[发明专利]一种高精度室内无线定位方法

摘要

本发明公开了一种高精度室内无线定位方法，包括以下步骤：A：在t时刻获得的所有N个锚节点到被测节点的距离及锚节点的坐标；B：通过卡尔曼滤波挖掘相邻时刻的空间相关性，定义在t时刻在x、y、z三个坐标上的卡尔曼状态方程系数，并将所有时刻的上述向量和矩阵归纳为指定集合形式；C：利用全概率公式和卡尔曼状态方程，对全局概率分布进行因子分解；D：利用步骤C中得到的因子分解进行建模，将因子图模型分为晶格网络部分、卡尔曼网络部分和卡尔曼参数估计部分；E:通过消息传递算法对晶格网络部分、卡尔曼网络部分和卡尔曼参数估计部分进行消息计算。本发明能够克高效准确的获得室内待测节点的高精度位置信息。

主权项

1.一种高精度室内无线定位方法，其特征在于，依次包括以下步骤：A：设在t时刻被测节点可利用的锚节点个数为N，N≥3，根据每个锚节点的序列号得到对应的锚节点的坐标(x_n,y_n,z_n)，并随机将N个锚节点编号为[1:N]；根据到达时间或接收功率得到被测节点在t时刻到第n个锚节点的距离1≤n≤N；B:设t时刻被测节点的真实坐标为(x^(t),y^(t),z^(t))，并定义为向量形式α^(t)；(x^(t) y^(t) z^(t))^T@α^(t)   (1)；将步骤A中在t时刻获得的所有N个锚节点到被测节点的距离及锚节点的坐标(x_n,y_n,z_n)，按(2)式计算并整理为向量r^(t)；其中，为向量r^(t)中第n个元素；将t时刻获得的所有N个锚节点坐标，按(3)式计算并整理为矩阵Φ^(t)；其中，为矩阵Φ^(t)中第n行向量，为矩阵Φ^(t)中第n行第1列元素；为矩阵Φ^(t)中第n行第2列元素；为矩阵Φ^(t)中第n行第3列元素；由距离和坐标的运算关系根据(1)式‑(3)式，得到r^(t)＝Φ^(t)α^(t)+ω^(t)   (4)；其中，ω^(t)表示实际测量过程中存在的误差向量；设误差服从均值为零、方差为σI的高斯分布，记为N(ω^(t)；0,σI)，其中矩阵σI为大小为N×N的协方差矩阵；通过卡尔曼滤波挖掘相邻时刻的空间相关性，将t时刻在x、y、z三个坐标上的卡尔曼状态方程系数定义为和并将所有t＝{1,...,T}时刻的上述向量和矩阵归纳为如下集合形式，{α⁽¹⁾,...,α^(T)}@α，{r⁽¹⁾,...,r^(T)}@r，{Φ⁽¹⁾,...,Φ^(T)}@Φ，C：根据(4)式所示的运算关系，利用全概率公式、变量间的隐马尔科夫特性和卡尔曼状态方程，对全局概率分布P(r,α,Φ,A,B)进行因式分解：(5)式中表达式P(g)表示概率分布；似然函数可分解为定义为函数表示数学期望为方差为σI的高斯分布；由于连续的两次观测之间具有马尔可夫特性，表示为u为服从标准高斯分布的噪声，因此在(5)式中：坐标x^(t),x^(t‑1)之间的函数约束为定义为函数坐标y^(t),y^(t‑1)之间的函数约束为定义为函数坐标z^(t),z^(t‑1)之间的函数约束为定义为函数参数A和B的先验均假设为均匀分布，为P(A)＝U(0,1)，P(B)＝U(0,1)；其中U(a,b)表示区间为[a,b]的均匀分布；D：利用步骤C中得到的因子分解进行因子图建模；根据步骤C所示的因式分解进行因子图建模的过程为，定义(5)式中的每个函数为函数节点；定义每个变量为变量节点；将所有函数节点和与之相关的变量节点通过线段相连，便构成了因子图模型；引入映射节点和对应的映射函数映射节点和对应的映射函数以及映射节点和对应的映射函数其中δ(g)表示delta函数；将上述因子图模型分为晶格网络部分、卡尔曼网络部分和卡尔曼参数估计部分，其中晶格网络部分对应于函数节点到变量节点之间的网络，卡尔曼网络部分对应于函数节点到变量节点之间的网络，卡尔曼参数估计部分对应于变量节点之间互相连接的网络；E：利用步骤D中所得的因子图模型，通过消息传递算法对晶格网络部分、卡尔曼网络部分和卡尔曼参数估计部分进行消息计算，得到在t时刻被测节点的高精度位置信息。