CN117835149A - 一种信道特征二元假设和改进uwb定位raim方法 - Google Patents
一种信道特征二元假设和改进uwb定位raim方法 Download PDFInfo
- Publication number
- CN117835149A CN117835149A CN202410047514.6A CN202410047514A CN117835149A CN 117835149 A CN117835149 A CN 117835149A CN 202410047514 A CN202410047514 A CN 202410047514A CN 117835149 A CN117835149 A CN 117835149A
- Authority
- CN
- China
- Prior art keywords
- uwb
- positioning
- ranging
- fault
- binary
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 13
- 241001061260 Emmelichthys struhsakeri Species 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 claims 1
- 230000000452 restraining effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000528 statistical test Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种信道特征二元假设和改进UWB定位RAIM方法,所述方法包括以下步骤:第一步,获取UWB原始数据,逐历元进行读取UWB基准站坐标和移动站初始位置;第二步,对SNR进行二元假设,初步识别剔除异常测距值,实现原始数据预处理;第三步,利用预处理后的观测数据,对UWB标签进行最小二乘位置估计,结合UWB基站坐标反算距离计算残差矢量;第四步,通过残差矢量构建统计检验问题,完成全局检验和故障识别,存在故障的历元找出相应异常测距值并剔除;第五步,结合滑窗理论对UWB定位自主完好性监测出现漏检情况进行抑制再KF定位解算,得到UWB定位解算轨迹。本发明能够对UWB原始数据中包含的NLOS等误差进行有效识别剔除,提高UWB定位精度和可靠性。
Description
技术领域
本发明属于室内导航定位领域,具体是一种信道特征二元假设和改进超宽带(ultra wide band,UWB)定位自主完好性监测(receiver autonomous integritymonitoring,RAIM)方法。
背景技术
随着时代和科技的不断发展,导航定位与位置服务广泛应用于智能交通、紧急救援等领域,是提升人们生活质量和工作效率的重要工具,已经成为了人们生活中的重要组成部分,与此同时随着人们在室内活动轨迹的增多,室内定位技术已经成为导航定位与位置服务不可缺少的一部分。与其它室内定位技术相比,UWB定位技术具有低功耗、抗干扰能力强、多径分辨率高、定位精度高等优点。视距(line ofsight,LOS)环境下,基于双向飞行时间(two-way time offlight,TW-TOF)的测距方法可精确测量UWB流动站和所部署UWB基站之间的距离。然而,在非视距(non line of sight,NLOS)环境下会造成干扰甚至中断UWB信号,导致信号无法在UWB基站和UWB流动站之间直接传输,距离测量值中产生NLOS误差。因此在NLOS环境下,有效地识别和抑制NLOS误差是提高UWB定位算法精度和稳定性的关键。
