目標(biāo)定位中的非視距傳播研究綜述

胡青松，張赫男，王鵬，楊維，李世銀

(1.中國礦業(yè)大學(xué) 地下空間智能控制教育部工程研究中心， 江蘇 徐州 221116；2.中國礦業(yè)大學(xué) 信息與控制工程學(xué)院， 江蘇 徐州 221116； 3.中國礦業(yè)大學(xué)(北京)管理學(xué)院， 北京 100091； 4.北京交通大學(xué) 電子信息工程學(xué)院， 北京 100044)

0 引言

目標(biāo)定位技術(shù)通過參數(shù)測量、位置解算、結(jié)果優(yōu)化等步驟確定目標(biāo)節(jié)點(diǎn)的當(dāng)前位置[1]，在工業(yè)廠礦、智能交通、居家養(yǎng)老、工業(yè)生產(chǎn)、地下空間、軍事對抗等領(lǐng)域具有廣泛應(yīng)用。為了實(shí)現(xiàn)定位，通常在接收端采用TOA(Time of Arrival，到達(dá)時間)、TDOA(Time Difference of Arrival，到達(dá)時間差)、AOA(Angle of Arrival，到達(dá)角度)或RSSI(Received Signal Strength Indication，接收強(qiáng)度指示)等技術(shù)測量接收信號的到達(dá)時間、到達(dá)時間差、到達(dá)角度或信號強(qiáng)度等參數(shù)。在進(jìn)行這些參數(shù)測量時，通常假定信號是在信標(biāo)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間通過視距(Line-of-Sight，LOS)傳播的，即在信標(biāo)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間沒有障礙物遮擋。

然而，定位場景內(nèi)通常具有較多障礙物，如礦井環(huán)境中存在礦車、巷道壁、礦工等障礙物，且障礙物的位置和運(yùn)動狀態(tài)等存在不確定性，使得定位環(huán)境更加復(fù)雜。障礙物的存在使目標(biāo)定位不再滿足LOS的理想條件，而是經(jīng)常面臨非視距(Non-Line-of-Sight，NLOS)傳播的影響，從而引起定位信號的折射、反射、衍射和散射，使得信號傳輸出現(xiàn)多徑效應(yīng)，導(dǎo)致測距誤差增大，進(jìn)而影響目標(biāo)定位精度[2]。

因此，減小NLOS傳播對定位結(jié)果的影響是提高定位精度的重要手段，在目標(biāo)定位研究中處于非常重要的地位。目前，這方面的研究成果已經(jīng)比較豐富。本文將對現(xiàn)有NLOS傳播文獻(xiàn)進(jìn)行綜述，捋清目標(biāo)定位中的NLOS傳播研究脈絡(luò)和方向，為定位算法設(shè)計和定位系統(tǒng)開發(fā)提供理論指導(dǎo)。

1 目標(biāo)定位中的NLOS傳播研究體系

1.1 NLOS傳播對定位的影響

NLOS傳播對定位的影響主要體現(xiàn)在測距階段[3]，它對不同測距方法造成的影響不同。對RSSI定位的影響如圖1所示。路徑1為沒有遮擋時的路徑，即LOS路徑。路徑2為信號通過衍/透射穿過障礙物的傳播路徑，通過路徑2從節(jié)點(diǎn)A到達(dá)節(jié)點(diǎn)B的信號比LOS信號弱。路徑3為信號發(fā)生折射的傳播路徑，信號強(qiáng)度比LOS信號弱。從RSSI定位角度而言，更弱的信號強(qiáng)度會誤認(rèn)為收發(fā)節(jié)點(diǎn)之間比實(shí)際距離遠(yuǎn)，從而降低定位精度。

圖1 NLOS傳播對RSSI定位的影響Fig.1 Influence of NLOS propagation on RSSI localization

對于AOA定位，NLOS傳播將導(dǎo)致到達(dá)角度或到達(dá)方向發(fā)生偏差。以圖2為例，信標(biāo)節(jié)點(diǎn)A和信標(biāo)節(jié)點(diǎn)B的位置已知，C為目標(biāo)節(jié)點(diǎn)。假設(shè)信號能夠穿過障礙物到達(dá)信標(biāo)節(jié)點(diǎn)B，由于目標(biāo)節(jié)點(diǎn)C與信標(biāo)節(jié)點(diǎn)B之間有障礙物遮擋，信標(biāo)節(jié)點(diǎn)B測得的信號到達(dá)角度由α1變?yōu)棣?，導(dǎo)致目標(biāo)節(jié)點(diǎn)位置估計誤差增大。

當(dāng)信號不能穿過障礙物時，NLOS傳播對AOA定位的影響如圖3所示。信標(biāo)節(jié)點(diǎn)B測量的信號到達(dá)角度由α1變?yōu)棣?，發(fā)生嚴(yán)重偏差，導(dǎo)致AOA定位算法的位置估計偏差增大，甚至無法進(jìn)行位置估計。

圖2 NLOS傳播對AOA定位的影響(信號能穿透障礙物時)Fig.2 Influence of NLOS propagation on AOA localization (signal can penetrate obstacles)

圖3 NLOS傳播對AOA定位的影響(信號不能穿透障礙物時)Fig.3 Influence of NLOS propagation on AOA localization (signal cannot penetrate obstacles)

對于TOA和TDOA定位，NLOS傳播引起的信號傳播路徑變化將導(dǎo)致信號傳播時間誤差。仍以圖1為例，路徑2和路徑3明顯長于路徑1，因此信號通過路徑2和路徑3的傳播時間大于路徑1。若以NLOS信號測得的時間進(jìn)行目標(biāo)定位，勢必增大TOA或TDOA定位算法的定位誤差。

1.2 NLOS傳播主要研究方向

目前，目標(biāo)定位中的NLOS傳播研究主要集中在NLOS傳播的識別、NLOS傳播誤差的抑制、NLOS傳播的利用及NLOS場景下的定位方法設(shè)計4個方面， 如圖4所示。

(1) NLOS傳播的識別。即判定節(jié)點(diǎn)之間是否處于NLOS傳播狀態(tài)，代表性方法有殘差檢驗(yàn)法[4]、誤差統(tǒng)計法[5]、能量檢測法[6]、神經(jīng)網(wǎng)絡(luò)算法[7]、幾何關(guān)系法[8-9]。

