基于非视距误差直接估计的定位跟踪算法

在蜂窝无线定位中,由于非视距（non-line-of-sight, NLOS）误差是影响定位精度的主要因素之一,所以如何减轻NLOS误差影响成为当前无线定位研究的热点。本文针对NLOS环境下的定位跟踪问题,提出一种基于扩展卡尔曼滤波（extended Kalman filter ,EKF)的定位跟踪算法。该算法首先在最小二乘准测下推导出估计测量值中NLOS误差的直接计算公式,然后使用约束加权最小二乘（constrained weighted least squares, CWLS）方法计算出每一个测量值中所含的NLOS误差,最后利用NLOS误差估计值去修正EKF滤波,以便适应NLOS环境下的定位跟踪,并获取高的定位精度。这种方式不依赖于特定的NLOS误差分布,也无需视距（line-of-sight, LOS）和非视距识别。数值结果表明该算法相比较于经典EKF算法和基于NLOS迭代的EKF算法可以快速有效地抑制定位误差,并且可以在极为恶劣的NLOS环境下满足FCC的定位要求。另外,复杂性实验表明该算法可适用于实时跟踪。      

EKF、PF在目标跟踪中的研究

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter,EKF）、粒子滤波器（Particle filter,PF）。EKF利用泰勒级数方法,将非线性问题转化到线性空间,再利用卡尔曼滤波器进行滤波,并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法,它将复杂的目标状态分布表示为一组加权值,通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布,已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验,对二者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,PF的性能明显优于EKF,但计算复杂,耗时长。     

一种新型混合并行粒子滤波频率估计方法

针对高动态、低信噪比环境下的载波频率信号跟踪问题,提出一种新的混合并行粒子滤波算法（ Multi-ple Extend Kalman Filter Independent Metropolis Hastings ,M-E-IMH）。该算法具有并行运算结构,实时性较基本粒子滤波有较大的提高。该算法直接利用同相支路（In-phase,I）和正交支路（Quadrature,Q）作为观测量,避免了传统方法中的鉴别器引入而引起的信噪比损耗。在高斯和非高斯环境下,与现有的载波跟踪方法如扩展卡尔曼滤波器（ EKF ）,粒子滤波器（ PF）,卡尔曼滤波器（ KF）等仿真对比表明,该方法在低信噪比下具有更高的跟踪精度。     

一种用于雷达量测的滤波算法

在雷达跟踪系统中,广泛使用混合坐标系下扩展卡尔曼滤波器（EKF）和转换卡尔曼滤波器（CMKF）两种算法,但是当目标距离较远时,这两种滤波器由于量测方程非线性的影响,误差较大,甚至导致滤波发射。本文计算了传统EKF滤波器引入的线性化误差,并在此基础上提出一种新的滤波算法（NDRKF）。计算机仿具结果表明,该算法减小了线性化误差的影响,较明显地改善了滤波顺的性能。     

基于扩展卡尔曼滤波器的混合TDOA／AOA室内定位技术的研究

本文阐述的是一种针对室内超宽带系统（UWB）的时间差到达和角度到达（TDOA／AOA）的混合定位技术。由于非视距传播（NLOS）误差确定为此系统的主要误差原因,所以本文使用卡尔曼滤波器来甄别和消除非视距误差,从而减小在室内UWB环境下的NLOS的时间到达（TOA）误差。本文加入了一种AOA选择功能。最后针对使用TDOA和有选择的AOA的室内移动定位追踪系统本文提出了一种改进的扩展卡尔曼滤波器（EKF）。仿真结果显示本文提出的混合定位方案可以有效响应在UWB环境下的NLOS／LOS变化,并且提高了定位精度。     

基于卡尔曼滤波的测量值重构及定位算法

在蜂窝网无线定位技术中,非视距(NLOS)误差的存在使定位性能急剧下降。该文提出了一种针对NLOS环境的基于卡尔曼滤波(KF)的动态跟踪定位算法。算法首先利用有偏卡尔曼滤波器的对测量值进行重构,然后利用重构后的测量值进行卡尔曼定位,并引入推算机制加以修正。实验结果表明,该方法在极为恶劣的NLOS环境下也能够获得很高的定位精度。     

