本申請涉及無線定位技術(shù)領(lǐng)域，特別涉及一種基于測距的室內(nèi)定位方法及系統(tǒng)。

背景技術(shù)：

現(xiàn)今，隨著智能移動終端(手機，電腦，可穿戴設(shè)備等)的普及，以及移動互聯(lián)網(wǎng)的發(fā)展，從而導(dǎo)致基于位置感知的應(yīng)用激增，對于位置服務(wù)的需求也與日俱增。與此同時，在室內(nèi)和室外的環(huán)境下，連續(xù)地可靠地提供位置信息可以為用戶帶來更好的用戶體驗。目前室外定位和基于位置的服務(wù)已經(jīng)成熟，基于GPS和地圖的位置服務(wù)被廣泛應(yīng)用。但是，不同于室外環(huán)境的是，室內(nèi)定位面臨很多獨特的挑戰(zhàn)，例如：室內(nèi)環(huán)境的動態(tài)性、復(fù)雜性、唯一性、實現(xiàn)成本、覆蓋范圍、能耗、可靠性、可擴展性等。隨著室內(nèi)環(huán)境的變化，其計算性能和定位精度也隨之變化。尤其在未知的環(huán)境下，很多定位算法的準(zhǔn)確度下降很大。而精準(zhǔn)的定位算法或者依賴于海量的數(shù)據(jù)集進行訓(xùn)練，或者依靠大量的先驗信息進行校準(zhǔn)，算法復(fù)雜度都非常的高。然而，一旦數(shù)據(jù)集改變或者環(huán)境發(fā)生變化，系統(tǒng)則需要重新訓(xùn)練或校準(zhǔn)，魯棒性很差。

目前被廣泛使用的定位技術(shù)是基于無線測距的定位技術(shù)，即用微波信號傳輸?shù)姆绞綔y量移動終端或目標(biāo)與基站或AP之間的距離，通過對距離的測算，進而轉(zhuǎn)化成目標(biāo)的坐標(biāo)。現(xiàn)有無線測距定位技術(shù)包括以下幾種：

(1)藍牙定位技術(shù)：代表是Nokia推出了HAIP的室內(nèi)精確定位解決方案，以及蘋果公司推出的iBeacon標(biāo)準(zhǔn)。藍牙定位均采用三角定位技術(shù)，除了使用手機的藍牙模塊外，還需部署藍牙基站，最高可以達到亞米級定位精度。

(2)超寬帶定位技術(shù)：代表是Ubisense，其定位方案采用UWB(超寬帶)脈沖信號，由多個傳感器采用TDOA(到達時間差)和AOA(測量信號的到達角度)定位算法對標(biāo)簽位置進行分析，多徑分辨能力強、精度高，定位精度可達亞米級。

(3)Wi－Fi定位技術(shù)：由于Wi－Fi網(wǎng)絡(luò)的普及，現(xiàn)應(yīng)用廣泛。Wi－Fi定位基于現(xiàn)有WLAN網(wǎng)絡(luò)，采用RSSI(接收信號強度指示)定位方式。Wi－Fi定位可以達到米級定位(1～10米)。設(shè)備在開啟Wi－Fi的情況下，即可掃描并收集周圍的AP信號，無論是否加密，是否已連接，甚至信號強度不足都可以顯示在無線信號列表中。

(4)RFID定位技術(shù)：射頻(RF)是具有一定波長的電磁波，它的頻率描述為：kHz、MHz、GHz，范圍從低頻到微波不一。采用刷卡方式，根據(jù)閱讀器位置對刷卡人員或設(shè)備進行區(qū)間定位。同樣也分為三種類型，基于TOA，TDOA，AOA，和RSSI，利用接收端收到的從多個發(fā)射源發(fā)出的信號強度，達到時間差來進行位置計算。但是無法進行實時定位，定位精確度低。

而基于無線測距的定位算法主要包括最優(yōu)化算法和非線性濾波算法兩類。其主要思想是依據(jù)信號傳播模型或噪聲分布，以消除NLOS信號噪聲的影響為目標(biāo)，實現(xiàn)對具體通信系統(tǒng)的對接和應(yīng)用。

