一種基于rssi的室內(nèi)定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種基于RSSI的室內(nèi)定位方法，尤其設(shè)及在噪聲環(huán)境下利用基于卡 爾曼的濾波優(yōu)化方法對RSSI測量值進行濾波去噪并改善定位系統(tǒng)累積誤差的基于RSSI的 室內(nèi)定位方法，屬于移動計算和信號處理的交叉技術(shù)應(yīng)用領(lǐng)域。
【背景技術(shù)】
[0002] 室內(nèi)定位算法力求通過不同的無線信號技術(shù)，利用對應(yīng)的距離計算方法，在室內(nèi) 環(huán)境中對待定位物體進行快速、高效的精準定位，從而得到精確的物體坐標。
[000引 目前的室內(nèi)定位算法都是基于無線網(wǎng)絡(luò)（Wireless Fidelity, Wi-Fi)、 無線傳感器網(wǎng)絡(luò)（Wireless Sensor Network, WSN)、射頻識別（Radio Rrequen巧 Identification, RFID)、藍牙炬 luetooth) W 及超寬帶化 Itra Wide Band, UWB)等無線 技術(shù)。結(jié)合信號傳輸時間（Time of Arrival, TOA)、信號傳輸時間差（Time Difference of Arrival, TDOA)信號傳輸角度（Angle of Arrival, AOA) W及信號強度指示化eceived Si即al Strength Indicator, RSSI)該些方法中的一種，再利用S邊測量或者S角測量的 方法測算得到待定坐標。
[0004] 室內(nèi)定位算法的性能指標有定位精度、時間開銷、定位實時性、算法復(fù)雜度等。其 中，定位精度是室內(nèi)定位算法的關(guān)鍵指標。一些室內(nèi)定位算法在理論上可預(yù)見較高的定位 精度，但是在實際環(huán)境中定位精度卻很低，該是由于該些定位算法沒有考慮室內(nèi)環(huán)境中的 人及人的活動。對于Wi-Fi信號來說，其通信頻率為2. 4GHz，和水的共振頻率一樣，而人體 的含水比例約為70%，室內(nèi)環(huán)境中的人會對信號的傳播產(chǎn)生影響，如果人員眾多且活動頻 繁，那么該些室內(nèi)環(huán)境中的人將在室內(nèi)定位過程中產(chǎn)生較大噪聲，降低定位精度。
[0005] 可見，單純地考慮各種無線技術(shù)在室內(nèi)無人環(huán)境的定位是不足的，特別是在諸如 博物館，商業(yè)中屯、等大型室內(nèi)定位場景當中，人員眾多且人流量大，要想通過合適的定位算 法得到較高的定位精度，就不得不解決人本身所帶來的噪聲影響。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)不足，提供一種基于RSSI的室內(nèi) 定位方法，通過改進的卡爾曼濾波算法對RSSI測量值進行處理，從而消除人對無線信號傳 播所產(chǎn)生的噪聲影響，有效改善因為累積誤差導(dǎo)致的定位精度的降低，能夠在噪聲均值變 化幅度較大的室內(nèi)環(huán)境仍能保持較高的定位精度，且能夠提高室內(nèi)定位的穩(wěn)定性并保持較 低的時間開銷。
[0007] 本發(fā)明具體采用W下技術(shù)方案：
[000引一種基于RSSI的室內(nèi)定位方法，首先對RSSI測量值進行基于卡爾曼的濾波優(yōu)化， 然后利用濾波優(yōu)化后的RSSI值進行室內(nèi)定位；所述基于卡爾曼的濾波優(yōu)化，在每一次對增 益矩陣進行求解之前，首先將當前殘余奇異值的最大值與一預(yù)設(shè)闊值進行比較，若殘余奇 異值的最大值大于或等于所述闊值，則將增益矩陣置零并進入下一次自循環(huán)中，否則，不采 取任何額外操作，進入狀態(tài)更新階段。