目前,NLOS环境下的UWB NLOS误差识别抑制的方法主要分为三类,即基于距离估计的方法、基于信道统计的方法和基于位置估计的方法。基于距离估计的方法通过分析NLOS环境下UWB测距误差规律建立函数模型,来区分LOS和NLOS,这种方法效果明显,但过于依赖建模精度和函数模型参数选取,并建模工作量大。传统的基于信道统计的方法通常通过利用从信号传输的波形中提取信道特征,信道特征在信号传输过程中是测距性能的最直接体现,也是识别LOS和NLOS的重要指标,结合深度学习或机器学习实现对LOS和NLOS区分,该方法虽然能够取得较好的效果,但需要针对不同场景选取相应的参数,进行大量的训练工作和建立并频繁更新大型训练数据库,其效果很大程度上取决于所用数据集和训练过程中参数的选择,仅适应于某些特定场景难以直接应用于新的场景,不具有通用性。以上两类方法均是在定位之前对NLOS进行识别,与之相比基于位置估计的方法是在定位过程中识别NLOS,环境依赖性小、所需先验知识少。基于位置估计的方法主要分为抗差滤波处理方法和统计检验处理方法两类。基于抗差滤波处理的方法,刘韬等人提出一种基于新息向量的自适应抗差卡尔曼滤波算法,该方法通过新息向量构建抗差因子并对测距值进行加权,能够在一定程度上对NLOS误差进行抑制削弱,但并未剔除NLOS。基于统计检验处理方法,徐爱功等人提出在一定冗余观测条件下,基于统计检验理论通过UWB定位自主完好性监测方法,实现了对NLOS误差的识别和剔除,取得了较好的效果,但该方法基于单测距值故障假设具有局限性,并且在实际统计检验理论建模过程中未考虑到UWB测距精度的影响存在监测性能以及漏检情况等问题。
本发明针对在UWB定位中缺少一种复杂度低、普适性强、环境依赖性小的NLOS识别剔除方法,提出了一种信道特征二元假设和改进UWB定位RAIM方法。通过信道特征二元假设提升数据质量,并结合滑窗改进的UWB定位自主完好性监测方法,对NLOS误差进一步识别剔除,实现了更高精度和更稳定的UWB定位。
发明内容
针对现有技术的不足,本发明提出一种信道特征二元假设和改进UWB定位RAIM方法,该方法通过信道特征二元假设对粗差、部分NLOS误差识别剔除,提升数据质量的同时能够最大程度上降低UWB定位自主完好性监测的单测距值故障假设的局限性,针对量级较小的NLOS误差,仍然存在识别不敏感问题。因此结合滑窗改进的UWB定位自主完好性监测方法,在UWB定位自主完好性监测方法基础上引入测距精度提升了监测性能,并结合滑窗理论降低了漏检情况,能够针对信道特征二元假设方法未识别的NLOS测距值进行有效识别剔除。
一种信道特征二元假设和改进UWB定位RAIM方法包括以下步骤:
步骤1、获取UWB原始数据,包括时间戳、UWB测距值和信噪比(signal to noiseratio,SNR),进行逐历元读取,并读取UWB基站坐标和UWB标签初始位置;
步骤2、基于步骤1得到的SNR进行二元假设,利用SNR和测距误差的相关性,对含有粗差、NLOS误差的测距值进行初步识别剔除,提升数据质量,对原始数据进行预处理;
步骤3、基于步骤2得到预处理后的观测数据,进行最小二乘位置估计,获得UWB标签概略位置,再对UWB标签概略位置和UWB基站坐标反算距离,与观测测距值作差,形成残差矢量;
步骤4、基于步骤3获得的残差矢量构造检验统计问题,进行全局检验和故障定位,对存在故障的历元找出相应异常测距值并剔除,得到最终优化后UWB数据;
步骤5、结合滑窗理论对步骤4出现漏检情况进行抑制,基于最终优化后UWB数据进行kalman滤波算法定位解算,得到最优UWB定位解算轨迹。
步骤2所述的基于步骤1得到的原始数据中的SNR进行二元假设,对含有粗差、NLOS误差的测距值进行初步识别剔除,实现对原始数据进行预处理;
具体步骤如下:
步骤2-1、根据SNR对LOS/NLOS做二元假设检验如下:
其中,λ为设定的阈值;
步骤2-2、根据步骤2-1构造目标函数:
其中,
步骤2-3、根据步骤2-2目标函数,逐历元识别剔除NLOS测距值。
步骤3所述的基于步骤2得到预处理后的观测数据,进行最小二乘位置估计,并结合UWB基站坐标和UWB测距值构建残差矢量;
具体步骤如下:
步骤3-1、根据UWB线性量测方程,通过最小二乘解算位置参数
步骤3-2、由最小二乘解算位置构建残差矢量v;
步骤3-1所述的根据UWB线性量测方程,通过最小二乘对位置参数进行解算;
具体公式如下:
将UWB流动站的二维位置和速度信息作为状态向量X=[px py vx vy]T,状态方程如下:
Xk=Fk,k-1Xk-1+wk (3)
其中,Xk为k时刻UWB流动站状态向量,Fk,k-1为***采样间隔内的状态转移矩阵,wk为k时刻噪声向量,wk对应的协方差矩阵为Qk,且有:
其中,q为***噪声的方差,qpp=ΔT4/4,qvp=qpv=ΔT3/2,qvv=ΔT2;
量测方程如下:
Zk=HXk+Vk (5)
其中,Vk=(n1,k n2,k … nM,k)T为量测噪声矩阵,当测距无异常时,Vk服从0均值高斯分布;当测距存在异常时,则Vk不服从0均值高斯分布;
由公式(5)根据最小二乘进行UWB定位的解算:
其中,H1=H(:,1:2),即H系数矩阵的前两列;为观测加权矩阵,Rk为量测噪声的协方差阵;
步骤3-2所述的由最小二乘解算位置构建残差矢量v;
具体公式如下:
其中,A矩阵的协因数阵Qv=W-1-H1(H1 TWH1)-1H1 T。
步骤4、基于步骤3获得的残差矢量构造检验统计问题,进行全局检验和故障定位,对存在故障的历元找出相应异常测距值并剔除,得到最终优化后UWB数据;
具体步骤如下:
步骤4-1、利用残差矢量构建残差平方和:
S=vTWv (9)
步骤4-2、利用残差平方和构建检验统计量:
其中,M为基准站数量,M≥2;
步骤4-3、在故障监测中通过检验统计量与门限值比较判断***是否发生故障,故障检验门限为:
其中,σ0为测距精度,经过测距模块多次实验标定获得,假设测距精度已精确获得。设定误警概率PFA,根据式(12)可得T:
对检测统计量σ和检验门限σT进行比较,若σ<σT,不存在故障;否则存在故障进行故障识别;
步骤4-4、当全局检验监测到故障之后进行故障定位,利用最小二乘残差量构造服从标准正态分布的统计量为:
其中,i=1,2,…,M;vi为对应为i的最小二乘距离残差;Qii为矩阵Qv对应的第i行第i列;
步骤4-5、设置故障定位门限为:
dT=σ0Td (14)
设定误警概率PFA,根据公式(15)计算相应的检测阈值Td:
其中,对检测统计量di和故障定位门限dT进行比较,若di<dT,则该基站数据正常;否则该基站数据存在故障,进行剔除。
步骤5所述的结合滑窗理论对步骤4出现漏检情况进行抑制,基于最终优化后UWB数据进行kalman滤波算法定位解算,得到最优UWB定位解算轨迹;
具体步骤如下:
步骤5-1、针对公式(9)中的残差平方和S,给定一个固定宽度的滑动窗口,该窗口沿着数据流中滑动,窗口内进行求和,本文选取滑动窗口的大小为k=10,窗口内求和公式为:
其中,Fiti为第i个历元滑动窗口求和值;
步骤5-2、将相邻窗口内求得的和作差,求差公式为:
ΔFi=|Fiti-Fiti-1| (17)
其中,ΔFi为相邻窗口差值。并对ΔFi进行阈值检验:
其中,ε是经验阈值,若ΔFi>ε,则第i个历元存在异常,需要剔除第i个历元;
步骤5-3、对优化后的UWB数据进行kalman滤波算法定位解算,具体公式如下:
其中,表示k时刻状态向量;Kk表示k时刻的滤波增益矩阵;Zk表示k时刻UWB观测向量;Hk表示k时刻的系数阵;Pk|k表示k时刻经过滤波计算所获得的状态向量的方差协方差阵;Rk表示k时刻的观测值的方差协方差阵。
本发明优点:
1、本发明利用信道特征和测距误差的相关性,通过信道特征二元假设进行粗差、非视距等误差初步识别剔除,模型简单,能够很好的提高数据质量。
2、本发明利用滑窗改进的UWB定位自主完好性监测方法,在UWB定位自主完好性监测方法基础上引入测距精度提升了监测性能,并结合滑窗理论降低了漏检情况,针对信道特征二元假设方法未识别的NLOS测距值进行有效识别剔除,具有可靠性高、环境依赖性弱等特点。
3、本发明相较于传统的KF定位方法,在解算前对UWB原始数据中的粗差、非视距等误差进行了有效的识别剔除,定位精度和可靠性更高。
附图说明
图1为本发明一种信道特征二元假设和改进UWB定位RAIM方法流程图;
图2为本发明一种实施方式的步骤2的具体流程图;
图3为本发明一种实施方式的步骤3的具体流程图;
图4为本发明一种实施方式的步骤4的具体流程图;
图5为本发明一种实施方式的步骤5的具体流程图;
图6为本发明一种实施方式的摘要流程图;