最優(yōu)化算法以達到定位誤差最小為目標(biāo)函數(shù)，求解目標(biāo)位置。相應(yīng)的算法包括最小二乘法、加權(quán)最小二乘法和極大似然估計等。例如，Montorsi等提出了一種基于地圖信息識別NLOS(Non Line of Sight，非視距傳輸)信號的方法，并結(jié)合極大似然方法估計目標(biāo)位置；Luo等通過FFT(Fast Fourier Transformation，快速傅氏變換)變換提取NLOS信號特征，并結(jié)合最小二乘法進行定位。由于室內(nèi)定位的目標(biāo)函數(shù)并不總為凸函數(shù)，在采用最優(yōu)化算法時很難直接求解，且算法復(fù)雜度較高。因此人們采用變量松弛的方法，將非線性最優(yōu)化問題轉(zhuǎn)換為半正定規(guī)劃問題，大大減少了計算的復(fù)雜度。

非線性濾波算法通過融合先驗信息和觀測信息，推理目標(biāo)位置。與最優(yōu)化算法相比，非線性濾波算法在信息處理上更有效，解法更靈活，定位更準(zhǔn)確，因此其使用范圍更廣泛。非線性濾波算法主要分為卡爾曼濾波和粒子濾波兩大類。由于卡爾曼濾波假設(shè)信號的測量噪聲符合高斯分布，和實際的非線性非高斯室內(nèi)環(huán)境不符，導(dǎo)致定位誤差較大。因此通常采用基于泰勒展開的擴展卡爾曼濾波或基于sigma變換的無損卡爾曼濾波進行定位。粒子濾波是一種基于貝葉斯理論的蒙特卡洛計算方法，由于其不受非線性非高斯條件的限制，且定位準(zhǔn)確度高，因而被眾多定位系統(tǒng)所采用。粒子濾波最初由Gutstafsson引入到定位系統(tǒng)，后被研究者們迅速研究和改進，產(chǎn)生了高斯粒子濾波、無損粒子濾波以及Rao－Blackwellised粒子濾波等算法。針對目標(biāo)在室內(nèi)移動時，信號會因目標(biāo)所處的位置，導(dǎo)致LOS(Line－of－sight，視距傳輸)與NLOS傳輸模式的相互轉(zhuǎn)化，Nicoli等提出了一種跳躍馬爾可夫模型，對LOS與NLOS信號的變化采用不同的模型進行計算。Prieto等用兩種不同的概率分布模型來描述TOA信號和RSS信號，并將其兩者融合在粒子濾波中進行定位，降低高噪聲環(huán)境下的定位誤差。Stordal等提出了一種動態(tài)模型調(diào)節(jié)方法，通過判斷LOS或NLOS信號傳輸模式，采用均勻分布和高斯分布加權(quán)平均的方式來計算每個粒子的權(quán)重。

綜上所述，目前基于無線測距的定位算法都是基于無偏估計算法(無偏估計是參數(shù)的樣本估計量的期望值等于參數(shù)的真實值)，這些算法的定位精度雖然高，但是算法復(fù)雜度較大，且對環(huán)境的依賴性強，一旦環(huán)境發(fā)生變化，定位精度就會大大降低。

技術(shù)實現(xiàn)要素：

本申請?zhí)峁┝艘环N基于測距的室內(nèi)定位方法及系統(tǒng)，旨在至少在一定程度上解決現(xiàn)有技術(shù)中的上述技術(shù)問題之一。