[0009] 優(yōu)選地，所述基于RSSI的室內(nèi)定位方法，具體包括W下步驟：
[0010] 步驟1、獲取RSSI測量值并進行定位系統(tǒng)初始化；
[0011] 步驟2、進行時間更新：根據(jù)初始數(shù)據(jù)或上一輪自循環(huán)中狀態(tài)更新得到的數(shù)據(jù)，計 算RSSI的先驗值和先驗誤差協(xié)方差；
[0012] 步驟3、奇異值判定；在進行狀態(tài)更新開始前，計算殘余奇異值的最大值，并將其 與經(jīng)驗闊值P作比較：若計算得到的奇異值最大值不小于經(jīng)驗闊值P，轉(zhuǎn)到步驟4 ;若計 算得到的奇異值最大值小于經(jīng)驗闊值P，則不做其他操作，準備進入狀態(tài)更新，轉(zhuǎn)到步驟 5 ；
[0013] 步驟4、將增益矩陣置0,跳過本輪循環(huán)的狀態(tài)更新過程，準備進入下一輪的自循 環(huán)過程，轉(zhuǎn)到步驟2;
[0014] 步驟5、進行狀態(tài)更新：根據(jù)本輪時間更新得到的數(shù)據(jù)進行增益Kk的計算，更新 RSSI估計值和RSSI的協(xié)方差誤差；
[0015] 步驟6、判斷迭代是否結(jié)束，若結(jié)束則轉(zhuǎn)到步驟7 ;若未結(jié)束，則進行下一輪的自循 環(huán)優(yōu)化過程，轉(zhuǎn)到步驟2;
[0016] 步驟7、根據(jù)得到的RSSI值計算出距離值，并根據(jù)距離值得到最終的估計坐標值， 結(jié)束算法循環(huán)。
[0017] 相比現(xiàn)有技術(shù)，本發(fā)明具有W下有益效果：
[001引本發(fā)明具有W下有益效果：
[0019] (1)本發(fā)明方法有效優(yōu)化了大型室內(nèi)環(huán)境中人在定位過程中產(chǎn)生的噪聲，克服了 人員眾多的情況下定位精度有所降低的難題，提高了定位精度；
[0020] (2)本發(fā)明方法能夠有效改善因為累積誤差導(dǎo)致的定位精度的降低，進一步提高 了室內(nèi)定位的精度；
[0021] (3)本發(fā)明方法的穩(wěn)定性能夠保證即使在室內(nèi)噪聲值變化很大且不穩(wěn)定的環(huán)境 下，和傳統(tǒng)的定位算法相比，依然能夠保持較高的定位精度，提高了定位系統(tǒng)的定位穩(wěn)定 性；
[002引 （4)本發(fā)明方法的時間復(fù)雜度為0(n)，時間開銷小，定位實時性高。
【附圖說明】
[0023] 圖1為本發(fā)明的室內(nèi)定位方法的流程示意圖；
[0024] 圖2為本發(fā)明適用的定位環(huán)境的場景示意圖。
【具體實施方式】
[0025] 下面結(jié)合附圖對本發(fā)明的技術(shù)方案進行詳細說明：
[0026] 本發(fā)明針對現(xiàn)有基于RSSI的室內(nèi)定位算法對于人流較大的場景定位精度較低的 不足，利用基于卡爾曼的濾波優(yōu)化方法對RSSI測量值進行去噪，根據(jù)矩陣論原理，利用簡 單的奇異值判定來消除累積誤差的影響，從而可有效消除較大人流環(huán)境下人體本身對無線 信號所產(chǎn)生的影響，提高定位精度。
