基于多源融合的OFDM室内定位技术研究

doi:10.3969/j.issn.1003-3106.2023.05.007
引用格式:陈万平,鲍亚川,成小彤,等.基于多源融合的OFDM 室内定位技术研究[J].无线电工程,2023,53(5):1052-1060.[CHEN Wanping,BAO Yachuan,CHENG Xiaotong,et al.Research on OFDM Indoor Positioning Technology Based on Multi-source
Fusion [J].Radio Engineering,2023,53(5):1052-1060.]
基于多源融合的OFDM 室内定位技术研究
陈万平1,鲍亚川2,成小彤1,卢小峰1
(1.西安电子科技大学通信工程学院,陕西西安710068;
2.中国电子科技集团公司第五十四研究所,河北石家庄050081)
摘㊀要:目前各种室内定位技术都有其自身的优势和局限性,单一的定位技术已经无法满足高精度的室内定位需求㊂针对该问题,提出了一种基于多源融合技术的室内定位方法㊂利用常见正交频分复用(Orthogonal Frequency Division
Multiplexing,OFDM)信号的时频二维特性实现测距定位,并通过识别主径的方式来抑制多径对子载波相位的影响,同时采
用行人航位推算技术得到预测的用户位置,使用粒子滤波器将OFDM 定位结果和行人预测信息进行滤波融合㊂实验结果表明,相较于单一的定位方法,融合后的定位方法更能满足室内定位需求,其平均定位误差小于1m 的概率大于95%㊂
关键词:室内定位;多源融合;粒子滤波;OFDM 测距定位;
行人航位推算中图分类号:TN92
文献标志码:A
开放科学(资源服务)标识码(OSID ):
文章编号:1003-3106(2023)05-1052-09
Research on OFDM Indoor Positioning Technology Based on
Multi-source Fusion
CHEN Wanping 1,BAO Yachuan 2,CHENG Xiaotong 1,LU Xiaofeng 1
(1.School of Communication Engineering ,Xidian University ,Xi an 710068,China ;
2.The 54th Research Institute of CETC ,Shijiazhuang 050081,China )
Abstract :At present,all kinds of indoor positioning technology have their own advantages and limitations,a single positioning
technology cannot meet the high precision indoor positioning requirements.To solve this problem,an indoor positioning method based
on multi-source fusion technology is proposed.The time-frequency two-dimensional characteristics of common Orthogonal Frequency Division Multiplexing (OFDM)signals are used to achieve ranging and positioning,and the influence of multipath on the subcarrier phase is restrained by identifying the main path.At the same time,the predicted user position is obtained by using the pedestrian dead
reckoning technology,and then the OFDM positioning results and pedestrian prediction information are filtered and fused by using particle filter.The experimental results show that compared with the single positioning method,the fusion positioning method can better
meet the indoor positioning requirements,and the probability of its average positioning error less than 1m is greater than 95%.