為了解決上述問題，本申請?zhí)峁┝巳缦录夹g(shù)方案：

一種基于測距的室內(nèi)定位方法，包括以下步驟：

步驟a：通過無線測距獲取錨節(jié)點與目標(biāo)節(jié)點的距離信息；

步驟b：根據(jù)所述錨節(jié)點與目標(biāo)節(jié)點的距離信息構(gòu)建初始受限區(qū)域；

步驟c：對所述初始受限區(qū)域進行偏差消除，形成新的受限區(qū)域；

步驟d：通過卡爾曼濾波對所述新的受限區(qū)域進行定位，獲得所述目標(biāo)節(jié)點的位置估計。

本申請實施例采取的技術(shù)方案還包括：在所述步驟b中，所述初始受限區(qū)域為目標(biāo)節(jié)點可能存在的范圍；所述初始受限區(qū)域通過min－max算法進行構(gòu)建：通過無線測距獲得每個錨節(jié)點與目標(biāo)節(jié)點的距離分別以每個錨節(jié)點為中心、以為半徑構(gòu)建一個正方形區(qū)域，設(shè)有m個錨節(jié)點，則產(chǎn)生m個正方形區(qū)域，所述m個正方形區(qū)域的疊加即為初始受限區(qū)域。

本申請實施例采取的技術(shù)方案還包括：在所述步驟b中，所述初始受限區(qū)域四個邊的邊界值為：

所述初始受限區(qū)域的中心點坐標(biāo)為：

本申請實施例采取的技術(shù)方案還包括：在所述步驟c中，所述對初始受限區(qū)域進行偏差消除具體為：采用線性卡爾曼濾波進行偏差消除，所述偏差消除具體包括：

步驟c1：將初始受限區(qū)域的中心點作為觀測值

步驟c2：將上一時刻目標(biāo)節(jié)點所在位置的向量記為當(dāng)前時刻的預(yù)測值為預(yù)測協(xié)方差矩陣P_t|t-1為上一時刻的協(xié)方差矩陣P_t-1加當(dāng)前時刻的協(xié)方差矩陣Q_t；

步驟c3：以預(yù)測協(xié)方差矩陣計算線性卡爾曼增益為：線性卡爾曼濾波結(jié)果為：

步驟c4：根據(jù)線性卡爾曼濾波結(jié)果得到后驗概率矩陣：

P_t|t＝(I-K_t)P_t|t-1

在上述公式中，I為單位矩陣；將所述初始受限區(qū)域平移至以為中心的矩形區(qū)域，形成新的受限區(qū)域。

本申請實施例采取的技術(shù)方案還包括：在所述步驟d中，所述通過卡爾曼濾波對新的受限區(qū)域進行定位具體為：

步驟d1：設(shè)定一個可調(diào)參數(shù)κ，以為中心，生成2n+1個狀態(tài)樣本；

步驟d2：調(diào)節(jié)所述可調(diào)參數(shù)κ，使所有狀態(tài)樣本都在新的受限區(qū)域中；

步驟d3：為每個狀態(tài)樣本賦予權(quán)重，更新所述狀態(tài)樣本相關(guān)參數(shù)：

步驟d4：相關(guān)參數(shù)更新完成后，所述目標(biāo)節(jié)點最終的定位為：

本申請實施例采取的技術(shù)方案還包括：一種基于測距的室內(nèi)定位系統(tǒng)，包括：

測距模塊：用于通過無線測距獲取錨節(jié)點與目標(biāo)節(jié)點的距離信息；

受限區(qū)域構(gòu)建模塊：用于根據(jù)所述錨節(jié)點與目標(biāo)節(jié)點的距離信息構(gòu)建初始受限區(qū)域；

偏差消除模塊：用于對所述初始受限區(qū)域進行偏差消除，形成新的受限區(qū)域；

定位模塊：用于通過卡爾曼濾波對所述新的受限區(qū)域進行定位，獲得所述目標(biāo)節(jié)點的位置估計。

本申請實施例采取的技術(shù)方案還包括：所述初始受限區(qū)域為目標(biāo)節(jié)點可能存在的范圍；所述受限區(qū)域構(gòu)建模塊構(gòu)建初始受限區(qū)域具體為：通過min－max算法進行構(gòu)建；通過無線測距獲得每個錨節(jié)點與目標(biāo)節(jié)點的距離分別以每個錨節(jié)點為中心、以為半徑構(gòu)建一個正方形區(qū)域，設(shè)有m個錨節(jié)點，則產(chǎn)生m個正方形區(qū)域，所述m個正方形區(qū)域的疊加即為初始受限區(qū)域。

