基于分布式混合滤波的室内定位方法技术

基于分布式混合滤波的室内定位方法，假设室内有一移动物体，先对该移动物体建立连续动力学模型，模拟实际行驶情况；再将该物体移动时把模型的不精确和受到的干扰考虑成由随机扰动和非随机扰动构成的混合扰动信号；进一步采取分布式混合滤波，多个传感器观测目标，并且进行融合，在保障系统鲁棒性和抗干扰能力的前提下，对移动物体的位置(横坐标a和纵坐标b)进行实时高精度估计。估计结果可以满足实际应用的精度和实时性要求，并且无论使用的哪一种室内定位技术，算法都能很好地契合，满足室内定位的要求。

Indoor Location Method Based on Distributed Hybrid Filtering

Based on the indoor location method of distributed hybrid filtering, assuming that there is a moving object in the room, a continuous dynamic model is established to simulate the actual driving situation, then the inaccuracy of the model and the disturbance are considered as mixed disturbance signals composed of random disturbance and non-random disturbance when the object moves, and distributed hybrid filtering and multiple sensors are adopted. The target is observed and fused. On the premise of guaranteeing the robustness and anti-jamming ability of the system, the position of the moving object (abscissa and ordinate b) is estimated in real time and with high accuracy. The estimated results can meet the requirements of accuracy and real-time in practical application, and no matter which indoor positioning technology is used, the algorithm can fit well and meet the requirements of indoor positioning.