图7为本发明一种实施方式的信道特征二元假设和改进UWB定位RAIM方法解算结果与基于信道特征二元假设UWB kalman滤波定位解算方法解算结果的误差对比图;
图8为本发明一种实施方式的信道特征二元假设和改进UWB定位RAIM方法解算结果与基于kalman滤波的UWB定位自主完好性监测方法解算结果的误差对比图。
具体实施方式:
下面结合附图对本发明一种实施例做进一步说明。
本发明实施例中,一种信道特征二元假设和改进UWB定位RAIM方法,如图1所示,包括以下步骤:
步骤1、获取UWB原始数据,包括时间戳、UWB测距值和SNR,进行逐历元读取,并读取UWB基站坐标和UWB标签初始位置;
步骤2、基于步骤1得到的原值数据中的SNR进行二元假设,对含有粗差、NLOS误差的测距值进行初步识别剔除,实现对原始数据的预处理;
步骤2-1、根据SNR对LOS/NLOS做如下二元假设检验:
其中,λ为设定的阈值;
步骤2-2、根据步骤2-1构造目标函数:
其中,
步骤2-3、根据步骤2-2目标函数,逐历元识别剔除NLOS测距值。
步骤3所述的基于步骤2得到预处理后的观测数据,进行最小二乘位置估计,并结合UWB基站坐标和UWB测距值构建残差矢量;
具体步骤如下:
步骤3-1、根据UWB线性量测方程,通过最小二乘解算位置参数
具体公式如下:
将UWB流动站的二维位置和速度信息作为状态向量X=[px py vx vy]T,状态方程如下:
Xk=Fk,k-1Xk-1+wk (3)
其中,Xk为k时刻UWB流动站状态向量,Fk,k-1为***采样间隔内的状态转移矩阵,wk为k时刻噪声向量,wk对应的协方差矩阵为Qk,且有:
其中,q为***噪声的方差,qpp=ΔT4/4,qvp=qpv=ΔT3/2,qvv=ΔT2;
量测方程分别如下:
Zk=HXk+Vk (5)
其中,Vk=(n1,k n2,k … nM,k)T为量测噪声矩阵,当测距无异常时,Vk服从0均值高斯分布;当测距存在异常时,则Vk不服从0均值高斯分布;
由公式(5)根据最小二乘进行UWB定位的解算:
其中,H1=H(:,1:2),即H系数矩阵的前两列;为观测加权矩阵,Rk为量测噪声的协方差阵;
步骤3-2、由最小二乘解算位置构建残差矢量v;
具体公式如下:
其中,A矩阵的协因数阵Qv=W-1-H1(H1 TWH1)-1H1 T。
步骤4、基于步骤3获得的残差矢量构造检验统计问题,进行全局检验和故障定位,对存在故障的历元找出相应异常测距值并剔除,得到最终优化后UWB数据;
具体步骤如下:
步骤4-1、利用残差矢量构建残差平方和:
S=vTWv (9)
步骤4-2、利用残差平方和构建检验统计量:
其中,M为基准站数量,M≥2;
步骤4-3、在故障监测中通过检验统计量与门限值比较判断***是否发生故障,故障检验门限为:
其中,σ0为测距精度,经过测距模块多次实验标定获得,假设测距精度已精确获得,设定误警概率PFA,根据式(12)可得T:
对检测统计量σ和检验门限σT进行比较,若σ<σT,不存在故障;否则存在故障进行故障识别;
步骤4-4、当全局检验监测到故障之后进行故障定位,利用最小二乘残差量构造服从标准正态分布的统计量为:
其中,i=1,2,…,M;vi为对应为i的最小二乘距离残差;Qii为矩阵Qv对应的第i行第i列;
步骤4-5、设置故障定位门限为:
dT=σ0Td (14)
设定误警概率PFA,根据公式(15)计算相应的检测阈值Td:
其中,对检测统计量di和故障定位门限dT进行比较,若di<dT,则该基站数据正常;否则该基站数据存在故障,进行剔除。
步骤5所述的结合滑窗理论对步骤4出现漏检情况进行抑制,基于最终优化后UWB数据进行kalman滤波算法定位解算;
具体步骤如下:
步骤5-1、针对公式(9)中的残差平方和S,给定一个固定宽度的滑动窗口,该窗口沿着数据流中滑动,窗口内进行求和,本文选取滑动窗口的大小为k=10,窗口内求和公式为:
其中,Fiti为第i个历元滑动窗口求和值;
步骤5-2、将相邻窗口内求得的和作差,求差公式为:
ΔFi=|Fiti-Fiti-1| (17)
其中,ΔFi为相邻窗口差值,并对ΔFi进行阈值检验:
其中,ε是经验阈值,若ΔFi>ε,则第i个历元存在异常,需要剔除第i个历元;
