专利汇可以提供一种基于改进平方根无迹卡尔曼滤波的室内定位方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于改进平方根无迹卡尔曼滤波的室内 定位 方法。该 算法 为:首先建立所述融合室内定位方法中UWB的定位模型和行人航位推算PDR模型,然后根据残差 鉴别 法判据来判断UWB定位模型定位结果中是否存在NLOS判据,若存在NLOS,则通过改进平方根无迹卡尔曼滤波算法将惯导航位推算的坐标与UWB的定位坐标进行融合,对UWB解算坐标数据进行修正;若不存在NLOS,则采用UWB解析出当前坐标,完成实时定位。本发明利用行人航位推算PDR来补偿UWB 信号 丢失或非视距的情况,提高了系统的定位 精度 ,具有精度高和鲁棒性强的优点。,下面是一种基于改进平方根无迹卡尔曼滤波的室内定位方法专利的具体信息内容。
1.一种基于改进平方根无迹卡尔曼滤波的室内定位方法,其特征在于,包括以下步骤:
步骤1:建立UWB定位模型;
步骤2:建立行人航位推算PDR模型;
步骤3:建立UWB/PDR组合定位模型;
步骤4:建立改进平方根无迹卡尔曼滤波算法;
步骤5:使用UWB进行实时定位,同时惯导依据初始位置进行行人航位推算,接收到TDOA数据后,用残差鉴别法鉴别是否存在NLOS情况:
若存在NLOS,则通过改进平方根无迹卡尔曼滤波算法将惯导航位推算的坐标与UWB的定位坐标进行融合,对UWB解算坐标数据进行修正,重复步骤5;
若不存在NLOS,则采用UWB解析出当前坐标,完成实时定位。
2.根据权利要求1所述的基于改进平方根无迹卡尔曼滤波的室内定位方法,其特征在于,步骤1所述的建立UWB定位模型,具体如下:
在三维空间中,利用4个传感器所得到的TDOA测量值来估算待定位节点的位置,设定基站传感器的坐标为(xi,yi,zi),其中i=1,2,3,4,待定位点A的坐标为(x,y,z),则第i个定位基站到A点的距离Ri为:
其中Ki=xi2+yi2+zi2;
设定第一个定位基站为主传感器,则定位目标到从传感器和到主传感器之间的距离差为Ri,1,信号传播时间差,即TDOA测量值为ti,1,则:
Ri,1=cti,1=Ri-R1 (2)
其中c为传输信号的速率即光速;
根据式(1)和式(2)得:
在式(1)中,令i=1,则得:
R12=K1-2x1x-2y1y-2z1z+x2+y2+z2 (4)
用式(3)减去式(4)得:
Ri,12+2Ri,1R1=Ki-K1-2(xi-x1)x-2(yi-y1)y-2(zi-z1)z (5)
设定传感器铺设在室内天花板上,高度为H,则zi=H;设定主传感器的坐标为(0,0,H),第二、三、四个传感器的坐标分别为:(x2,0,H)、(0,y3,H)、(x2,y3,H),由式(5)得:
解式(6)得:
式(7)中:
将x,y值代入式(6)求得R1值,将x,y,R1值代入式(4)求得z值,得到待定位目标的位置。
3.根据权利要求1所述的基于改进平方根无迹卡尔曼滤波的室内定位方法,其特征在于,步骤2所述的建立行人航位推算PDR模型,具体如下:
假设行人在室内二维平面中运动,对行人的运动进行超短时间采样,可将行人在此阶段的运动近似为直线运动;假设行人的初始位置坐标为M0(E0,N0),初始航向角为 行人t1时间内的移动距离为L0,得到行人的当前位置坐标M1(E1,N1):
由上,同理推出ti时刻的位置坐标Mi(Ei,Ni)为:
上式(9)中,(Ei-1,Ni-1)表示ti-1时刻的位置坐标, 为ti-1时刻的航向角,Li-1表示采样时间内的位移;
由式(9)知,行人航位推算PDR包括初始位姿、步频检测、步长估计和航向计算:
所述步频检测,通过峰值检测法,基于行人的行进过程中产生的行进方向和竖直方向的正负加速度,来确定行人的步频;
