一种基于卡尔曼滤波和泛克里金插值的室内定位方法技术

本发明专利技术公开了一种基于卡尔曼滤波和泛克里金插值的室内定位方法，使用5G通信技术，采用卡尔曼滤波方法消除接收信号强度即RSS传播过程产生的误差，以及采用泛克里金插值法进行空间插值提高定位精度。由于本发明专利技术可以在现有的5G手机或基站设备上实现进行软件优化，因此在室内定位应用环境中具有较大的优势和商业前景。前景。前景。

【技术实现步骤摘要】
一种基于卡尔曼滤波和泛克里金插值的室内定位方法


[0001]本专利技术涉及室内定位
，尤其是一种基于卡尔曼滤波和泛克里金插值的室内定位方法。

技术介绍

[0002]随着通信技术的不断发展，通信网络的覆盖范围不断扩大，尤其是5G时代的到来，5G基站的高密度覆盖，使得基于5G技术的定位成为可能。室外卫星导航技术日趋成熟，无论是汽车导航还是位置搜索技术，为人们在室外的活动提供了极大的便利，也带动了相关产业链的发展，但人的大多数时间是在室内活动的，定位需求从早期的室外定位转为室内定位，目前虽然室外的定位精度很高，但由于室内环境的复杂性和室内GPS信号的衰减，使得人们迫切需要一种适应于室内定位的新型技术。
[0003]指纹库室内定位技术是目前比较常用的一种室内定位技术，指纹库技术需要提前采集数据，对该数据处理建立离线指纹库并定位。由于现在的指纹定位系统，都需要重新铺设大量硬件设备，如蓝牙和WiFi定位等，且不能有效消除室内复杂环境对原始数据的误差，在建立离线指纹库时，指纹库的分辨率越高，定位精度就越高，但同时需要耗费大量的人力物力。因此，借助5G通信技术，研究5G高精度定位技术，满足当前多种应用场景对室内高精度定位的要求。

