KR20220101195A - 협력 위치결정 방법, 장치, 디바이스 및 저장 매체 - Google Patents

협력 위치결정 방법, 장치, 디바이스 및 저장 매체 Download PDF

Info

Publication number
KR20220101195A
KR20220101195A KR1020227021724A KR20227021724A KR20220101195A KR 20220101195 A KR20220101195 A KR 20220101195A KR 1020227021724 A KR1020227021724 A KR 1020227021724A KR 20227021724 A KR20227021724 A KR 20227021724A KR 20220101195 A KR20220101195 A KR 20220101195A
Authority
KR
South Korea
Prior art keywords
target
measured
value
predetermined
positioning
Prior art date
Application number
KR1020227021724A
Other languages
English (en)
Inventor
다웨이 첸
시준 첸
링페이 진
루얀 치안
준창 리
양 왕
Original Assignee
지티이 코포레이션
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 지티이 코포레이션 filed Critical 지티이 코포레이션
Publication of KR20220101195A publication Critical patent/KR20220101195A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0257—Hybrid positioning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0205—Details
    • G01S5/0244—Accuracy or reliability of position solution or of measurements contributing thereto
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0284—Relative positioning
    • G01S5/0289—Relative positioning of multiple transceivers, e.g. in ad hoc networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

본원은 협력 위치결정 방법, 장치, 디바이스 및 저장 매체를 개시한다. 상기 협력 위치결정 방법은 시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 복수의 측정할 목표 중 각 측정할 목표의 초기 위치결정 추정값을 결정하는 단계; 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하는 단계 ― 상기 적어도 2개의 거리 측정값은 각 측정할 목표와 목표 기지국 사이의 거리에 대해 적어도 2회의 측정을 수행하여 획득한 측정값임 ― ; 및 복수 목표 소스의 테일러 시리즈 알고리즘, 각 목표 거리 측정값 및 각 초기 위치결정 추정값을 기반으로 각 측정할 목표의 위치를 결정하는 단계를 포함한다.