所述步长估计,根据行人的生理特征和行走习惯建立模型,得到步长估计;
所述航向计算,通过扩展卡尔曼滤波融合陀螺仪、加速度计和磁力计的数据,得到航向角估计值。
4.根据权利要求1所述的基于改进平方根无迹卡尔曼滤波的室内定位方法,其特征在于,步骤4所述的建立改进平方根无迹卡尔曼滤波算法,具体如下:
结合基于改进Sage-Husa自适应平方根无迹卡尔曼滤波算法和基于多重渐消因子强跟踪平方根无迹卡尔曼滤波算法,建立改进平方根无迹卡尔曼滤波算法,根据发散判据判断滤波器是否滤波发散,当未发散时,采用基于改进Sage-Husa自适应平方根无迹卡尔曼滤波算法,反之,则采用基于多重渐消因子强跟踪平方根无迹卡尔曼滤波算法;
当在滤波过程中趋近收敛时,通过简化观测噪声的协方差来提高计算效率,得k时刻的观测噪声协方差Rk如下:
式(10)中,Rk-1表示k-1时刻的观测噪声协方差,zk表示时k刻的观测量,为加权后k时刻的观测预测值,自适应因子dk=(1-b)/(1-bk),b为遗忘因子,取值范围为(0,1);误差协方差矩阵 表示k时刻的误差协方差平方根预测值;上标为T代表式该矩阵的
转置;Hk为是k时刻近似的观测转移矩阵,Hk的表达式如式(11)所示:
式(11)中, 表示第i个采样点误差协方差权重; 表示第i个采样点的观测预测
值;
当在滤波过程中趋近收敛时,误差协方差矩阵 逐渐减小,并且Hk是k时刻近似的观测转移矩阵,为有限常数,因此 的值逐渐减小,通过简化观测噪声的协方差来提高计算效率,将式(10)简化如下:
通过自适应调节参数Wk来调节自适应因子dk,从而自适应调节不同传感器噪声特性对于系统的影响,将式(12)转换为:
式(13)中,Ik为n×n的单位矩阵,Wk为自适应调节参数,Wk=diag(m1,...,mn),其中0<mi<1,i=1,…,n,diag()为由向量构成的对角矩阵;
自适应因子dk如式(14)所示:
dk=(dupper-dlower)·bk+dlower (14)
式中,dupper为自适应因子取值的上限,dlower为自适应因子取值的下限,dupper和dlower的取值范围均为(0,1],且dupper>dlower;b为遗忘因子,取值范围为(0.9,1);
通过调整dlower,进行对观测噪声协方差的更新;
估计观测噪声统计特性的方法为:
上式(15)(16)中, 是k-1时刻的观测噪声协方差的Cholesky因子更新值。
5.根据权利要求1所述的基于改进平方根无迹卡尔曼滤波的室内定位方法,其特征在于,步骤5中所述的用残差鉴别法鉴别是否存在NLOS情况,具体如下:
设定有N个UWB基站传感器,首先设定残差D:
其中c为光速,ti,1为信号到达传感器i和主传感器的传播时间差;
如果待定位目标和各传感器节点是LOS传播,则能够求得待定位节点的坐标;相反,待定位节点和传感器之间的非视距信道会使得TDOA的三个双曲线面相交于一个区域,此时目标位置不确定,设定残差阈值进行两种情况的判断。
6.根据权利要求1所述的基于改进平方根无迹卡尔曼滤波的室内定位方法,其特征在于,步骤5所述的通过改进平方根无迹卡尔曼滤波算法将惯导航位推算的坐标与UWB的定位坐标进行融合,对UWB解算坐标数据进行修正,具体如下:
步骤6.1、初始条件:
式(18)中,表示状态变量估计的初值,x0表示状态变量的初值,Px,0表示状态变量估计的误差协方差初值,Sx,0表示的Cholesky因子;且k时刻引入多重渐消因子后的状态变量误差协方差平方根预测初值 同Sx,0;
步骤6.2、状态变量预测:
根据状态变量 和误差协方差平方根Sx,k-1利用无迹变换得到2n+1个sigma点,如下:
式(19)中, 表示k-1时刻的第i个采样点,括号后的i或者i-n表示状态变量误差协方
2
