一种基于改进的无迹卡尔曼滤波的室内测距定位方法技术

本发明专利技术公开了一种基于改进的无迹卡尔曼滤波的室内测距定位方法，包括选用卡尔曼滤波对接收到的RSSI值进行预处理得出状态向量的最优估计；采用最小二乘法对经过卡尔曼滤波处理过的RSSI值进行数据拟合，得出当前实验环境下的两个环境参数

An indoor location method based on improved unscented Calman filter

The invention discloses a method based on improved unscented filter Calman indoor localization method, including the selection of Calman filter to the received RSSI value for optimal estimation of the state vector that pretreatment of data fitting; after Calman filter treated RSSI value by using the least square method, the two environmental parameters in the current experimental environment. The

【技术实现步骤摘要】
一种基于改进的无迹卡尔曼滤波的室内测距定位方法
本专利技术涉及一种基于改进的无迹卡尔曼滤波的室内测距定位方法，属于室内测距定位

技术介绍
当今时代，随着移动通信和无线传感器网络技术的发展，基于位置的服(Location-BasedServices,LBS)受到了人们的广泛关注，如文献ERYABO,RALPHWP.Theoryandpracticeofsimultaneousdatareconciliationagrosserrordetectionforchemicalprocesses[J].ComputersandChemicalEngineering,2004,28(3):381-402。对于室外定位系统，全球导航卫星系统(GlobalNavigationSatelliteSystem,GNSS)能够提供精确定位，应用广泛，如文献ZHENL,FANGHJ.ModifiedstatepredictionalgorothmbasedonUKF[J].JournalofSystemsEngineeringandElectronics.2013,24(1):135-140。在建筑密集区或者复杂的室内环境中，由于受到建筑物的影响，卫星信号强度大大衰减，使用受限甚至不能完成定位。因此室内定位研究受到广泛关注。室内定位算法分为基于测距定位算法和非测距定位算法，ZHENL,FANGHJ.ModifiedstatepredictionalgorothmbasedonUKF[J].JournalofSystemsEngineeringandElectronics.2013,24(1):135-140。基于非测距的定位方法是利用网络连通性等信息实现节点定位，如近似三角形内点测试算法(ApproximatePoint-In-TriangulationTest,APIT)，如冯秀芳,崔秀锋,祈会波.无线传感器网络中基于移动锚节点的APIT的改进定位算法[J]，传感技术学报,2011,24(2):269-274]、DV-Hop(DistanceVector-hop)等；基于测距的定位方法是通过测量节点间的角度或距离等信息，通过三边测量或最大似然估计来计算节点的位置，定位精度相对较高，如GARGV,JHAMBM.AReviewofWirelessSensorNetworkonLocalizationTechniques[J].InternationalJournalofEngineeringTrendsandTechnology,2013,4(4):1049－1053。早期Hightower等人[HIGHTOWERJ，WANTR，BORRIELLOG.SpotON:AnIndoor3DLocationSensingTechnologyBasedonRFSignalStrength[D].UWCSE00－02－02，UniversityofWashington，DepartmentofComputerScienceandEngineering，Seattle，WA，2000，1]通过接收信号强度(RSSI，ReceivedSignalStrengthIndicator)测距方法来估计两点间的距离，通过节点间的相互位置来进行定位，但室内环境对该方法的精度造成严重影响。