本申請實施例采取的技術(shù)方案還包括：所述初始受限區(qū)域四個邊的邊界值為：

所述初始受限區(qū)域的中心點坐標(biāo)為：

本申請實施例采取的技術(shù)方案還包括：所述偏差消除模塊對初始受限區(qū)域進行偏差消除具體為：采用線性卡爾曼濾波進行偏差消除，所述偏差消除具體包括：將初始受限區(qū)域的中心點作為觀測值將上一時刻目標(biāo)節(jié)點所在位置的向量記為當(dāng)前時刻的預(yù)測值為預(yù)測協(xié)方差矩陣P_t|t-1為上一時刻的協(xié)方差矩陣P_t-1加當(dāng)前時刻的協(xié)方差矩陣Q_t；以預(yù)測協(xié)方差矩陣計算線性卡爾曼增益為：線性卡爾曼濾波結(jié)果為：

根據(jù)線性卡爾曼濾波結(jié)果得到后驗概率矩陣：

P_t|t＝(I-K_t)P_t|t-1

在上述公式中，I為單位矩陣；將所述初始受限區(qū)域平移至以為中心的矩形區(qū)域，形成新的受限區(qū)域。

本申請實施例采取的技術(shù)方案還包括：所述定位模塊通過卡爾曼濾波對新的受限區(qū)域進行定位具體為：設(shè)定一個可調(diào)參數(shù)κ，以為中心，生成2n+1個狀態(tài)樣本；調(diào)節(jié)所述可調(diào)參數(shù)κ，使所有狀態(tài)樣本都在新的受限區(qū)域中；為每個狀態(tài)樣本賦予權(quán)重，更新所述狀態(tài)樣本相關(guān)參數(shù)：

相關(guān)參數(shù)更新完成后，所述目標(biāo)節(jié)點最終的定位為：

相對于現(xiàn)有技術(shù)，本申請實施例產(chǎn)生的有益效果在于：本申請實施例的基于測距的室內(nèi)定位方法及系統(tǒng)通過min－max算法構(gòu)建初始受限區(qū)域，采用線性卡爾曼濾波對初始受限區(qū)域進行偏差消除，并采用無跡卡爾曼濾波對新的受限區(qū)域進行最終定位，相對于現(xiàn)有技術(shù)的無偏估計定位方式，本申請對測距模型的依賴性小，算法復(fù)雜度較低，不受外界環(huán)境影響，性能穩(wěn)定，能夠在不同的室內(nèi)環(huán)境中實現(xiàn)穩(wěn)定且精度較高的定位效果，適用于多種定位系統(tǒng)，例如，基于到達角度定位的系統(tǒng)等。

附圖說明

圖1是本申請實施例的基于測距的室內(nèi)定位方法的流程圖；

圖2是本申請實施例的基于測距的室內(nèi)定位系統(tǒng)的結(jié)構(gòu)示意圖。

具體實施方式

為了使本申請的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本申請進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本申請，并不用于限定本申請。

請參閱圖1，是本申請實施例的基于測距的室內(nèi)定位方法的流程圖。本申請實施例的基于測距的室內(nèi)定位方法包括以下步驟：

步驟100：通過無線測距獲取錨節(jié)點與目標(biāo)節(jié)點的距離信息；

在步驟100中，錨節(jié)點為固定位置已知的節(jié)點，目標(biāo)節(jié)點為固定位置未知的移動節(jié)點。

步驟200：根據(jù)錨節(jié)點與目標(biāo)節(jié)點的距離信息構(gòu)建初始受限區(qū)域，初始受限區(qū)域即為限定目標(biāo)節(jié)點可能存在的范圍；

在步驟200中，本申請實施例通過min－max算法構(gòu)建初始受限區(qū)域，具體構(gòu)建方式為：每個錨節(jié)點(位置向量由表示)通過無線測距獲得其與目標(biāo)節(jié)點的距離分別以每個錨節(jié)點為中心，以為半徑構(gòu)建一個正方形區(qū)域。假設(shè)目前有m個這樣的錨節(jié)點，則可產(chǎn)生m個正方形區(qū)域，m個正方形區(qū)域的疊加區(qū)域即為初始受限區(qū)域。初始受限區(qū)域四個邊的邊界值可以由以下公式表示：