[0027] I960年卡爾曼發(fā)表了 一篇著名的論文[Kalman R E. A new approach to linear filtering and prediction problems[J].Journal of Fluids Engineering, 1960, 82(1) :35-45.]，在文中他闡述了一種解決離散數(shù)據(jù)線性濾波問題的遞 歸方法，并由Stanley Schmi化首次實現(xiàn)了該種遞歸優(yōu)化算法，該種優(yōu)化算法稱為卡爾曼濾 波器?？柭鼮V波器最初只是一種形式一般的簡單濾波器，伴隨著數(shù)字計算機技術(shù)的不斷 豐富和進步，卡爾曼濾波器算法也得到了不斷的擴充與發(fā)展，特別是在工程領(lǐng)域中，從自動 化機床的控制到計算機圖形圖像的處理，從導(dǎo)彈追蹤到雷達系統(tǒng)探測，從機器人導(dǎo)航到衛(wèi) 星軌跡預(yù)測等，卡爾曼濾波器在工業(yè)、軍事和高科技領(lǐng)域均有廣泛的應(yīng)用，有著難W替代的 地位。簡單來說，"卡爾曼濾波器是一個最優(yōu)化自回歸數(shù)據(jù)處理算法"。
[002引正是由于卡爾曼濾波器的最優(yōu)化自回歸特性，在室內(nèi)定位的進程中，經(jīng)過卡爾曼 濾波器的時間更新過程和狀態(tài)更新過程的反復(fù)迭代，來得到定位坐標的優(yōu)化值。實驗結(jié)果 表明，卡爾曼濾波器確實能夠提高定位精度，并且效果明顯又穩(wěn)定。但是伴隨著迭代次數(shù)的 不斷增加，由定位系統(tǒng)產(chǎn)生的累積誤差（Accumulative化ror)也將越來越大，特別是在人 員眾多、人員活動頻繁、室內(nèi)結(jié)構(gòu)復(fù)雜的室內(nèi)環(huán)境之中，所產(chǎn)生的累積誤差效應(yīng)將對室內(nèi)定 位精度產(chǎn)生很大的影響。因為Wi-Fi的通信頻率為2. 4GHz，和水的共振頻率一樣，而人體的 含水比例大約為70%，因此人體對Wi-Fi信號的影響十分顯著，特別是在人員眾多且活動 頻繁的室內(nèi)環(huán)境當中，人對無線信號的影響W及對室內(nèi)定位精度的影響尤為明顯。
[0029] 本發(fā)明所提出的基于卡爾曼的改進型濾波算法利用矩陣論的奇異值原理，結(jié)合一 個經(jīng)驗闊值去選擇性地處理整個優(yōu)化方法的循環(huán)過程，改善累積誤差對定位精度的影響， 從而提升在該頻段噪聲室內(nèi)環(huán)境中的定位精度。
[0030] 本發(fā)明提出的室內(nèi)定位算法分為時間更新，奇異值判定W及狀態(tài)更新=個過程， 并通過該=個過程的反復(fù)迭代來得到RSSI的優(yōu)化值，從而便于得到更為精確的定位坐標。 算法的核屯、思想是根據(jù)矩陣論中的奇異值理論，在算法優(yōu)化迭代的自循環(huán)過程中設(shè)置一個 奇異值判定過程，并結(jié)合經(jīng)驗闊值選擇性地在第k次自循環(huán)中將殘余的增益置零，使第k 次的自循環(huán)跳空，利用算法自循環(huán)的慣性預(yù)測特性進行第k+1次RSSI值的估算，減少累積 誤差的疊加，減輕定位系統(tǒng)中非線性特性稍強或者噪聲特性偏離高斯分布較大所帶來的影 響，從而優(yōu)化RSSI值，W便于得到更為精確的位置坐標。
[0031] 定位算法中的離散過程可由下面的差分方程和觀測方程來表示，其中n維狀態(tài)變 量X G護，m維觀測變量y G r。
[0032] 差分方程：
[003引 Xk= AXk-i+B?k-i+e k-i (D
[0034] 觀測方程；
[0035] 化,.+巧： (2)
[0036] 在式（1)和式似中，e和中分別表示定位系統(tǒng)的過程激勵噪聲和觀測噪聲，都是 期望為0的白噪聲