Keywords :indoor positioning;multi-source fusion;particle filtering;OFDM ranging and positioning;pedestrian dead reckoning
收稿日期:2022-12-26
基金项目:国家自然科学基金(62132004);河北省省级科技计划(20310901D);国家重点研发计划(2021YFB2900204)Foundation
Item:National
Natural
Science
Foundation
of
China
(62132004);Provincial Science and Technology Program of Hebei
Province (20310901D );National Key R &D Program of China
(2021YFB2900204)
0㊀引言
现代社会中,高精度的位置服务在生活的各个领域给人们带来便利㊂目前,室外主要依靠如全球定位系统(Global Positioning System,GPS)和北斗卫
星导航系统等全球导航卫星系统进行精确定位[1]㊂而在室内复杂多变的电磁环境下,通常无法利用卫星信号获得高精度的位置服务㊂因此,近年来出现了众多针对室内场景的定位技术,如WiFi [2
-3]
㊁蓝
牙[4]㊁ZigBee [5]㊁超宽带(Ultra Wideband,UWB)[6-7]
㊁
射频识别[8]以及惯性导航等㊂现有的室内定位技术按照工作原理可以分为两大类:基于几何的模型驱动和基于指纹的数据驱动[9]㊂前者根据传播模型
估计出用户节点和锚节点之间的距离,再利用几何方法进行定位;后者通常建立信号特征和环境位置之间的映射,通过将特征测量值和数据集进行匹配来定位用户[10]㊂
正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)作为一种经典的多载波调制方案,具有较高的频谱效率,被广泛应用于5G和WiFi 的物理层[11]㊂在室内定位领域,基于WiFi的定位方式无需额外铺设硬件即可形成业务覆盖,成本较低,因此受到了行业的青睐[12]㊂常见的WiFi室内定位系统主要基于接收信号强度(Received Signal Strength Indication,RSSI)来实现定位[13],该方法受环境影响较大,当环境发生改变或者指纹操作耗时过长时,定位精度难以得到保障,因此适用范围有限[14]㊂考虑到WiFi物理层使用的OFDM技术可以获取无线信号经过信道传播后子载波幅度和相位的变化信息,即信道状态信息,将其代替RSSI建立指纹库进行定位,能够获得更稳定的定位精度[15]㊂另外,基于几何模型的定位方式,一般通过测时或者测角估计出用户位置,如到达时间[16]㊁到达时间差[17]和到达角[18]等㊂在2016年修订的IEEE802.11mc 协议中提出的精密测时机制[19-20],可以直接测量WiFi信号的往返时间,理论上可以达到更高的定位精度㊂
对于在复杂场景利用OFDM信号实现精确的时延估计,目前已有如旋转不变性技术[21]㊁空间交替广义期望最大化算法[22]和超分辨率估计[23]等方法,这些方法大多依赖复杂的数学运算,不适合在实时场景中使用㊂文献[24]提出了一种利用OFDM 信号的时频二维特性进行精密测距的方法,通过时域和频域的联合可以实现高精度的时延估计,为本文基于OFDM信号的室内定位研究提供了理论支持㊂同时,考虑到信号的多径传播对OFDM相位测距造成的影响,需要对多径干扰进行抑制㊂文献[25]提出了一种基于相邻子载波相位差进行测距的方法,实验结果表明该方法具有较强的抗多径效果㊂文献[26]通过定向天线减少多径干扰,使测距精度达到了0.49m,但定向天线成本较高且适用范围窄㊂
在实际的室内环境中,存在着非视距定位精度急剧下降的现象㊂为了解决单一定位技术在室内场景下定位精度不足的问题,近年来,多源融合技术[27]引起了研究人员的广泛注意㊂惯性导航中的行人航位推算(Pedestrian Dead Reckoning, PDR)[28-29],主要依赖惯性测量单元(Inertial Measure-ment Unit,IMU)进行推算定位,和传统基于无线传输系统进行定位的方式有一定的互补性,将2种定位方式进行组合,并融合定位信息能够获得比单一定位系统更好的效果㊂目前,使用最广泛的融合模型是卡尔曼滤波器[30]㊁粒子滤波器[31]以及隐马尔可夫模型(Hidden Markov Model,HMM)[32]㊂利用这些模型,通常将行人的估计位置和速度作为状态,然后根据IMU提供的信息进行预测㊂文献[33]通过扩展卡尔曼滤波器将WiFi定位和PDR进行融合,结果相比单一的定位方法误差低50%以上㊂文献[34]使用粒子滤波器实现多源信息融合,提出了一种基于WiFi㊁UWB和PDR的两阶段融合定位方法,定位精度有较明显的提升㊂文献[35]提出了一种基于HMM的传感器融合框架,通过学习累积误差分布来调整测量值,提高了在室内典型环境下的定位精度㊂