(2) NLOS傳播誤差的抑制。旨在抑制NLOS傳播誤差對定位的影響，主要有基于濾波的方法[10]、基于半?yún)?shù)的方法[11-12]、基于能量檢測的方法[13]及基于數(shù)據(jù)庫的方法[14]。這些方法有的可以實(shí)時處理，實(shí)現(xiàn)動態(tài)跟蹤，有的則只適合處理離線數(shù)據(jù)。

圖4 NLOS傳播主要研究方向Fig.4 Main research directions of NLOS propagation

(3) NLOS傳播的利用。這類方法反“抑制”之道而行之，通過利用NLOS傳播提高NLOS識別率或定位精度，如利用NLOS反射多徑信號提高定位系統(tǒng)魯棒性[15]、基于神經(jīng)網(wǎng)絡(luò)提高定位精度[16]等。

(4) NLOS場景下的定位方法設(shè)計。主要有2類：① LOS和NLOS混合傳播場景(簡稱混合場景)。該場景雖然有NLOS信號干擾和影響，但仍存在LOS信號。針對TOA[4]、TDOA[17]、AOA[18]、RSSI[19]和混合測距技術(shù)，具有相應(yīng)的定位方法[20]，其他還有相位重構(gòu)法[21]、空間幾何關(guān)系法[22]、指紋定位法[23]等。 ② 僅有NLOS傳播的場景(簡稱純NLOS場景)。該場景下完全沒有LOS信號，因此只能利用NLOS信號進(jìn)行目標(biāo)定位，如結(jié)合分布式接收陣列功率譜融合方法的非線性隨機(jī)共振信號增強(qiáng)方法[24]，基于TOA和DOA(Dircection of Arrival, 到達(dá)方向)估計虛擬信標(biāo)節(jié)點(diǎn)位置的單信標(biāo)定位方法[25]，將TDOA定位轉(zhuǎn)換為魯棒性最小二乘法問題的凸松弛逼近定位法[26]，以及TDOA/AOA最速下降混合定位法[27]。

下文將按照上述內(nèi)容體系進(jìn)行綜述。

2 NLOS傳播的識別

NLOS傳播的識別即判斷定位信號發(fā)送端和接收端之間是否處于NLOS狀態(tài)，它是NLOS場景下目標(biāo)定位的基礎(chǔ)。NLOS傳播識別方法主要包括殘差檢驗(yàn)法、誤差統(tǒng)計法、能量檢測法、神經(jīng)網(wǎng)絡(luò)算法和幾何關(guān)系法。

2.1 殘差檢驗(yàn)法

Y.T. CHAN等[4]提出了一種殘差檢驗(yàn)法和德爾塔檢驗(yàn)法相結(jié)合的NLOS識別方法。該方法以TOA測距信息為數(shù)據(jù)條件，以2個信標(biāo)節(jié)點(diǎn)為基準(zhǔn)，判斷第3個信標(biāo)節(jié)點(diǎn)到第N個信標(biāo)節(jié)點(diǎn)中處于LOS傳播條件的信標(biāo)節(jié)點(diǎn)。

殘差檢驗(yàn)步驟如下。

(1) 獲取N個信標(biāo)節(jié)點(diǎn)的TOA測距數(shù)據(jù)。

(2) 通過近似極大似然估計[28]計算位置的估計值。

(3) 計算克拉美羅下界L0及其分布的中心χ2。

(4) 記錄中心值大于閾值的信標(biāo)節(jié)點(diǎn)數(shù)量l。

(5) 如果滿足l≤0.1L0，則維數(shù)D=N，維數(shù)判定結(jié)束；如果不滿足，則執(zhí)行步驟(6)。

(6) 令k=1。

(7) 如果滿足N-k=3，則D=3，執(zhí)行德爾塔檢驗(yàn)；如果不滿足，構(gòu)造信標(biāo)節(jié)點(diǎn)集合NCN-k，再執(zhí)行步驟(2)—(4)。

(8) 如果滿足l≤0.1L0，則D=N-k，此時中心值大于閾值的信標(biāo)節(jié)點(diǎn)集合中至少含有D個處于LOS傳播的信標(biāo)節(jié)點(diǎn)。如果不滿足l≤0.1L0，則令k=k+1，執(zhí)行步驟(7)，直到滿足l≤0.1L0。

該方法計算復(fù)雜度低，計算速度快，但TOA測距存在誤差，且克拉美羅下界本身是一個估計值，使得測量數(shù)據(jù)是χ2單自由度概率密度函數(shù)[29]，并不是精確值。該方法只適用于LOS信標(biāo)節(jié)點(diǎn)數(shù)量不小于3的情況。

2.2 誤差統(tǒng)計法

A. A. Momtaz等[5]提出了一種誤差項(xiàng)統(tǒng)計特征算法。誤差項(xiàng)包括噪聲和NLOS誤差，最大特征值的特征向量對應(yīng)的誤差項(xiàng)最大。以此為依據(jù)，可對信標(biāo)節(jié)點(diǎn)是否處于NLOS場景進(jìn)行判斷。算法步驟如下。

(1) 獲取參數(shù)(λ,v,τ)。τ為NLOS誤差檢測次數(shù)。令ρ為高斯白噪聲加NLOS誤差項(xiàng)，Rρ為ρ的自相關(guān)函數(shù)，則λ為由Rρ的特征值λi(i=1,2，…，N，N為信標(biāo)節(jié)點(diǎn)數(shù))組成的向量，v為Rρ的最大特征值對應(yīng)的特征向量。

(2) 通過對特征值進(jìn)行排序，并將特征值與排序空間對應(yīng)，得到關(guān)于λ的離散函數(shù)F。

(1)

(3) 通過概率密度函數(shù)(式(2))計算常數(shù)α。α用于調(diào)整步驟(2)中離散函數(shù)F的概率密度符合測距數(shù)據(jù)。

Fλ(λ)=1-exp(-αλ)

(2)

(4) 通過式(3)計算零均值高斯白噪聲的功率上界：

(3)

