CN112180323A - 基于Wi-Fi的TOA与AOA室内联合定位算法研究 - Google Patents

Abstract

本发明提出一种适用于NLOS(Non Line of Sight，NLOS)环境的室内ToA(Time of Arrival)与AoA(Angle of Arrival)联合定位算法，它能有效地利用ToA与AoA对目标进行定位。首先通过利用测量值丢弃法卡尔曼滤波更加准确识别出ToA中的NLOS误差，然后根据测量得到的ToA和AoA，构建改进门限比较加权算法(Threshold comparative weighted，TCW)，通过改进TCW算法，进行目标节点的初始位置计算，实验结果表明，定位精度达到90％误差在1.5m以内。

Description

基于Wi-Fi的TOA与AOA室内联合定位算法研究

技术领域

本发明属于室内定位技术，针对室内复杂环境中无线信号在非视距(Non Line ofSight，NLOS)传播时造成的定位精度低的问题，提出一种适用于Wi-Fi的ToA(Time ofArrival)与AoA(Angle of Arrival)室内联合定位算法模型。

背景技术

随着无线通信技术与网络技术的发展与普及，人们在生活中运用到大量的位置信息，例如用来给电信基站、电视发射站等提供精确同步时钟源；广泛应用于航空运输、电子地图、实现农机具导航、自动驾驶，土地高精度平整导航等定位***；在道路、桥梁、隧道的施工中大量采用GPS设备进行工程测量；以及野外勘探及城区规划领域的应用。室外定位***基本满足人们的一些定位需求，但人们对室内位置信息同样也有很大的需求，例如在工厂、施工地等场所可以对人员、设备、物资进行实时定位；在商场对店铺位置进行导航；在监狱中，对犯人进行实时定位；在安防方面，室内定位技术主要被运用在可疑物品的追踪。但由于室内环境的复杂，信号的严重衰减，室外定位***难以解决室内的一些定位问题。因此，室内定位技术成为研究热点。

目前，室内定位技术有超宽带定位技术、指纹定位、射频识别(Radio FrequencyIdentification,RFID)定位、蓝牙定位、Wi-Fi定位。但超宽带定位设备昂贵，基于指纹定位需要前期做大量的测量工作，射频识别不具有通信能力，抗干扰能力较差，蓝牙***的稳定性稍差，受噪声信号干扰大且器件和设备的价格比较昂贵。在大部分的室内环境都具备Wi-Fi，硬件成本很低，因此基于Wi-Fi的定位技术可以得到广泛应用。

针对Wi-Fi常用的定位参数主要有：接收信号强度(Received Signal Strength,RSS)、到达角(Angle of Arrival,AoA)以及到达时间(Time of Arrival，ToA)。基于信号强度的定位通过路径传播模型计算发射机与接收机之间的信号强度，然后将信号强度转化为距离，最后通过三边测量法来计算目标点位置，这种方法虽然简单，但是由于室内多径效应的干扰，使得RSS有较大的波动。基于到达时间的定位通过估计出接收机与发射机信号的飞行时间，然后利用三边定位算法进行定位，定位的精度受限于时间估计的精度。基于到达角的定位需要估计出信号到接收机的到达角，然后利用三边定位方法对目标进行定位。经典求解到达角的方法有MUSIC算法，该算法要求***物理天线的个数必须大于多径信号的个数。

本文对《基于ToA和AoA的室内联合定位算法研究》中提到的一种门限比较加权法(Threshold comparative weighted，TCW)—Taylor级数展开的联合定位算法进行改进。首先通过利用测量值丢弃法卡尔曼滤波更加准确识别出ToA中的NLOS误差，然后根据测量得到的ToA和AoA，利用提出的改进TCW法进行目标节点的初始位置计算，仿真结果表明，提出改进门限加权法(改进TCW)算法的定位精度得到提升，初始定位结果达到90％误差在1.5m以内。