步骤5-3、对优化后的UWB数据进行kalman滤波算法定位解算,具体公式如下:
其中,表示k时刻状态向量;Kk表示k时刻的滤波增益矩阵;Zk表示k时刻UWB观测向量;Hk表示k时刻的系数阵;Pk|k表示k时刻经过滤波计算所获得的状态向量的方差协方差阵;Rk表示k时刻的观测值的方差协方差阵。
本发明实例中,将本发明所述方法与基于信道特征二元假设UWB kalman滤波定位解算方法、基于kalman滤波的UWB定位自主完好性监测方法进行比较;
如图7所示,为了验证基于信道特征的误差识别算法的效果,将本发明算法与基于信道特征二元假设UWB kalman滤波定位解算方法的解算结果相比,结果表明本方法解算结果的东、北方向最大误差减少了0.426m、0.526m,东、北方向均方根误差减少了0.025m、0.022m,能够准确的识别剔除粗差、NLOS等误差影响。
如图8所示,与基于信道特征二元假设UWB kalman滤波定位解算方法的解算结果相比,本方法解算结果的东、北方向最大误差减少了1.654m、0.404m,东、北方向均方根误差减少了0.053m、0.005m,提高UWB定位精度和稳定性。
以上所述,仅为本发明中最基础的具体实施方式,但本发明的保护范围并不局限于此,任何本技术领域人士在本发明所揭露的技术范围内,可理解到的替换,都应涵盖在本发明的包含范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种信道特征二元假设和改进UWB定位RAIM方法,其特征在于,包括以下步骤:
步骤1、获取UWB原始数据,包括时间戳、UWB测距值和信噪比,进行逐历元读取,并读取UWB基站坐标和UWB标签初始位置;
步骤2、基于步骤1得到的SNR进行二元假设,利用SNR和测距误差的相关性,对含有粗差、NLOS误差的测距值进行初步识别剔除,提升数据质量,对原始数据进行预处理;
步骤3、基于步骤2得到预处理后的观测数据,进行最小二乘位置估计,获得UWB标签概略位置,再对UWB标签概略位置和UWB基站坐标反算距离,与观测测距值作差,形成残差矢量;
步骤4、基于步骤3获得的残差矢量构造检验统计问题,进行全局检验和故障定位,对存在故障的历元找出相应异常测距值并剔除,得到最终优化后UWB数据;
步骤5、结合滑窗理论对步骤4出现漏检情况进行抑制,并进行kalman滤波算法定位解算,得到最优UWB定位解算轨迹。
2.根据权利要求1所述的一种信道特征二元假设和改进UWB定位RAIM方法,其特征在于,步骤2所述的基于步骤1得到的原值数据中的SNR进行二元假设,对含有粗差、NLOS误差的测距值进行初步识别剔除,实现对原始数据进行预处理;
具体步骤如下:
步骤2-1、根据SNR对LOS/NLOS做如下二元假设检验如下:
其中,λ为设定的阈值;
步骤2-2、根据步骤2-1构造目标函数:
其中,
步骤2-3、根据步骤2-2目标函数,逐历元识别剔除NLOS测距值。
3.根据权利要求1所述的一种信道特征二元假设和改进UWB定位RAIM方法,其特征在于,步骤3所述的基于步骤2得到预处理后的观测数据,进行最小二乘位置估计,并结合UWB基站坐标和UWB测距值构建残差矢量;
具体步骤如下:
步骤3-1、根据UWB线性量测方程,通过最小二乘解算位置参数
步骤3-2、由最小二乘解算位置构建残差矢量v。
4.根据权利要求3所述的一种信道特征二元假设和改进UWB定位RAIM方法,其特征在于,步骤3-1所述的根据UWB线性量测方程,通过最小二乘解算位置参数;
具体公式如下:
将UWB流动站的二维位置和速度信息作为状态向量X=[px py vx vy]T,状态方程如下:
Xk=Fk,k-1Xk-1+wk (3)
其中,Xk为k时刻UWB流动站状态向量,Fk,k-1为***采样间隔内的状态转移矩阵,wk为k时刻噪声向量,wk对应的协方差矩阵为Qk,且有:
其中,q为***噪声的方差,qpp=ΔT4/4,qvp=qpv=ΔT3/2,qvv=ΔT2;
量测方程分别如下:
Zk=HXk+Vk (5)
其中,Vk=(n1,k n2,k … nM,k)T为量测噪声矩阵,当测距无异常时,Vk服从0均值高斯分布;当测距存在异常时,则Vk不服从0均值高斯分布;
由公式(5)根据最小二乘进行UWB定位的解算
其中,H1=H(:,1:2),即H系数矩阵的前两列;为观测加权矩阵,Rk为量测噪声的协方差阵。
5.根据权利要求3所述的一种信道特征二元假设和改进UWB定位RAIM方法,其特征在于,步骤3-2所述的由最小二乘解算位置构建残差矢量v;
具体公式如下:
其中,A矩阵的协因数阵Qv=W-1-H1(H1 TWH1)-1H1 T。
6.根据权利要求1所述的一种信道特征二元假设和改进UWB定位RAIM方法,其特征在于,步骤4所述的基于步骤3获得的残差矢量构造检验统计问题,进行全局检验和故障定位;
具体步骤如下:
步骤4-1、利用残差矢量构建残差平方和:
S=vTWv (9)
步骤4-2、利用残差平方和构建检验统计量:
其中,M为基准站数量,M≥2;
步骤4-3、在故障监测中通过检验统计量与门限值比较判断***是否发生故障,故障检验门限为:
其中,σ0为测距精度,经过测距模块多次实验标定获得,假设测距精度已精确获得;设定误警概率PFA,根据式(12)可得T:
对检测统计量σ和检验门限σT进行比较,若σ<σT,不存在故障;否则存在故障进行故障识别;
步骤4-4、当全局检验监测到故障之后进行故障定位,利用最小二乘残差量构造服从标准正态分布的统计量为:
其中,i=1,2,…,M;vi为对应为i的最小二乘距离残差;Qii为矩阵Qv对应的第i行第i列;
步骤4-5、设置故障定位门限为:
dT=σ0Td (14)
设定误警概率PFA,根据公式(15)计算相应的检测阈值Td:
其中,对检测统计量di和故障定位门限dT进行比较,若di<dT,则该基站数据正常;否则该基站数据存在故障,进行剔除。
7.根据权利要求1所述的一种信道特征二元假设和改进UWB定位RAIM方法,其特征在于,步骤5所述的结合滑窗理论对步骤4出现漏检情况进行抑制,基于最终优化后UWB数据并进行kalman滤波算法定位解算,得到最优UWB定位解算轨迹;
具体步骤如下:
步骤5-1、针对公式(9)中的残差平方和S,给定一个固定宽度的滑动窗口,该窗口沿着数据流中滑动,窗口内进行求和,本文选取滑动窗口的大小为k=10,窗口内求和公式为:
其中,Fiti为第i个历元滑动窗口求和值;
步骤5-2、将相邻窗口内求得的和作差,求差公式为:
ΔFi=|Fiti-Fiti-1| (17)
其中,ΔFi为相邻窗口差值,并对ΔFi进行阈值检验:
其中,ε是经验阈值,若ΔFi>ε,则第i个历元存在异常,需要剔除第i个历元;
步骤5-3、对优化后的UWB数据进行kalman滤波算法定位解算,具体公式如下:
其中,表示k时刻状态向量;Kk表示k时刻的滤波增益矩阵;Zk表示k时刻UWB观测向量;Hk表示k时刻的系数阵;Pk|k表示k时刻经过滤波计算所获得的状态向量的方差协方差阵;Rk表示k时刻的观测值的方差协方差阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410047514.6A CN117835149A (zh) | 2024-01-12 | 2024-01-12 | 一种信道特征二元假设和改进uwb定位raim方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410047514.6A CN117835149A (zh) | 2024-01-12 | 2024-01-12 | 一种信道特征二元假设和改进uwb定位raim方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117835149A true CN117835149A (zh) | 2024-04-05 |
Family
ID=90517437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410047514.6A Pending CN117835149A (zh) | 2024-01-12 | 2024-01-12 | 一种信道特征二元假设和改进uwb定位raim方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117835149A (zh) |