本文基于上述问题,研究利用OFDM信号的时频二维特性实现测距定位,和指纹定位方法相比减少了数据维护成本,在定位阶段省去了指纹搜索和匹配的时间㊂考虑到OFDM信号的子载波相位易受多径影响,本文在测距过程中通过识别主径的方式来抑制多径,提高了测距方法在室内环境的适应性㊂同时,基于多源融合的原理,采用粒子滤波的融合方式将OFDM测距定位与PDR技术相结合,实验结果证明了融合后的定位方法较单一的定位方法更加适合用于室内定位㊂
1㊀基于OFDM时频测距的定位方法
1.1㊀OFDM测距定位模型
对于OFDM系统,在发送端采用快速傅里叶逆变换(Inverse Fast Fourier Transform,IFFT)对信号进行调制发射,接收端进行相应快速傅里叶变换(Fast Fourier Transform,FFT)处理㊂基于OFDM系统在时频域变换的特点以及信号本身的时频特性,通过时域和频域的联合可以得到高精度的时延估计,从而实现精密的测距定位㊂发送端生成和发射OFDM 形式的训练序列,接收端在时域进行和伪码测距类似的相关处理得到整数倍采样周期时延,完成粗略定时,然后在频域利用子载波间的相位信息得到高精度的小数倍采样周期时延,最后根据完整时延估计出距离,具体原理如图1所示㊂
图1㊀OFDM 相位测距原理
Fig.1㊀Principle of OFDM phase ranging
设系统的采样周期T s =T /N ,其中符号周期为
T ,子载波数为N ,则接收到的测距信号经过采样后为:
y (kT s )=αx (kT s -τf )+n (kT s ),
(1)
式中:α为信号衰减系数,x 为发送信号,n 为加性高斯噪声,τf 为小数倍时延㊂只考虑高斯白噪声时,在一个符号周期T 内,可以近似认为信号衰减系数α不变㊂
(1)时域相关处理
将序列长度窗口内的接收信号y k +d 与本地训练序列x k 的共轭进行相关得到:
R (d )=
ðN -1
k =0
y
k +d
x ∗k ㊂(2)
当满足d ^
=arg{max |R (d )|},即相关值最大
时的d ^
是信号在空间传播经过的采样周期的整数个数,同时也是进行FFT 的窗口起始位置㊂从而得到
整数倍时延τ^i
:τ^i =d ^T s
㊂(3)
(2)频域相位估计
经过时域相关处理后,通过FFT 将接收信号转换到频域,并与本地训练序列的频域形式进行相关得到信号在无线信道传播的附加信息,即信道的频域响应H i :
H i =Y i X ∗i ,
(4)
式中:i ɪ[0,N -1],Y i 为接收的频域信号,X i 为本地的频域信号㊂对H i 进行延时相关得到子载波之间的相位信息:
W =
ð
N -Δ-1
i =0
H i +ΔH ∗i ,(5)
式中:Δ为子载波间隔,相应的相位值φ
^=angle{W }㊂频域上子载波的相位偏移主要是由小数倍时延引起的,第i 个子载波的相位偏移可表示为θi =2π
i
NT s
τf ,则考虑间隔为Δ的子载波的相位差为:φ^=θi +Δ-θi
=2πΔNT s τf
㊂(6)
综上,可求得小数倍时延τ^f
为:τ^f
=NT s
2πΔ
φ
^㊂(7)
(3)节点距离计算和几何定位
实际中考虑到收发双方实现严格时间同步的难度以及可能存在的晶振时钟漂移,通常采用双边双向的测距模型,如图2所示
㊂
图2㊀双边双向测距模型
Fig.2㊀Bilateral bidirectional ranging model
由模型可得,实际测量的信号飞行时间τ^TOF 为:
τ^TOF
=(τTOFA +τTOFB )-τA -τB
4
,
(8)
式中:τTOFA ㊁τTOFB 为单边双向测得的信号飞行时间,τA ㊁τB 分别为节点A 和节点B 转发的处理时延,根
据光速c ,可得估计距离D =τ^TOF ㊃c ㊂
通过上述OFDM 相位测距过程获取节点间距
离后,采用经典的三边定位算法计算目标节点的位置,并应用最小二乘法来减少定位误差㊂1.2㊀针对室内多径的抑制算法
在加性高斯白噪声信道中,通过上述方法可以
得到较高的测距精度,并且当信噪比大于20dB 时,
测距精度甚至可以达到厘米级㊂但是实际信道通常为多径信道,信号的多径传播会造成严重的频率选择性衰落,使部分子载波相位发生旋转,导致在频域估计子载波相位差时会产生较大的误差㊂室内场景存在的障碍物通常更多,信号大多通过多径传播到达接收目标,多径引起的相位噪声相比频偏引起的
对测距性能的影响更大㊂针对室内多径无线环境,
为了达到更高的测距精度,必须对信号的多径分量进行抑制处理㊂
由于在室内的视距环境下,直接到达接收目标的路径一般是最强径,所以可通过信道冲击响应(Channel Impulse Response,CIR)来识别主径,消除
