论文部分内容阅读
近年来,随着ICT(Information and Communication Technology)产业的迅猛发展和各种智能设备的快速普及,5G革命性的提出了“万物互联”(IoE,Internet of Everything)的概念,基于位置的服务越来越受到广泛关注,将广泛应用于物联网、车联网等热门领域中。因而,高精度的定位尤其是高精度的室外定位成为越来越多研究者关注的重点。随着4G的快速发展,大部分城市户外环境已被LTE信号覆盖,它为以在陆地上使用LTE(Long Term Evolution)定位导航系统作为全球导航卫星系统(GNSS,Global Navigation Satellite System)的替代提供了可能。在3GPP Release 10中提出了最小化路测技术(MDT,Minimization of drive tests),由LTE用户设备上报包含参考信号接收功率(RSRP,Reference Signal Receiving Power)的测量报告,使得radio map建立变得简单。然而,由于移动终端的多样性导致RSRP存在固有偏差,另一方面用户设备(UE,User Equipment)的不同运动状态会带来不同的RSRP指纹特性。本文针对传统的基于位置指纹的LTE定位系统中存在的上述问题,提出了基于多维尺度分析(MDS,Multidimentional Scaling)的终端RSRP差异补偿算法和基于模式识别理论的UE运动状态分类算法,有效解决上述问题,提高在线定位精度。(1)在海量用户LTE定位背景下,针对传统的基于MDT测量报告构建Radio Map的过程中,由于移动终端种类不同引入终端RSRP差异,导致指纹中信号强度不准确的问题,本文提出了一种基于MDS的终端RSRP差异补偿算法,通过一些已知位置的RSRP指纹采样点计算每个终端的RSRP差异,在离线建立Radio Map和在线定位之前,都对RSRP进行补偿。本文所提方法可以有效的补偿由于终端类型不同造成的RSRP固有偏差,从而提高在线阶段定位精度。(2)针对在UE处于不同运动状态时的RSRP指纹特征不同,静止状态时信号指纹较短、运动状态时指纹失配现象严重的问题,本文提出了一种UE运动状态分类算法,离线阶段基于分类结果将静止状态和运动状态的指纹分开建立Radio Map,在线阶段分类运动状态后匹配对应Radio Map实现定位。本文所提出的算法能够发挥运动状态指纹的长度优势和静止状态指纹的精度优势,从而达到提高定位精度的目的。