发明内容

本发明的目的是提供一种适用于NLOS环境的室内ToA与AoA联合定位算法，它能有效地利用ToA与AoA信息对目标进行定位。

本发明所述的适用于室内定位模型构建方法，包括以下步骤：

步骤一、构建NLOS误差的指数模型；

步骤二、利用测量值丢弃法卡尔曼滤波(Kalman Filter，KF)消除ToA中的NLOS误差， KF的基本方程是递推形式，利用前一状态不断预测和修正；

步骤三、构建改进门限比较加权算法模型。

有益效果

本发明的目的是提供一种适用于NLOS环境的室内ToA与AoA联合定位算法，它能有效地利用ToA与AoA信息对目标进行定位，有以下优点：

1.采用测量值丢弃法卡尔曼滤波更精准的估计出ToA中NLOS误差；

2.允许AoA的测量误差比较大；

3.提出改进门限加权法(改进TCW)算法的定位精度得到提升，初始定位结果达到90％误差在1.5m以内。

附图说明

图1为本发明的流程图。

图2为估计NLOS误差与真实NLOS误差差值图。

图3改进TCW方法示意图。

图4改进TCW误差与TCW方法误差的概率累计分布图。

具体实施方案

下面结合附图对本发明作进一步详细说明：

图1为本发明流程图，步骤如下：

步骤一、构建NLOS误差模型，NLOS误差来源于室内复杂的环境与障碍物，当信号遇到障碍物时会发生反射，导致到达接收机的信号由多个误差信号合成进而使得ToA与AoA测量值有很大的误差。为了更好的研究NLOS误差，Ericsson的一个定位技术研究小组提出的T1PI模型，该模型是一种常用于仿真评估基于时间定位技术的信道模型：

其中，D(τ)为非视距传输时延，τ_rms为延时速度，是一个服从对数正态分布的变量，可以定义为:

τ_rms＝T₁d^εξ (2)

式中T₁为d＝1km时τ_rms的中值，d接收机到发射机的距离，单位为千米，ε是指数因子，取值为0.5-1.0，ξ是对数随机变量，lgξ是均值为0，标准差为2-6dB，下面表1为不同环境下的具体模型参数。

表1不同信道环境的模型参数

环境	T<sub>1</sub>/us	ε	ξ/dB
				闹市区	1.0	0.5	4
一般市区	0.4	0.5	4
				郊区	0.3	0.5	4
远郊	0.1	0.5	4

步骤二、利用测量值丢弃法卡尔曼滤波消除ToA中的NLOS误差，卡尔曼滤波是对***状态进行最优估计，使***的最优估计值具有最小均方误差，主要步骤分为两步，构建预测方程与构建校正方程，用两个方程分别表示未知状态的转移过程和测量***输入与输出的关系，从而把某个时刻的状态值与当前以及以前时刻的测量值联系起来，状态方程和测量方程如式(3)、(4)所示：

X(k+1)＝AX(k)+w(k) (3)

Z(k)＝HX(k)+v(k) (4)

为了缓解和消除NLOS误差，将ToA及其一阶导数和NLOS误差作为待估计的状态向量，并表示出状态向量与测量向量之间的关系，其中

H＝[10α]，v(k)＝n_m(k)，式子中τ为ToA值，b(k)和n_m(k)分别为 NLOS误差和测量误差，Δ为采样间距，Z(k)是测量值，α是试验值。卡尔曼滤波的过程如式(5)-(9)：

P_k ^-＝AP_k-1A^T+Q (6)

P_k＝(I-K_kC)P_K ^- (9)

其中，

和

分别代表着第k个时间状态变量的预测值和估计值，P_k ^-和P_k分别代表着第k个时刻预测和估计均方误差阵，Q和R分别是过程噪声协方差和测量噪声向量协方差，K_k为第k时刻卡尔曼滤波的增益。

在实际中，卡尔曼滤波器的解是递归计算的，其状态的每一次更新估计都由前一次估计和新的输入数据计算得到，当前一次的ToA中受到NLOS误差严重影响时，会使后续的测量值产生十分大的误差。另一个问题是，NLOS产生的时延只能大于零。针对此问题，改进在(8)～(9)中，判断

当

大于10ns或者小于0，或者当

大于1.2，

的值用

来代替。如图2所示，当采用测量值丢弃法卡尔曼滤波估计TOA 中的NLOS误差比普通卡尔曼滤波估计NLOS误差更好。

步骤三、采用提出的改进门限比较加权法，如图3所示，具体方法如下：

a)首先找出三圆相交的点D_i(x_i,y_i),i＝1,2,3，4，5，6，并求出每两圆相交的公共弦段 L1_i＝k1_ix+b1_i,i＝1,2,3；

b)做AoA三条直线，以圆心为一点，测量AoA的值为斜率,斜率的误差服从均值为0，方差为1°，L2_i＝k2_ix+b2_i,i＝1,2,3；

c)求L1_i与L2_i相交点，并筛选出在三个圆相交的公共区域内的P_i(x_i,y_i),i＝1,…,N；

d)计算任意两个交点P_m和P_n之间的距离d_mn；

e)将所有距离d_mn的平均值作为阈值D_thr；

f)然后所有可能的交点P_i的初始权重I_k为0，即I_k＝0；比较d_mn和D_thr的大小，如果d_mn<D_thr，则I_m＝I_m+1,I_n＝I_n+1,1≤m,n≤N；

g)初始点的位置计算公式(x_t,y_t)，

Claims (4)

