武 斌, 田 清

(天津城建大学 计算机与信息工程学院，天津 300384)

0 引 言

科技的飞速发展使得位置信息服务(location-based services，LBS)[1]的需求越来越大，传统位置信息服务主要针对室外环境进行研究，例如：全球定位系统、北斗卫星导航系统等；而对于室内环境来说，定位的精度和抗差性要求相对较高，当前室内定位技术主要包括射频识别(radio frequency identification，RFID)[2]、蓝牙、超声波、超宽带(ultra wide band，UWB)[3]、无线局域网(wireless fidelity，WiFi)[4]等技术。

粒子滤波(particle filtering，PF)算法[5]在处理非线性和非高斯噪声时变系统的参数估计和状态滤波问题方面具有独特的优势和良好的应用前景，但该算法仍然存在粒子退化与贫化、实时性差、计算量大等问题。为了解决粒子滤波存在的问题，一些学者将无迹卡尔曼滤波(unscented Kalman filtering，UKF)算法于粒子滤波结合，提出了无迹粒子滤波(unscented particle filtering，UPF)算法，利用UKF得到PF的重要性采样密度函数，对粒子进行更新，提高滤波性能和采样质量，状态估计性能优于PF算法，适用于难以非线性化和高斯近似处理的情况。然而在实际情况中，很难用一个确定的模型描述某个系统，并且系统噪声和观测噪声不确定性引起的误差偶然性太大，对于算法的抗差性带来很大影响。因此在提高滤波精度的前提下，如何提高算法的抗差性成为了当前研究的热门。文献[6]利用粒子滤波器融合了雷达的扫描数据，实现了对目标的位姿跟踪，有效地减小了定位误差；文献[7]将接收信号强度指示(received signal strength indication，RSSI)直接作为观测量建立非线性状态空间模型，并利用马尔科夫链蒙特卡洛移动步骤改进系统重采样算法，增加粒子多样性，提高了滤波性能和跟踪精度；……