文献[MINGHUIZ,HUIQINGZ.ResearchonModelofIndoorDistanceMeasurementBasedonReceivingSignalStrength[C]//ComputerDesignandApplications(ICCDA),2010InternationalConferenceon.IEEE,2010,5:54－58]采用线性回归法分析测距模型中的两个参数(距离发射节点1m的RSSI值和路径损耗指数)，但仍不能抑制非视距(NLOS)误差。文献[张亚明,史浩山,刘燕,等.基于抗差估计方法的WSN节点定位算法研究[J].传感技术学报,2014,27(8):1088－1093]借助抗差估计理论，对不同的误差进行降权和剔除等处理，提高定位精度。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于改进的无迹卡尔曼滤波的室内测距定位方法，改善测距误差，提高定位精度。为解决上述技术问题，本专利技术提供一种基于改进的无迹卡尔曼滤波的室内测距定位方法，包括以下步骤：1)在室内布置n个锚节点，n≥3，用于发射信号，锚节点位置固定，且坐标已知，目标节点作为接收节点，位置可移动，用于接收锚节点发送的RSSI值；2)选用卡尔曼滤波对接收到的RSSI值进行预处理得出状态向量的最优估计；3)采用最小二乘法对经过卡尔曼滤波处理过的RSSI值进行数据拟合，得出当前实验环境下的两个环境参数A和m，A为信号传输距离1m远时接收信号的功率，m为与环境有关的路径散逸指数；4)用改进的无迹卡尔曼滤波方法对RSSI值进行二次处理，得出锚节点和目标节点间的距离值；5)将步骤4)中求得的锚节点和目标节点间的距离值通过三边测量法估计出未知节点位置坐标。前述的步骤2)中，卡尔曼滤波过程具体步骤如下：2-1)预测状态估计值：2-2)预测状态误差协方差矩阵：P(k|k-1)＝φ(k|k-1)+ψ(k|k-1)Q(k-1)ψT(k|k-1)2-3)修正状态误差协方差矩阵：P(k)＝[I-KkH(k)]P(k|k-1)其中，Kk＝P(k|k-1)HT(k)[H(k)P(k|k-1)×HT(k)+R(k)]-12-4)修正状态估计值，得出状态向量的最优估计：其中:为已知测量值y(k)时，k时刻的修正状态估计值，为k时刻的前一刻k-1时刻的状态估计值，为用k时刻的前一刻k-1时刻的状态估计值对k时刻的预测状态估计值，φ(k|k-1)为k-1时刻到k时刻的一步转移矩阵，P(k|k-1)为预测状态误差协方差矩阵，P(k)为修正状态误差协方差矩阵，ψ(k|k-1)为系统噪声驱动矩阵，I为单位矩阵，Kk为卡尔曼增益矩阵，H(k)为k时刻的系统测量矩阵，R(k)为k时刻的系统观测噪声方差阵，Q(k-1)为k-1时刻的系统过程方差阵。前述的步骤4)中，改进的无迹卡尔曼滤波方法是指基于对数鲁棒函数的无迹卡尔曼滤波改进方法。前述的基于对数鲁棒函数的无迹卡尔曼滤波改进方法，具体如下：4-1)无线局域网定位系统是离散非线性系统，待定节点位置不变，状态方程为线性方程：s(k)＝s(k-1)+ω(k)其中，s(k)表示k时刻锚节点和目标节点间的距离值，ω(k)表示状态误差，假定满足ω(k)～N{0,Q(k)}，Q(k)为k时刻系统过程方差阵；观测方程是非线性方程：z(k)＝g(s(k))+υ(k)其中，z(k)表示k时刻的经过卡尔曼滤波处理过后的RSSI值，υ(k)表示观测误差，满足υ(k)～N{0,R(k)}，R(k)为k时刻的系统观测噪声方差阵，g(s(k))＝A-10mlg(s(k))4-2)采用对数鲁棒函数对系统过程方差阵进行动态校正，首先构造目标函数ρ(r(k))：其中，c是可调参数，r(k)为k时刻的相对残差值，为先验测量值，z(k)为实际测量值即k时刻的经过卡尔本文档来自技高网...

【技术保护点】
一种基于改进的无迹卡尔曼滤波的室内测距定位方法，其特征在于，包括以下步骤：1)在室内布置n个锚节点，n≥3，用于发射信号，锚节点位置固定，且坐标已知，目标节点作为接收节点，位置可移动，用于接收锚节点发送的RSSI值；2)选用卡尔曼滤波对接收到的RSSI值进行预处理得出状态向量的最优估计；3)采用最小二乘法对经过卡尔曼滤波处理过的RSSI值进行数据拟合，得出当前实验环境下的两个环境参数A和m，A为信号传输距离1m远时接收信号的功率，m为与环境有关的路径散逸指数；4)用改进的无迹卡尔曼滤波方法对RSSI值进行二次处理，得出锚节点和目标节点间的距离值；5)将步骤4)中求得的锚节点和目标节点间的距离值