Description

협력 위치결정 방법, 장치, 디바이스 및 저장 매체
본 출원은 위치결정 분야에 관한 것으로, 보다 상세하게는 협력 위치결정 방법, 장치, 디바이스 및 저장 매체에 관한 것이다.
GPS(Global Positioning System)가 출현함에 따라, 위치결정의 필요성은 일상생활 속에서 점점 더 중요해지고 있다. 종래의 위치결정 알고리즘에 있어서, 테일러(Taylor) 시리즈 전개법은 비선형 방정식 세트를 푸는 가장 바람직한 해법 중 하나이다. 그러나 Taylor 알고리즘에는 두 가지 단점이 있다. 첫 번째는 초기값에 비교적 민감하고, 반복되는 초기값이 Taylor 알고리즘에 비교적 큰 영향을 미치는 것이다. 두 번째는 수렴하지 않는 상황이 발생할 수 있다는 것이다.
본 출원은 협력 위치결정 방법, 장치, 디바이스 및 저장 매체를 제공함으로써, 측정할 목표의 고정밀 위치결정을 구현한다.
본 출원의 실시예는 협력 위치결정 방법을 제공한다.
상기 방법은. 시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 측정할 목표의 초기 위치결정 추정값을 결정하는 단계; 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하는 단계 ― 상기 적어도 2개의 거리 측정값은 각 측정할 목표와 목표 기지국에 대해 적어도 2회의 측정을 수행하여 획득한 거리임 ― ; 및 복수 목표 소스의 테일러 시리즈 알고리즘, 상기 목표 거리 측정값 및 상기 초기 위치결정 추정값을 기반으로 측정할 목표의 위치를 결정하는 단계를 포함한다.
본 출원의 실시예는 협력 위치결정 장치를 제공한다.
상기 장치는, 시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 측정할 목표의 초기 위치결정 추정값을 결정하도록 구성되는 제1 결정 모듈; 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하도록 구성되는 제2 결정 모듈 ― 상기 적어도 2개의 거리 측정값은 측정할 목표와 목표 기지국에 대해 적어도 2회의 측정을 수행하여 획득한 거리임 ― ; 및 복수 목표 소스의 테일러 시리즈 알고리즘, 상기 목표 거리 측정값 및 상기 초기 위치결정 추정값을 기반으로 측정할 목표의 위치를 결정하도록 구성되는 제3 결정 모듈을 포함한다.
본 출원의 실시예는 프로세서, 및 하나 이상의 프로세서를 포함하는 디바이스를 더 제공한다. 상기 메모리는 하나 이상의 프로그램을 저장하도록 구성된다. 상기 하나 이상의 프로그램이 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상술한 협력 위치결정 방법을 구현하도록 만든다.
본 출원의 실시예는 저장 매체를 더 제공한다. 상기 저장 매체에는 컴퓨터 프로그램이 저장된다. 상기 컴퓨터 프로그램이 프로세서에 의해 실행될 때 상술한 협력 위치결정 방법이 구현된다.
도 1은 본 출원 실시예에 따른 협력 위치결정 방법의 흐름도이다.
도 2는 본 출원 실시예에 따른 이론적 거리 측정값 범위의 표시도이다.
도 3은 본 출원 실시예에 따른 다른 협력 위치결정 방법의 흐름도이다.
도 4는 본 출원 실시예에 따른 상이한 알고리즘의 오차 분석도이다.
도 5는 본 출원 실시예에 따른 상이한 알고리즘의 위치결정 오차 비교도이다.
도 6은 본 출원 실시예에 따른 누적 분포와 측정 오차 방법의 관계도이다.
도 7은 본 출원 실시예에 따른 위치결정점 분포도이다.
도 8은 본 출원 실시예에 따른 협력 위치결정 장치의 구조 블록도이다.
도 9는 본 출원 실시예에 따른 디바이스의 구조도이다.
이하에서는 첨부 도면을 참조하여 본 출원의 실시예를 상세하게 설명한다.
종래의 위치결정 알고리즘에 있어서, Taylor 시리즈 전개법은 비선형 방정식 세트를 푸는 가장 바람직한 해법 중 하나이다. Taylor 시리즈 전개법은 해의 정확도가 높고 반복 속도가 비교적 빨라 가장 일반적으로 사용되는 위치결정 알고리즘 중 하나가 되었다. Taylor 알고리즘은 두 가지의 단점이 있다. 첫 번째는 초기값에 비교적 민감하며, 반복되는 초기값이 Taylor 알고리즘에 비교적 큰 영향을 미친다는 것이다. 두 번째는 수렴하지 않는 상황이 발생할 수 있다는 것이다. 해결 방법은 다양한 알고리즘을 이용하여 협력 위치결정을 수행하는 것이다. 먼저 하나의 알고리즘을 이용하여 위치결정 초기값을 획득한 다음, 상기 초기값을 사용하여 Taylor 시리즈 전개법에 대입하여 정확한 해를 구한다.
TDOA(Time Difference of Arrival) 위치결정 알고리즘 모델은, 시간 지연 추정을 통해 복수의 TDOA 측정값을 획득한 후, 위치결정 방정식 세트를 세울 수 있다.
Figure pct00001
(1)
초기값의 해를 구하는 측면에 있어서, 일반적으로 Chan 알고리즘을 채택하여 위치결정 초기값을 획득한다. Chan 알고리즘은 측정 오차가 가우스 분포를 따를 때 해당 알고리즘은 위치결정이 정확하고 알고리즘 복잡도가 높지 않다. Chan 알고리즘에 채택되는 2단계 가중 최소 제곱(Weighted Least Squares, WLS)은 먼저 변수가 서로 독립적이라고 가정하고, 이들의 추정값을 구한 다음 이들 간의 상호 관계를 고려하여 목표 위치를 구한다.
Figure pct00002
(2)
여기에서
Figure pct00003
와
Figure pct00004
은 각각 측정할 목표의 좌표 및 기지국과의 거리의 추정값이다.
오차 벡터를
Figure pct00005
로 정의하면 다음과 같다.
Figure pct00006
(3)
여기에서 제1 대각 행렬은
Figure pct00007
이고,
Figure pct00008
은 기지국 i와 측정할 목표의 실제 거리이다.
Figure pct00009
은 가우스 분포를 따르는 노이즈 벡터 공분산 행렬이다.
Figure pct00010
중의 각 양이 서로 독립적이라고 가정하며, 가중 최소 제곱을 이용해 다음과 같이 구한다.
Figure pct00011
(4)
B에는 이동국(Mobile Station, MS)과 기지국 검출기 사이의 거리가 있기 때문에,
Figure pct00012
는 미지수이므로 계산해야 한다.
측정할 목표와 기지국 거리가 매우 먼 경우, Q를 이용하여 대체할 수 있으며, 상술한 공식은 다음에 근사할 수 있다.
Figure pct00013
(5)
측정할 목표과 기지국의 거리가 비교적 가까운 경우, 먼저 측정할 목표가 기지국에서 매우 멀다고 가정한다. 그 후 상술한 공식을 이용해 하나의 초기의 대략적인 해를 구하고, 해당 초기 해를 이용하여 B 행렬을 계산할 수 있다. 그 후 다시 1차 및 2차 WLS의 결과를 계산한다.
Chan 알고리즘의 가정은 측정 오차의 제로 평균값(zero-mean-value) 가우스 분포를 기반으로 하며, 실제 환경에서 오차가 비교적 큰 측정값의 경우, 예를 들어 비시선(Non Line Of Sight, NLOS) 오차가 있는 환경 하에서, 해당 알고리즘의 성능이 저하될 수 있다.
Taylor 위치결정의 해를 구하는 측면에 있어서, 위치결정 정밀도는 거리 측정 오차 및 관측 방정식 수량의 영향을 받는다. 거리 측정 오차가 작을수록, 관측 방정식이 많을수록, 위치결정 결과가 우수하다. 일정 수단을 통해 오차가 비교적 큰 데이터를 제거할 수 있다. 동시에 위치결정 알고리즘은 일반적으로 모두 단말과 기지국 거리 측정의 관측 방정식을 세우는 것이다. 기지국 수가 많지 않은 경우, 방정식 수량이 제한되어 위치결정 효과가 일반적이다. 이러한 관점에서, 본 출원의 실시예는 협력 위치결정 방법을 제공한다. 이는 시뮬레이션된 어닐링 알고리즘의 개선된 Chan 알고리즘 및테일러 시리즈 알고리즘을 기반으로 측정할 목표에 대해 고정밀도의 위치결정을 수행한다.
일 실시예에 있어서, 도 1은 본 출원 실시예에 따른 협력 위치결정 방법의 흐름도이다. 본 실시예는 적어도 두 가지 알고리즘을 채택해 측정할 목표에 대해 협력 위치결정을 수행하는 경우에 적용된다. 본 실시예 중의 협력 위치결정 방법은 단계 S110 내지 S130을 포함한다.
S110: 시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 측정할 목표의 초기 위치결정 추정값을 결정한다.
