NLOS环境下的改进EKF定位算法研究 全文替换

发布时间：2021-01-08 23:13

　　移动目标与基站之间的距离信息在基于无线传感器网络定位中起着至关重要的作用。目前,大多数室内定位算法在视距（LOS）环境下能够取得较高的定位精度,然而由于室内环境的复杂性,在非视距（Non-Line-of-Sight,NLOS）环境下,经典的定位算法就无法保证理想的精度。针对室内非视距环境,提出了基于（Time of Arrival,TOA）测距下的改进EKF算法。该算法采用预测与测量比较阈值和误差分析结合的方法,能够有效辨识非视距环境下的测距信息,并使用视距环境下的信息完成目标定位。仿真和实验结果表明,该改进的算法能够明显提高移动目标在非视距环境下的定位精度。 

【文章来源】：控制工程. 2020,27(05)北大核心

【文章页数】：5 页

【部分图文】：

多种算法位置估计比较Fig.1Comparisonoflocationestimationinavarietyofalgorithms

·912·控制工程第27卷|11|1111|1|1|1|100()()00()()00()()kkkkkkikkikiikknkknnnxxyyhXhXxxyyHhXhXxxxxhXhX=(20)将C加入雅克比矩阵中得到式(21)：1()kkkHCHICH′=+(21)卡尔曼增益为：TT|1|1()kkkkkkkkKPHHPHR=′′′+(22)式中，R为测量协方差矩阵；设置为对角矩阵。因此，有||1()kkkkkkkXXKCdh=+(23)k|kk|k1kkk|k1PPKHP=′(24)式中，kd为k时刻测量的距离向量；k|kP为校正误差协方差矩阵；k|kX为k时刻的状态向量的最优估计。5仿真与实验为了验证本文方法的有效性，以Matlab为平台对仿真实验进行了设计。在212×5m的环境四周设置8个基站，并在环境中放置一个障碍物，无线信号穿越障碍物的距离越长，非视距所造成的误差越大。仿真结果图如下：图1多种算法位置估计比较Fig.1Comparisonoflocationestimationinavarietyofalgorithms图2多种算法定位误差比较Fig.2Comparisonoflocalizationerrorofvariousalgorithms从仿真结果可知，改进的EKF算法的平均误差为4.7533cm，传统的EKF算法误差为12.1954cm，最小二乘估计的误差为29.4516cm。因此改进的EKF算法对于非视距环境定位有较高的定位精度。为了验证算法的效果，搭建基站实验平台进行实验测试，基站采用UA100模块，搭载在支架上，被测目标使用UK100模块，如图3所示。(a)UA100模块(b)UK100模块(a)UA100module(b)UK100module图3实验模块Fig.3Mod

图1多种算法位置估计比较Fig.1Comparisonoflocationestimationinavarietyofalgorithms图2多种算法定位误差比较Fig.2Comparisonoflocalizationerrorofvariousalgorithms从仿真结果可知，改进的EKF算法的平均误差为4.7533cm，传统的EKF算法误差为12.1954cm，最小二乘估计的误差为29.4516cm。因此改进的EKF算法对于非视距环境定位有较高的定位精度。为了验证算法的效果，搭建基站实验平台进行实验测试，基站采用UA100模块，搭载在支架上，被测目标使用UK100模块，如图3所示。(a)UA100模块(b)UK100模块(a)UA100module(b)UK100module图3实验模块Fig.3Moduleofexpriment基站的安装位置信息，见表1。表1基站位置表Tab.1Thelistofthebasestationlocation基站ID坐标X(cm)坐标Y(cm)坐标Z(cm)40282457245402954376248403035685247403172652623940328433422454033679-22250由于算法是在二维平面下计算的，因此需要对所测量的数据进行转换，使用式(2)将所测量的距离信息转换为被测目标与基站之间的水平距离信息。在实验中，被测目标的高度是固定且已知的，我们把被测目标固定在了高度为44cm的位置。使用LabVIEW软件与被测目标建立通信，从而获取每个基站与被测目标之间的测量距离信息，并在LabVIEW中调取Matlab脚本模块来完成算法实现，从而获取目标在水平方向上的位置。在固定位置下，使用障碍物进行遮挡，同时使用3种算法进行测试，然后导出3种算法在每一时刻的位置计算信息，并对该3种算法的位置信息进行比较得3种算法误差比较图，如图4所示。

【参考文献】：
期刊论文
[1]基于K-means和Random Forest的WiFi室内定位方法[J]. 李军,何星,蔡云泽,徐琴.  控制工程. 2017(04)
[2]不依赖于精确初始坐标的车联网相对定位坐标估计算法[J]. 徐丽媛,何杰,王然,王沁.  计算机学报. 2017(07)
[3]NLOS环境下基于EKF的移动机器人定位研究[J]. 张凤,黄陆君,袁帅,戴敬,黄宽.  控制工程. 2015(01)
[4]密集多径环境下UWB测距的NLOS误差减小方法[J]. 吴绍华,张钦宇,张乃通.  电子学报. 2008(01)



本文编号：2965492