【技术特征摘要】
1.一种基于改进的无迹卡尔曼滤波的室内测距定位方法，其特征在于，包括以下步骤：1)在室内布置n个锚节点，n≥3，用于发射信号，锚节点位置固定，且坐标已知，目标节点作为接收节点，位置可移动，用于接收锚节点发送的RSSI值；2)选用卡尔曼滤波对接收到的RSSI值进行预处理得出状态向量的最优估计；3)采用最小二乘法对经过卡尔曼滤波处理过的RSSI值进行数据拟合，得出当前实验环境下的两个环境参数A和m，A为信号传输距离1m远时接收信号的功率，m为与环境有关的路径散逸指数；4)用改进的无迹卡尔曼滤波方法对RSSI值进行二次处理，得出锚节点和目标节点间的距离值；5)将步骤4)中求得的锚节点和目标节点间的距离值通过三边测量法估计出未知节点位置坐标。2.根据权利要求1所述的一种基于改进的无迹卡尔曼滤波的室内测距定位方法，其特征在于，所述步骤2)中，卡尔曼滤波过程具体步骤如下：2-1)预测状态估计值：2-2)预测状态误差协方差矩阵：P(k|k-1)＝φ(k|k-1)+ψ(k|k-1)Q(k-1)ψT(k|k-1)2-3)修正状态误差协方差矩阵：P(k)＝[I-KkH(k)]P(k|k-1)其中，Kk＝P(k|k-1)HT(k)[H(k)P(k|k-1)×HT(k)+R(k)]-12-4)修正状态估计值，得出状态向量的最优估计：其中:为已知测量值y(k)时，k时刻的修正状态估计值，为k时刻的前一刻k-1时刻的状态估计值，为用k时刻的前一刻k-1时刻的状态估计值对k时刻的预测状态估计值，φ(k|k-1)为k-1时刻到k时刻的一步转移矩阵，P(k|k-1)为预测状态误差协方差矩阵，P(k)为修正状态误差协方差矩阵，ψ(k|k-1)为系统噪声驱动矩阵，I为单位矩阵，Kk为卡尔曼增益矩阵，H(k)为k时刻的系统测量矩阵，R(k)为k时刻的系统观测噪声方差阵，Q(k-1)为k-1时刻的系统过程方差阵。3.根据权利要求1所述的一种基于改进的无迹卡尔曼滤波的室内测距定位方法，其特征在于，所述步骤4)中，改进的无迹卡尔曼滤波方法是指基于对数鲁棒函数的无迹卡尔曼滤波改进方法。4.根据权利要求3所述的一种基于改进的无迹卡尔曼滤波的室内测距定位方法，其特征在于，所述基于对数鲁棒函数的无迹卡尔曼滤波改进方法，具体如下：4-1)无线局域网定位系统是离散非线性系统，待定节点位置不变，状态方程为线性方程：s(k)＝s(k-1)+ω(k)其中，s(k)表示k时刻锚节点和目标节点间的距离值，ω(k)表示状态误差，假定满足ω(k)～N{0,Q(k)}，Q(k)为k时刻系统过程方差阵；观测方程是非线性方程：z(k)＝g(s(k))+υ(k)其中，z(k)表示k时刻的经过卡尔曼滤波处理过后的RSSI值，υ(k)表示观测误差，满足υ(k)～N{0,R(k)}，R(k)为k时刻的系统观测噪声方差阵，g(s(k))＝A-10mlg(s(k))4-2)采用对数鲁棒函数对系统过程方差阵进行动态校正，首先构造目标函数ρ(r(k))：其中，c是可调参数，r(k)为k时刻的相对残差值，为先验测量值，z(k)为实际测量值即k时刻的经过卡尔曼滤波处理过后的RSSI值，σ(k)为测量值标准差；该鲁棒估计的影响函数ψ(r(k))为：则对数鲁棒函数的联合权函数I(r(k))为：4-3)在滤波过程中，取先验测量值与实际测量值z(k)的相对残差作为r(k)校正系统过程方差阵的估计值，间接地使目标函数最小，因此，...

【专利技术属性】
技术研发人员：陈晓，邹胜男，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32