실시예에 있어서, 제1 소정 위치결정 알고리즘은 Chan 알고리즘이다. Chan 알고리즘은 TDOA 기술 기반으로, 해석적 표현식 해가 있는 위치결정 알고리즘이며, TDOA 오차가 이상적인 가우스 분포를 따를 때 성능이 우수하다. 실시예에 있어서, 측정할 목표는 측정할 단말을 의미한다. 예를 들어 측정할 단말은 위치결정할 사용자 장치(User Equipment, UE)일 수 있다. 실시예에 있어서, 시뮬레이션된 어닐링 알고리즘 및 Chan 알고리즘을 채택하여 측정할 목표의 초기 위치결정 추정값을 협력 결정하여, 측정할 목표의 정확한 위치결정 위치를 용이하게 획득한다. 시뮬레이션된 어닐링 알고리즘은 로컬 검색 능력이 강하고 운행 시간이 비교적 짧은 장점이 있다. 측정할 목표와 각 기지국 사이의 거리가 비교적 가까운 경우, 1차 추정에도 하나의 추정 초기값이 있어야만 초기 해의 추정 행렬을 구할 수 있다. 실제 생활에서, 예를 들어 실내 위치결정의 상황에서, 측정할 목표와 각 기지국 사이의 거리가 비교적 가까운 경우, 이때 하나의 추정 초기값(즉, 본 실시예 중의 초기 위치결정 추정값)이 필요하다. 이를 위해 본 실시예에서는 시뮬레이션된 어닐링 알고리즘을 측정할 목표의 초기 위치결정 추정값의 해를 구하는 과정에 도입한다. 이는 Chan 알고리즘을 보조하여 초기 위치결정 추정을 수행하기 위해, 즉 초기 위치결정 추정값을 얻기 위한 것이다.
S120: 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득한다.
실시예에 있어서, 적어도 2개의 거리 측정값은 측정할 목표와 목표 기지국에 대해 적어도 2회 측정을 수행하여 획득한 거리이다. 실시예에 있어서, 측정할 목표와 목표 기지국 사이에 대해 여러 회 측정을 수행하여 복수의 거리 측정값을 획득할 수 있다. 그러나 실제 측정 과정에서 오차가 비교적 큰 거리 측정값이 발생한다. 측정할 목표에 대한 정확한 측정을 구현하기 위해, 하나의 소정 오차 임계값을 구성하고, 거리 측정값을 선택하여 비교적 정확한 목표 거리 측정값을 획득할 수 있다. 목표 거리 측정값은 하나일 수 있으며, 복수일 수도 있다. 이는 구성된 소정 오차 임계값 및 사용자의 측정할 목표에 대한 측정 정확도와 관계가 있다. 즉, 사용자의 측정할 목표에 대한 정확도가 높은 경우, 소정 오차 임계값가 높게 구성되며, 반대의 경우 소정 오차 임계값가 낮게 구성된다. 실시예에 있어서, 목표 기지국의 좌표값은 실제 좌표값이다. 측정할 목표의 좌표값은 초기 위치결정 추정값이다.
실시예에 있어서, 목표 기지국의 좌표값과 측정할 목표의 좌표값을 기반으로, 대응하는 거리 추정값을 계산하여 획득할 수 있다. 거리 추정값과 여러 회 측정하여 획득한 거리 측정값을 비교하고, 비교 결과와 소정 오차 임계값을 기반으로 거리 측정값을 선택하여, 비교적 정확한 목표 거리 측정값을 획득할 수 있다.
S130: 복수 목표 소스의 테일러 시리즈 알고리즘, 목표 거리 측정값 및 초기 위치결정 추정값을 기반으로 측정할 목표의 위치를 결정한다.
실시예에 있어서, 복수 목표 소스의 테일러 시리즈 알고리즘은 복수의 측정할 목표 사이의 거리 측정값을 계산에 포함시킨 테일러 시리즈 알고리즘을 의미한다. 실시예에 있어서, 복수 목표 소스의 테일러 시리즈 알고리즘 및 Chan 알고리즘를 기반으로 협력 위치결정을 수행하여, 측정할 목표의 위치를 효과적으로 추정할 수 있다. 또한 오차가 제로 평균값의 가우스 분포를 따르지 않는 경우, 일반적으로 사용하는 알고리즘의 정확도보다 높고 더 효과적이다.
일 실시예에 있어서, 시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 측정할 목표의 초기 위치결정 추정값을 결정하는 단계는,
시뮬레이션된 어닐링 알고리즘을 기반으로 측정할 목표의 초기 좌표 추정값을 결정하는 단계; 및 제1 소정 위치결정 알고리즘 및 초기 좌표 추정값을 기반으로 측정할 목표의 초기 위치결정 추정값을 결정하는 단계를 포함한다.
일 실시예에 있어서, 시뮬레이션된 어닐링 알고리즘을 기반으로 측정할 목표의 초기 좌표 추정값을 결정하는 단계는,
무작위로 생성된 초기 좌표값과 거리 측정값을 기반으로 소정 목표 함수를 계산하는 단계 ― 거리 측정값은 측정할 목표와 목표 기지국을 측정하여 획득한 거리임 ―; 무작위로 생성된 2개의 초기 좌표값에 각각 대응하는 2개의 소정 목표 함수 사이의 증분값을 결정하는 단계; 및 증분값이 소정 준칙을 충족하고, 현재 반복 횟수가 소정 반복 횟수 임계값에 도달하고, 그리고 시뮬레이션된 어닐링 알고리즘 중의 현재 온도가 종료 온도에 도달한 경우, 무작위로 생성된 최신 초기 좌표값을 측정할 목표의 초기 좌표 추정값으로 사용하는 단계를 포함한다.
일 실시예에 있어서, 소정 준칙은,
증분값이 0보다 작거나 같은 경우, 무작위로 생성된 최신 초기 좌표값을 수용하고, 현재 온도를 강하시키는 준칙; 및 증분값이 0보다 큰 경우, 제1 소정 확률로 무작위로 생성된 최신 초기 좌표값을 수용하는 준칙 중 하나를 포함한다.
일 실시예에 있어서, 제1 소정 위치결정 알고리즘 및 초기 좌표 추정값을 기반으로 측정할 목표의 초기 위치결정 추정값을 결정하는 단계는,
초기 좌표 추정값을 기반으로 제1 소정 위치결정 알고리즘 중의 제1 소정 대각 행렬을 계산하는 단계 ― 제1 소정 대각 행렬은 각 목표 기지국과 측정할 목표 사이의 실제 거리로 구성되는 행렬임 ― ; 제1 소정 대각 행렬 및 소정 노이즈 벡터 공분산 행렬을 기반으로 계산하여 대응하는 1차 추정값을 획득하는 단계; 1차 추정값 및 소정 추정 오차를 기반으로 2차 추정값을 획득하는 단계; 및 2차 추정값, 제2 소정 대각 행렬 및 목표 기지국의 공지된 좌표값을 기반으로 측정할 목표의 초기 위치결정 추정값을 결정하는 단계 ― 제2 소정 대각 행렬은 측정할 목표의 좌표값, 목표 기지국의 좌표값, 및 측정할 목표와 목표 기지국 사이의 거리 추정값으로 구성되는 행렬임 ― 를 포함한다.
실시예에 있어서, 시뮬레이션된 어닐링 알고리즘의 개선된 Chan 알고리즘을 기반으로 초기 해(즉, 상술한 실시예 중의 초기 위치결정 추정값)를 획득하는 실시 단계는,
장소 내에 총 N개 기지국이 있다고 가정하며, 각 측정할 목표에 대해, 시뮬레이션된 어닐링 알고리즘의 소정 목표 함수를 다음과 같이 설정하는 단계를 포함한다.
Figure pct00014
(6)
여기에서
Figure pct00015
는 측정할 목표와 목표 기지국(공지된 좌표값의 기지국)의 거리 추정값이며,
Figure pct00016
는 측정할 목표와 목표 기지국의 거리 측정값이다. 소정 목표 함수의 함의는, 추정한 측정할 목표 좌표를 사용하여 구한
Figure pct00017
와 거리 측정값
Figure pct00018
의 사이 차이의 절대값이 작을수록 추정한 좌표가 정확한 것이다.
실시예에 있어서, 시뮬레이션된 어닐링 알고리즘 기반의 Chan 알고리즘 개선 단계는 다음과 같다.
단계 1: 초기 해
Figure pct00019
를 무작위로 생성하고, 소정 목표 함수
Figure pct00020
를 계산하며, 현재 반복 횟수는 k=0이고, 현재 온도는
Figure pct00021
이며, r∈(0,1)은 강온 어닐링 제어에 사용된다. 실시예에 있어서, 초기 해는 바로 상술한 실시예 중 무작위로 생성한 초기 좌표값이다.
단계 2: 섭동에 의해 새로운 해
Figure pct00022
를 생성하고, 소정 목표 함수
Figure pct00023
를 계산한다.
단계 3: 증분값
Figure pct00024
을 계산한다.
단계 4:
Figure pct00025
≤0이면, 새로운 해
Figure pct00026
를 수용하고,
Figure pct00027
, k=k+1이고, 온도
Figure pct00028
를 강하시키며, 그렇지 않으면 Metropolis 준칙에 따라 새로운 해를 수용한다. 즉 제1 소정 확률(예를 들어,
Figure pct00029
)로 새로운 해를 수용한다.
단계 5: 소정 반복 횟수 임계값에 도달하는지 여부를 판단하며, 소정 반복 횟수 임계값에 도달하지 않으면 단계 2를 계속한다.
단계 6: 종료 조건을 충족하는지 여부를 판단한다. 종료 조건은 종료 온도에 도달하는 것이다. 종료 조건을 충족하면 최종 결과를 출력한다. 종료 조건을 충족하지 않으면, 반복 횟수 k=0을 재설정하고 초기 온도
Figure pct00030
를 강하시킨다.
단계 7: 좌표 추정 초기값
Figure pct00031
을 획득한다.
단계 8: 초기값을 이용해 Chan 알고리즘 중의 제1 소정 대각 행렬 B를 계산한 다음, 공식 (3)에 대입하여
Figure pct00032
를 구한다. 그 후 공식 (4)를 이용하여 1차 최소 제곱 해