其余多径分量后再提取子载波相位进行小数倍时延估计,主要步骤如下:
①在进行式(4)的步骤之后,可得到初始信道频域响应H i ,将其经过IFFT 运算得到初始信道冲击响应h ,即h =IFFT(H i );
②搜索h 的峰值位置,记为m ,保留m 位置及
附近的k 个采样点,然后将剩余采样点值进行置零处理,得到多径抑制后的信道冲击响应h ^
:
h ^i =
h i ,m -k ɤi ɤm +k
0,others
{
,(9)
式中:h ^
i 为信道冲击响应h ^
序列中的第i 个值,i ɪ[1,N ];
③使用FFT 将经过处理后的信道冲击响应h
^
重新转换到频域,得到多径抑制后的信道频域响应H ^
i ,并将其替换H i 进行式(4)之后的运算㊂
通过上述操作可以减少多径传播对OFDM 相
位测距的影响,使测距技术具备较强的抗干扰能力,并提高其在室内环境的定位性能㊂
2㊀基于PDR 的惯导模型
在惯性导航中,通常使用PDR 算法来简化传统的积分方法㊂PDR 基于航位测算的技术原理,借助可移动终端配备的加速度传感器㊁地磁传感器等,实现对行人轨迹坐标的预测㊂根据目标上一时刻的已知坐标位置,通过IMU 信息获得目标的步行长度和方向角度,从而可以预测当前时刻的位置坐标,其原理如图3所示
㊂
图3㊀PDR 位置预测原理
Fig.3㊀Principle of PDR location prediction
若目标当前的坐标为(x k ,y k ),Δl k 是估计步长,
φk 是航向角,则目标的下一时刻位置(x k +1,y k +1)可根据下式得到:
x k +1y k +1
()=
x k
y k
()+
Δl k ˑcos φk
Δl k ˑsin φk
(
)
㊂(10)
因此,可以看出PDR 算法主要由跨步检测㊁步长估算和航向测量3个部分构成㊂其中,跨步检测是指识别行人是否迈步,一般可以通过检测步行过程中加速度的周期性波动来实现㊂对于收集的加速度数据,通常使用平滑函数进行平均,以减少噪声的影响㊂对数据进行预处理后,采用峰值检测法识别不同的步数㊂
由于行人身高㊁步行速度和走路习惯等差异,不同行人的步长往往也不同㊂因此,在步长估算中没有一个通用的模型㊂一般,步长大小主要取决于步行的速度,所以通常使用简化的经验模型来估计步长:
d i =C 1
c
Acc i max -Acc i min ,(11)
式中:d i 为行人第i 步的估计步长,Acc i max ㊁Acc i min 分别为对应采集的加速度信号的最大值和最小值,c ㊁
C 1为个性化系数,可由步数进行估算㊂
通过上述跨步检测和步长估算,结合地磁传感
器或陀螺仪估测的步行航向角度,根据式(10)可以计算出下一时刻的行人位置坐标㊂当已知的上一时刻位置坐标较为精确时,PDR 估算出的下一时刻的位置坐标也相对精确,但传感器数据通常受噪声影响,误差会随时间累积,导致预测结果会越来越偏离实际位置㊂因此,单一的PDR 技术不适合用于室内定位,而更多地用于辅助定位㊂
3㊀基于粒子滤波的融合定位方法
目前,常用的融合定位方法包括卡尔曼滤波器㊁粒子滤波器和HMM㊂卡尔曼滤波器作为一种典型的递归贝叶斯滤波器,利用传感器定位结果的加权平均相对容易实现对用户位置的预测,缺陷是必须满足线性系统和高斯噪声的条件㊂研究人员相继提出了扩展卡尔曼滤波器和无迹卡尔曼滤波器等改进形式,提高了该方法的适用性㊂然而,如果噪声不遵循高斯分布,卡尔曼滤波器的性能依旧不理想㊂粒子滤波器和HMM 都是基于概率模型的融合技术㊂其中,HMM 基于每个位置的信号分布计算信号发射概率,然后根据IMU 信息生成转换概率,能够较好
地描述轨迹运动,但计算量巨大,实现困难㊂粒子滤波器是一种顺序蒙特卡罗方法,其基于采样原理来
描述概率分布,通过将目标系统的可能状态采样为粒子,并利用测量值来更新状态,从而预测用户位置㊂与卡尔曼滤波器相比,粒子滤波器虽然增加了计算负荷,但由于其在处理具有任意分布的复杂非线性问题方面的优越性,近年来被广泛用于目标跟踪和位置估计㊂
考虑到室内定位模型通常为非线性,并且噪声不遵循高斯分布,因此本文使用粒子滤波器来融合定位信息,具体的实现流程如图4所示
㊂
图4㊀基于粒子滤波的融合定位方法流程Fig.4㊀Flow of fusion positioning method based on
particle filter
可以看出,融合定位的方法可以分为2个阶段:定位阶段和融合阶段㊂定位阶段使用OFDM 测距定位技术和PDR 技术获取各自的粗略定位结果,融合阶段将上述得到的2项定位信息输入到粒子滤波器中,通过融合滤波得到更精确的定位结果㊂
首先,对于待测的目标节点,其运动模型可概述为:
X k =f k (X k -1,ηk )Y k =h k (X k ,v k )
{
,(12)