初始受限區(qū)域的中心點坐標(biāo)為：

在獲得初始受限區(qū)域的中心點坐標(biāo)后，該中心點的可能計算誤差的協(xié)方差為：

在公式(3)中，σ²為測距誤差的方差，μ為測距誤差的期望。

在本申請其他實施例中，也可采用構(gòu)建其他幾何形狀的受限區(qū)域劃分方法。

步驟300：采用線性卡爾曼濾波對初始受限區(qū)域進行偏差消除，形成新的受限區(qū)域；

在步驟300中，本申請實施例的偏差消除方式具體包括：

步驟301：將初始受限區(qū)域的中心點作為觀測值

步驟302：將上一個時刻目標(biāo)節(jié)點所在位置的向量記為當(dāng)前時刻的預(yù)測值為預(yù)測協(xié)方差矩陣P_t|t-1為上一個時刻的協(xié)方差矩陣P_t-1加當(dāng)前時刻的協(xié)方差矩陣Q_t；

步驟303：以預(yù)測協(xié)方差矩陣計算線性卡爾曼增益為：此時，線性卡爾曼濾波結(jié)果為：

步驟304：根據(jù)線性卡爾曼濾波結(jié)果得到后驗概率矩陣：

P_t|t＝(I-K_t)P_t|t-1 (5)

在公式(5)中，I為單位矩陣。此時，將初始受限區(qū)域平移至以為中心的矩形區(qū)域，從而形成新的受限區(qū)域。

步驟400：采用無跡卡爾曼濾波對新的受限區(qū)域進行最終定位，獲得目標(biāo)節(jié)點的最優(yōu)位置估計。

在步驟400中，本申請實施例最優(yōu)位置估計方法具體為：

步驟401：設(shè)定一個可調(diào)參數(shù)κ，保證以為中心，生成2n+1個狀態(tài)樣本，用i來標(biāo)識每個狀態(tài)樣本的序號：

步驟402：通過調(diào)節(jié)κ保證所有狀態(tài)樣本都落在經(jīng)過線性卡爾曼濾波形成的新的受限區(qū)域中；

步驟403：在生成狀態(tài)樣本后，為每個狀態(tài)樣本賦予權(quán)重，更新狀態(tài)樣本相關(guān)參數(shù)：

重新計算狀態(tài)樣本期望：

此時位置狀態(tài)協(xié)方差為：

此時，將所有狀態(tài)樣本轉(zhuǎn)化為到各個AP的距離向量則距離向量的期望為

協(xié)方差為：

狀態(tài)－距離的協(xié)方差為：

無跡卡爾曼濾波的增益為：

K_ut＝P_x,z,tP_z,t^-1 (13)

步驟404：相關(guān)參數(shù)更新完成后，目標(biāo)節(jié)點最終的定位為：

而狀態(tài)協(xié)方差為：

P_t＝P_x,t-K_utP_z,tK_ut^T (15)

為下一時刻的運算提供相關(guān)參數(shù)。在本申請其他實施例中，也可采用蒙特卡洛算法或粒子濾波算法進行定位。

請參閱圖2，是本申請實施例的基于測距的室內(nèi)定位系統(tǒng)的結(jié)構(gòu)示意圖。本申請實施例的基于測距的室內(nèi)定位系統(tǒng)包括測距模塊、受限區(qū)域構(gòu)建模塊、偏差消除模塊和定位模塊。

測距模塊：用于通過無線測距獲取錨節(jié)點與目標(biāo)節(jié)點的距離信息；其中，錨節(jié)點為固定位置已知的節(jié)點，目標(biāo)節(jié)點為固定位置未知的移動節(jié)點。