Figure pct00033
를 구한다. 즉,
Figure pct00034
를 획득한다.
단계 9: 1차 최소 제곱을 수행할 때
Figure pct00035
,
Figure pct00036
및
Figure pct00037
사이의 관계를 고려하지 않으므로, 2차 최소 제곱에서 이들 셋 사이의 관계를 고려하여 더 높은 위치결정 정밀도를 구현한다. 1차 추정값을 이용하여, 하나의 오차 방정식 세트를 구성하여 2차 추정을 수행한다.
Figure pct00038
(7)
여기에서
Figure pct00039
는
Figure pct00040
중의 제i 성분을 나타내며,
Figure pct00041
는
Figure pct00042
의 추정 오차를 나타낸다.
새로운 오차 벡터를 정의한다.
Figure pct00043
(8)
여기에서 다음과 같다.
Figure pct00044
Figure pct00045
Figure pct00046
(9)
여기에서
Figure pct00047
는 기지국 1의 공지된 좌표를 나타낸다.
Figure pct00048
의 공분산 행렬은 다음과 같다.
Figure pct00049
(10)
여기에서 제2 소정 대각 행렬은
Figure pct00050
,
Figure pct00051
이다.
마찬가지로 이전의 방법을 채택하여 추정하여, 다음을 획득한다.
Figure pct00052
단계 10: 최종 추정 위치
Figure pct00053
을 획득한다.
실시예에 있어서, 최종 추정 위치 Z는 상술한 실시예 중 측정할 목표의 초기 위치결정 추정값이다.
일 실시예에 있어서, 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하는 단계는, 측정할 목표의 초기 위치결정 추정값과 목표 기지국 사이의 거리 측정 오차값을 결정하는 단계; 거리 측정 오차값을 기반으로 대응하는 누적 분포 함수를 결정하는 단계; 누적 분포 함수를 기반으로 대응하는 소정 오차 임계값을 결정하는 단계; 및 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하는 단계를 포함한다.
실시예에 있어서, 소정 오차 임계값을 기반으로 목표 기지국과 측정할 목표 사이의 거리 측정값을 선택하고, 테일러 위치결정을 최적화하는 단계는,
측정값이 NLOS나 다중 경로로 인한 시간 지연 오차를 가질 수 있고, 테일러(Taylor) 시리즈 전개 알고리즘은 초기값에 대해 민감하기 때문에, 초기의 추정값을 획득하 후, Taylor 알고리즘을 시작하기 전에 오차가 특별히 큰 데이터에 대해 임계값 선택을 수행해야 하는 단계를 포함한다.
도 2는 본 출원 실시예에 따른 이론적 거리 측정값 범위의 표시도이다. 도 2에 도시된 바와 같이,
Figure pct00054
는 기지국 위치이고,
Figure pct00055
는 측정할 목표의 실제 위치이다. 여기에서
Figure pct00056
는 측정 오차의 기대치이고, 원의 방정식은 다음과 같다.
Figure pct00057
Figure pct00058
이론적으로
Figure pct00059
의 거리 측정값은 큰 원 반경과 작은 원 반경 사이에 있으며, 이전에 시뮬레이션된 어닐링의 개선된 Chan 알고리즘으로 하나의 초기값을 획득하므로, 초기값을 대입하여 각 기지국에서 상기 초기값의 오차를 계산하고 누적 분포 함수를 계산한다. 예를 들어 90% 오차 이상의 오차를 제거할 수 있다. 이는 일부 성능을 바꾸어 향상시킬 수 있으며 일부 데이터를 선택하여 제거할 수도 있다.
장소 내에 총 N개의 기지국, M개의 측정할 목표가 있다. 종래의 Taylor 시리즈 전개 알고리즘은 측정할 목표 사이의 측정 거리값을 고려하지 않으므로, 일부 유용한 정보가 손실되어 위치결정의 정밀도가 저하된다.
원래의 Taylor 알고리즘은 측정할 목표와 기지국 사이의 거리 관계를 채택하여 계산한다. 즉, 다음과 같다.
Figure pct00060
(11)
여기에서
Figure pct00061
는 측정할 목표와 공지된 기지국 사이의 거리 측정값을 나타낸다. 보다 정확한 위치결정을 위해, 모든 위치 정보를 이용할 수 있으며, 측정할 목표 사이의 거리 측정값을 추가하여 방정식 세트를 세운다.
Figure pct00062
(12)
여기에서
Figure pct00063
는 측정할 목표의 좌표값을 나타내며,
Figure pct00064
는 공지된 기지국의 좌표값을 나타낸다.
Figure pct00065
는 측정할 목표 사이의 거리 측정값을 나타내며,
Figure pct00066
는 측정할 목표와 공지된 기지국 사이의 거리 측정값을 나타낸다.
일 실시예에 있어서, 복수 목표 소스의 테일러 시리즈 알고리즘, 목표 거리 측정값 및 초기 위치결정 추정값을 기반으로 측정할 목표의 위치를 결정하는 단계는, 2개의 측정할 목표 사이의 거리 측정 오차값, 및 측정할 목표와 목표 기지국 사이의 거리 측정 오차값으로 제1 행렬을 구성하는 단계; 측정할 목표의 초기 위치결정 추정값와 추정 좌표값 사이의 차이값을 이용해 제2 행렬을 구성하는 단계; 측정할 목표와 목표 기지국 사이의 거리 측정값, 및 2개의 측정할 목표 사이의 이전 거리 추정값을 이용해 제3 행렬을 구성하는 단계; 소정 위치결정 모델을 기반으로 제1 행렬, 제2 행렬 및 제3 행렬에 따라 대응하는 제4 행렬을 결정하는 단계; 측정할 목표의 추정 좌표값과 초기 위치결정 추정값 사이의 변화량이 소정 문턱값보다 작을 때까지, 가중 최소 제곱법, 제4 행렬, 제3 행렬 및 소정 공분산 행렬을 기반으로 제2 행렬에 대해 재귀적 계산을 수행하는 단계; 및 소정 문턱값보다 작은 대응하는 초기 위치결정 추정값을 측정할 목표의 위치로 사용하는 단계를 포함한다.
실시예에 있어서, 초기 해를 획득한 후 복수 목표 소스의 Taylor 시리즈 개선 알고리즘에 대입하는 단계는,
측정할 목표의 초기값
Figure pct00067
(즉, 상술한 실시예 중의 초기 위치결정 추정값, 이때 복수의 측정할 목표(1, 2......
Figure pct00068
)의 초기 위치결정 추정값) 지점에서 테일러 시리즈 전개를 수행하고, 2차 이상 성분을 제거하여 다음 식을 획득하는 단계를 포함하는 것을 특징으로 한다.
Figure pct00069
(13)
여기에서
Figure pct00070
는 측정할 목표 사이의 이전 거리 추정값이고,
Figure pct00071
는 측정할 목표와 공지된 기지국 사이의 거리 추정값이다.
Figure pct00072
,
Figure pct00073
,
Figure pct00074
는 측정할 목표 사이의 리 측정 오차이며,
Figure pct00075
는 측정할 목표와 공지된 기지국 사이의 거리 측정 오차이다.
정리 후 위치결정 모델을 획득한다.
Figure pct00076
(14)
여기에서,
Figure pct00077
Figure pct00078
이다.
식 (14)에 가중 최소 제곱법(WLS)을 사용하여 Δ에 대한 추정을 획득할 수 있다.
Figure pct00079
(15)
여기에서 Q는 TDOA 측정값의 공분산 행렬을 나타낸다. 2차 재귀적 계산에 있어서,
Figure pct00080
(16)
을 여러 번 반복하여 계산한다. 이는
Figure pct00081
와
Figure pct00082
가 모두 충분히 작아 하나의 설정된 문턱값 ε을 충족할 때까지 계속한다.
Figure pct00083
(17)
이때
Figure pct00084
의 값이 바로 최종적인 추정 위치이다. 실시예에 있어서
Figure pct00085
의 값이 바로 상술한 실시예 중 측정할 목표 위치이다.
일 실시예에 있어서, 도 3은 본 출원 실시예에 따른 다른 협력 위치결정 방법의 흐름도이다. 도 3에 도시된 바와 같이, 본 실시예는 단계 S210 내지 S260을 포함한다.
S210: TDOA 측정값을 결정한다.
실시예에 있어서, 측정할 목표와 목표 기지국 사이의 복수의 TDOA 측정값을 결정한다.
S220: 시뮬레이션된 어닐링 알고리즘을 이용하여 초기 추정값을 획득한다.
실시예에 있어서, 시뮬레이션된 어닐링 알고리즘을 기반으로 측정할 목표의 초기 추정값(즉, 상술한 실시예 중의 초기 좌표 추정값)을 획득한다.
S230: 근거리의 Chan 알고리즘에 대입하여 초기 위치결정 추정값을 획득한다.
실시예에 있어서, 초기 추정값을 근거리의 Chan 알고리즘에 대입하여, 측정할 목표의 초기 위치결정 추정값을 결정할 수 있다.
S240: 오류 데이터 방정식을 제거한다.