(5) 如果Γ<λN，則v中最大值為處于NLOS場景的信標(biāo)節(jié)點(diǎn)序號，反之則沒有信標(biāo)節(jié)點(diǎn)處于NLOS場景。

該算法的優(yōu)勢在于信標(biāo)節(jié)點(diǎn)數(shù)量較大(大于15)情況下，運(yùn)行時間少，且隨著信標(biāo)節(jié)點(diǎn)數(shù)量增大，耗時增長緩慢。

2.3 能量檢測法

Liang Xiaolin等[6]提出了基于信號能量統(tǒng)計特征的NLOS識別算法。該算法結(jié)合來源于一種低復(fù)雜度的能量檢測器數(shù)據(jù)，構(gòu)造基于接收能量塊值的最大旋度C和標(biāo)準(zhǔn)差DS的混合參數(shù)Q。

Q=CDS

(4)

Q為單調(diào)遞減的信噪比函數(shù)，在4～40 dB內(nèi)同時包含LOS和NLOS環(huán)境。理論上，Q平均值可以用來識別NLOS環(huán)境，如式(5)所示。

(5)

式中：M為Q平均值；α為識別LOS和NLOS環(huán)境的閾值；X為測量所用天線的波束寬度。

該算法在低信噪比時識別精度優(yōu)勢明顯，在高信噪比時與基于skewness的算法[30]差距不大，仍具有較高的識別準(zhǔn)確率。

2.4 神經(jīng)網(wǎng)絡(luò)算法

Zeng Tianyi等[7]提出了一種基于CNN(Convolutional Neural Networks，卷積神經(jīng)網(wǎng)絡(luò))的大規(guī)模MIMO(Multiple-Input Multiple-Output，多輸入多輸出)系統(tǒng)的NLOS識別方法。CNN識別NLOS流程分為離線訓(xùn)練和在線部署2個階段，如圖5所示。離線訓(xùn)練首先利用3D MIMO信道和SRS(Sounding Reference Signals，探測參考信號)序列模擬接收信號，然后進(jìn)行特征提取，并利用這些特征訓(xùn)練CNN模型。在線部署階段將接收到的信號進(jìn)行特征提取，并利用訓(xùn)練好的模型識別LOS/NLOS環(huán)境。

圖5 CNN識別NLOS流程Fig.5 NLOS identification process by CNN

CNN有3個有利于進(jìn)行底層特征提取矩陣分析的優(yōu)點(diǎn)，即局部連接、共享權(quán)值和池化。由于特征提取矩陣是線性的，如果從分類開始就采用完全連接的其他深度學(xué)習(xí)技術(shù)，將大大增加時間復(fù)雜度，而使用局部連接能夠減輕時間復(fù)雜度。此外，由于空間相鄰天線的抽頭能量分布具有相似的特性，使用相同的模式共享權(quán)值可以較好地提取特征并降低空間復(fù)雜度。池化可以減小輸入特征映射的維數(shù)，具有失真不變性，提高了魯棒性，減少了處理時間。

該算法的識別錯誤率低，在低信噪比時增加輸出量還可進(jìn)一步降低錯誤率；系統(tǒng)中天線越多，算法性能越好；信標(biāo)節(jié)點(diǎn)數(shù)量對定位精度影響不大；減小天線間距對定位精度的影響較小。

2.5 幾何關(guān)系法

Wang Lei等[8]提出了一種稀疏信標(biāo)節(jié)點(diǎn)NLOS環(huán)境中非封閉性檢查算法。該算法通過檢查不同三角形的非封閉性識別NLOS節(jié)點(diǎn)，步驟如下。

(1) 獲取N個信標(biāo)節(jié)點(diǎn)的坐標(biāo)及其相應(yīng)的TOA測距值。

(2) 計算近似估計位置。

(3) 根據(jù)近似估計位置分解TOA測距值。

(4) 生成非封閉性檢查統(tǒng)計信息。

(5) 進(jìn)行非封閉性檢查。

(6) 如果滿足非封閉性條件，則返回步驟(5)進(jìn)行下一組數(shù)據(jù)檢查，否則將第1個節(jié)點(diǎn)和最后一個節(jié)點(diǎn)放入欺騙NLOS集合。該步驟僅通過封閉性來識別可能為NLOS測距的節(jié)點(diǎn)。

(7) 通過NLOS判別算法從欺騙NLOS集合中準(zhǔn)確找出NLOS節(jié)點(diǎn)[31]。

非封閉性檢查算法的性能不受信標(biāo)節(jié)點(diǎn)幾何形狀的影響[9]，比一致性檢驗(yàn)、最小中值平方算法和Geo-n算法精度高。

3 NLOS傳播誤差的抑制

鑒于NLOS傳播對定位精度的巨大影響，人們希望對NLOS傳播所引起的誤差進(jìn)行抑制，從而降低或消除NLOS傳播對目標(biāo)定位的影響。本節(jié)主要介紹4種NLOS傳播誤差抑制方法，即基于濾波的方法、基于半?yún)?shù)的方法、基于能量檢測的方法及基于數(shù)據(jù)庫的方法。需要注意的是，這些方法很難完全消除NLOS傳播誤差帶來的影響，且面臨適用場景、計算復(fù)雜度和抑制精度等問題，需要根據(jù)具體情況進(jìn)一步優(yōu)化，或與其他方法結(jié)合使用。

3.1 基于濾波的方法

李奇越等[10]提出了一種基于改進(jìn)卡爾曼濾波的NLOS誤差識別算法。該算法首先建立有色噪聲NLOS誤差模型，對LOS和NLOS 2種場景的測量數(shù)據(jù)進(jìn)行擬合，在此基礎(chǔ)上進(jìn)行基于有色噪聲的自適應(yīng)卡爾曼濾波(圖6)。

圖6 基于有色噪聲的自適應(yīng)卡爾曼濾波流程Fig.6 Process of self-adaptive Kalman filter based on colored noise

基于有色噪聲的自適應(yīng)卡爾曼濾波步驟如下。

(1) 估計k-1時刻距離向量xk-1/k-1。

(2) 由測量值rk和xk-1/k-1通過式(6)計算新息值zk。

zk=rkAxk/k-1

(6)

