贝叶斯滤波技术在定位中的应用重点分析.docx

贝叶斯滤波技术在定位中的应用 贝叶斯滤波技术能够提供一种强大的统计方法工具，用于协助测量不确定度和执行多传感器融合，并且还能够进行身份目标的识别和确定。本文的作者对贝叶斯滤波器的运作方法进行了探究，并将这种方法用于普适计算中位置估计等相关的任务。 位置的识别或者侦测对许多普适计算的应用领域至关重要。不幸的是，在所有情况下，没有任何位置传感器能够实现较好的位置测量。这样，写这篇文章的目有两个方面。一是我们相信普适计算能够受益于贝叶斯滤波器技术的精确调查研究，因为没有传感器是完美的，贝叶斯滤波器在任何使用多个传感器的系统中是非常有用的，它能够作为一种统计工具用于不确定的情况下。二是在许多普适计算场景中，估算目标的当前位置可以说是最基本的传感任务。因此，我们能够在自然的环境领域中阐述贝叶斯滤波器技术的应用方法。定位估计能够运用统计学的方法，使众多位置信息拥有统一的接口。这样，我们就能够独立的编写传感器的应用程序，甚至这些传感器可以是不同的类型，诸如GPS或者红外线标记等传感器上。 这里，我们主要从超声波和红外线标记（tags）中阐述说明传感器数据的融合。我们也讨论怎样使用激光测距探测器，将高分辨率的位置信息和能够提供目标识别功能的低分辨率位置信息整合在一起。 ·贝叶斯滤波器 贝叶斯滤波器能够从噪杂的观测值中估算动态系统的状态。在普适计算的位置估计中，系统的状态指的是一个人的或者是一个物的状态，而且位置传感器能够为观测提供这种状态。这种状态可以是一种简单的２维位置或者是复杂矢量（包括３维位置、间距、转动、偏航、线性和旋转速度）。 这里，我们首先引入置信函数（Belief function) （设Θ是一个有限集合，为其所有子集构成的集合（幂集），若函数 Bel：→[0,1]满足以下条件： 3.对任意正整数n及D的一组子集 ，若满足以下条件 则称Bel是定义在D上的一个置信函数（Belief function)。 通过随机变量xt,贝叶斯滤波器能够表示在t时刻的系统状态。在每个时间点xt上的概率分布，我们叫做关于xt的置信函数值Belxt,它能够表示不确定的因素。通过传感器中的数据信息，贝叶斯滤波器技术能够在一定条件下连续不断的对系统的状态进行评估。 为了阐述这一点，我们假设传感器数据是由一系列时间变化的传感器观测值z1,z2,…,zt组成的。那么置信函数Belxt定义为在t时刻，所有有效传感器数据上随机变量xt的后验密度。 Belxt=p(xt/z1,z2,…,zt) (1) 粗略来说，置信函数回答了这样的一个问题“如果传感器测量的历史数据是z1,z2,…,zt，那么处于位置x的人有多大的概率?”通常来说，整个过程中计算后验密度的复杂度是以指数级别增长的，因为传感器测量的数据也在随时随地的增加。为了使计算简单容易处理，贝叶斯滤波器技术采用的动态系统是基于马尔科夫假设——那就是当前状态变量xt含有所有相关信息。（随机过程中，有一类具有“无后效性性质”，即当随机过程在某一时刻t0所处的状态是已知的条件下，那么在时刻tt0时所处的状态只和t0时刻有关，而与t0以前的状态无关，这种随机过程称为马尔科夫过程。这种性质为无后效性，又叫马尔科夫假设） 贝叶斯滤波器中对于需要定位的目标，采用马尔科夫假设表示：传感器测量仅仅依靠目标的当前物理位置，该目标在t时刻的位置仅仅依赖于系统先前状态xt-1，在xt-1之前的任何状态都不能给目标在t时刻的定位提供任何有用信息。 在马尔科夫假设下，我们能够有效的计算出方程式（1）的置信函数值。在更新方程之前，我们先简单的测试下递归贝叶斯滤波器的更新步骤。请看图1： 在这个假设的一维的场景中，有个人携带传感器行走在一个走廊里，这个传感器是可能是个照相机或是别的什么，当人从门前方走过时，它能够发射信号。传感器不能分辨出不同的门。我们并不建议使用移动的照相机来实现系统的定位，但是它能够简单的阐述贝叶斯滤波器的重要性质。  图1a中向我们展示了在可能位置上均匀分布，这个人的位置在刚开始是并不知道的。当人从门前方经过时，传感器立刻发出“door found”的信号。最终得到的置信函数值在接近门的位置概率较高，其它地方概率小。 图1b中我们看到，这个均匀分布拥有三个峰值，每一个都和场景中的门相对应。此外，得到的分布分别在三个不同的位置具有较高的概率，这就说明这种概率框架能够处理多元的、相互矛盾的假设，这种假设一般会在模糊的情况下自然而然的产生。 图1c中向我们展示的是：假设人以正常的步行速度向右行走，人的运动和运动过程对置信函数的影响。贝叶斯滤波器能够改变在运动方向中的置信函数，还能够平滑置信函数值，这也解释了在运动估计过程中存在的固有不确定因素。 图1d和1e分别描述的是：传感器检测到人通过另一