1.本发明的目的是提供一种适用于NLOS环境的室内ToA与AoA联合定位算法，它能有效地利用ToA与AoA对目标进行定位，其特征在于：

a)构建NLOS误差的指数模型；

b)采用测量值丢弃法卡尔曼滤波消除ToA中的NLOS误差；

c)采用改进门限比较加权的方法，进行初始定位。

2.根据权利要求1构建NLOS误差模型，NLOS误差来源于室内复杂的环境与障碍物，当信号遇到障碍物时会发生反射，导致到达接收机的信号由多个误差信号合成进而使得ToA与AoA测量值有很大的误差，为了更好的研究NLOS误差，Ericsson的一个定位技术研究小组提出的T1PI模型，该模型是一种常用于仿真评估基于时间定位技术的信道模型：

其中，D(τ)为非视距传输时延，τ_rms为延时速度，是一个服从对数正态分布的变量，可以定义为：

τ_rms＝T₁d^εξ (2)

式中T₁为d＝1km时τ_rms的中值，d为接收机到发射机的距离，单位为千米；ε是指数因子，取值为0.5-1.0，ξ是对数随机变量，lgξ是均值为0，标准差为2-6dB，下面表1为不同环境下的具体模型参数。

表1不同信道环境的模型参数

环境 T₁/us ε ξ 闹市区 1.0 0.5 4 一般市区 0.4 0.5 4 郊区 0.3 0.5 4 远郊 0.1 0.5 4

3.根据权利要求1利用测量值丢弃法卡尔曼滤波消除ToA中的NLOS误差，卡尔曼滤波是对***状态进行最优估计，使***的最优估计值具有最小均方误差，主要步骤分为两步，构建预测方程与构建校正方程，用两个方程分别表示未知状态的转移过程和测量***输入与输出的关系，从而把某个时刻的状态值与当前以及以前时刻的测量值联系起来，状态方程和测量方程如式(3)、(4)所示：

X(k+1)＝AX(k)+w(k) (3)

Z(k)＝HX(k)+v(k) (4)

为了缓解和消除NLOS误差，将ToA及其一阶导数和NLOS误差作为待估计的状态向量，并表示出状态向量与测量向量之间的关系，其中

H＝[1 0 α]，v(k)＝n_m(k)。式子中τ为ToA值，b(k)和n_m(k)分别为NLOS误差和测量误差，Δ为采样间距，Z(k)是测量值，α是试验值，卡尔曼滤波的过程如式(5)-(9)

P_k ^-＝AP_k-1A^T+Q (6)

P_k＝(I-K_kC)P_K ^- (9)

其中，

和

分别代表着第k个时间状态变量的预测值和估计值，P_k ^-和P_k分别代表着第k个时刻预测和估计均方误差阵，Q和R分别是过程噪声协方差和测量噪声向量协方差，K_k为第k时刻卡尔曼滤波的增益；

在实际中，卡尔曼滤波器的解是递归计算的，其状态的每一次更新估计都由前一次估计和新的输入数据计算得到，当前一次的ToA中受到NLOS误差严重影响时，会使后续的测量值产生十分大的误差，另一个问题是，NLOS产生的时延只能大于零，针对此问题，在(8)～(9)中改进，判断

当

大于10ns或者小于0，或者当

大于1.2，

的值用

来代替，如图2所示，当采用测量值丢弃法卡尔曼滤波估计ToA中的NLOS误差比普通卡尔曼滤波估计NLOS误差更好。

4.根据权利要求1采用提出的改进门限比较加权法，如图3所示，具体方法如下：

a)首先找出三圆相交的点D_i(x_i,y_i),i＝1,2,3，4，5，6，并求出每两圆相交的公共弦段L1_i＝k1_ix+b1_i,i＝1,2,3；

b)做AoA三条直线，以圆心为一点，测量AoA的值为斜率,斜率的误差服从均值为0，方差为1°，L2_i＝k2_ix+b2_i,i＝1,2,3；

c)求L1_i与L2_i相交点，并筛选出在三个圆相交的公共区域内的P_i(x_i,y_i),i＝1,…,N；

d)计算任意两个交点P_m和P_n之间的距离d_mn。将所有距离d_mn的平均值作为阈值D_thr；

e)设所有可能的交点P_i的初始权重I_k为0，即I_k＝0；比较d_mn和D_thr的大小，如果d_mn<D_thr，则I_m＝I_m+1,I_n＝I_n+1,1≤m,n≤N；

f)初始点的位置计算公式(x_t,y_t)，

Images