式中:k 为时刻值,向量X k 和Y k 分别为目标在k 时刻位置的预测值和测量值,本文通过PDR 技术对目标位置进行预测,使用OFDM 测距定位技术得到粗略的测量位置,f k ()㊁h k ()均为非线性函数,ηk 为使用PDR 预测过程中的状态噪声,v k 为测量时的系统噪声,二者相互独立㊂
粒子滤波器是基于样本的后验概率密度函数实现的,构造k 时刻包含N 个粒子的粒子集合{X i ,W i }k ,i ɪ[1,N ],其中X i 表示粒子的状态,W i 表示粒子权重㊂假设f (X k )为目标在k 时刻的位置函数,p (X k Y 1:k )为k 时刻状态X k 的后验概率密度,
则通过粒子滤波得到的定位结果可表示为:
㊀㊀
E [f (X k )]=
ʏf (X k )p (X
k
Y 1:k )d X k =ʏf (X k )p (X k
Y 1:k )q (X
k
Y 1:k )
q (X k
Y 1:k )d X k =
ʏf (X k
)w k
(X k
)q (X
k
Y 1:k )d X k ,
(13)
式中:直接使用后验概率密度p (X k Y 1:k )很难提取到有效且足够的样本㊂为了提高取样效率,引入重要性采样思想,基于已知的重要性采样密度q (X k Y 1:k )和粒子权重w k (X k )来抽取样本,有:
w (X k )=
p (X k Y 1:k )q (X k
Y 1:k )
㊂
(14)
同时,后验概率密度函数p (X k Y 1:k )的递归形
式为:
p (X 1:k
Y 1:k )=
p (Y k X 1:k ,Y 1:k -1)p (X 1:k
Y 1:k -1)
p (Y k Y 1:k -1)
=
p (Y k
X k )p (X k
X k -1)p (X 1:k -1
Y 1:k -1)
p (Y k
Y 1:k -1)
㊂
(15)
各个时刻的重要性采样密度函数q (X k Y 1:k )
的递归公式为:
㊀q (X 1:k
Y 1:k )=q (X 1:k -1
Y 1:k -1)q (X k
X 1:k -1,Y 1:k )㊂
(16)
选择重要性采样密度满足:
㊀q (X k
X 1:k -1,Y 1:k )=q (X k
X 1:k -1,Y k )=p (X k
X 1:k -1)㊂
(17)则可得粒子权重w k (X k )的递归公式:
㊀㊀㊀㊀㊀
w
(i )k
=w (i )k -1
p (Y k
X (i )k )p (X (i )
k
X (i )
k -1)
q (X (i )
k
X (i )1:k -1,Y 1:k )
=
w (i )
k -1p (Y k
X (i )
k )
=1N
ᵑk n =2
p (Y
n
X (i )
n )㊂(18)
结合蒙特卡罗方法,可简化式(13)中的积分运算㊂因此,最终通过粒子融合滤波后输出的定位结果E [f (X k )]为:
㊀㊀㊀㊀
E [f (X k )]≃
1
N
ðN i =1
w (X
(i )k
)f (X (i )
k )
=ðN
i =1
w (X
(i )k
)f (X (i )
k )ðN i =1
w (X
(i )k
)
㊂(19)
在多次迭代进行上述操作后,会出现粒子退化的现象,即极少部分靠近真实值的粒子占据了大部分权重,而剩下的粒子与预测值和测量值都相差较大,所占的权值很小㊂这将导致最终的结果会由几个权重大的粒子决定,粒子集合中存在大量的无用粒子,造成计算资源的浪费㊂因此,需要引入重采样的方法来减少粒子退化对融合结果的影响,其主要思
想是复制权值较大的粒子来替换权值较小的粒子㊂
综上所述,本文基于粒子滤波的融合定位算法如下㊂
算法:基于粒子滤波的融合定位算法
步骤1通过OFDM 测距定位方法得到目标的初始位置,在初始
位置的附近按照设定范围随机生成N 个粒子,用来构建
初始的粒子集合㊂
步骤2
根据采集到的目标运动信息,由PDR 得到运动状态方程,粒子集合按照PDR 推算结果进行递推,得到预测结果㊂步骤3在每个时刻,将OFDM 测距定位方法得到的位置坐标作
为测量值,与N 个粒子的预测结果进行比较,并根据二者
偏差计算粒子权值㊂
步骤4基于重采样的思想对粒子集合进行筛选,舍弃权值较小的
粒子,复制相应数量权值较大的粒子维持粒子数量为N ,
经过重采样的粒子集合进行下一时刻的滤波操作㊂
步骤5计算粒子各个时刻的加权平均值得到输出结果㊂
4㊀仿真结果分析
4.1㊀OFDM 测距定位性能分析
本文在时域通过CIR 识别并利用主径,从而抑制多径带来的相位噪声影响,使OFDM 测距定位结果更加精确㊂为了验证所提经过多径抑制的OFDM 测距定位算法的性能,利用数字仿真平台对OFDM 测距定位算法和多径抑制算法分别在单径信道和多径信道进行了仿真实验㊂仿真环境设置如下:在100m ˑ100m 范围内随机生成锚节点和目标节点,选用CAZAC 序列,FFT 点数设为2048,采样频率30.72MHz,Δ=20㊂OFDM 测距定位算法不进行多径抑制处理,多径抑制算法保留主径附近3个采样点,且在多径信道仿真时为了模拟实际室内环境,随机生成路径的时延和增益,最后根据估计的锚节点和目标节点间距离使用最小二乘法进行解算得到定位结果㊂