式中A為已知常值矩陣。

(3) 由式(7)—式(9)計算測量誤差協(xié)方差矩陣Rk。

(7)

(8)

Rk=Sk-CPk,k-1CT

(9)

對式(9)兩邊取方差得

(10)

式中：γk為零均值高斯白噪聲序列矩陣；var(γk)為元素全為γk方差的矩陣；Nk-1為k-1時刻的自回歸系數(shù)。

(4) 由式(11)計算k-1時刻的自回歸系數(shù)Nk-1。

(11)

(5) 計算新的濾波增益Gk。

(6) 計算k時刻的距離估計值xk/k。

相對于自適應(yīng)卡爾曼濾波和卡爾曼濾波，基于有色噪聲的自適應(yīng)卡爾曼濾波具有對濾波參數(shù)的動態(tài)調(diào)整能力，因此使誤差大幅下降。

Wang Yan等[32]提出了基于粒子濾波器的IMU(Inertial Measurement Unit，慣性測量單元)/UWB(Ultra Wide Band，超寬帶)融合算法。通過IMU先驗(yàn)信息，提高了每一步的采樣精度，使得用更小的粒子數(shù)近似真實(shí)的后驗(yàn)概率分布，在NLOS環(huán)境下得到較高的定位精度。

Cheng Long等[33]提出了一種基于模糊C均值和殘差分析的三層混合卡爾曼和無跡卡爾曼濾波的投票算法。該算法采用基于投票的NLOS校正算法和基于模糊C均值的NLOS誤差分類算法對測量結(jié)果進(jìn)行處理，抑制了NLOS誤差。在此基礎(chǔ)上，將NLOS誤差分為硬測量和軟測量兩大類。在NLOS傳播嚴(yán)重的環(huán)境下，該算法具有較好的魯棒性和精度。

3.2 基于半?yún)?shù)的方法

H. Ulrich等[11]提出了一種NLOS場景下半?yún)?shù)跟蹤和定位方法。在NLOS場景中，極大似然估計法不能將噪聲密度體現(xiàn)在位置估計中，只能通過適當(dāng)調(diào)整裁剪參數(shù)，在一定程度上調(diào)整其形狀以適應(yīng)噪聲。為解決極大似然估計算法中位置分?jǐn)?shù)函數(shù)魯棒性不強(qiáng)的問題，該方法使用最初位置估計的殘差來計算非參數(shù)估計，如采用KDE(Kernel Density Estimate，核心密度估計)生成分?jǐn)?shù)函數(shù)估計值。由于在參數(shù)模型中使用了非參數(shù)的概率密度估計，所以稱為半?yún)?shù)方法。殘差包含NLOS誤差分量，因此殘差極有可能是非對稱分布，可通過一個非線性、參數(shù)化函數(shù)對原始?xì)埐蠲芏群瘮?shù)進(jìn)行轉(zhuǎn)換。

Yin Feng等[12]的研究表明：上述方法沒有考慮輔助參數(shù)與坐標(biāo)的約束關(guān)系；線性化后，測距誤差的元素不再是獨(dú)立同分布；轉(zhuǎn)換原始?xì)埐蠲芏群瘮?shù)的非線性、參數(shù)化函數(shù)缺少參數(shù)支撐。鑒此，Yin Feng等[12]提出了一種改進(jìn)方法，其性能比文獻(xiàn)[11]中半?yún)?shù)方法有很大提升。

3.3 基于能量檢測的方法

田子建等[13]提出了一種能量檢測NLOS傳播誤差抑制方法。該方法對接收信號進(jìn)行采樣，依據(jù)定位時間參數(shù)測量值提取特征參量，進(jìn)而進(jìn)行NLOS鑒別。

信號采樣采用基于能量檢測的估計算法，原理是將接收到的信號通過平方器后再進(jìn)行積分采樣，以獲得信號的能量采樣序列。設(shè)積分周期為Tb，則1幀內(nèi)能量塊數(shù)為

Nb=Tf/Tb

(12)

式中Tf為幀周期。

則第j幀中，采樣序列為

(13)

式中r(t)為能量塊。

為使采樣序列Yn更趨于統(tǒng)計特征，在多幀內(nèi)采集能量，即

(14)

將能量采樣序列與設(shè)定的門限值θ比較，認(rèn)為第1個超出門限的能量塊為DP(Direct Path, 直達(dá)路徑)所在的能量塊，即

(15)

確定了DP所在的能量塊后，以DP的檢測點(diǎn)為起點(diǎn)截取接收信號，以DP與SP(Strongest Path，最強(qiáng)路徑)的相對能量乘積作為NLOS鑒別的參量：

(16)

式中：s1為DP采樣序列；sn為截取信號的采樣序列；N為截取信號中的能量塊數(shù)。

當(dāng)截取信號能量大于鑒別參量時，接收信號為LOS信號，否則為NLOS信號。

3.4 基于數(shù)據(jù)庫的方法

Li Binghao等[14]提出了一種利用數(shù)據(jù)庫修正NLOS誤差的移動定位算法。生成數(shù)據(jù)庫原理：假設(shè)有幾個坐標(biāo)已知的信標(biāo)節(jié)點(diǎn)，可以直接從這些信標(biāo)節(jié)點(diǎn)中提取NLOS誤差，并將其記錄到數(shù)據(jù)庫中，生成校正圖供在線定位使用。

該算法的缺陷在于盡管測量了一定數(shù)量的信標(biāo)節(jié)點(diǎn)，但是并不能覆蓋所有區(qū)域。另外，為了使數(shù)據(jù)收集和數(shù)據(jù)庫維護(hù)更容易，在收集階段應(yīng)盡量減少數(shù)據(jù)。此外，該算法建立數(shù)據(jù)庫的過程復(fù)雜，數(shù)據(jù)庫容量與抑制效果需要權(quán)衡，且存在降噪和基準(zhǔn)點(diǎn)檢測的問題。

4 NLOS傳播的利用

目前，NLOS傳播利用方法的研究成果不多，下面介紹2種。

M. Hessam等[15]提出了一種利用NLOS的反射多徑信號提高定位系統(tǒng)魯棒性的方法。該方法假定RMC(Reflected Multipath Components，反射多徑分量)信息在不同位置的差異能夠滿足指紋定位分辨的要求，且相同位置的RMC不因時間變化而改變。對RMC信息進(jìn)行分類的步驟如下。