-
2024
- 2024-01-12 CN CN202410047514.6A patent/CN117835149A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359270B (zh) | 北斗地基增强***完好性风险监测的阈值模型建立方法 | |
CN110161543B (zh) | 一种基于卡方检验的部分粗差抗差自适应滤波方法 | |
US20090273511A1 (en) | Method of operating a satellite navigation receiver | |
US6987820B1 (en) | Apparatus for navigation satellite signal quality monitoring | |
Kim et al. | Instantaneous Real‐Time Cycle‐Slip Correction for Quality Control of GPS Carrier‐Phase Measurements | |
CN115420284B (zh) | 一种组合导航***故障检测与识别方法 | |
CN117991308B (zh) | 一种面向复杂环境gnss数据质量的高精度数据处理方法 | |
CN113835105B (zh) | 一种基于gnss模拟器的gbas完好性监测方法 | |
CN112526563B (zh) | 一种gnss信号质量监测方法及*** | |
CN113077121B (zh) | 一种基于多维度属性群决策的信号质量异常原因定位方法 | |
CN114690220A (zh) | 一种监测数据实时解算星历异常处理方法 | |
Nezhadshahbodaghi et al. | Improved semi-bit differential acquisition method for navigation bit sign transition and code Doppler compensation in weak signal environment | |
CN117835149A (zh) | 一种信道特征二元假设和改进uwb定位raim方法 | |
Zhang et al. | Improved method for single and multiple GNSS faults exclusion based on consensus voting | |
CN111856526A (zh) | 非直达径卫星导航信号识别方法、***及介质 | |
CN116859415A (zh) | 一种快速稳健高精度的多故障卫星识别及定位方法 | |
CN111999750B (zh) | 针对杆臂不准的实时单站周跳探测改进方法 | |
CN111694025B (zh) | 一种适用于mboc导航信号的无模糊多径抑制方法 | |
JP2005077318A (ja) | 全地球測位システム | |
CN114548159A (zh) | 信号干扰下的超宽带精确定位方法 | |
Almagbile et al. | Analysis of outlier separability in integrated GPS/INS systems | |
Cui et al. | A GNSS Anti-Spoofing Technique Based on the Spatial Distribution Characteristic of the Residual Vectors | |
CN116592880B (zh) | 一种uwb_ins组合定位***自主完好性检测方法 | |
CN116736358B (zh) | 一种适用于卫星导航长基线载波相位差分定位方法 | |
CN118091713B (zh) | 一种基于北斗技术的导航接收机故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |