Fi设备目标信号反射路径的信号多普勒频移和信号到达角：

(2)由人体运动轨迹坐标置信度ξ_i得第i台Wi-Fi设备人体运动轨迹动态权重u′_i，其中R为参与人体运动轨迹跟踪的Wi-Fi设备总数：

(3)使用动态权重u′_i对步骤四每台Wi-Fi设备计算得到的人体运动轨迹(x_i,y_i)进行动态加权融合，得到融合后的运动轨迹(x,y)：

下面结合仿真对本发明的技术效果作详细的描述。

一、仿真条件：在10m*10m视距可达的室内空间内，布置四台Wi-Fi设备，每台Wi-Fi设备安装有三根全向天线，采集CSI，进行室内人体无源被动跟踪定位。

二、仿真内容与结果：

仿真1，用本发明与现有的Dynamic-MUSIC，IndoTrack无源被动跟踪定位***进行对比，结果如图4所示。

如图4所见，本发明方法定位误差明显优于Dynamic-MUSIC，IndoTrack室内人体无源被动跟踪定位***，相较于现有的无源跟踪定位方式，精度得到了显著提升。

仿真2，实验环境不变，使用本发明的方法，对使用的Wi-Fi设备数量不同时的定位误差进行仿真，结果如图5所示。

如图5所见，无源跟踪定位性能与使用的Wi-Fi设备数量有关，使用的Wi-Fi设备越多，定位误差越小。

下面结合实验对本发明的技术效果作详细的描述。

通过一系列实验仿真对***性能进行了评估，对提出的室内人体无源被动智能跟踪定位进行实验设计和验证，对实验结果进行细致分析。

通过实验对比本发明方案与现有的Dynamic-MUSIC，IndoTrack室内人体无源被动跟踪定位方案，对定位误差进行统计，本发明方案90％的情况下定位误差都在0.75m以内，IndoTrack轨迹跟踪方案90％的情况下定位误差在1.3m以内，Dynamic-MUSIC轨迹跟踪方案90％的情况下定位误差在1.7m之内。因而证明了本专利方案明显优于Dynamic-MUSIC,IndoTrack室内人体无源被动跟踪定位方案。

当本发明方案使用2台Wi-Fi设备进行被动跟踪定位，定位误差大多在0.81m之内，使用3台Wi-Fi设备，定位误差大多在0.65m之内，使用4台Wi-Fi设备，定位误差大多在0.53m之内。使用Wi-Fi设备数量越多，定位精度越高。因而证明了本发明方案相比于传统的轨迹跟踪方案，能够利用多台Wi-Fi设备进行人体无源被动跟踪定位，显著的提升了定位精度。

通过以上仿真与实验，证明了本发明方案有效解决了目前人体被动跟踪定位技术仅使用2个Wi-Fi设备进行人体跟踪定位精度较低的问题，有效解决了目前人体被动跟踪定位精度受限于单信道参数估计精度的问题。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的普通技术人体可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人体在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种无源被动智能跟踪定位方法，其特征在于，所述无源被动跟踪定位方法包括：

第一步，Wi-Fi设备采集信道状态信息CSI；

第二步，天线间CSI共轭相乘算法提取各多径信号的动态传播路径分量；包括：选取Wi-Fi设备的第一根天线作为参考天线，将同一Wi-Fi设备其他天线的CSI信息分别与参考天线进行共轭相乘：

C(m)＝H(m)*H^*(m₀)；

令m＝(i,j,k)，m₀＝(i,j₀,k)，j₀＝1，(·)^*代表共轭运算，共轭相乘后将CSI信息划分为静态路径分量和动态路径分量，分别用P_s,P_d表示，则共轭相乘的结果表示为：

式中第一项为静态路径分量，通过特定截止频率的带通滤波器滤除，滤波后的C(m)仅剩多径信号动态路径分量，将滤波后的多径信号动态路径分量记为h(m)；

第三步，信道参数估计算法对各多径信号的动态传播路径的信号参数进行估计；包括：将得到的多径信号动态路径分量h(m)使用改进空间交替广义期望最大SAGE算法对各多径信号的动态传播路径的信号参数矩阵Θ＝[θ₁，θ₂,θ₃,…θ_l]进行估计，l为信号传播路径的数量，其中θ_l＝[Ω_l,τ_l,υ_l,a_l]，由信号到达角Ω_l，信号飞行时间τ_l，信号多普勒频移υ_l，信号复振幅a_l组成；