(1) 特征提取。提取3個特征：從信標(biāo)節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的第1個到達(dá)路徑所用時間及其接收功率；環(huán)境噪聲的平均值和標(biāo)準(zhǔn)差；接收信號和預(yù)期的序號之間的累積相關(guān)關(guān)系，用于估計CIR(Channel Impulse Response，信道沖擊響應(yīng))。

(2) RMC與原始CIR信息過擬合。使用原始的CIR信息作為分類特征。

(3) 將RMC信息模型化。從每個位置的每個RMC特征提取出廣義統(tǒng)計特征。

該方法僅用1個信標(biāo)節(jié)點(diǎn)就可在20 cm×20 cm的正方形區(qū)域內(nèi)定位目標(biāo)，準(zhǔn)確率達(dá)96%，在魯棒性和準(zhǔn)確性方面都有很大提升。

圖7 基于ANN/RBF+Match+LLS的定位方法Fig.7 Localization method based on ANN/RBF+Match+LLS

該算法使用了ANN/RBF+Match+LLS算法，即使在樣本不足時也可表現(xiàn)出較高的定位精度。

5 NLOS與LOS混合場景下的定位方法設(shè)計

進(jìn)行NLOS誤差的識別、抑制或利用等研究的目的是為了提高目標(biāo)定位的精度。通常而言，實(shí)際應(yīng)用中基本沒有完全理想的純LOS定位場景，多數(shù)時候是LOS信號和NLOS信號并存，部分場景甚至只有NLOS信號。本節(jié)綜述NLOS和LOS混合場景下的定位方法，第6節(jié)探討純NLOS場景下的目標(biāo)定位方法。

NLOS和LOS混合場景下的定位方法主要有基于TOA、基于TDOA、基于AOA、基于RSSI、基于混合測距的方法，以及相位重構(gòu)法、空間幾何關(guān)系法、指紋定位法等。

5.1 基于TOA的方法

A. S. Zohair等[34]提出了一種兩段封閉式估計方法。首先利用一個距離相關(guān)的偏差模型推導(dǎo)出一個距離估計值，然后使用三邊定位法進(jìn)行定位。NLOS場景距離估計結(jié)果為

(17)

該方法只研究了城市環(huán)境中的距離偏差模型，其他環(huán)境中的模型有待研究。另外，該算法只對3個信標(biāo)節(jié)點(diǎn)的情況進(jìn)行了研究，更多信標(biāo)節(jié)點(diǎn)的情況需要進(jìn)一步探討。

5.2 基于TDOA的方法

Cong Li等[17]提出了一種針對TDOA的NLOS誤差修正定位算法。該算法在TDOA殘差基礎(chǔ)上進(jìn)行最大似然估計，并將NLOS誤差分為3類：確定性NLOS誤差；服從高斯分布的NLOS誤差；其他NLOS誤差。

NLOS誤差取決于傳播環(huán)境，并隨時間變化而變化。但是在一個特定時刻，NLOS誤差可以視為一個常量。當(dāng)有足夠數(shù)量的信標(biāo)節(jié)點(diǎn)可以用來確定目標(biāo)節(jié)點(diǎn)位置時，就可以估計NLOS誤差。TDOA雙曲線方程可以寫為一組未知數(shù)為估計坐標(biāo)和NLOS誤差的非線性方程，當(dāng)NLOS誤差為常數(shù)時，可通過泰勒級數(shù)線性化或兩步最小二乘法求解。

如果將NLOS誤差作為隨機(jī)變量，可以使用高斯分布來描述這個模型，用極大似然估計法來計算估計位置。

對于具有已知分布的非高斯NLOS誤差，可以推導(dǎo)出一個極大似然位置估計，并使用數(shù)值方法來解決最大化問題。

該算法的特點(diǎn)是在信標(biāo)節(jié)點(diǎn)數(shù)較少或信標(biāo)節(jié)點(diǎn)幾何布局不理想時，修正效果較好。

5.3 基于AOA的方法

毛永毅等[18]提出了一種NLOS傳播環(huán)境下的AOA定位跟蹤算法。在NLOS傳播環(huán)境下，各信標(biāo)節(jié)點(diǎn)接收的目標(biāo)節(jié)點(diǎn)信號是到達(dá)時間不同、到達(dá)角度各異的多徑信號。在宏蜂窩環(huán)境中，由GBSBCM(Geometrically Based Single-Bounced Circle Model，單次反射橢圓模型)可知，多徑導(dǎo)致的角度擴(kuò)展不大于最大角度擴(kuò)展，為NLOS引起的角度誤差限定了范圍，進(jìn)而提高了算法精度。

該算法首先利用RBF神經(jīng)網(wǎng)絡(luò)對AOA測距數(shù)據(jù)進(jìn)行修正，再利用最小二乘法進(jìn)行定位，配合相關(guān)檢測距離門對目標(biāo)節(jié)點(diǎn)進(jìn)行跟蹤。定位步驟如下。

(1) 假定測得K組NLOS環(huán)境下的AOA數(shù)據(jù)，建立用于修正NLOS誤差的RBF神經(jīng)網(wǎng)絡(luò)，以目標(biāo)節(jié)點(diǎn)不含NLOS誤差的AOA測距數(shù)據(jù)為目標(biāo)樣本矢量對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

(2) 用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對模擬的AOA測距數(shù)據(jù)進(jìn)行修正。

(3) 將修正后的AOA測距數(shù)據(jù)采用最小二乘法進(jìn)行位置估算。

該算法使靜態(tài)定位和動態(tài)跟蹤性能都得到了有效提高。

5.4 基于RSSI的方法

吳曉平等[19]提出了一種基于RSSI定位模型的NLOS定位算法。該算法分為以下3種情況進(jìn)行計算。

(1) 當(dāng)信號強(qiáng)度統(tǒng)計量信息未知時，通過最小化平方殘差法，以最小化信號強(qiáng)度測量值與理論值之差計算目標(biāo)節(jié)點(diǎn)坐標(biāo)。該函數(shù)為非線性最小平方優(yōu)化問題，優(yōu)化可采用LM(Levenberg-Marquarat)算法。