실시예에 있어서, 소정 오차 임계값을 이용하여 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득한다. 즉, 오류 데이터 방적식은 오차가 비교적 큰 거리 측정값을 의미한다.
S250: 초기 위치결정 추정값을 복수 목표 테일러 알고리즘에 대입한다.
실시예에 있어서, 복수 목표 테일러 알고리즘, 초기 위치결정 추정값 및 목표 거리 측정값을 기반으로, 최종 결과, 즉 측정할 목표 위치를 획득할 수 있다.
S260: 최종 결과를 출력한다.
실시예에 있어서, 측정할 목표 위치를 획득한 후, 측정할 목표 위치를 출력하고 표시하여, 사용자가 참고할 수 있도록 제공한다.
일 실시방식에 있어서, 100m×100m의 평면 내에 20개 미지의 위치의 측정할 목표, 5개의 공지된 위치의 기지국을 무작위로 배치한다. 거리 측정 오차가 10m를 따른다고 가정하며, 분산은
Figure pct00086
의 지수 분포이다. 시뮬레이션 단계는 단계 1 내지 단계 10을 포함한다.
단계 1: 각 미지의 측정할 목표 i에 대해, 시뮬레이션된 어닐링의 목표 함수는 다음과 같이 정의된다.
Figure pct00087
단계 2: 각 미지의 측정할 목표에 대해, 다음과 같은 조작을 수행한다.
1) 반복 종료 횟수 100, 온도 강하 파라미터
Figure pct00088
, 초기 온도
Figure pct00089
로 설정한다.
2) 섭동에 의해 새로운 해
Figure pct00090
를 생성하고, 목표 함수
Figure pct00091
를 계산한다.
3) 증분
Figure pct00092
를 계산한다.
4)
Figure pct00093
이면, 새로운 해
Figure pct00094
,
Figure pct00095
를 수용하고, 온도
Figure pct00096
를 강하한다. 그렇지 않으면 Metropolis 준칙에 따라 새로운 해를 수용한다. 즉, 확률
Figure pct00097
로 새로운 해를 수용한다.
5) 종료 조건을 충족하는지 여부를 판단한다. 종료 조건은 종료 온도에 도달하는 것이다. 종료 조건을 충족하면 최종 결과를 출력한다. 종료 조건을 충족하지 않으면, 반복 횟수
Figure pct00098
을 재설정하고 초기 온도
Figure pct00099
를 강하시킨다.
6) 좌표 추정 초기값
Figure pct00100
을 획득한다.
단계 3: 시뮬레이션된 어닐링 알고리즘으로 획득한 20개 초기값을 이용하여 Chan 알고리즘 중의 행렬 B를 계산하고, 공식 (3)에 대입하여 구한다. 공식 (5)에 따라 1차 최소 제곱 해
Figure pct00101
를 구한다. 즉,
Figure pct00102
를 획득한다.
단계 4: 1차 최소 제곱을 수행할 때 x, y 및 R 사이의 관계를 고려하지 않으며, 2차 최소 제곱에서 고려할 수 있으므로, 더 높은 위치결정 정밀도를 구현할 수 있다. 1차 추정값을 이용하여, 하나의 오차 방정식 세트를 구성하여 2차 추정을 수행한다.
Figure pct00103
여기에서
Figure pct00104
는
Figure pct00105
중의 제i 성분을 나타내며,
Figure pct00106
은
Figure pct00107
의 추정 오차를 나타낸다.
새로운 오차 벡터를 정의한다.
Figure pct00108
여기에서,
Figure pct00109
,
Figure pct00110
,
Figure pct00111
이다.
여기에서
Figure pct00112
는 기지국 1의 공지된 좌표를 나타낸다.
Figure pct00113
의 공분산 행렬은 다음과 같다.
Figure pct00114
여기에서
Figure pct00115
이다.
마찬가지로 이전의 방법을 채택하여 추정하여, 다음을 획득한다.
Figure pct00116
단계 5: 20개 측정할 목표의 Chan 알고리즘 추정 위치
Figure pct00117
를 획득한다.
단계 6: 개선된 Chan 알고리즘으로 획득한 초기 위치 추정을 통해
Figure pct00118
, 각 기지국 좌표에서 상기 초기값의 누적 분포 함수를 각각 계산하며,
Figure pct00119
, 오차가 90%가 넘는 함수를 제거한다.
단계 7: 방정식 세트를 세운다.
Figure pct00120
단계 8: 이전 Chan 알고리즘으로 획득한 추정 위치
Figure pct00121
지점에서 전개하며 정리하여 다음을 획득한다.
Figure pct00122
Figure pct00123
단계 9: 가중 최소 제곱법(WLS)을 사용하여 Δ에 대한 추정을 획득할 수 있다.
Figure pct00124
여기에서 Q는 TDOA 측정값의 공분산 행렬을 나타낸다. 2차 재귀적 계산에 있어서,
Figure pct00125
최대 50회 반복하여 계산한다. 이는
Figure pct00126
와
Figure pct00127
가 모두 충분히 작을 때까지 계속한다.
단계 10: 최종 추정 결과(
Figure pct00128
,
Figure pct00129
), ..., (
Figure pct00130
,
Figure pct00131
)를 획득한다.
도 4는 본 출원 실시예에 따른 상이한 알고리즘의 오차 분석도이다. 도 4에 도시된 바와 같이, 시뮬레이션된 어닐링 알고리즘 기반의 개선 Chan 알고리즘 및 테일러 시리즈 알고리즘으로 획득한 측정 오차가 가장 작다.
기타 변하지 않는 상황 하에서, 오차의 분산과 위치결정 정밀도의 관계를 분석한다. 도 5는 본 출원 실시예에 따른 상이한 알고리즘의 위치결정 오차 비교도이다. 도 5에 도시된 바와 같이, 시뮬레이션된 어닐링 알고리즘 기반의 개선 Chan 알고리즘 및 테일러 시리즈 알고리즘으로 획득한 위치결정 오차가 가장 작다.
δ^2=0.5일 때, 50회 테스트를 반복하여 위치결정 오차 분포 함수와 분산의 관계를 테스트한다. 도 6은 본 출원 실시예에 따른 누적 분포와 측정 오차 방법의 관계도이다. 도 6에 도시된 바와 같이, 시뮬레이션된 어닐링 알고리즘 기반의 개선 Chan 알고리즘 및 테일러 시리즈 알고리즘으로 획득한 누적 분포와 측정 오차 분산이 가장 작다.
실제 목표가 (60, 65)점에 있는 경우, 20회 알고리즘을 운행하여 위치결정점 분포를 획득한다. 도 7은 본 출원 실시예에 따른 위치결정점 분포도이다. 도 7에 도시된 바와 같이, 획득한 추정 위치결정점은 측정할 목표의 실제 위치 근처에 집중된다.
도 8은 본 출원 실시예에 따른 협력 위치결정 장치의 구조 블록도이다. 도 8에 도시된 바와 같이, 본 실시예 중의 협력 위치결정 장치는 제1 결정 모듈(310), 제2 결정 모듈(320) 및 제3 결정 모듈(330)을 포함한다.
제1 결정 모듈(310)은 시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 측정할 목표의 초기 위치결정 추정값을 결정하도록 구성된다. 제2 결정 모듈(320)은 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하도록 구성된다. 적어도 2개의 거리 측정값은 측정할 목표와 목표 기지국에 대해 적어도 2회의 측정을 수행하여 획득한 거리이다. 제3 결정 모듈(330)은 복수 목표 소스의 테일러 시리즈 알고리즘, 목표 거리 측정값 및 초기 위치결정 추정값을 기반으로 측정할 목표의 위치를 결정하도록 구성된다.
본 실시예에서 제공하는 협력 위치결정 장치는 도 1에 도시된 실시예의 협력 위치결정 방법을 구현하도록 설치된다. 본 실시예에서 제공하는 협력 위치결정 장치 구현 원리와 기술 효과는 유사하므로 여기에서 반복하여 설명하지 않는다.
일 실시예에 있어서, 제1 결정 모듈(310)은,
시뮬레이션된 어닐링 알고리즘을 기반으로 측정할 목표의 초기 좌표 추정값을 결정하도록 구성되는 제1 결정 유닛; 및 제1 소정 위치결정 알고리즘 및 초기 좌표 추정값을 기반으로 측정할 목표의 초기 위치결정 추정값을 결정하도록 구성되는 제2 결정 유닛을 포함한다.
일 실시예에 있어서, 제1 결정 유닛은,
무작위로 생성된 초기 좌표값과 거리 측정값을 기반으로 소정 목표 함수를 계산하도록 구성되는 제1 결정 하위 유닛 ― 거리 측정값은 측정할 목표와 목표 기지국을 측정하여 획득한 거리임 ― ; 무작위로 생성된 2개의 초기 좌표값 각각에 대응하는 2개의 소정 목표 함수 사이의 증분값을 결정하도록 구성되는 제2 결정 하위 유닛; 및 증분값이 소정 준칙을 충족하고, 현재 반복 횟수가 소정 반복 횟수 임계값에 도달하고, 시뮬레이션된 어닐링 알고리즘 중의 현재 온도가 종료 온도에 도달한 경우, 최신 무작위로 생성된 초기 좌표값을 측정할 목표의 초기 좌표 추정값으로 사용하도록 구성되는 제3 결정 하위 유닛을 포함한다.