技术实现思路

[0004]本专利技术的目的是针对现有基于指纹库的室内定位技术数据噪声和采集复杂的问题，而利用卡尔曼滤波理论提供了一种基于卡尔曼滤波和泛克里金插值的室内定位方法，使用5G设备，采用卡尔曼滤波实现对RSS数据进行预处理和泛克里金空间插值的方法，以分别消除接收信号强度(Received Signal Strength，RSS)观测量的误差和降低指纹库采集工作量，进一步提升定位精度。
[0005]本专利技术首先应对室内定位区域以合适的分辨率进行网格化划分，对于每个格点进行RSS值的采集，并将该数据进行卡尔曼滤波，并将滤波后的数据于本地服务器存储建模，使用泛克里金插值法，将已滤波后的数据对周围未知参考点进行空间插值，并建立离线指纹库。将测试点终端得到的数据通过卡尔曼滤波，终端的实际定位时通过室内定位算法解算出一个坐标。
[0006]实现本专利技术目的的具体技术方案是：
[0007]一种基于卡尔曼滤波和泛克里金插值的室内定位方法，其特点是对采集的RSS数据预处理，然后对待定位区域进行空间插值，结合实际位置坐标建立离线指纹库，最后用定位解算算法对RSS值匹配，求出最相似RSS值的位置信息为定位坐标,具体步骤如下：
[0008]步骤1：对待定位区域进行二维平面分辨率为α*α的矩形网格划分，将5G基站发送到手机端的RSS观测值矩阵M和实际位置的坐标(x
i
,y
i
)收集并存储；
[0009]步骤2：对于收集到的RSS观测值中的缺失值，采用上一时刻的继承值对其进行填
补；
[0010]步骤3：将填补后的数据进行卡尔曼滤波，得到RSS估计值
[0011]步骤4：将RSS估计值和实际位置(x
i
,y
i
)建立初始离线始指纹库；
[0012]步骤5：将待定位区域重新进行二维平面分辨率是α*α的1
‑
2倍的矩形网格划分，使用滤波后的RSS估计值运用泛克里金插值法对网格点中未观测RSS数据的位置进行空间插值；
[0013]步骤6：将所有测试点的5G基站发送到手机端的RSS观测值矩阵M分别按照步骤2
‑
步骤3进行数据预处理，得到所有测试点的RSS估计值；
[0014]步骤7：对每个测试点分别用指纹库定位解算算法进行在线匹配(以K
‑
NN(K最近邻)算法为例)，得到室内定位坐标。
[0015]所述实际位置的坐标(x
i
,y
i
)，x
i
为以基站为原点，网格点i的真实x轴坐标位置；y
i
为以基站为原点，网格点i的真实y轴坐标位置。
[0016]所述将填补后的数据进行卡尔曼滤波，具体算法的步骤如下：
[0017]1)选择待定位区域的任意一点，观测该点的RSS数据并求方差，作为卡尔曼滤波的观测误差方差R，即：其中m为该点观测到的RSS数据的组数，Y
t
为该点观测到的第t组RSS数据，E为该点观测到的RSS数据的数学期望；
[0018]2)对每个网格点和测试点放置定位终端并观测RSS数据，对每个点分别滤波，令，求k时刻一步预测误差方差P
k,k
‑1，即：P
k,k
‑1＝ΦP
k
‑1Φ
T
+Q，其中，Q是状态误差,Φ是状态转移矩阵且Φ＝1，P
k
‑1是k
‑
1时刻估计误差方差矩阵；
[0019]3)计算k时刻卡尔曼滤波增益K
k
，即：K
k
＝P
k
H
T
R
‑1，其中P
k
是k时刻估计误差方差，H为观测矩阵，且H＝1，R为观测误差方差；
[0020]4)计算k时刻估计误差方差矩阵P
k
，即：P
k
＝[I
‑
K
k
H]P
k,k
‑1，其中I为单位矩阵；
[0021]5)计算k时刻的RSS预测值即：其中是k
‑
1时刻的RSS估计值，当k＝1时，为该时刻的RSS观测值；
[0022]6)计算k时刻的RSS估计值即：其中m
k
是k时刻的RSS观测值；完成步骤1)
‑
步骤6)即可得到滤波后k时刻的RSS数据
[0023]所述的泛克里金插值法，具体算法步骤如下：
[0024]1)在待定位区域，任意一点的RSS值能够用表示，其中x为以基站为原点，该点的真实x轴坐标位置；y为以基站为原点，该点的真实y轴坐标位置，m(x,y)是确定性漂移函数，r(x,y)为数学期望为0的残差，且f
l
(x,y)为坐标确定性函数，α
l
为函数f
l
(x,y)系数，L是非零次函数系数个数，为方便叙述，f
l
(x,y)以二次函数为例L＝5；
[0025]2)以两网格点间的距离d为自变量，相距为d的两个网格点的RSS值协方差的二分之一γ(d)为因变量，拟合半方差函数模型：其中c0为块金值，c为拱高，a为变程；
[0026]3)泛克里金空间插值满足无偏性条件，即：
[0027]其中为k点的RSS泛克里金估计值，是k点的RSS真实值，是k点的RSS估计值的数学期望，是k点的RSS真实值的数学期望，n为该插值点的参考点个数，λ
i
为插值参考点i的权重系数，x
i
为以基站为原点，参考点i的真实x轴坐标位置；y
i
为以基站为原点，参考点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卡尔曼滤波和泛克里金插值的室内定位方法，其特征在于，该方法包括以下具体步骤：步骤1：对待定位区域进行二维平面分辨率为α*α的矩形网格划分，将5G基站发送到手机端的RSS观测值矩阵M和实际位置的坐标(x
i
,y
i
)收集并存储；步骤2：对于收集到的RSS观测值中的缺失值，采用上一时刻的继承值对其进行填补；步骤3：将填补后的数据进行卡尔曼滤波，得到RSS估计值步骤4：将RSS估计值和实际位置(x
i
,y
i
)建立初始离线指纹库；步骤5：将待定位区域重新进行二维平面分辨率是α*α的1
‑
2倍的矩形网格划分，使用滤波后的RSS估计值运用泛克里金插值法对网格点中未观测RSS数据的位置进行空间插值；步骤6：将所有测试点的5G基站发送到手机端的RSS观测值矩阵M分别按照步骤2
‑
步骤3进行数据预处理，得到所有测试点的RSS估计值；步骤7：对每个测试点分别用指纹库定位解算算法进行在线匹配，得到室内定位坐标。2.根据权利要求1所述基于卡尔曼滤波和泛克里金插值的室内定位方法，其特征在于，所述实际位置的坐标(x
i
,y
i
)，x
i
为以基站为原点，网格点i的真实x轴坐标位置；y
i
为以基站为原点，网格点i的真实y轴坐标位置。3.根据权利要求1所述基于卡尔曼滤波和泛克里金插值的室内定位方法，其特征在于，步骤3所述将填补后的数据进行卡尔曼滤波，具体算法的步骤如下：1)选择待定位区域的任意一点，观测该点的RSS数据并求方差，作为卡尔曼滤波的观测误差方差R，即：其中m为该点观测到的RSS数据的组数，Y
t
为该点观测到的第t组RSS数据，E为该点观测到的RSS数据的数学期望；2)对每个网格点和测试点放置定位终端并观测RSS数据，对每个点分别滤波，令，求k时刻一步预测误差方差P
k,k
‑1，即：P
k,k
‑1＝ΦP
k
‑1Φ
T
+Q，其中，Q是状态误差,Φ是状态转移矩阵且Φ＝1，P
k
‑1是k
‑
1时刻估计误差方差矩阵；3)计算k时刻卡尔曼滤波增益K
k
，即：K
k
＝P
k
H
T
R
‑1，其中P
k
是k时刻估计误差方差，H为观测矩阵，且H＝1，R为观测误差方差；4)计算k时刻估计误差方差矩阵P
k
，即：P
k
＝[I
‑
K
k
H]P
k,k
‑1，其中I为单位矩阵；5)计算k时刻的RSS预测值即：其中是k
‑
1时刻的RSS估计值，当k＝1时，为该时刻的RSS观测值；6)计算k时刻的RSS估计值即：其...

【专利技术属性】
技术研发人员：黄帅，赵昆，郑正奇，龚铭，罗江，纪文清，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：