(2) 當(dāng)信標(biāo)節(jié)點(diǎn)位置正確且信號強(qiáng)度統(tǒng)計量信息已知時，采用經(jīng)典的最大似然估計法計算目標(biāo)節(jié)點(diǎn)坐標(biāo)。

節(jié)點(diǎn)間RSSI測距服從的對數(shù)衰減模型f(x,xi)對信標(biāo)節(jié)點(diǎn)i坐標(biāo)xi求導(dǎo)，得

(18)

將因信標(biāo)節(jié)點(diǎn)i位置不確定引起的等效信號強(qiáng)度差記為ηi，顯然ηi均值為0，方差為

(19)

(20)

當(dāng)信標(biāo)節(jié)點(diǎn)位置存在誤差時，以式(20)計算的權(quán)重系數(shù)合理權(quán)衡了在不同信標(biāo)節(jié)點(diǎn)上的信號強(qiáng)度誤差。

5.5 基于混合測距的方法

溫良[35]提出了一種基于NLOS鑒別的井下精確定位算法。該算法鑒別NLOS的依據(jù)為RSSI算法對NLOS條件的敏感性高于TOF(Time of Flight,飛行時間)算法，即同樣的NLOS環(huán)境對RSSI算法造成的測距誤差高于對TOF算法造成的誤差。在進(jìn)行定位時，獲取定位矯正參數(shù)分為以下3種NLOS條件進(jìn)行處理。

(1) 判定目標(biāo)節(jié)點(diǎn)僅一側(cè)存在障礙物。目標(biāo)節(jié)點(diǎn)發(fā)射的電磁波信號被障礙物阻擋，信標(biāo)節(jié)點(diǎn)最先收到的是電磁波通過最短巷道壁反射路徑到達(dá)的信號。由于巷道狹窄，電磁波經(jīng)過最短反射路徑的傳輸時間與經(jīng)LOS直線傳輸?shù)臅r間不隨障礙物與目標(biāo)節(jié)點(diǎn)之間距離不同而大幅變化，所以在判斷某一側(cè)存在障礙物后，可根據(jù)經(jīng)驗(yàn)值，使用統(tǒng)一的矯正參數(shù)對測距值進(jìn)行矯正。

(2) 判定目標(biāo)節(jié)點(diǎn)兩側(cè)均存在障礙物或均不存在障礙物。由于井下造成NLOS條件的障礙物多為帶有目標(biāo)節(jié)點(diǎn)的動目標(biāo)，所以可根據(jù)當(dāng)前信標(biāo)節(jié)點(diǎn)讀取到的目標(biāo)節(jié)點(diǎn)數(shù)量來判斷該目標(biāo)節(jié)點(diǎn)前后兩側(cè)有無障礙物：如果當(dāng)前信標(biāo)節(jié)點(diǎn)讀到目標(biāo)節(jié)點(diǎn)的數(shù)量較大，可判定目標(biāo)節(jié)點(diǎn)兩側(cè)均存在障礙物，并根據(jù)矯正參數(shù)對測距值進(jìn)行矯正；如果當(dāng)前信標(biāo)節(jié)點(diǎn)讀到的目標(biāo)節(jié)點(diǎn)數(shù)量較小，則判定目標(biāo)節(jié)點(diǎn)前后兩側(cè)均處于LOS環(huán)境。

(3) 只能判定目標(biāo)節(jié)點(diǎn)位于信標(biāo)節(jié)點(diǎn)較近位置。由于目標(biāo)節(jié)點(diǎn)位于信標(biāo)節(jié)點(diǎn)較近位置的情況較少，文中沒有做過多處理。

該算法的精度在大多數(shù)情況下小于3 m，優(yōu)勢在于數(shù)據(jù)處理過程簡單，實(shí)用性強(qiáng)。

黃越洋等[20]提出了一種基于TDOA和RSS(Received Signal Strength,接收信號強(qiáng)度)的可行域粒子濾波NLOS定位算法，流程如下。

(1)t=0時刻，初始化必要參數(shù)，設(shè)置粒子初始權(quán)值ωi(0)=1/N,i=1,2,…,N，N為粒子總數(shù)，默認(rèn)值為100。

(2)t≥1時進(jìn)行NLOS識別，判斷每個信標(biāo)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的LOS狀態(tài)。

(3) 預(yù)測粒子位置。

(4) 計算粒子觀測似然并更新粒子權(quán)值。

(5) 計算目標(biāo)節(jié)點(diǎn)的位置。

(6) 如果必要，進(jìn)行重采樣。

通過上述步驟即可得出t時刻目標(biāo)節(jié)點(diǎn)位置。

該算法定位精度比普通的粒子濾波算法、僅采用RSSI測距模型的粒子濾波算法及最小二乘法均有大幅提高，并具有較好的魯棒性。

5.6 相位重構(gòu)法

Ma Yongtao等[21]提出了一種加權(quán)迭代相位重構(gòu)定位算法，利用在NLOS環(huán)境中測量的相位差具有正偏差的特性來定位目標(biāo)節(jié)點(diǎn)。算法定位過程如下。

(1) 基于RFID(Radio Frequency Identification，射頻識別)信標(biāo)估算目標(biāo)節(jié)點(diǎn)的臨時位置，利用WLACO(Weighted Localization Algorithm Based on Convex Optimization，基于凸優(yōu)化的加權(quán)定位算法)計算目標(biāo)節(jié)點(diǎn)的相位差。

(2) 計算基本相位偏差。

(3) 計算每個信標(biāo)由NLOS造成的相位偏差。

(4) 對步驟(3)計算出的相位偏差進(jìn)行重構(gòu)。

(5) 將加權(quán)值加入WLACO算法。

(6) 重復(fù)步驟(1)—(5)，直到估計出所有目標(biāo)節(jié)點(diǎn)的位置。

該算法在NLOS環(huán)境下的定位精度有顯著提升，定位性能較優(yōu)。

5.7 空間幾何關(guān)系法

賈駿超[22]提出了一種UWB室內(nèi)定位的NLOS誤差抑制定位算法。該算法基于幾何關(guān)系推導(dǎo)而來，可根據(jù)計算公式經(jīng)過一步計算得到位置，在實(shí)際應(yīng)用中使用3個信標(biāo)節(jié)點(diǎn)即可求出目標(biāo)節(jié)點(diǎn)的三維坐標(biāo)。