差平方根矩阵的第i或者i-n列;λ=a ×(n+k)-n,其中a表示散布程度因子,取值范围为[10-6,1],n表示状态变量的维数,k表示辅助尺度因子,满足k+n≠0;
然后,根据式(19)对状态变量进行时间更新,见式(20)和(21):
式中, 表示第i个采样点的状态预测值, 表示第i个采样点的状态值, 表示k时刻的状态变量预测值, 表示第i个采样点期望的权重,具体见式(22):
其中误差协方差平方根Sx,k-1使用*Sx,k-1替换;
步骤6.3、引入多重渐消因子的状态变量误差协方差平方根预测:
前加*代表引入多重渐消因子后的各变量值;
k时刻未引入多重渐消因子的误差协方差平方根预测值 如式(24)所示,Pxz,k是状态量和观测量的误差协方差矩阵,如式(25)所示:
式中, 表示k时刻的误差协方差平方根预测值, 表示第i个采样点误差协方差权重,Qk是k时刻的系统噪声的方差,具体见式(26),sign()表示取符号位:
式中,b表示验前分布因子,取2;
可得到由 和 构造的sigma采样点 目 如下:
表示引入强跟踪后的第i个采样点的观测预测值;
从而获得k时刻引入多重渐消因子后的误差协方差平方根预测值如式(30)所示:
式(29)中ζk表示多重渐消因子;
步骤6.4、观测变量更新:
式中, 表示引入强跟踪后的第i个采样点的观测预测值; 为由 和 构造的
sigma采样点; 表示引入多重渐消因子后的加权后k时刻的观测预测值;
步骤6.5、观测变量误差协方差平方根更新:
其中,*Sz,k表示引入多重渐消因子后的观测变量误差协方差平方根更新值,*Pxz,k是状态量和观测量的误差协方差矩阵;
步骤6.6、卡尔曼增益更新*Kk为:
步骤6.7、状态变量 和状态变量误差协方差平方根*Sx,k更新:
重复步骤6.2至步骤6.7,得到在线最优状态估计。
7.根据权利要求4所述的基于改进平方根无迹卡尔曼滤波的室内定位方法,其特征在于,所述的发散判据,具体如下:
当滤波器未出现发散现象时, 序列是均值为0,方差阵为 的高斯噪声序
列,因此得到服从自由度为n的χ2分布的检验统计量,如式(39):
式中,zk表示k时刻的观测量,观测变量误差协方差平方根Sz,k的表达式为:
构造如下发散判据来判断滤波算法是否出现了发散现象:
H0:滤波器未出现发现现象;
H1:滤波器出现了发现现象;
根据式(39),如果 其中1-α是χ2分布的置信度,取值为95%,此时
则接受H0,此时滤波器处于未发散状态;否则接受H1,此时滤波器处于发散
状态。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于CML的智能变电站设备网络结点连锁失效风险分析方法 | 2020-05-08 | 991 |
一种公共卫生医疗信息区域平台新型架构和实现方法 | 2020-05-08 | 412 |
一种区块链共识方法及装置 | 2020-05-08 | 256 |
一种基于RPL路由协议的IPv6无线传感网时间同步方法 | 2020-05-11 | 440 |
信息的传输方法及装置、存储介质和电子装置 | 2020-05-11 | 195 |
一种数据库处理方法、装置、存储介质及电子设备 | 2020-05-08 | 738 |
功率控制的方法及装置、上行传输的发送方法及装置 | 2020-05-11 | 847 |
资源配置的确定、指示方法及装置 | 2020-05-11 | 762 |
直播视频的回看方法、装置、电子设备、系统及存储介质 | 2020-05-08 | 510 |
一种基于EMMC的分布式存储装置 | 2020-05-08 | 449 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。