【技术实现步骤摘要】
基于分布式混合滤波的室内定位方法
本专利技术涉及一种物体的室内定位方法。
技术介绍
全球定位系统是一种基于卫星通讯的全球定位系统，能以良好的精度解决军事和民用领域中多种室外定位的问题。而室内由于建筑物的遮挡，会因为信号精度不足而接收不到足够的卫星信号进行定位。目前的室内定位技术主要是基于无线通信系统来实现定，主要有以下几种：Wi-Fi技术、蓝牙技术、红外线技术、超宽带技术、RFID技术、ZigBee技术和超声波技术。室内定位中，比较常用的是卡尔曼滤波算法。由于卡尔曼滤波在求解时不需要储存大量的观测数据，便于实时处理估计，因此卡尔曼滤波被广泛应用于动态数据处理中，尤其是GPS动态数据处理、导航等领域。同时，卡尔曼滤波是以最小均方误差为原则的最优线性滤波器，因此其具有较高的精度。但是卡尔曼滤波要求模型精确。而在室内定位中，模型会不精确，且会出现一些外在的非随机干扰，这些都会会导致卡尔曼滤波算法的估计效果下降。
技术实现思路
本专利技术解决现有技术的上述问题，提供一种基于分布式混合滤波的室内定位方法。本专利技术的工作原理如下：假设室内有一移动物体，先对该移动物体建立连续动力学模型，模拟实际移动情况；再将该物体模型的不精确和受到的干扰考虑成由随机扰动和非随机扰动构成的混合扰动信号；进一步采取分布式混合滤波，多个传感器观测目标，进行融合，提高精度。基于分布式混合滤波的室内定位估计方法，具体步骤包括：1)对室内的移动物体运动情况建立连续动力学模型；2)考虑复杂环境下的混合扰动以及模型的不精确，建立系统状态方程和输出方程，建立每个传感器的观测方程；3)根据每个传感器的观测值构建其相应的滤波器；4)给出系统误差模型，进一步给出基于最差非随机扰动的系统误差模型，设计并通过迭代算法求解每个滤波器的增益。进一步，步骤1)中，我们把室内环境建立成一个平面直角坐标系，然后用来表示移动物体的位置，其中a表示物体的横坐标，b表示物体的纵坐标。进一步，步骤2)中，考虑室内环境下的混合扰动和模型的不精确性，建立系统状态方程和每个传感器的观测方程包括以下步骤：(2.1)系统的状态方程为：x(k+1)＝Ax(k)+B0ω0(k)+B1ω(k)(1)其中，k表示当前离散化时刻，k+1表示下一离散化时刻，估计对象x表示物体的位置，即x＝[ab]T，上标"T"表示矩阵的转置，A表示估计对象x的状态转移矩阵，ω0表示均值为零方差为1的高斯白噪声，B0表示高斯白噪声ω0的输入矩阵，ω表示非随机有界扰动信号，B1表示非随机有界扰动信号ω的输入矩阵。(2.2)第i个传感器的观测方程为：yi(k)＝C2；ix(k)+D1；iω0(k)+Diω(k)(2)其中，k表示离散化时刻，yi表示第i个传感器的观测向量，x表示估计对象，C2；i表示第i个传感器的估计对象的观测矩阵，ω0表示均值为0方差为1的高斯白噪声，D1；i表示第i个传感器的高斯白噪声ω0的观测矩阵，ω是非随机有界扰动信号，Di表示第i个传感器的非随机有界扰动信号的观测矩阵。(2.3)系统的输出方程：其中，k表示离散化时刻，z,z0表示系统的输出，x表示估计对象，C1,C0表示估计对象x的输出矩阵。进一步，步骤3)中，假设有N个节点，且每个节点上都有一个滤波器和一个传感器，定义η表示所有节点的集合，即η:＝{1,...,N}。分布式滤波中，对于第i个滤波器来说，它不仅能收到来自自身传感器的观测值yi(k)，而且能收到它邻居传感器的观测值定义ηi表示第i个节点收到邻居观测值的集合，即有定义Ji为第i个节点自身和它所有的邻居的集合，也就是Ji＝{i}∪ηi。定义表示第i个节点的所有观测值的集合；表示第i个节点的所有观测矩阵的集合；表示第i个节点所有高斯白噪声的观测矩阵的集合；表示第i个节点所有非随机有界扰动信号的观测矩阵的集合。在室内定位技术中，数据传输是通过无线传感网络的，对于第i个节点来说，它能通过无线传感网络收到邻居节点的观测值，但是在传输过程中会收到扰动，使得数据丢失。假设第i个节点的所有观测值在传输过程中收到m个独立同分布随机过程的扰动，记作：其中，k表示离散化时刻，表示第i个节点实际收到的所有数据，表示第i个节点的所有邻居节点观测值传输到第i个节点的数据是否丢失。设计每一个节点的滤波器：其中，k表示当前离散化时刻，k+1表示下一离散化时刻，A表示估计对象x的状态转移矩阵，表示估计对象x的估计值，Li表示第i个节点的滤波增益，C1，C0表示估计对象x的输出矩阵，表示第i个节点的所有观测矩阵的集合，表示第i个节点所有高斯白噪声的观测矩阵的集合，表示第i个节点所有非随机有界扰动信号的观测矩阵的集合，表示第i个节点实际收到的数据，表示第i个节点的所有邻居节点观测值传输到第i个节点的数据是否丢失。该滤波器的作用是使得估计值接近系统输出z,z0，从而实现对估计对象x，即移动物体的实时高精度估计。进一步，步骤4)中，给出系统误差模型，进一步给出基于最差非扰动下的系统误差模型，设计并通过迭代算法求解滤波器增益，具体包括以下步骤：(4.1)通过(1)(2)(3)(5)得到误差系统模型：其中，k表示当前离散时刻，k+1表示下一个离散时刻，ex；i表示估计对象x与对应估计值的差值，ei表示系统输出z与对应估计值的差值，e0；i表示系统输出z0与对应估计值的差值，A表示估计对象的状态转移矩阵，Li表示需要设计的滤波器增益，表示第i个节点的所有观测矩阵的集合；表示第i个节点所有高斯白噪声的观测矩阵的集合；表示第i个节点所有非随机有界扰动信号的观测矩阵的集合，B0为高斯白噪声ω0的输入矩阵，B1为非随机有界扰动信号ω的输入矩阵，ω0表示均值为0方差为1的高斯白噪声，ω为非随机有界扰动信号，C1，C0表示估计对象x的输出矩阵。(4.2)基于误差系统，定义最差的非随机有界扰动信号ω(k):ωi(k)＝Wiex；i(k)(7)将(7)代入式(6)，进一步得到最差非随机扰动下的系统误差模型：(4.3)当k＝0时，对中间变量P1；i和P2；i以及中间矩阵Wi和滤波器增益Li赋予初值，即P1；i(0)，P2；i(0)，Wi(0)，Li(0)(9)(4.4)基于误差系统，由H∞滤波算法得到最差的非随机有界扰动信号ωi：所以：Wi＝γ-2Δi-1(B1TP1；iAL；i+D1；iTDμ；iAΩ；i)(11)其中，k表示当前离散时刻，ωi表示非随机有界扰动信号，γ为表示预设的H∞参数，上标"-1"表示矩阵的逆，上标"T"表示矩阵的转置，B1表示非随机有界扰动信号ω的输入矩阵，表示第i个节点所有高斯白噪声的观测矩阵的集合，表示的期望，C1，C0表示估计对象x的输出矩阵，AL；i、P1；i、AΩ；i和Δi均为中间矩阵，ex；i表示估计对象x与对应估计值的差值。(4.5)基于最差非随机扰动下的系统误差模型，通过H2滤波算法得到滤波器增益Li的表达式：其中，上标"-1"表示矩阵的逆，上标"T"表示矩阵的转置，表示第i个节点的所有观测矩阵的集合，表示第i个节点所有高斯白噪声的观测矩阵的集合，表示第i个节点所有非随机有界扰动信号的观测矩阵的集合，表示的期望，B0为高斯白噪声ω0的输入矩阵，B1为非随机有界扰动信号ω的输入矩阵，P2；i、Wi、AW；本文档来自技高网...

