一种基于卡尔曼滤波的室内行人定位方法、装置及系统制造方法及图纸

本申请公开了一种基于卡尔曼滤波的室内行人定位方法、装置及系统，通过PDR算法计算的速度加入到基于功率自适应的卡尔曼滤波的IMM平滑器中对LOS模型和所述NLOS模型根据测距精准度分别进行加权，以获得精准测量值，使得平滑了异常的测距，进而使得即使长时间在NLOS环境下进行定位，也可以获得很高的定位精度，同时，通过扩展卡尔曼滤波把PDR算法与基于功率自适应的卡尔曼滤波的IMM平滑器融合，使得能够获取到更精准地定位坐标。

【技术实现步骤摘要】
一种基于卡尔曼滤波的室内行人定位方法、装置及系统
本申请涉及室内定位
，尤其涉及一种基于卡尔曼滤波的室内行人定位方法、装置及系统。
技术介绍
随着定位技术不断发展，定位信息变得越来越重要，因为基于位置的服务比如导航、导游、紧急救援等，这些服务都使得定位信息变得无比重要。室外环境下，全球卫星导航系统(GNSS)发展成熟，然而在室内，由于建筑物遮挡加上室内封闭的空间和性能显著下降，GNSS无法在室内发挥出精准的定位效果。GNSS的盲区定位成为亟待解决的科学问题。为了解决室内信息问题，各种无线定位技术都纷纷涌现出来，例如Wi-Fi，蓝牙，Zigbee和超宽带(UWB)等。由于UWB带宽大,对2G/3G/4G蜂窝和Wi-Fi的带外干扰有很大的抵抗能力。另外，UWB在可视距(LOS)环境下的定位精度很高。因此，UWB室内定位在市场上越来越普遍。UWB室内定位在NLOS环境下，脉冲无线电信号由于频散导致波形严重失真，使得UWB接收机首次路径检测不准确，从而使得UWB测距在NLOS环境下的精准度大大下降，测距的不精确使得使用任何一种精确的定位算法都不能得到精确的位置信息。因此，现有的技术是将UWB定位和行人航向追踪(PDR)算法用扩展卡尔曼滤波(EKF)结合，使得在有(不可视距)NLOS环境的室内环境中，精准定位追踪目标位置。但在其现有技术中，由于NLOS环境会使得UWB出现异常的测距数据，这种异常值影响着系统的定位精度。同时，长期处于NLOS环境中，由于UWB的测距数据一直处于错误中，会使得整个系统出现误差累计。<br>
技术实现思路
本申请提供了一种基于卡尔曼滤波的室内行人定位方法、装置及系统，用于解决现有技术中长时间处于NLOS环境下导致的行人定位误差大、精度较低的技术问题。有鉴于此，本申请第一方面提供了一种基于卡尔曼滤波的室内行人定位方法，包括以下步骤：步骤1：获取待测行人预先携带的移动端中的加速度数据，并基于所述移动端中的加速度数据通过PDR算法计算所述待测行人相对于各个已知位置坐标的UWB基站的第k步的位置坐标估值与相对速度vi(k)，相对速度vi(k)作为基于卡尔曼滤波的IMM算法的LOS模型和NLOS模型的观测值；步骤2：通过获取所述基站与所述移动端之间的超宽带通信数据计算所述待测行人相对第i个所述基站的第k步的测距ri(k)，其中，ri(k)＝di(k)+εi(k),i＝1,...,N，di(k)和εi(k)分别为所述待测行人第k步的相对于第i个所述基站的测距真实值和在不同视距环境下的测距误差值，εi(k)用白高斯噪声表示为根据LOS环境和NLOS环境，mε和分别为：步骤3：根据所述测距真实值与所述不同视距环境下的测距误差值，分别建立基于卡尔曼滤波的IMM算法的LOS模型和NLOS模型；步骤4：通过马尔科夫状态转移概率矩阵对所述LOS模型和所述NLOS模型的权重进行转换，并通过基于卡尔曼滤波的IMM算法分别计算出所述LOS模型和所述NLOS模型的相应测距，并根据测距精准度分别对所述测距进行评估权重并加权，以获得平滑的精准测距值平滑的精准测距值作为扩展卡尔曼滤波的观测值；步骤5：基于扩展卡尔曼滤波算法，将基于PDR算法所获得的位置坐标估值与卡尔曼滤波的IMM算法所获得的精准测距值融合，进而计算并确定所述待测行人的位置坐标；步骤6：重复执行所述步骤1-步骤5，进而获得所述待测行人的每一步位置坐标，从而实现精准定位与追踪所述待测行人轨迹。优选地，所述步骤1具体包括：步骤1.1：通过加速度峰值检测方法检测所述待测行人的步行频率将所述待测行人第K步的时间记录为t′k，则得到所述待测行人的步行频率与其上一步的时间间隔Tk的关系为步骤1.2：基于PDR算法对所述待测行人在第k步进行位置估值并得到位置坐标用矩阵表示为P(k|k-1)＝xp(k|k-1),yp(k|k-1)T；步骤1.3：通过PDR算法计算所述待测行人相对于第i个所述UWB基站的相对速度，PDR算法为其中，与为PDR算法的第K-1步输出值，χ(k-1)为所述惯性测量单元的角速度，S(k)为第k步的步长，可以计算为其中o为常数，根据性别男与性别女分别设定为0.3139和0.2975，h为所述待测行人的身高，则根据所述UWB基站的已知坐标得到所述待测行人相对于第i个所述UWB基站的相对速度计算为，另外，相对速度vi(k)也可计算为其中，与ηi(k)分别表示所述待测行人的第k步相对于第i个所述UWB基站的速度真实值和速度误差。优选地，所述步骤3具体包括：步骤3.1：所述待测行人相对于第i个所述UWB基站的状态向量表示为：转换为动态状态方程是：xi(k)＝Fxi(k-1)+Ebi(k-1)，zi(k)＝ri(k)vi(k)T其中，bi(k-1)为过程驱动噪声，ri(k)＝di(k)+εi(k)；步骤3.2：根据LOS模型和NLOS模型条件，动态状态方程可以转化为xi(k)＝Fxi(k-1)+Ebi(k-1)zi(k)＝ri(k)vi(k)T，其中，r′i(k)＝ri(k)-mε，mε由所述步骤2中根据LOS环境或NLOS环境选定，从而确定基于卡尔曼滤波的IMM算法的LOS模型和NLOS模型。优选地，所述步骤4具体包括：步骤4.1：基于功率自适应卡尔曼滤波的IMM平滑器功率自适应调整，具体为通过引用环境参数Θi(k)来表示所述待测行人的第k步相对于第i个所其中，Θi(k)的初始值Θi(0)＝0；环境变化程度计算得到τi(k)＝|Θi(k)-Θi(k-1)|，根据环境变化程度获得马尔科夫状态转移概率矩阵ω为步骤4.2：当q,h∈1是LOS平滑器,2是NLOS平滑器，根据功率自适应IMM算法，选取马尔科夫状态转移概率矩阵w(m)(m＝1,2,3)，则所述待测行人的第k-1步从模型q到模型h的混合概率为：卡尔曼滤波的初始状态向量为和协方差矩阵为Wi,0h(k-1|k-1)，由第k-1步的状态向量和协方差Wi,q(k-1|k-1)和混合概率计算得到：步骤4.3：匹配卡尔曼滤波，具体为根据所述步骤4.1中的动态状态方程，模型h计算为：xi,h(k|k-1)＝Fxi,0h(k-1|k-1)xi,h(k|k)＝xi,h(k|k-1)+Ki,h(k)ei,h(k)，其中，Ki,h(k)为卡尔曼增益，ei,h(k)为预测误差，H为diag(11)，Ki,h(k)和协方差矩阵Wi,h(k|k)可以计算为：Wi,h(k|k)＝I-Ki,h(k)HWi,h(k|k-1)，其中，为测量噪声矩阵，I是单位矩阵；步骤4.4：模型概率更新，具体为残差协方差矩阵Si,h(k)和似然函数Λi,h(k)计算为Si,h(k)＝HWi,h(k|k-1)HT+R本文档来自技高网...