假設(shè)環(huán)境中有n個信標(biāo)節(jié)點(diǎn)，坐標(biāo)為Pi=(xi,yi,zi)(i=1,2,…,n)，目標(biāo)節(jié)點(diǎn)坐標(biāo)為A=(x,y,z)。設(shè)ri為待測的目標(biāo)節(jié)點(diǎn)與第i個信標(biāo)節(jié)點(diǎn)之間距離測量值。選定3個信標(biāo)節(jié)點(diǎn)坐標(biāo)P1，P2，P3建立坐標(biāo)系，如圖8所示。

圖8 由選定的信標(biāo)節(jié)點(diǎn)建立的坐標(biāo)系Fig.8 Coordinate system established by the selected beacon nodes

由幾何關(guān)系可得

(21)

(22)

(23)

(24)

由此可得目標(biāo)節(jié)點(diǎn)在圖8所示坐標(biāo)系下的坐標(biāo)(x′,y′,z′)。

(25)

(26)

(27)

將圖8所示坐標(biāo)系下的坐標(biāo)轉(zhuǎn)換到原始坐標(biāo)系，可得目標(biāo)節(jié)點(diǎn)在原始坐標(biāo)系下的坐標(biāo):

(28)

該算法可以明顯減小NLOS傳播誤差，獲得較貼近實(shí)際的運(yùn)動軌跡。

5.8 指紋定位法

王妙羽等[23]提出了一種基于CSI(Channel State Information，信道狀態(tài)信息)NLOS識別的被動式指紋室內(nèi)定位方法，包括數(shù)據(jù)預(yù)處理、訓(xùn)練和在線階段。由于采集到的CSI數(shù)據(jù)在傳輸過程中會受到環(huán)境噪聲干擾，同時由于硬件限制等原因會產(chǎn)生相位偏移，所以需要對CSI數(shù)據(jù)進(jìn)行預(yù)處理。該方法只利用CSI數(shù)據(jù)的相位信息，用線性擬合方法對提取到的相位信息進(jìn)行校正。

訓(xùn)練階段即離線階段，分別采集LOS和NLOS位置的CSI數(shù)據(jù)，得到每個位置的指紋信息，并添加位置信息，作為指紋樣本輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行離線訓(xùn)練，構(gòu)建特征指紋庫。

在在線階段，將實(shí)時采集到的CSI數(shù)據(jù)進(jìn)行相位矯正后，輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行匹配識別[36]，從而得到目標(biāo)的位置信息。

6 純NLOS場景下的定位方法設(shè)計

針對僅有NLOS信息和低信噪比的場景，He Di等[24]提出了一種結(jié)合分布式接收陣列功率譜融合方法的非線性隨機(jī)共振信號增強(qiáng)技術(shù)。

假設(shè)有多個目標(biāo)節(jié)點(diǎn)可以接收來自信標(biāo)節(jié)點(diǎn)的信號，每個目標(biāo)節(jié)點(diǎn)都使用一個接收天線陣列，以便進(jìn)行基于陣列的信號處理和功率譜分析。為了提高接收信號的信噪比，進(jìn)行基于SR(Stochastic Resonance，隨機(jī)共振)的信號功率增強(qiáng)或數(shù)據(jù)預(yù)處理。

每個天線的接收陣列均有一個分布式處理器，用于非線性SR處理，從而實(shí)現(xiàn)分布式并行SR處理，如圖9所示。通過分析或計算每個接收陣列信號的功率譜，可以得到該組接收陣列的總功率譜，并使用傳統(tǒng)的MUSIC(Multiple Signal Classification，多重信號分類)算法進(jìn)行分析。隨著分布式并行SR數(shù)量增加，系統(tǒng)的信號增強(qiáng)性能加強(qiáng)。

在收集所有光譜信息的同時，提出了一種融合方法來解決NLOS問題。為減少計算復(fù)雜度，直接采用MUSIC算法得到結(jié)果的加權(quán)平均值,進(jìn)而得到融合結(jié)果，即融合譜可以視為不同位置處天線陣列功率譜的加權(quán)求和，對應(yīng)的空間分集可在多個陣列中消除NLOS問題，從而將全局頻譜特性更清晰地呈現(xiàn)出來。

圖9 非線性隨機(jī)共振信號增強(qiáng)技術(shù)Fig.9 Nonlinear stochastic resonance signal enhancement technique

Zhang Rui等[25]提出了一種NLOS環(huán)境下基于TOA和DOA估計的單信標(biāo)定位方法。該方法首先采用聯(lián)合TOA和DOA估計算法來實(shí)現(xiàn)對單個信標(biāo)節(jié)點(diǎn)的位置估計,從接收漢克爾塊矩陣中提取參數(shù)，以消除多徑噪聲對信號子空間維數(shù)估計的影響。然后，利用反射器的已知平面布置圖和TOA/DOA估計值，計算出每一個TOA/DOA估計值在平面布置圖中對應(yīng)的目標(biāo)節(jié)點(diǎn)位置。最后，將該位置與TOA/DOA估計值相結(jié)合，使用加權(quán)最小二乘法進(jìn)行位置估計，獲得準(zhǔn)確的目標(biāo)節(jié)點(diǎn)位置。

在NLOS環(huán)境下，特別是數(shù)據(jù)庫點(diǎn)較少的情況下，無論天線單元和信噪比如何變化，該方法都比指紋定位算法精度更高。

Wang Gang等[26]提出了一種NLOS環(huán)境下基于TDOA的定位算法。該算法不需要NLOS誤差分布或統(tǒng)計信息，而是假設(shè)NLOS誤差有界。在該假設(shè)下，將TDOA定位問題轉(zhuǎn)換為一個魯棒性最小二乘法問題，由于是非凸的，所以可采用基于凸松弛的逼近方法。該算法在NLOS誤差幅度的上界具有較強(qiáng)的魯棒性。

龔福祥等[27]提出了一種NLOS環(huán)境下的TDOA/AOA最速下降混合定位算法。首先介紹TDOA/AOA泰勒級數(shù)混合定位算法[37]，步驟如下。