单径信道下2种算法的平均定位误差的累积分布函数(Cumulative Distribution Function,CDF)曲线如图5所示
㊂
图5㊀单径信道下OFDM 测距定位误差分析Fig.5㊀Analysis of OFDM ranging positioning error
in single path channel
主要是为了说明采用多径抑制算法在低信噪比环境下具备较强的抗噪声性能㊂从图中可以看出,在信噪比为0dB 时,OFDM 测距定位算法的定位误
差小于1m 的概率不足20%,而使用多径抑制算法的定位误差在0dB 时有90%概率小于0.3m,并且
此时与信噪比为15dB 时OFDM 测距定位算法的性能相近㊂由此可以看出,通过识别主径来抑制多径的方法在低信噪比的情况下具有较强的降噪能力㊂
多径信道下2种算法的定位误差对比如图6所示㊂可以看出,OFDM 测距定位算法由于受到多径的影响,在信噪比0㊁15dB 条件下的定位误差小于
5m 的概率不足50%,远远达不到精确定位的需求㊂
而经过多径抑制后的算法在不同信噪比时统计结果相差不大,定位误差小于1m 的概率达到了80%,和
原来算法相比大大提高了定位精度
㊂
图6㊀多径信道下OFDM 定位误差分析Fig.6㊀Analysis of OFDM positioning error in
multipath channel
4.2㊀融合定位算法仿真分析
为验证OFDM 测距定位和PDR 定位融合后算法的定位性能,在实际室内环境进行了测试㊂测试主要在实验室环境进行,使用的定位系统由ZC706开发板㊁AD9361射频芯片以及用于PDR 定位的IMU 搭载传感器等组成,并且测试过程中通过识别主径来抑制室内多径对OFDM 相位的影响㊂
实验过程中记录了部分连续测试点使用不同定位算法进行定位的真实坐标和定位坐标,如图7所示㊂可以看出,经过粒子滤波融合后的定位算法更加贴近真实轨迹,单一的OFDM 测距定位算法在个
别位置存在偏差,PDR 定位算法在初期具有较好的定位精度,而由于其定位误差随时间累积,定位轨迹逐渐偏离真实轨迹㊂
图7㊀单一定位算法和融合定位算法定位轨迹对比Fig.7㊀Comparison of positioning trajectory between
single positioning algorithm and fusion posi-tioning algorithm
本文所研究的单一定位算法和粒子滤波融合定位算法的平均定位误差CDF 曲线如图8所示
㊂
图8㊀单一定位算法和粒子滤波融合定位
算法定位性能比较
Fig.8㊀Comparison of positioning performance between
single positioning algorithm and particle filter
fusion positioning algorithm
可以看出,PDR 定位技术由于误差随时间累积导致定位性能不足,其平均定位误差约50%的概率小于3m;而OFDM 测距定位技术虽然通过识别主
径可抑制部分多径影响,但其定位误差小于0.5m
的概率约为40%,小于1m 的概率约为80%;而基于粒子滤波的融合定位方法,其平均定位误差小于
0.5m 的概率在80%左右,小于1m 的概率则大于
95%㊂因此,相较于单一定位算法,本文提出的基于粒子滤波的融合定位算法更能满足室内定位的需求㊂5㊀结束语
为了满足当前室内环境下对高精度位置服务的迫切需求,针对单一定位技术存在的定位精度不足和在线阶段计算复杂度较高等问题,本文对OFDM 测距定位技术和PDR 技术进行了独立和融合的改进研究㊂基于通信常用的OFDM 信号,利用其时频二维特性实现精密的测距定位,并通过识别主径的方式来抑制多径对子载波相位的影响,提高了该方法的定位精度以及应用价值㊂同时基于多源融合的原理,采用粒子滤波将OFDM 测距定位结果和PDR 位置预测信息相融合,相比于单一的定位技术,进一
步提高了定位精度,为实际大型室内场景进行精确的位置服务提供了一种可供参考的技术路线㊂OFDM 相位测距定位精度依赖于对子载波相位信息的精确估计,如何进一步提高该方法在室内环境下的估计精度和鲁棒性,是下一步需要研究的重点㊂
参考文献
[1]㊀NESSA A,ADHIKARI B,HUSSAIN F,et al.A Survey
of Machine Learning for Indoor Positioning [J ].IEEE Access,2020,8:214945-214965.
[2]㊀LIU H H,HAO B,YANG J Z.Research on Indoor