【技术保护点】
1.基于分布式混合滤波的室内定位估计方法，具体步骤包括：1)、把室内环境建立成一个平面直角坐标系，然后用

【技术特征摘要】
1.基于分布式混合滤波的室内定位估计方法，具体步骤包括：1)、把室内环境建立成一个平面直角坐标系，然后用来表示移动物体的位置，其中a表示物体的横坐标，b表示物体的纵坐标；2)、考虑室内环境下的混合扰动和模型的不精确性，建立系统状态方程和每个传感器的观测方程包括以下步骤：(2.1)离散后的状态方程为：x(k+1)＝Ax(k)+B0ω0(k)+B1ω(k)(1)其中，k表示当前离散化时刻，k+1表示下一离散化时刻，估计对象x表示物体的位置，即x＝[ab]T，上标"T"表示矩阵的转置，A表示估计对象x的状态转移矩阵，ω0(k)表示均值为零方差为1的高斯白噪声，B0表示高斯白噪声ω0的输入矩阵，ω(k)表示非随机有界扰动信号，B1表示非随机有界扰动信号ω的输入矩阵；(2.2)离散化后，第i个传感器的观测方程为：yi(k)＝C2；ix(k)+D1；iω0(k)+Diω(k)(2)其中，k表示离散化时刻，表示第i个传感器的观测向量，x表示估计对象，C2；i表示第i个传感器的估计对象的观测矩阵，ω0表示均值为0方差为1的高斯白噪声，D1；i表示第i个传感器的高斯白噪声ω0的观测矩阵，ω是非随机有界扰动信号，Di表示第i个传感器的非随机有界扰动信号的观测矩阵；(2.3)离散化后系统的输出方程：其中，k表示离散化时刻，z,z0表示系统的输出，x表示估计对象，C1,C0表示估计对象x的输出矩阵；3)、假设有N个节点，且每个节点上都有一个滤波器和一个传感器，定义η表示所有节点的集合，即η:＝{1,...,N}；分布式滤波中，对于第i个滤波器来说，它不仅能收到来自自身传感器的观测值yi(k)，而且能收到它邻居传感器的观测值定义ηi表示第i个节点收到邻居观测值的集合，即有定义Ji为第i个节点自身和它所有的邻居的集合，也就是定义表示第i个节点的所有观测值的集合；表示第i个节点的所有观测矩阵的集合；表示第i个节点所有高斯白噪声的观测矩阵的集合；表示第i个节点所有非随机有界扰动信号的观测矩阵的集合；在室内定位技术中，数据传输是通过无线传感网络的，对于第i个节点来说，它能通过无线传感网络收到邻居节点的观测值，但是在传输过程中会收到扰动，使得数据丢失；假设第i个节点的所有观测值在传输过程中收到m个独立同分布随机过程的扰动，记作：其中，k表示离散化时刻，表示第i个节点实际收到的所有数据，表示第i个节点的所有邻居节点观测值传输到第i个节点的数据是否丢失；设计每一个节点的滤波器：其中，k表示当前离散化时刻，k+1表示下一离散化时刻，A表示估计对象x的状态转移矩阵，表示估计对象x的估计值，Li表示第i个节点的滤波增益，C1，C0表示估计对象x的输出矩阵，表示第i个节点的所有观测矩阵的集合，表示第i个节点所有高斯白噪声的观测矩阵的集合，表示第i个节点所有非随机有界扰动信号的观测矩阵的集合，表示第i个节点实际收到的数据，表示第i个节点的所有邻居节点观测值传输到第i个节点的数据是否丢失；该滤波器的作用是使得估计值接近系统输出z,z0，从而实现对估计对象x，即移动物体的实时高精度估计；4)、给出系统误差模型，进一步给出基于最差非扰动下的系统误差模型，设计并通过迭代算法求解滤波器增益，具体包括以下步骤：(4.1)通过(1)(2)(3)(5)得到误差系统模型：其中，k表示当前离散时刻，k+1表示下一个离散时刻，ex；i表示估计对象x与对应估计值的差值，ei表示系统输出z与对应估计值的差值，e0；i表示系统输出z0与对应估计值的差值，A表示估计对象的状态转移矩阵，Li表示需要设计的滤波器增益，表示第i个节点的所有观测矩阵的集合；表示第i个节点所有高斯白噪声的观测矩阵的集合；表示第i个节点所有非随机有界扰动信号的观测矩阵的集合，B0为高斯白噪声ω0的输入矩阵，B1为非随机有界扰动信号ω的输入矩阵，ω0表示均值为0方差为1的高斯白噪声，ω为非随机有界扰动信号，C1，C0表示估计...

【专利技术属性】
技术研发人员：冯宇，陈焯明，吴珺，寿宇航，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33