第四步，结合人工智能算法，每台Wi-Fi设备独立的对人体运动轨迹进行估计；包括：在估计出的l条信号传播路径的信号参数矩阵Θ＝[θ₁，θ₂,θ₃,…,θ_l]中识别出目标信号反射路径信号参数θ_Tar，并使用θ_Tar对人体运动轨迹进行跟踪定位，跟踪定位完成后对跟踪定位结果进行错误检查，如跟踪定位错误，使用人工智能算法进行纠错处理；

(1)在l条信号传播路径中，信号复振幅a_l最大的信号传播路径作为目标信号反射路径，信号参数为θ_Tar＝[Ω_Tar,τ_Tar,υ_Tar,a_Tar]；

(2)使用卡尔曼滤波器求解信号反射路径距离range_p，卡尔曼滤波器***测量值z取信号反射路径距离τ_Tar×c，卡尔曼滤波器***控制量u取信号反射路径距离变化率-υ_Tar×λ，其中c代表光速，λ为信号波长；

卡尔曼滤波器求解的信号反射路径距离range_p与真实信号反射路径距离range存在下列关系：

range＝range_p+dist；

其中，dist为Wi-Fi设备接收端与发射端的直线距离，人体轨迹坐标(x,y)由下式导出：

其中，

ψ_r为Wi-Fi接收机的天线方向角，(x_r,y_r)为Wi-Fi接收机坐标；

(3)计算人体运动速度v与人体运动速度变化率a，其中(x′,y′)为t秒前人体轨迹坐标，(x,y)为当前时刻人体轨迹坐标：

(4)人体运动速度v，人体运动速度变化率a与正常情况下人体合理的运动速度v_Thr，人体合理的运动速度变化率a_Thr进行比较，如果v＞v_Thr或者a＞a_Thr，认定人体运动速度或者加速度产生了异常，转到(5)，否则，转到(8)；

(5)使用人工智能算法支持向量机SVM提取发生v＞v_Thr或者a＞a_Thr时的时间范围T，作为人体运动速度/加速度异常时间区间；

(6)对时间范围T内的信号参数矩阵Θ＝[θ₁,θ₂,θ₃,…,θ_l]，选用信号复振幅a_l第i+1大的信号路径作为目标信号反射路径，i初值为1，转到(2)，对时间范围T内的人体运动轨迹进行重新计算；

(7)上一步的计算结果称之为新轨迹，未经上一步重新计算的人体运动轨迹称之为旧轨迹，将新旧轨迹进行拼接，转到(3)；

(8)得到纠错后的人体运动轨迹；

第五步，使用多设备运动轨迹融合算法对第四步不同Wi-Fi设备得到的人体运动轨迹进行融合；包括：

(1)计算第i台Wi-Fi设备得到的人体运动轨迹置信度ξ_i，其中，u₁ u₂是与环境有关的常数值，υ_i,Tar和Ω_i,Tar为第i台Wi-Fi设备目标信号反射路径的信号多普勒频移和信号到达角；

(2)由人体运动轨迹坐标置信度ξ_i得第i台Wi-Fi设备人体运动轨迹动态权重u′_i，其中R为参与人体运动轨迹跟踪的Wi-Fi设备总数：

(3)使用动态权重u′_i对步骤四每台Wi-Fi设备计算得到的人体运动轨迹(x_i,y_i)进行动态加权融合，得到融合后的运动轨迹(x,y)：

2.如权利要求1所述的无源被动智能跟踪定位方法，其特征在于，所述第一步包括：获取Wi-Fi设备处的CSI信息，i时刻，第j条接收天线上的CSI信息H(i,j)表示为：

H(i,j)＝[H(i,j,1),H(i,j,2),...,H(i,j,k)]；

其中，j＝1,…,M，k为子载波编号，k＝1,…,N，M为Wi-Fi接收机天线数量，N为Wi-Fi接收机子载波数量。

Images