일 실시예에 있어서, 소정 준칙은,
증분값이 0보다 작거나 같은 경우, 무작위로 생성된 최신 초기 좌표값을 수용하고, 현재 온도를 강하시키는 준칙; 및 증분값이 0보다 큰 경우, 제1 소정 확률로 무작위로 생성된 최신 초기 좌표값을 수용하는 준칙 중 하나를 포함한다.
일 실시예에 있어서, 제2 결정 유닛은,
초기 좌표 추정값을 기반으로 제1 소정 위치결정 알고리즘 중의 제1 소정 대각 행렬을 계산하도록 구성되는 제4 결정 하위 유닛 ― 제1 소정 대각 행렬은 각 목표 기지국과 측정할 목표 사이의 실제 거리로 구성되는 행렬임 ― ; 제1 소정 대각 행렬 및 소정 노이즈 벡터 공분산 행렬을 기반으로 계산하여 대응하는 1차 추정값을 획득하도록 구성되는 제5 결정 하위 유닛; 1차 추정값 및 소정 추정 오차를 기반으로 2차 추정값을 획득하도록 구성되는 제6 결정 하위 유닛; 및 2차 추정값, 제2 소정 대각 행렬 및 목표 기지국의 공지된 좌표값을 기반으로 측정할 목표의 초기 위치결정 추정값을 결정하도록 구성되는 제7 결정 하위 유닛 ― 제2 소정 대각 행렬은 측정할 목표의 좌표값, 목표 기지국의 좌표값, 및 측정할 목표와 목표 기지국 사이의 거리 추정값으로 구성되는 행렬임 ― 을 포함한다.
일 실시예에 있어서, 제2 결정 모듈(320)은,
측정할 목표의 초기 위치결정 추정값과 목표 기지국 사이의 거리 측정 오차값을 결정하도록 구성되는 제3 결정 유닛; 거리 측정 오차값을 기반으로 대응하는 누적 분포 함수를 결정하도록 구성되는 제4 결정 유닛; 누적 분포 함수를 기반으로 대응하는 소정 오차 임계값을 결정하도록 구성되는 제5 결정 유닛; 및 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하도록 구성되는 제5 결정 유닛을 포함한다.
일 실시예에 있어서, 제3 결정 모듈(330)은,
2개의 측정할 목표 사이의 거리 측정 오차값, 및 측정할 목표와 목표 기지국 사이의 거리 측정 오차값으로 제1 행렬을 구성하도록 구성되는 제7 결정 유닛; 측정할 목표의 초기 위치결정 추정값와 추정 좌표값 사이의 차이값을 이용해 제2 행렬을 구성하도록 구성되는 제8 결정 유닛; 측정할 목표와 목표 기지국 사이의 거리 측정값, 및 2개의 측정할 목표 사이의 이전 거리 추정값을 이용해 제3 행렬을 구성하도록 구성되는 제9 결정 유닛; 소정 위치결정 모델을 기반으로 제1 행렬, 제2 행렬 및 제3 행렬에 따라 대응하는 제4 행렬을 결정하도록 구성되는 제10 결정 유닛; 측정할 목표의 추정 좌표값과 초기 위치결정 추정값 사이의 변화량이 소정 문턱값보다 작을 때까지, 가중 최소 제곱법, 제4 행렬, 제3 행렬 및 소정 공분산 행렬을 기반으로 제2 행렬에 대해 재귀적 계산을 수행하도록 구성되는 계산 유닛; 및 소정 문턱값보다 작은 대응하는 초기 위치결정 추정값을 측정할 목표의 위치로 사용하도록 구성되는 제11 결정 유닛을 포함한다.
일 실시예에 있어서, 제1 소정 위치결정 알고리즘은 Chan 알고리즘이다.
도 9는 본 출원 실시예에 따른 디바이스의 구조도이다. 도 9에 도시된 바와 같이, 본 출원에서 제공하는 디바이스는 프로세서(410), 메모리(420)를 포함한다. 상기 디바이스 중 프로세서(410)의 수량은 하나 또는 복수일 수 있으며, 도 9는 하나의 프로세서(410)를 예로 들어 도시하였다. 상기 디바이스 중 메모리(420)의 수량은 하나 또는 복수일 수 있으며, 도 9는 하나의 메모리(420)를 예로 들어 도시하였다. 상기 디바이스의 프로세서(410) 및 메모리(420)는 버스 또는 기타 방식에 의해 연결될 수 있다. 도 9는 버스에 의한 연결을 예로 들어 도시하였다. 상기 실시예에 있어서, 상기 디바이스는 컴퓨터 디바이스이다.
메모리(420)는 일종의 컴퓨터 판독 가능 저장 매체로, 소프트웨어 프로그램, 컴퓨터 실행 가능 프로그램 및 모듈을 저장하도록 설치될 수 있다. 예를 들어 본 출원의 임의 실시예에 따른 디바이스에 대응하는 프로그램 명령/모듈(예를 들어, 협력 위치결정 장치 중의 제1 결정 모듈(310), 제2 결정 모듈(320) 및 제3 결정 모듈(330))이 있다. 메모리(420)는 프로그램 저장 영역 및 데이터 저장 영역을 포함할 수 있다. 여기에서 프로그램 저장 영역은 운영 체제, 적어도 하나의 응용 프로그램을 저장할 수 있다. 데이터 저장 영역은 디바이스의 사용에 따라 생성된 데이터 등을 저장할 수 있다. 또한 메모리(420)는 고속 랜덤 액세스 메모리를 포함할 수 있으며, 비휘발성 메모리를 포함할 수도 있다. 예를 들어, 적어도 하나의 자기 디스크 메모리, 플래시 메모리, 또는 기타 비휘발성 고체 메모리가 있다. 일부 실시예에 있어서, 메모리(420)는 프로세서(410)에 대해 원격 설치된 메모리를 포함할 수 있다. 이러한 원격 메모리는 네트워크에 의해 디바이스에 연결될 수 있다. 상술한 네트워크의 예시에는 인터넷, 기업 내부망, 근거리 통신망, 이동통신망 및 이의 조합이 포함되나 이에 한정되지 않는다.
상기에서 제공하는 디바이스는 상술한 임의 실시예에서 제공하는 협력 위치결정 방법을 실행하도록 설치될 수 있으며, 상응하는 기능과 효과를 갖는다.
본 출원의 실시예는 컴퓨터 실행 가능 명령을 포함하는 저장 매체를 더 제공한다. 컴퓨터 실행 가능 명령은 컴퓨터 프로세서가 실행될 때 협력 위치결정 방법을 실행하는 데 사용된다. 상기 방법은 시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 측정할 목표의 초기 위치결정 추정값을 결정하는 단계; 소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하는 단계 ― 상기 적어도 2개의 거리 측정값은 각 측정할 목표와 목표 기지국에 대해 적어도 2회의 측정을 수행하여 획득한 거리임 ― ; 및 복수 목표 소스의 테일러 시리즈 알고리즘, 상기 목표 거리 측정값 및 상기 초기 위치결정 추정값을 기반으로 측정할 목표의 위치를 결정하는 단계를 포함한다.
사용자 장치라는 용어는 예를 들어 이동 전화, 휴대용 데이터 처리 장치, 휴대용 웹 브라우저 또는 차량 탑재 이동국과 같이 임의 적합한 유형의 무선 사용자 장치를 포함한다.
일반적으로, 본 출원의 다양한 실시예는 하드웨어 또는 특수 목적 회로, 소프트웨어, 로직, 또는 이들의 임의 조합으로 구현될 수 있다. 예를 들어, 일부 양태는 하드웨어로 구현될 수 있으며, 다른 양태는 컨트롤러, 마이크로프로세서 또는 기타 컴퓨팅 장치에 의해 실행될 수 있는 펌웨어 또는 소프트웨어로 구현될 수 있다. 본 출원은 이에 한정되지 않는다.
본 출원의 실시예는 이동 장치의 데이터 프로세서에 의한 컴퓨터 프로그램 명령의 실행에 의해 구현될 수 있다. 예를 들어 프로세서 엔티티에서, 또는 하드웨어에 의해, 또는 소프트웨어와 하드웨어의 조합에 의해 구현될 수 있다. 컴퓨터 프로그램 명령은 어셈블러 명령어, 명령어 세트 아키텍처(Instruction Set Architecture, ISA) 명령어, 기계 명령어, 기계 관련 명령어, 마이크로코드, 펌웨어 명령어, 상태 설정 데이터, 또는 하나 이상의 프로그래밍 언어의 임의 조합으로 작성된 소스 코드 또는 객체 코드일 수 있다.
본 출원 첨부 도면에서 임의 논리 흐름의 블록도는 프로그램 단계를 나타낼 수 있다. 또는 상호 연결된 논리 회로, 모듈 및 기능을 나타낼 수 있다. 또는 프로그램 단계와 논리 회로, 모듈 및 기능의 조합을 나타낼 수 있다. 컴퓨터 프로그램은 메모리에 저장할 수 있다. 메모리는 로컬 기술 환경에 적합한 임의 유형일 수 있으며, 적합한 임의 데이터 저장 기술을 사용해 구현할 수 있다. 예를 들어 ROM(Read-Only Memory), RAM(Random Access Memory), 광학 메모리 장치 및 시스템(DVD(Digital Video Disc) 또는 CD(Compact Disk)) 등이 있으나 이에 한정되지 않는다. 컴퓨터 판독 가능 매체는 비일시적 저장 매체를 포함할 수 있다. 데이터 프로세서는 로컬 기술 환경에 적합한 임의 유형일 수 있다. 예를 들어 범용 컴퓨터, 특수 목적 컴퓨터, 마이크로프로세서, DSP(Digital Signal Processing), ASIC(Application Specific Integrated Circuit), FPGA(Field-Programmable Gate Array) 및 멀티코어 프로세서 아키텍처 기반의 프로세서를 포함하나 이에 한정되지 않는다.

