申请/专利权人：东南大学

申请日：2021-09-26

公开（公告）日：2024-04-09

公开（公告）号：CN113899369B

主分类号：G01C21/20

分类号：G01C21/20;G06F17/12;G06F17/15;G06F17/16;G06F17/18

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本发明公开了一种基于自适应降噪算法的超宽带PDR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超宽带的定位模型和行人航位推算PDR模型，然后构造了基于高斯分布的非视距观测评估函数来评估信号传输衰减的概率，并根据非视距观测条件动态调整噪声分布，提出了一种动态调整噪声方差卡尔曼滤波器。若存在NLOS，则通过自适应滤波降噪算法将PDR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。本发明改进的PDR和超宽带组合定位系统为室内定位应用提供了精确的定位信息，具有精度高和鲁棒性强的优点。

主权项：1.一种基于自适应降噪算法的超宽带PDR室内定位方法，其特征在于，包括以下步骤：S1，建立超宽带定位模型；S2，建立行人航位推算PDR模型，具体如下：通过flow低频滤波器得到每个周期的波峰和波谷，然后根据这些特征在fhigh高频滤波信号中回溯搜索真实的波峰和波谷，将低频和高频滤波信号的垂直加速度分别表示为aL和aH，峰值时刻分别为和谷值时刻分别为和因此，基于双频滤波器的峰谷值回溯过程首先从低频滤波信号中提取和然后在第k-1和k个低频峰值时间段内搜索高频滤波信号的最大和最小加速度，即和公式如下： S3，建立超宽带PDR组合定位模型；S4，建立动态调整降噪滤波算法；步骤S4建立自适应降噪滤波算法，具体如下：根据卡尔曼滤波原理，PDR系统作为状态方程，公式如下：Xk＝AXk-1+Buk-1+qk-12式中，A为状态转移矩阵和B为单位矩阵，k表示新的行人步长，Xk＝[xkyk]T为第k步运动目标的位置状态向量，qk-1为第k-1步过程噪声向量，设系统输入向量uk-1为： 根据UWB系统，测量方程设定如下：Zk＝HXk+rk4Zk＝[xUWBkyUWBk]T超宽频系统的输出位置，表示观测向量，H表示测量矩阵，rk表示第k步的测量噪声向量；根据离群点的大小动态调整测量噪声和过程噪声的方差分布，利用所提出的NLOS评价函数对测量噪声和过程噪声的方差分布进行动态调整，测量噪声、过程噪声和NLOS评价函数之间的关系如下:Rk＝PTotalk·R05Qk-1＝[1-PTotalk-1]·Q06式中Q表示过程噪声协方差矩阵，R表示测量噪声协方差，在x和y方向的测量噪声方差为和和过程噪声方差为和测量协方差矩阵的初始值R0和过程协方差矩阵初值Q0定义如下： 现有的卡尔曼滤波算法没有考虑非视距环境引起的异常值，而且过程噪声和测量噪声为常数不能准确地描述传输过程中的噪声分布，基于上述描述，将融合过程中过程噪声和测量噪声的固定值替换为可变噪声方差，提出了一种新的集成系统融合策略，动态调整噪声滤波算法的预测方程如下: 式中Xk|k-1和Mk|k-1分别为得到测量值前第k步状态向量的先验状态估计和先验协方差矩阵；对当前测量值的预测状态进行更新，建立卡尔曼滤波的更新方程如下: 式中Xk|k和Mk|k分别表示得到测量值后第k步状态向量的后验状态估计和后验协方差矩阵，Kk是卡尔曼增益矩阵；S5，采用基于高斯分布的评估函数鉴别是否存在NLOS情况；步骤S5所述的用基于高斯分布的NLOS评估概率函数鉴别是否存在NLOS情况，具体如下：在非视距环境下，接收机接收到的信号存在偏置误差，会产生大量的离群值，导致定位精度严重下降甚至失效，当障碍物干扰信号的传输时，部分接收信号强度RSS被障碍物削弱，将沿直线到达接收机的RSS设为RSSF，并将实际接收到的RSS设置为RSSR，公式定义如下:ΔRSS＝RSSR-RSSF10ΔRSS代表信号强度通过障碍时沿着直线传播被削弱的程度，反映了基站与标签之间的NLOS水平，当ΔRSS的差值超过一个上阈值ThH，表明接收信号在传输过程中显著衰减，且处于NLOS状态的概率较大，相反，当ΔRSS小于低阈值ThL，表示信号略有失真，且处于NLOS条件下，概率最小，以上过程描述为： 式中δ1和δ2为预先设定的置信水平，并且δ1,δ2∈0,0.05，假设ΔRSS遵循高斯分布，表示为ΔRSS～Nμ,σ2； 式中lH和lL为标准正态随机变量，表示累积正态分布在1-δ1的值，通过以下方法得到阈值： 假设μ是ThH和ThL平均值，μ和σ表示为： 根据以上的假设和推导，标签与基站之间的NLOS程度通过概率密度函数来具体评估： 基于三边测量方法的超宽频系统有三个独立的基站A1、A2和A3，将之设为三个独立事件，PΔRSSk表示每个基站受NLOS条件的影响，根据独立事件，通过以下方法来评估运动目标处于NLOS条件的整体程度：PTotalk＝PΔRSSA1∪ΔRSSA2∪ΔRSSA316＝1-[1-PΔRSSA1][1-PΔRSSA2][1-PΔRSSA3]若存在NLOS，如上述步骤所述，通过自适应降噪滤波算法将惯导航位推算的坐标与超宽带的定位坐标进行融合，对UWB解算坐标数据进行修正，返回步骤5；若不存在NLOS，则采用UWB解析出当前坐标，完成实时定位。

全文数据：

权利要求：

百度查询： 东南大学 一种基于自适应降噪算法的超宽带/PDR室内定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD