移動目標(biāo)與基站之間的距離信息在基于無線傳感器網(wǎng)絡(luò)定位中起著至關(guān)重要的作用。目前,大多數(shù)室內(nèi)定位算法在視距（LOS）環(huán)境下能夠取得較高的定位精度,然而由于室內(nèi)環(huán)境的復(fù)雜性,在非視距（Non-Line-of-Sight,NLOS）環(huán)境下,經(jīng)典的定位算法就無法保證理想的精度。針對室內(nèi)非視距環(huán)境,提出了基于（Time of Arrival,TOA）測距下的改進(jìn)EKF算法。該算法采用預(yù)測與測量比較閾值和誤差分析結(jié)合的方法,能夠有效辨識非視距環(huán)境下的測距信息,并使用視距環(huán)境下的信息完成目標(biāo)定位。仿真和實驗結(jié)果表明,該改進(jìn)的算法能夠明顯提高移動目標(biāo)在非視距環(huán)境下的定位精度。 

【文章來源】：控制工程. 2020,27(05)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

多種算法位置估計比較Fig.1Comparisonoflocationestimationinavarietyofalgorithms

·912·控制工程第27卷|11|1111|1|1|1|100()()00()()00()()kkkkkkikkikiikknkknnnxxyyhXhXxxyyHhXhXxxxxhXhX=(20)將C加入雅克比矩陣中得到式(21)：1()kkkHCHICH′=+(21)卡爾曼增益為：TT|1|1()kkkkkkkkKPHHPHR=′′′+(22)式中，R為測量協(xié)方差矩陣；設(shè)置為對角矩陣。因此，有||1()kkkkkkkXXKCdh=+(23)k|kk|k1kkk|k1PPKHP=′(24)式中，kd為k時刻測量的距離向量；k|kP為校正誤差協(xié)方差矩陣；k|kX為k時刻的狀態(tài)向量的最優(yōu)估計。5仿真與實驗為了驗證本文方法的有效性，以Matlab為平臺對仿真實驗進(jìn)行了設(shè)計。在212×5m的環(huán)境四周設(shè)置8個基站，并在環(huán)境中放置一個障礙物，無線信號穿越障礙物的距離越長，非視距所造成的誤差越大。仿真結(jié)果圖如下：圖1多種算法位置估計比較Fig.1Comparisonoflocationestimationinavarietyofalgorithms圖2多種算法定位誤差比較Fig.2Comparisonoflocalizationerrorofvariousalgorithms從仿真結(jié)果可知，改進(jìn)的EKF算法的平均誤差為4.7533cm，傳統(tǒng)的EKF算法誤差為12.1954cm，最小二乘估計的誤差為29.4516cm。因此改進(jìn)的EKF算法對于非視距環(huán)境定位有較高的定位精度。為了驗證算法的效果，搭建基站實驗平臺進(jìn)行實驗測試，基站采用UA100模塊，搭載在支架上，被測目標(biāo)使用UK100模塊，如圖3所示。(a)UA100模塊(b)UK100模塊(a)UA100module(b)UK100module圖3實驗?zāi)KFig.3Mod

圖1多種算法位置估計比較Fig.1Comparisonoflocationestimationinavarietyofalgorithms圖2多種算法定位誤差比較Fig.2Comparisonoflocalizationerrorofvariousalgorithms從仿真結(jié)果可知，改進(jìn)的EKF算法的平均誤差為4.7533cm，傳統(tǒng)的EKF算法誤差為12.1954cm，最小二乘估計的誤差為29.4516cm。因此改進(jìn)的EKF算法對于非視距環(huán)境定位有較高的定位精度。為了驗證算法的效果，搭建基站實驗平臺進(jìn)行實驗測試，基站采用UA100模塊，搭載在支架上，被測目標(biāo)使用UK100模塊，如圖3所示。(a)UA100模塊(b)UK100模塊(a)UA100module(b)UK100module圖3實驗?zāi)KFig.3Moduleofexpriment基站的安裝位置信息，見表1。表1基站位置表Tab.1Thelistofthebasestationlocation基站ID坐標(biāo)X(cm)坐標(biāo)Y(cm)坐標(biāo)Z(cm)40282457245402954376248403035685247403172652623940328433422454033679-22250由于算法是在二維平面下計算的，因此需要對所測量的數(shù)據(jù)進(jìn)行轉(zhuǎn)換，使用式(2)將所測量的距離信息轉(zhuǎn)換為被測目標(biāo)與基站之間的水平距離信息。在實驗中，被測目標(biāo)的高度是固定且已知的，我們把被測目標(biāo)固定在了高度為44cm的位置。使用LabVIEW軟件與被測目標(biāo)建立通信，從而獲取每個基站與被測目標(biāo)之間的測量距離信息，并在LabVIEW中調(diào)取Matlab腳本模塊來完成算法實現(xiàn)，從而獲取目標(biāo)在水平方向上的位置。在固定位置下，使用障礙物進(jìn)行遮擋，同時使用3種算法進(jìn)行測試，然后導(dǎo)出3種算法在每一時刻的位置計算信息，并對該3種算法的位置信息進(jìn)行比較得3種算法誤差比較圖，如圖4所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于K-means和Random Forest的WiFi室內(nèi)定位方法[J]. 李軍,何星,蔡云澤,徐琴.  控制工程. 2017(04)
[2]不依賴于精確初始坐標(biāo)的車聯(lián)網(wǎng)相對定位坐標(biāo)估計算法[J]. 徐麗媛,何杰,王然,王沁.  計算機(jī)學(xué)報. 2017(07)
[3]NLOS環(huán)境下基于EKF的移動機(jī)器人定位研究[J]. 張鳳,黃陸君,袁帥,戴敬,黃寬.  控制工程. 2015(01)
[4]密集多徑環(huán)境下UWB測距的NLOS誤差減小方法[J]. 吳紹華,張欽宇,張乃通.  電子學(xué)報. 2008(01)



本文編號：2965492