IMMKF与Chan-Taylor算法的协同定位

TDOA(Time Difference of Arrival)测距方式是UWB(Ultra Wide Band)室内定位的常用方法,针对其不可避免的随机误差以及目标改变运动状态定位不准确的问题,文中提出了一种Chan-Taylor-IMMKF(Interacting Multiple Model Kalman Filter)定位算法。该算法由Chan-Taylor加权算法与加入自适应算法IMM卡尔曼滤波算法组成,通过Chan-Taylor加权算法初次取得目标估计坐标,将该坐标值作为自适应算法IMM的卡尔曼滤波器的测量值,对目标坐标进行多次滤波处理,最终加权得到目标的最终估计坐标。实验将该算法与未滤波的Chan-Taylor加权算法、使用传统的卡尔曼滤波算法进行对比,结果显示该算法有效减小了系统的随机误差,并克服了传统卡尔曼滤波器在目标忽然改变运动状态时不能及时跟踪从而产生较大误差的问题,将误差标准差均值控制在15 cm之内。

非视距环境下室内RFID标签定位算法研究

在室内无线定位中,由于受到非视距NLOS的影响,信号的传播变得复杂起来。复杂的传播环境使得传统的定位算法例如最小二乘算法(LS)或者CHAN算法无法达到我们需要的精度。在使用无源超高频无线射频识别(Passive UHF RFID)技术的基础上,分析和建立了UHF RFID信道模型,并由此对定位误差进行了分析。基于运用相位法POA进行测距而得到的距离信息,提出了一种两步式标签定位算法:首先使用凸优化中的内点法将非视距误差消除,再使用加权残差方法进行精确定位。通过仿真结果的比较,表明本文提出的算法优于传统算法。

椭球约束下减小三维定位中的非视距误差

采用精度较高的TOA测距方法对位于三维表面的节点进行定位时,非视距传播现象会造成测距值出现较大的正向误差。针对非视距误差提出一种判别算法,对参与定位的锚节点进行筛选,剔除掉非视距误差较大的锚节点,再用残差加权算法进行最终的位置估计。与最小二乘法和残差加权法相比,能够有效地减小非视距误差的影响,具有更高的定位精度。

NLOS环境下几种TOA定位算法的性能比较

通过测量基站3条或更多不同路径的来自移动站的信号到达时间,可以对移动站进行定位。然而信号的非视距传输却极大地影响了TOA定位算法的定位精度,不同的定位算法在不同的条件下获得的定位精度也不同。对几种TOA定位算法(包括最小均方算法、近似最大似然估计算法、残差加权和残差检测算法)在非视距环境下的性能进行仿真,根据仿真结果,在实际应用中可以针对不同的环境选择最合适的定位算法。