(1) 得出TDOA測量值。

(2) 通過TDOA定位算法實(shí)現(xiàn)目標(biāo)函數(shù)最優(yōu)化處理，目標(biāo)函數(shù)定義為TDOA測量值的殘差加權(quán)平方和。

(3) 得出AOA測量值。

(4) 求出AOA定位算法的目標(biāo)函數(shù)。

(5) 利用TDOA/AOA泰勒級數(shù)混合定位算法對TDOA測量值和AOA測量值進(jìn)行泰勒級數(shù)展開，忽略二次以上項(xiàng)，線性化后再采用加權(quán)最小二乘算法。然后假設(shè)各信標(biāo)節(jié)點(diǎn)獲得的測量值的方差相同，設(shè)定初始值后進(jìn)行迭代計算即可得到位置估計值。

TDOA/AOA最速下降混合定位算法在TDOA/AOA泰勒級數(shù)混合定位算法的基礎(chǔ)上，定義加權(quán)最小殘差平方和目標(biāo)函數(shù)，各測量值的權(quán)值為其方差的倒數(shù)。具有NLOS誤差的測量值方差大，對目標(biāo)函數(shù)的貢獻(xiàn)小，由此抑制了NLOS對定位結(jié)果的影響。其中方差可由歷史數(shù)據(jù)測得。然后采用最速下降法求解，設(shè)定初始值和合適的步長即可得到不斷收斂的位置估計值。

TDOA/AOA最速下降混合定位算法定位精度比TDOA/AOA泰勒級數(shù)混合定位算法更高，且對信標(biāo)節(jié)點(diǎn)數(shù)的敏感性不強(qiáng)，即當(dāng)信標(biāo)節(jié)點(diǎn)數(shù)變化時，定位精度變化不大。

7 NLOS傳播研究的新方向

從定位模型的研究內(nèi)容看，目前學(xué)術(shù)界對NLOS的研究無論是從定位的可行性理論、測距技術(shù)信息獲取手段，還是定位模型計算方式、對定位結(jié)果的評估，都已取得了豐碩的研究成果，為定位系統(tǒng)設(shè)計者提供了多樣化的技術(shù)選擇。

從定位技術(shù)和定位系統(tǒng)的發(fā)展來看，對NLOS的研究主要呈現(xiàn)出以下趨勢。

(1) 通過多種定位技術(shù)的融合降低NLOS的影響，從而提高目標(biāo)定位精度。

無線定位技術(shù)牽涉眾多技術(shù)或技術(shù)組合。為了實(shí)現(xiàn)定位，首先要進(jìn)行信息采集。對于測距定位而言，該信息就是距離信息；對于非測距定位而言，該信息將是節(jié)點(diǎn)跳數(shù)、鄰居節(jié)點(diǎn)數(shù)量等。不同的技術(shù)，其信息采集精度具有很大差別。與此類似，對于不同的無線信號載體、位置解算算法、濾波優(yōu)化算法等均存在各自的優(yōu)勢和劣勢。因此，可將多種技術(shù)結(jié)合，達(dá)到揚(yáng)長避短的目的，如基于TOA和AOA的聯(lián)合測距、基于航跡推算與RSSI的聯(lián)合定位等。

(2) 借助新興技術(shù)提高NLOS場景下的目標(biāo)定位精度。

無線定位技術(shù)的發(fā)展歷程便是不斷吸收新技術(shù)提高定位精度和拓展應(yīng)用領(lǐng)域的歷史。從早期發(fā)現(xiàn)衛(wèi)星能夠用于定位，到衛(wèi)星定位技術(shù)不斷提高，再到衛(wèi)星定位被廣泛應(yīng)用于各行各業(yè)，便是不斷借鑒信號處理、空間通信、智能處理、軍事技術(shù)等新理論和新方法的過程。隨后，脫胎于衛(wèi)星導(dǎo)航定位技術(shù)的偽衛(wèi)星技術(shù)被用于室內(nèi)定位中，而其他技術(shù)，如WiFi、藍(lán)牙、UWB等，則催生了一系列新的定位方式。而這些技術(shù)的每一次升級也帶動了定位精度的提高。目前，以深度學(xué)習(xí)為代表的人工智能正在無線定位領(lǐng)域，特別是基于視覺的定位領(lǐng)域發(fā)揮著越來越大的作用。此外，基于定位結(jié)果的軌跡數(shù)據(jù)分析等應(yīng)用也如火如荼，新的位置服務(wù)正在深刻改變?nèi)藗兊纳睢?/p>

(3) 通過與其他信息系統(tǒng)的交互引入額外信息，實(shí)現(xiàn)跨系統(tǒng)協(xié)同定位。

物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)使得定位系統(tǒng)越來越成為“大生態(tài)”、“大系統(tǒng)”中的一員。以智能煤礦為例，礦井環(huán)境是一種典型的NLOS傳播廣泛存在、多徑現(xiàn)象強(qiáng)烈的環(huán)境，礦井中的人、機(jī)、物、環(huán)彼此聯(lián)系、彼此影響，用于確定人員和物體位置的定位系統(tǒng)可為生產(chǎn)和經(jīng)營提供決策依據(jù)，用于其他目的的物聯(lián)網(wǎng)節(jié)點(diǎn)也可作為定位系統(tǒng)的輔助信標(biāo)，為抑制NLOS信號提供幫助。

8 結(jié)論

(1) NLOS傳播對目標(biāo)定位精度具有重要影響，當(dāng)前的研究主要集中在NLOS傳播識別、NLOS傳播誤差抑制、NLOS傳播利用、NLOS場景下的定位方法設(shè)計等方面。

(2) NLOS傳播識別是NLOS傳播誤差抑制和NLOS傳播利用的基礎(chǔ)，各種研究的最終目的是提高LOS/NLOS混合場景或純NLOS場景下的定位精度。

(3) 目標(biāo)定位中的NLOS傳播研究需要與測距方法、數(shù)據(jù)處理技術(shù)、目標(biāo)優(yōu)化技術(shù)、人工智能算法等緊密融合，從多個角度入手，提高NLOS的處理性能。