Claims (11)

  1. 협력 위치결정 방법에 있어서,
    시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 복수의 측정할 목표 중 각 측정할 목표의 초기 위치결정 추정값을 결정하는 단계;
    소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하는 단계 ― 상기 적어도 2개의 거리 측정값은 각 측정할 목표와 복수의 목표 기지국 중 각 목표 기지국 사이의 거리에 대해 적어도 2회의 측정을 수행하여 획득한 측정값임 ― ; 및
    복수 목표 소스의 테일러 시리즈 알고리즘, 각 목표 거리 측정값 및 각 초기 위치결정 추정값을 기반으로 각 측정할 목표의 위치를 결정하는 단계를 포함하는,
    협력 위치결정 방법.
  2. 제1항에 있어서,
    상기 시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 복수의 측정할 목표 중 각 측정할 목표의 초기 위치결정 추정값을 결정하는 단계는,
    상기 시뮬레이션된 어닐링 알고리즘을 기반으로 각 측정할 목표의 초기 좌표 추정값을 결정하는 단계; 및
    상기 제1 소정 위치결정 알고리즘 및 상기 초기 좌표 추정값을 기반으로 상기 측정할 목표의 초기 위치결정 추정값을 결정하는 단계를 포함하는,
    협력 위치결정 방법.
  3. 제2항에 있어서,
    상기 시뮬레이션된 어닐링 알고리즘을 기반으로 각 측정할 목표의 초기 좌표 추정값을 결정하는 상기 단계는,
    무작위로 생성된 초기 좌표값과 상기 거리 측정값을 기반으로 소정 목표 함수를 계산하는 단계;
    상기 무작위로 생성된 2개의 초기 좌표값에 각각 대응하는 2개의 소정 목표 함수 사이의 증분값을 결정하는 단계; 및
    상기 증분값이 소정 준칙을 충족하고, 현재 반복 횟수가 소정 반복 횟수 임계값에 도달하고, 그리고 상기 시뮬레이션된 어닐링 알고리즘 중의 현재 온도가 종료 온도에 도달한 경우, 무작위로 생성된 최신 초기 좌표값을 상기 측정할 목표의 초기 좌표 추정값으로 사용하는 단계를 포함하는,
    협력 위치결정 방법.
  4. 제3항에 있어서,
    상기 소정 준칙은,
    상기 증분값이 0보다 작거나 같은 경우, 상기 무작위로 생성된 최신 초기 좌표값을 수용하고, 상기 시뮬레이션된 어닐링 알고리즘 중의 현재 온도를 강하시키는 준칙; 및
    상기 증분값이 0보다 큰 경우, 제1 소정 확률로 상기 무작위로 생성된 최신 초기 좌표값을 수용하는 준칙 중 하나를 포함하는,
    협력 위치결정 방법.
  5. 제2항에 있어서,
    상기 제1 소정 위치결정 알고리즘 및 상기 초기 좌표 추정값을 기반으로 각 측정할 목표의 초기 위치결정 추정값을 결정하는 상기 단계는,
    상기 초기 좌표 추정값을 기반으로 상기 제1 소정 위치결정 알고리즘 중의 제1 소정 대각 행렬을 계산하는 단계 ― 상기 제1 소정 대각 행렬은 각 목표 기지국과 상기 측정할 목표 사이의 실제 거리로 구성되는 행렬임 ― ;
    상기 제1 소정 대각 행렬 및 소정 노이즈 벡터 공분산 행렬을 기반으로 계산하여 1차 추정값을 획득하는 단계;
    상기 1차 추정값 및 소정 추정 오차를 기반으로 2차 추정값을 획득하는 단계; 및
    상기 2차 추정값, 제2 소정 대각 행렬 및 하나의 목표 기지국의 공지된 좌표값을 기반으로 상기 측정할 목표의 초기 위치결정 추정값을 결정하는 단계 ― 상기 제2 소정 대각 행렬은 상기 1차 추정값 중 상기 측정할 목표의 좌표값, 상기 하나의 목표 기지국의 공지된 좌표값, 및 상기 1차 추정값 중 상기 측정할 목표와 각 목표 기지국 사이의 거리 추정값으로 구성되는 행렬임 ― 를 포함하는,
    협력 위치결정 방법.
  6. 제1항에 있어서,
    소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하는 상기 단계는,
    각 측정할 목표의 초기 위치결정 추정값과 각 목표 기지국 사이의 거리 측정 오차값을 결정하는 단계;
    상기 거리 측정 오차값을 기반으로 누적 분포 함수를 결정하는 단계;
    상기 누적 분포 함수를 기반으로 상기 소정 오차 임계값을 결정하는 단계; 및
    상기 소정 오차 임계값을 기반으로 상기 적어도 2개의 거리 측정값을 선택하여, 상기 목표 거리 측정값을 획득하는 단계를 포함하는,
    협력 위치결정 방법.
  7. 제1항에 있어서,
    복수 목표 소스의 테일러 시리즈 알고리즘, 상기 목표 거리 측정값 및 상기 초기 위치결정 추정값을 기반으로 상기 측정할 목표의 위치를 결정하는 상기 단계는,
    상기 측정할 목표의 수량이 2개인 경우, 2개의 측정할 목표 사이의 거리 측정 오차값, 및 각 측정할 목표와 각 목표 기지국 사이의 거리 측정 오차값으로 제1 행렬을 구성하는 단계;
    각 측정할 목표의 초기 위치결정 추정값과 추정 좌표값 사이의 차이값을 이용해 제2 행렬을 구성하는 단계;
    각 측정할 목표와 각 목표 기지국 사이의 목표 거리 측정값, 및 상기 2개의 측정할 목표 사이의 이전 거리 추정값을 이용해 제3 행렬을 구성하는 단계;
    소정 위치결정 모델을 기반으로 상기 제1 행렬, 상기 제2 행렬 및 상기 제3 행렬에 따라 제4 행렬을 결정하는 단계;
    각 측정할 목표의 추정 좌표값과 초기 위치결정 추정값 사이의 변화량이 소정 문턱값보다 작을 때까지, 가중 최소 제곱법, 상기 제4 행렬, 상기 제3 행렬 및 소정 공분산 행렬을 기반으로 상기 제2 행렬에 대해 재귀적 계산을 수행하는 단계; 및
    상기 소정 문턱값보다 작은 상기 변화량에 대응하는 초기 위치결정 추정값을 상기 측정할 목표의 위치로 사용하는 단계를 포함하는,
    협력 위치결정 방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    상기 제1 소정 위치결정 알고리즘은 Chan 알고리즘인,
    협력 위치결정 방법.
  9. 협력 위치결정 장치에 있어서,
    시뮬레이션된 어닐링 알고리즘 및 제1 소정 위치결정 알고리즘을 채택하여 복수의 측정할 목표 중 각 측정할 목표의 초기 위치결정 추정값을 결정하도록 구성되는 제1 결정 모듈;
    소정 오차 임계값을 기반으로 적어도 2개의 거리 측정값을 선택하여, 목표 거리 측정값을 획득하도록 구성되는 제2 결정 모듈 ― 상기 적어도 2개의 거리 측정값은 각 측정할 목표와 목표 기지국 사이의 거리에 대해 적어도 2회의 측정을 수행하여 획득한 측정값임 ― ; 및
    복수 목표 소스의 테일러 시리즈 알고리즘, 각 목표 거리 측정값 및 각 초기 위치결정 추정값을 기반으로 각 측정할 목표의 위치를 결정하도록 구성되는 제3 결정 모듈을 포함하는,
    협력 위치결정 장치.
  10. 메모리, 및 적어도 하나의 프로세서를 포함하는 디바이스에 있어서,
    상기 메모리는 적어도 하나의 프로그램을 저장하도록 구성되고,
    상기 적어도 하나의 프로그램이 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서가 제1항 내지 제8항 중 어느 한 항에 따른 협력 위치결정 방법이 구현되는,
    디바이스.
  11. 프로세서에 의해 실행될 때 제1항 내지 제8항 중 어느 한 항에 따른 협력 위치결정 방법이 구현되는 컴퓨터 프로그램이 저장된 저장 매체.
KR1020227021724A 2020-04-10 2021-03-03 협력 위치결정 방법, 장치, 디바이스 및 저장 매체 KR20220101195A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202010280268.0A CN111896914A (zh) 2020-04-10 2020-04-10 一种协同定位方法、装置、设备和存储介质
CN202010280268.0 2020-04-10
PCT/CN2021/078794 WO2021203871A1 (zh) 2020-04-10 2021-03-03 协同定位方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
KR20220101195A true KR20220101195A (ko) 2022-07-19