受限區(qū)域構(gòu)建模塊：用于根據(jù)錨節(jié)點與目標(biāo)節(jié)點的距離信息構(gòu)建初始受限區(qū)域，初始受限區(qū)域即為限定目標(biāo)節(jié)點可能存在的范圍；其中，本申請實施例通過min－max算法構(gòu)建初始受限區(qū)域，具體構(gòu)建方式為：每個錨節(jié)點(位置向量由表示)通過無線測距獲得其與目標(biāo)節(jié)點的距離分別以每個錨節(jié)點為中心，以為半徑構(gòu)建一個正方形區(qū)域。假設(shè)目前有m個這樣的錨節(jié)點，則可產(chǎn)生m個正方形區(qū)域，m個正方形區(qū)域的疊加區(qū)域即為初始受限區(qū)域。初始受限區(qū)域四個邊的邊界值可以由以下公式表示：

初始受限區(qū)域的中心點坐標(biāo)為：

在獲得初始受限區(qū)域的中心點坐標(biāo)后，該中心點的可能計算誤差的協(xié)方差為：

在公式(3)中，σ²為測距誤差的方差，μ為測距誤差的期望。

在本申請其他實施例中，也可采用構(gòu)建其他幾何形狀的受限區(qū)域劃分方法。

偏差消除模塊：用于采用線性卡爾曼濾波對初始受限區(qū)域進行偏差消除，形成新的受限區(qū)域；

具體地，偏差消除模塊消除偏差的方式為：

1：將初始受限區(qū)域的中心點作為觀測值

2：將上一個時刻目標(biāo)節(jié)點所在位置的向量記為當(dāng)前時刻的預(yù)測值為預(yù)測協(xié)方差矩陣P_t|t-1為上一個時刻的協(xié)方差矩陣P_t-1加當(dāng)前時刻的協(xié)方差矩陣Q_t；

3：以預(yù)測協(xié)方差矩陣計算線性卡爾曼增益為：此時，線性卡爾曼濾波結(jié)果為：

4：根據(jù)線性卡爾曼濾波結(jié)果得到后驗概率矩陣：

P_t|t＝(I-K_t)P_t|t-1 (5)

在公式(5)中，I為單位矩陣。此時，將初始受限區(qū)域平移至以為中心的矩形區(qū)域，從而形成新的受限區(qū)域。

定位模塊：用于采用無跡卡爾曼濾波對新的受限區(qū)域進行最終定位，獲得目標(biāo)節(jié)點的最優(yōu)位置估計。

具體地，定位模塊獲得最優(yōu)位置估計的方式為：

1：設(shè)定一個可調(diào)參數(shù)κ，保證以為中心，生成2n+1個狀態(tài)樣本，用i來標(biāo)識每個狀態(tài)樣本的序號：

2：通過調(diào)節(jié)κ保證所有狀態(tài)樣本都落在經(jīng)過線性卡爾曼濾波形成的新的受限區(qū)域中；

3：在生成狀態(tài)樣本后，為每個狀態(tài)樣本賦予權(quán)重，更新狀態(tài)樣本相關(guān)參數(shù)：

重新計算狀態(tài)樣本期望：

此時位置狀態(tài)協(xié)方差為：

此時，將所有狀態(tài)樣本轉(zhuǎn)化為到各個AP的距離向量則距離向量的期望為

協(xié)方差為：

狀態(tài)－距離的協(xié)方差為：

無跡卡爾曼濾波的增益為：

K_ut＝P_x,z,tP_z,t^-1 (13)

4：相關(guān)參數(shù)更新完成后，目標(biāo)節(jié)點最終的定位為：

而狀態(tài)協(xié)方差為：

P_t＝P_x,t-K_utP_z,tK_ut^T (15)

本申請實施例的基于測距的室內(nèi)定位方法及系統(tǒng)通過min－max算法構(gòu)建初始受限區(qū)域，采用線性卡爾曼濾波對初始受限區(qū)域進行偏差消除，并采用無跡卡爾曼濾波對新的受限區(qū)域進行最終定位，相對于現(xiàn)有技術(shù)的無偏估計定位方式，本申請對測距模型的依賴性小，算法復(fù)雜度較低，不受外界環(huán)境影響，性能穩(wěn)定，能夠在不同的室內(nèi)環(huán)境中實現(xiàn)穩(wěn)定且精度較高的定位效果，適用于多種定位系統(tǒng)，例如，基于到達角度定位的系統(tǒng)等。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本申請。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本申請的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本申請將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。