原创不容易，路过的大佬请点赞

针对AOA,TOA,TDOA,RSS讨论室内定位、导航、技术支持等==代码(有偿)==欢迎联系，也可以站内私信，也可以基于其它算法，ML只是一个解释室内定位的例子
WX: ZB823618313

近年来，随着无线通信、集成电路、传感器和微电系统技术的快速发展和日益成熟，无线传感器网络被誉为未来三大高科技产业之一(WSN，Wireless Sensor Network)引起了全世界的广泛关注。随着物联网概念的提出，传感器技术作为其关键技术已成为研究的核心。随着无线传感器网络的应用逐渐深入到人们生活的各个方面，其核心支持的节点定位技术也得到了不断的改进和推广。

在无线传感器网络定位中，有两种情况：网络中检测节点的自定位和未知目标源的盲定位。

节点自定位：
由节点本身携带GPS通过自定位系统获得的自定位节点称为信标节点，也称为锚节点。

节点的盲定位：
未知目标源的位置根据信标节点的定位机制确定。节点盲定位可分为有源定位和无源定位两类。

有源定位:
网络中的监测节点利用有源设备（雷达、激光、声纳等）向定位目标发送各种定位信号，然后通过一系列测量和处理接收监测目标的返回信号。
优点： 全天候、高精度
缺点： 无隐蔽性，易受电子干扰

无源定位:
在定位过程中，网络中的监控节点不向定位目标发送信号（电磁或其他定位信号）。监控节点与监控设备之间没有协作通信。监控节点只能通过搜索、测量和处理目标上发送的电磁信号来获得目标的位置和参数信息，从而实现定位跟踪。
优点： 反侦察、抗干扰、目标识别(弥补有源雷达的不足)
目前主要研究的定位算法是被动无源定位。
被动： 监测网络对被监测目标无法进行控制，无法按照自身定位需求添加软硬件支持。

基于无线传感器网络的信号无源定位和跟踪具有以下特点：

无源定位，直接定位方不向目标信号发送信号
多站协作，监控节点需要多次测量，空间移动，或多站之间有信息交互协作
计算量大，获取目标位置所需的计算量高于其他信息
定位精度、系统内参和定位节点的数量及布局

通过测量不同节点与目标信号之间的距离或角度信息，的距离或角度信息来估计未知目标节点的位置。

常用定位技术：

• 到角度技术(AOA)
• 实现时间技术(TOA)
• 到达时差技术(TDOA)
• 接收信号能量技术(RSSI)(最后轮到最熟悉的定位技术了)

核心思想：与TOA类似，在RSSI在中间，多个基本节点通过三角定位协作定位目标节点(见下图)。然而，锚节点没有测量TOA，而是使用RSS进行估计。在这种方法中，接收信号的强度表示信号传播的距离。对于共面情况，假设传输强度和信道(或信号传播的环境)特征已知，需要三个基本节点和三个RSS测量。

RSS定位可以NLOS环境定位，成本极低，无需额外设备

定位原理：RSS定位法是根据接收信号的强度实现定位。RSS测量是一种关于距离（目标到传感器节点）的衰减函数，因此可以使用TOA定位原理。与TOA不同的是，TOA可以直接得到距离。在定位过程中，根据物理模型计算三个不同参考点的信号强度，然后使用和TOA定位点可以通过类似的几何到定位点。该方法至少需要三个基站来计算目标的位置，其定位图如图所示。

RSS传感器接收到的平均功率来自发射源。通常假设接收功率遵循指数衰减模型，即发射功率、路径损耗常数和源与传感器之间的距离。比使用更多的定位方案TOA、TDOA或TSOA由于源与/或传感器之间没有同步，测量方案很简单。一旦我们能做到RSS在测量中获得距离就像TOA同样，至少使用三个接收器来确定源位置。

RSS假设源发射功率为$P_t$，在没有干扰的情况下，第$i$个传感器接收到的平均功率为$P_i$，模型为

$$P_i=K_i{P}_t{d}_i^{-\alpha }=K_i{P}_0||\mathbf{x}-{\mathbf{x}}_i|{|}^{-\alpha },i=1,2,\cdots ,N$$
其中$K_i$是影响接收功率的所有其他因素，包括天线高度和天线增益，而$\alpha$是路径损耗指数。基于不同的信号传播环境，$\alpha$从2到5。一般在无遮挡空间（free space）中，$\alpha =2$。

现场试验表明，RSS扰动呈对数正态分布。因此，RSS对数正态路径损失模型可表示为
$$r_{RSS,i}=P_0-10\alpha \log \frac{d_i}{d_0}+n_i,i=1,2,\cdots ,N$$

其中$$d_i=\sqrt{(x-x_i{)}^2+(y-y_i{)}^2}$$
$\mathbf{x}=[x,y{]}^{\prime }$为发射源的位置，即被定位的参数，${\mathbf{y}}_i=[x_i,y_i{]}^{\prime }$为第i个锚节点的位置，假设存在N个锚节点构成传感器网络，则$i=1,2,\cdots ,N$。$n_i$ 为测量噪声，来源于RSS的干扰。

主要算法： 基于AOA技术的室内定位可以分为两大类方法：参数估计算法和滤波方法。

1-参数估计算法主要解决非移动目标（如传感器节点、发射源等）的定位问题，主要包括：
ML最大似然估计
LS最小二乘估计
WLS加权最小二乘估计
NLS非线性最小二乘估计
凸规划
**注意：**这类方法也可以解决移动目标的室内外定位问题。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

2- 滤波方法主要解决移动目标（如智能小车、移动机器人、移动终端等）的室内外定位问题，主要包括：
扩展卡尔曼滤波EKF
无迹卡尔曼滤波UKF
容积卡尔曼滤波CKF
求积卡尔曼滤波QKF
中心差分卡尔曼滤波CDKF
Divided difference filter DDF
高斯混合滤波GSF
强跟踪滤波STF
粒子滤波PF
… …

考虑N个传感器网络，RSS对数正太阴影衰减（路径衰减）模型可表示为
$$r_{RSS,i}=P_0-10\alpha \log \frac{d_i}{d_0}+n_i,i=1,2,\cdots ,N$$

其中$$d_i=\sqrt{(x-x_i{)}^2+(y-y_i{)}^2}$$
$\mathbf{x}=[x,y{]}^{\prime }$为发射源的位置，即被定位的参数，${\mathbf{y}}_i=[x_i,y_i{]}^{\prime }$为第i个锚节点的位置，假设存在N个锚节点构成传感器网络，则$i=1,2,\cdots ,N$。$n_i$ 为测量噪声，来源于RSS的干扰。

基于N个锚节点的RSS测量，构造似然函数：

P ( r R S S ∣ x ) = ∏ i = 1 N 1 2 π σ i e − ( r R S S , i − h ( x ) ) 2 2 σ i 2 P(\mathbf{r_{RSS}}|\mathbf{x})=\prod_{i=1}^N\frac{1}{\sqrt{2\pi}\sigma_i}e^{-\frac{(r_{RSS,i}-h(\mathbf{x}))^2}{2\sigma_i^2}} P(rRSS​∣x)=i=1∏N​2π ​σi​1​e−2σ