Family

ID=73206180

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227021724A KR20220101195A (ko) 2020-04-10 2021-03-03 협력 위치결정 방법, 장치, 디바이스 및 저장 매체

Country Status (6)

Country Link
US (1) US20230077304A1 (ko)
EP (1) EP4134697A4 (ko)
JP (1) JP7344389B2 (ko)
KR (1) KR20220101195A (ko)
CN (1) CN111896914A (ko)
WO (1) WO2021203871A1 (ko)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111896914A (zh) * 2020-04-10 2020-11-06 中兴通讯股份有限公司 一种协同定位方法、装置、设备和存储介质
CN114598987A (zh) * 2020-12-04 2022-06-07 大唐移动通信设备有限公司 定位方法、装置、电子设备及计算机可读存储介质
CN112558078A (zh) * 2020-12-10 2021-03-26 湖南国天电子科技有限公司 一种基于多站的轨迹被动跟踪方法
CN112714395B (zh) * 2020-12-22 2022-09-06 福州数据技术研究院有限公司 一种室内定位方法和存储设备
CN113391266B (zh) * 2021-05-28 2023-04-18 南京航空航天大学 基于非圆多嵌套阵降维子空间数据融合的直接定位方法
CN113405539B (zh) * 2021-06-21 2023-04-07 浙江建设职业技术学院 地下管道测绘方法及***
CN113891245B (zh) * 2021-11-17 2024-04-26 西安邮电大学 一种火场消防员协同接力定位方法
CN114143712B (zh) * 2021-12-09 2023-06-16 中国地质调查局水文地质环境地质调查中心 一种监测方法、装置及存储介质
CN114142954B (zh) * 2021-12-10 2022-10-14 上海交通大学 应用于多干扰源检测与定位的无人机方法及***
CN114415113B (zh) * 2022-01-14 2022-12-09 深圳锦沃科技有限公司 室内定位方法、装置、计算机设备及存储介质
CN114666732B (zh) * 2022-03-15 2024-05-10 江苏科技大学 一种含噪网络下动目标定位解算及误差评价方法
CN115267644A (zh) * 2022-07-19 2022-11-01 广州伟宏智能科技有限公司 电能表失准检测方法以及装置
CN115184979B (zh) * 2022-09-08 2022-11-25 中交第一航务工程局有限公司 船管相对位置监测方法、***、计算机设备及存储介质
CN115493598B (zh) * 2022-11-15 2023-03-10 西安羚控电子科技有限公司 运动过程中的目标定位方法、装置及存储介质
CN116801380B (zh) * 2023-03-23 2024-05-28 昆明理工大学 基于改进全质心-Taylor的UWB室内定位方法
CN116761253B (zh) * 2023-08-17 2023-10-20 湘江实验室 一种基于三角形面积的uwb加权定位方法
CN117528413A (zh) * 2023-10-13 2024-02-06 大连浩如科技有限公司 一种基于多维尺度变换的uwb基站自标定方法
CN117194854B (zh) * 2023-11-01 2024-02-27 辽宁天衡智通防务科技有限公司 基于改进Chan算法的三维定位方法和装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150201309A1 (en) * 2008-06-12 2015-07-16 Board Of Trustees Of Northern Illinois University System and method for wireless positioning and location determination
US9091746B2 (en) * 2010-07-01 2015-07-28 Qualcomm Incorporated Determination of positions of wireless transceivers to be added to a wireless communication network
WO2012016355A1 (en) * 2010-08-05 2012-02-09 Telefonakietolaget Lm Ericsson (Publ) Method of and system for locating the position of user equipment
JP2016090311A (ja) * 2014-10-31 2016-05-23 三菱電機株式会社 測位装置
KR101589269B1 (ko) * 2014-12-12 2016-01-27 한국항공우주연구원 위치 추정 방법 및 장치
CN105137391B (zh) * 2015-09-17 2018-01-19 中国矿业大学(北京) 基于tdoa的css精确定位方法
CN109186609A (zh) * 2018-10-09 2019-01-11 南京航空航天大学 基于KF算法、Chan算法及Taylor算法的UWB定位方法
CN109375165B (zh) * 2018-11-22 2021-12-14 中电科思仪科技股份有限公司 一种tdoa多测量站的定位方法
CN111896914A (zh) * 2020-04-10 2020-11-06 中兴通讯股份有限公司 一种协同定位方法、装置、设备和存储介质

Also Published As

Publication number Publication date
JP2023506803A (ja) 2023-02-20
CN111896914A (zh) 2020-11-06
WO2021203871A1 (zh) 2021-10-14
EP4134697A1 (en) 2023-02-15
JP7344389B2 (ja) 2023-09-13
US20230077304A1 (en) 2023-03-09
EP4134697A4 (en) 2024-04-24

Similar Documents

Publication Publication Date Title
KR20220101195A (ko) 협력 위치결정 방법, 장치, 디바이스 및 저장 매체
Zhuang et al. Autonomous smartphone-based WiFi positioning system by using access points localization and crowdsourcing
US8040859B2 (en) Identification of the location of nodes distributed in ad hoc networks
CN102395200B (zh) 无线传感器网络中节点定位方法及装置
CN108235247B (zh) 一种节点定位方法及其装置
CN105745522A (zh) 确定不同传感器的压力的校准测量
KR20190017454A (ko) 인공 신경망을 이용한 자기장 기반 위치 추정 모델 생성 장치 및 방법
US20170171714A1 (en) Positioning of mobile device
US20150003265A1 (en) A-priori information in indoor positioning
KR101252531B1 (ko) 적응적 칼만필터를 이용한 목표 위치추적장치
CN113935402B (zh) 时差定位模型的训练方法、装置及电子设备
CN113189541B (zh) 一种定位方法、装置及设备
CN112995893B (zh) 一种指纹定位方法、***、服务器和存储介质
CN105187139A (zh) 一种基于群智感知的室外无线信号接收强度地图构建方法
CN105407496A (zh) 一种识别无线传感器网络中错误测量值的方法
Huang et al. The CRLB for WSNs location estimation in NLOS environments
KR20190042540A (ko) 인공 신경망을 이용한 자기장 기반 위치 추정 모델 생성 장치 및 방법
CN101651886A (zh) 预测移动终端位置的方法及装置
Will et al. The FU Berlin parallel lateration-algorithm simulation and visualization engine
KR102124763B1 (ko) Wi-Fi 환경에서 칼만필터와 입자필터를 혼용한 이동물체 위치추적 방법
Xing et al. A robust wireless sensor network localization algorithm in NLOS environment
CN114089273B (zh) 一种基于gps及uwb的运动平台定位方法
TWI764842B (zh) 基於眾包校正的測距型定位系統及方法
US10330772B2 (en) Determining a location of a device
CN112714395B (zh) 一种室内定位方法和存储设备