基于角度约束采样的单站无源定位混合粒子滤波算法

为实现固定单站对运动辐射源的快速定位,该文给出了一种基于角度约束采样的混合粒子滤波算法。该算法从EKF（Extended Kalman Filter）滤波得到建议分布,利用角度测量对状态变量的约束关系从建议分布产生所需粒子,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能,降低运算成本。结合利用多普勒变化率和角度测量的单站定位方法,与EKF,UKF（Unscented Kalman Filter）以及一般混合粒子滤波算法的仿真比较表明,该算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差更接近Cramer—Rao下界。     

基于扩展卡尔曼滤波的联合迭代检测译码信道估计方法

针对高速移动场景下信道快衰落、非平稳等特性导致下行链路信道估计性能受限的问题,提出了一种适用于高速移动环境下行链路的信道估计方法.采用自回归过程对信道建模,构造自反馈的扩展卡尔曼滤波器（Extended Kalman Filter,EKF）追踪信道响应及其时域相关系数.为了解决EKF自反馈结构引起的误差传播问题,采用了迭代检测译码的接收机结构,以利用信道编码的冗余提升EKF的信道估计精度.仿真分析表明,在高速移动环境下所提方法相较于最小二乘估计和线性最小均方误差估计等传统方法提升了信道估计的均方误差和系统的误码率性能,可应用于高速列车无线通信设备的接收机基带信号处理系统.     

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法北大核心CSCD

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。     

仅有角度测量的双机协同机动目标跟踪定位路径规划

针对仅有角度测量的双机协同三维机动目标跟踪定位路径规划问题提出基于扩展卡尔曼滤波器（EKF）和定位精度几何分布（GDOP）的优化算法。在建立双机协同被动跟踪EKF 的基础上分别从交互信息与协方差控制入手建立指标函数。利用向量概念推导出了双机协同被动目标定位的GDOP计算公式,并建立了基于GDOP 的指标函数。利用目标状态的一步预测给出了基于不同指标函数的数值解法。仿真表明,基于EKF 的指标函数在在目标机动时性能较差,而基于GDOP 的指标则在目标机动时表现出良好性能。     

基于扩展卡尔曼滤波的非视距误差消除算法

在蜂窝网无线定位中,到达时间(TOA)或到达时间差(TDOA)中的非视距(NLOS)误差会导致移动台的位置估计出现较大偏差.为了减轻NLOS误差的影响,提出了一种基于扩展卡尔曼滤波(EKF)的非视距误差消除算法.算法通过引入一个NLOS转换因子改进EKF的迭代过程,消除NLOS误差对定位估计的影响.计算机仿真结果表明,在NLOS环境下定位精度的提高是显著的.     

基于B-LM圆环模型的NLOS信息约束单基站定位算法

针对当前室外蜂窝网多基站定位需要基站之间时间同步、数据同步的要求,以及NLOS环境造成的非服务区基站的信号可测性问题,该文提出基于B-LM圆环模型的NLOS信息约束单基站定位算法。首先根据散射体、目标和基站间的几何位置关系以及NLOS多路径信息构建定位方程,然后将定位方程转化为最小二乘优化问题,之后基于LM算法海森矩阵修正思想和拟牛顿2阶偏导构造思想提出B-LM算法,保证算法收敛于最优解,以得到目标位置。仿真结果表明,所提单基站定位算法能在宏蜂窝NLOS环境实现较高的定位精度。     

一种基于圆环模型的网格搜索定位算法

为了降低非视距(Non-Line-of-Sight,NLOS)误差对定位精度的不利影响,提出了一种基于圆环模型的到达时间(Time of Arrival,TOA)/到达角(Angle of Arrival,AOA)混合定位算法。假设各基站(Base Station,BS)接收的多径信号都经历了散射体的单次散射,首先利用圆环模型的几何特征搜索圆环的半径,再根据圆环的半径、TOA信息和AOA信息确定散射体的位置;然后将散射体作为虚拟基站规划移动台(Mobile Station,MS)的可能位置范围,并使用网格搜索和约束判断来获得多个MS可能的估计位置;最后根据误差目标函数的大小进行选择性平均。在不同NLOS场景下的仿真结果表明,与现有算法相比,所提算法取得了更好的定位性能。     

Mobile Location Estimator in a Rough Wireless Environment Using Extended Kalman-Based IMM and Data Fusion