【技术保护点】
1.一种基于卡尔曼滤波的室内行人定位方法，其特征在于，其步骤包括：/n步骤1：获取待测行人预先携带的移动端中的加速度数据，并基于所述移动端中的加速度数据通过PDR算法计算所述待测行人相对于各个已知位置坐标的UWB基站的第k步的位置坐标估值与相对速度v

【技术特征摘要】
1.一种基于卡尔曼滤波的室内行人定位方法，其特征在于，其步骤包括：
步骤1：获取待测行人预先携带的移动端中的加速度数据，并基于所述移动端中的加速度数据通过PDR算法计算所述待测行人相对于各个已知位置坐标的UWB基站的第k步的位置坐标估值与相对速度vi(k)，相对速度vi(k)作为基于卡尔曼滤波的IMM算法的LOS模型和NLOS模型的观测值；
步骤2：通过获取所述UWB基站与所述移动端之间的超宽带通信数据计算所述待测行人相对第i个所述UWB基站的第k步的测距ri(k)，其中，ri(k)＝di(k)+εi(k)，i＝1，...，N，di(k)和εi(k)分别为所述待测行人第k步的相对于第i个所述UWB基站的测距真实值和在不同视距环境下的测距误差值，εi(k)用白高斯噪声表示为根据LOS环境和NLOS环境，mε和分别为：






步骤3：根据所述测距真实值与所述不同视距环境下的测距误差值，分别建立基于卡尔曼滤波的IMM算法的LOS模型和NLOS模型；
步骤4：通过马尔科夫状态转移概率矩阵对所述LOS模型和所述NLOS模型的权重进行转换，并通过基于卡尔曼滤波的IMM算法分别计算出所述LOS模型和所述NLOS模型的相应测距.并根据测距精准度分别对所述测距进行评估权重并加权，以获得平滑的精准测距值平滑的精准测距值作为扩展卡尔曼滤波的观测值；
步骤5：基于扩展卡尔曼滤波算法，将基于PDR算法所获得的位置坐标估值与基于卡尔曼滤波的IMM算法所获得的精准测距值融合，进而计算并确定所述待测行人的位置坐标；
步骤6：重复执行所述步骤1-步骤5，进而获得所述待测行人的每一步位置坐标，从而实现精准定位与追踪所述待测行人轨迹。


2.根据权利要求1所述的基于卡尔曼滤波的室内行人定位方法，其特征在于，所述步骤1具体包括：
步骤1.1：通过加速度峰值检测方法检测所述待测行人的步行频率将所述待测行人第K步的时间记录为t′k，则得到所述待测行人的步行频率与其上一步的时间间隔Tk的关系为
步骤1.2：基于PDR算法对所述待测行人在第k步进行位置估值并得到位置坐标用矩阵表示为P(k|k-1)＝xp(k|k-1)，yp(k|k-1)T；
步骤1.3：通过PDR算法计算所述待测行人相对于第i个所述UWB基站的相对速度，PDR算法为



其中，与为PDR算法的第K-1步输出值，χ(k-1)为所述移动端中的角速度，S(k)为第k步的步长，可以计算为其中o为常数，根据性别男与性别女分别设定为0.3139和0.2975，h为所述待测行人的身高，则根据所述UWB基站的已知坐标得到所述待测行人相对于第i个所述UWB基站的相对速度vi(k)计算为，

另外，相对速度vi(k)也可计算为其中，与ηi(k)分别表示所述待测行人的第k步相对于第i个所述UWB基站的速度真实值和速度误差。


3.根据权利要求1所述的基于卡尔曼滤波的室内行人定位方法，其特征在于，所述步骤3具体包括：
步骤3.1：所述待测行人相对于第i个所述UWB基站的状态向量表示为：



转换为动态状态方程是：xi(k)＝Fxi(k-1)+Ebi(k-1)，
zi(k)＝ri(k)vi(k)
其中，bi(k-1)为过程驱动噪声，ri(k)＝di(k)+εi(k)；
步骤3.2：根据LOS模型和NLOS模型条件，动态状态方程可以转化为，
xi(k)＝Fxi(k-1)+Ebi(k-1)，
zi(k)＝ri(k)vi(k)T，其中，ri′(k)＝ri(k)-mε，mε由所述步骤2中根据LOS环境或NLOS环境选定，从而确定基于卡尔曼滤波的IMM算法的LOS模型和NLOS模型。


4.根据权利要求3所述的基于卡尔曼滤波的室内行人定位方法，其特征在于，所述步骤4具体包括：
步骤4.1：基于功率自适应卡尔曼滤波的IMM平滑器功率自适应调整，具体为通过引用环境参数Θi(k)来表示所述待测行人的第k步相对于第i个所述UWB基站信道之间所处的环境，环境参数定义为：

其中，Θi(k)的初始值Θi(0)＝0；
环境变化程度计算得到τi(k)＝|Θi(k)-Θi(k-1)|，根据环境变化程度获得马尔科夫状态转移概率矩阵w为
步骤4.2：当q，h∈1是LOS平滑器，2是NLOS平滑器，根据基于卡尔曼滤波的IMM算法，选取马尔科夫状态转移概率矩阵w(m)(m＝1，2，3)，则所述待测行人的第k-1步从模型q到模型h的混合概率为：



其中，为w(m)中的某一概率，归一化因子可以计算为：



卡尔曼滤波的初始状态向量为和协方差矩阵为Wi，0h(k-1|k-1)，由第k-1步的状态向量和协方差Wi，q(k-1|k-1)和混合概率ui，q|h(k-1|k-1)计算得到：






步骤4.3：匹配卡尔曼滤波，具体为根据所述步骤4.1中的动态状态方程，模型h计算为：
xi，h(k|k-1)＝Fxi，0h(k-1|k-1)
xi，h(k|k)＝xi，h(k|k-1)+Ki，h(k)ei，h(k)，其中，Ki，h(k)为卡尔曼增益，ei，h(k)为预测误差，H为diag(11)，Ki，h(k)和协方差矩阵Wi，h(k|k)可以计算...

【专利技术属性】
技术研发人员：郑文辉，蔡国发，周拓，蔡国恩，肖云浩，张惠杰，叶钦勇，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44