Location Algorithm Based on WiFi Technology[C]ʊ2022IEEE International Conference on Artificial Intelligence and Computer Applications.Dalian:IEEE,2022:708-714.
[3]㊀AHAMMED M T,BOPPANA U M,KONDAPALLI R,
et al.Survey on Wireless Fidelity (WiFi)Based Indoor Location Technology for Mobile Devices[C]ʊ2022Third
International Conference on Intelligent Computing Instru-mentation and Control Technologies.Kannur:IEEE,2022:
1465-1470.
[4]㊀ZHUANG Y,ZHANG C,HUAI J,et al.Bluetooth
Localization Technology:Principles,Applications,and
Future Trends [J ].IEEE Internet of Things Journal,
2022,9(23):23506-23524.
[5]㊀ALI R,LIU R,HE Y,et al.Systematic Review of
Dynamic Multi-object Identification and Localization:
Techniques and Technologies [J ].IEEE Access,2021,
9:122924-122950.
[6]㊀SHALIHAN M,LIU R,YUEN C.NLOS Ranging Miti-gation with Neural Network Model for UWB Localization [C]ʊ2022IEEE 18th International Conference on Auto-mation Science and Engineering.Mexico City:IEEE,
2022:1370-1376.
[7]㊀POULOSE A,EMERŠI C㊅Ž,STEVEN O E,et al.An
Accurate Indoor User Position Estimator For Multiple
Anchor UWB Localization[C]ʊ2020International Con-
ference on Information and Communication Technology
Convergence.Jeju:IEEE,2020:478-482.
[8]㊀CHEN Z,ALHAJRI M I,WU M,et al.A Novel Real-
time Deep Learning Approach for Indoor Localization
Based on RF Environment Identification[J].IEEE Sen-
sors Letters,2020,4(6):1-4.
[9]㊀VIETZ H,LÖCKLIN A,AMMAR H B H,et al.Deep
Learning-based5G Indoor Positioning in a Manufacturing
Environment[C]ʊ2022IEEE27th International Confer-
ence on Emerging Technologies and Factory Automation.
Stuttgart:IEEE,2022:1-4.
[10]LIU S,LACERDA R D,FIORINA J.Performance Analysis
of Adaptive K for Weighted K-nearest Neighbor Based In-
door Positioning[C]ʊ2022IEEE95th Vehicular Tech-
nology Conference.Helsinki:IEEE,2022:1-5. [11]LANDA I,DÍAZ G,SOBRÓN I,et al.WIP:Impulsive
Noise Source Recognition with OFDM-WiFi Signals Based
on Channel State Information Using Machine Learning[C]ʊ
2022IEEE23rd International Symposium on a World of
Wireless,Mobile and Multimedia Networks.Belfast:
IEEE,2022:157-160.