An extended Kalman-based interacting multiple model (EK-IMM) smoother is proposed for mobile location estimation with the data fusion of the time of arrival (TOA) and the received signal strength (RSS) measurements in a rough wireless environment. The extended Kalman filter is used for nonlinear estimation. The IMM is employed as a switch between the line-of-sight (LOS) and non-LOS (NLOS) states, which are considered to be a Markov process with two interactive modes. Combining extended Kalman filtering with the IMM scheme for accurately smooth range estimation between the corresponding base station (BS) and mobile station (MS) in the rough wireless environment, the proposed robust mobile location estimator, in association with data fusion, can efficiently mitigate the NLOS effects on the measurement range error. Simulation results illustrate that the performance of the proposed method has been significantly improved in the LOS/NLOS transition case. Moreover, the performance of the EK-IMM smoother with data fusion is also better than that with a single measurement used alone.      

两种NLOS误差消除及TOA定位算法

在蜂窝网络定位中,由于NLOS环境造成的附加时延(NLOS误差)是导致定位精度下降的主要原因,本文将NLOS误差与系统测量误差合成的噪声分为均值部分和随机部分,利用卡尔曼滤波算法输出与噪声方差无关的特性,无需得到全部噪声方差的准确值,只利用系统测量噪声的方差,用卡尔曼滤波算法除随机部分,再根据噪声均值部分与移动台到基站距离的关系,提出了一种简单的最小二乘(LS)定位算法,或利用最优化方法进行定位;利用仿真实验得到滤波距离--误差先验信息,基于先验信息提出了第二种NLOS误差消除算法,再利用所提的最小二乘定位算法进行定位.仿真结果表明,本文提出的算法能够有效消除NLOS误差带来的影响,具有更高的定位精度与稳健性.     

一种基于单次散射体定位的TOA/AOA混合定位算法

为了降低非视距(Non-Line-of-Sight,NLOS)误差对定位精度的不利影响,提出了一种基于散射体定位的到达时间(Time of Arrival,TOA)/到达角(Angle of Arrival,AOA)混合定位算法.假设各基站(Base Station,BS)接收的多径信号都经历了散射体单次散射,首先利用...     

基于粒子滤波和交互多模型的移动定位方法

为提高非视距情况下移动辐射源的定位精度,提出一种改进的交互粒子滤波算法.该算法对目标运动多模型和信号到达时间差测量噪声分布多模型联合建模.在交互多模型状态更新中利用粒子滤波对目标时变状态以及视距/非视距混合信道参数进行估计,抑制了非视距测量误差对移动定位的影响.仿真结果表明,改进算法的性能要优于现有的视距条件运动多模型和视距/非视距条件单一运动模型的定位算法,并且定位误差接近于推导的后验克拉美劳下界.     

基于角度重构和差分飞行时间的室外多站定位

针对当前室外定位基站和目标之间的信号收发不同步,以及非视距(Non-Line of Sight,NLOS)环境下定位困难的问题,提出了一种基于角度重构和差分飞行时间(Time of Flight,TOF)的室外NLOS多站定位方法。首先,基于单次散射模型给出了一种关于散射体波达角(Angle of Arrival,AOA)的粗略重构方法,再利用多径信号的差分TOF并结合模型中目标、散射体、基站之间的几何位置关系构建定位方程;然后,结合先验信息添加约束区间并结合定位方程将定位问题转化为最小二乘优化问题,并利用列文伯格-马奈尔特法(Levenberg Marquardt,LM)算法进行初始解算得到基站到目标的初始估计距离;最后,将每个基站的距离估计结果进行联合多边定位得到最终目标位置。仿真结果表明,该方法利用多个基站能在室外NLOS环境中实现较高定位精度。     

基于TDOA无线定位的NLOS误差抑制算法

在无线定位算法中,非视距误差是影响定位精度的一个重要因素。为了减小NLOS误差的影响,文中提出了一种基于TDOA的NLOS误差抑制算法。该算法引入信息阈值和修正参数,对卡尔曼滤波迭代过程进行改进,有效地抑制了TDOA测量值中的NLOS误差。仿真结果表明,该算法在NLOS误差严重且误差模型不确定的环境下仍可保持较高的定位精度,且性能优于已有基于卡尔曼滤波的NLOS误差抑制算法。