[12]LI P,YANG X,YIN Y,et al.Smartphone-based Indoor
Localization with Integrated Fingerprint Signal[J].IEEE
Access,2020,8:33178-33187.
[13]ZHU X,QU W,QIU T,et al.Indoor Intelligent Finger-
print-based Localization:Principles,Approaches and
Challenges[J].IEEE Communications Surveys&Tutorials,
2020,22(4):2634-2657.
[14]RAZA A,LOLIC L,AKHTER S,et paring and
Evaluating Indoor Positioning Techniques[C]ʊ2021In-
ternational Conference on Indoor Positioning and Indoor
Navigation.Lloret de Mar:IEEE,2021:1-8. [15]ZHANG Z,DU H,CHOI S,et al.TIPS:Transformer
Based Indoor Positioning System Using Both CSI and DoA
of WiFi Signal[J].IEEE Access,2022,10:111363-111376.
[16]WANG W,ZHANG Y,TIAN L.TOA-based NLOS Error
Mitigation Algorithm for3D Indoor Localization[J].China
Communications,2020,17(1):63-72. [17]GAŽOVOVÁS,NEBUS F.Experimental Results for In-
door Position Estimation with TDOA Method[C]ʊ2022
New Trends in Signal Processing.Liptovsk Mikuláš:
IEEE,2022:1-5.[18]HEYDARIAAN M,DABIRIAN H,GNAWALI O.Angu-
Loc:Concurrent Angle of Arrival Estimation for Indoor Lo-
calization with UWB Radios[C]ʊ202016th International
Conference on Distributed Computing in Sensor Systems.
Marina del Rey:IEEE,2020:112-119.
[19]EBERECHUKWU P,PARK H,LAOUDIAS C,et al.
DNN-based Indoor Fingerprinting Localization with WiFi
FTM[C]ʊ202223rd IEEE International Conference on
Mobile Data Management.Paphos:IEEE,2022:367-371.
[20]SUN M,WANG Y,LIU K,et al.Smartphone-based
WiFi FTM Fingerprinting Approach with Map-aided Particle
Filter[C]ʊ2022IEEE12th International Conference on
Indoor Positioning and Indoor Navigation.Beijing:IEEE,
2022:1-8.
[21]HE Z M,TONG F.A Novel Time-of-Arrival Estimation
Approach with Channel Frequency Response Reconstruc-
tion in OFDM Systems[C]ʊ2021IEEE32nd Annual In-
ternational Symposium on Personal,Indoor and Mobile
Radio Communications.Helsinki:IEEE,2021:1085-1090.
[22]NOSCHESE M,BABICH F,COMISSO M,et al.On the
Performance of SAGE Algorithm for ToA Estimation in
Dual-band OFDM Systems[C]ʊ2018IEEE29th Annual
International Symposium on Personal,Indoor and Mobile
Radio Communications.Bologna:IEEE,2018:1-6. [23]WANG P,MORTON Y J.Improved Time-of-Arrival Esti-
mation Algorithm for Cellular Signals in Multipath Fading
Channels[C]ʊ2020IEEE/ION Position,Location and
Navigation Symposium.Portland:IEEE,2020:1358-1364.
[24]任光亮,孙垂强,倪浩,等.空间精密OFDM测距技术
[J].西安电子科技大学学报,2009,36(2):203-206.
[25]黄明周,过传龙,齐望东,等.OFDM子载波相位差TOA
测距方法的抗多径性能[J].信息通信,2018(11):
72-75.
[26]MAKKI A,SIDDIG A,SAAD M M,et al.High-resolu-
tion Time of Arrival Estimation for OFDM-based Trans-
ceivers[J].Electronics Letters,2015,51(3):294-296.
[27]POTORTÌF,CRIVELLO A,PALUMBO F,et al.
Trends in Smartphone-based Indoor Localisation[C]ʊ
2021International Conference on Indoor Positioning and
Indoor Navigation.Lloret de Mar:IEEE,2021:1-7.
[28]PETUKHOV N I,ZAMOLODCHIKOV V N,MALY-
SHEV A P,et al.Synthesis of PDR Algorithm and
Experimental Estimation of Accuracy of Step Length Esti-
mation Methods[C]ʊ20224th International Youth Con-
ference on Radio Electronics,Electrical and Power Engi-
neering.Moscow:IEEE,2022:1-5.。