OTDOA

1. 畫圖觀察

參考小區：黑點

其他小區：綠點

終端位置：紅點

無誤差模型雙曲線：藍線

測量粒度導致的誤差：橘黃

 

2. 度量粒度導致的誤差

即小區能准確測量TA，但是TA的刻度就是16ts(對應單程距離4.88*16)，所以就出現由度量刻度導致的誤差。

上圖中橘黃色曲線交點。

 

 

3. 測量波動導致的誤差

即小區測量的TA值會有波動，由測量波動導致的誤差。

測量TA隨機加1后的誤差：紫色

 

 

4. NLOS導致的誤差

OTDOA模型假設終端到小區直線傳播的距離差，而實際無線網絡中，信號的傳播很多是NLOS場景，所以在NLOS場景，TA的距離差不是模型假設的距離差，導致定位結果出現很大的誤差。

將TA隨機增長0-4個TA后的曲線交點：紅色

 

 

《一種適用於NLOS環境的LTE終端迭代定位算法》中提到由NLOS引起的附加延時誤差可根據COST259信道模型得到。一般情況下可以認為由NLOS引起的附加延時誤差服從指數分布。

“Ti = Ti0 + ui + ni

Ti0是在LOS環境下的終端信號到達時間，ui是由檢測系統造成的均值為0，標准差很小的高斯隨機變量，ni表示由NLOS引起的附加延時誤差。”

實際系統中，還有由於基站測量刻度導致的誤差，比如基站上報以ta為單位，1ta=16ts，1個ts的距離是9.77米。且ui的波動也不是很小的隨機變量。

5. 誤差統計仿真

模型假設

一個點的畫圖分析不能代表全場景的，所以需要將基站小區和終端位置仿真，然后帶入到假設的模型中，去評估模型的定位結果和模擬的終端位置的誤差，以統計全局中的誤差情況。

蜂窩網絡中OTDOA定位誤差仿真，場景模型：三個小區，小區間距500米，選擇塗色部分進行模擬。

 

 

 

三種誤差的CDF曲線及定位結果（綠色相對紅色誤差較小，整體誤差見CDF）：

單位誤差：

 

 

測量波動：

 

 

NLOS：

 

 

誤差統計仿真

1TA誤差是16*4.88

誤差因素	平均誤差（m)	CDF 67%（m)	CDF 95%（m)
度量單位誤差	64	72	136
測量波動(隨機0~1個TA波動)	354	159	985
NLOS(隨機0~4個TA波動)	589	340	1731
直接以小區位置定位	197	226	262

 

6. 誤差分析理論（TODO）

OTDOA的數學模型非常簡單，但是實際無線網絡環境及測量精度問題導致模型的誤差比較大，定位精度不高。能否從誤差分析的角度來證明或求取誤差分布呢？

誤差分析及傳播

統計參數的誤差統計模型=>定位結果的誤差模型及評估

7. 算法

《蜂窩網絡中基於TDOA的無線定位算法研究》

《LTE室內定位技術及優化方法研究》

7.1 Chan算法

https://blog.csdn.net/u012319493/article/details/80803034

 

Chan算法是非遞歸雙曲線方程組解法，具有解析表達式解。其主要優點為在測量誤差服從理想高斯分布時，它的定位精度高，計算量小，並且可以通過增加基站數量提高算法精度。該算法的前提是基於測量的誤差為0均值高斯隨機變量，對於實際環境中誤差較大的測量值，比如NLOS環境下，該算法的性能會有顯著下降。當基站數量大於3時，TDOA值得到非線性方程組個數要大於未知變量的個數，現將初始的TDOA方程組化為線性方程組，然后用加權最小二乘法得到初始解，再用第一次得到的初始解等約束變量進行第二次加權最小二乘估計，最后得到改進的位置估計。

7.2 MPDA算法

該算法通過最小平方估計算出定位坐標，再與卡爾曼濾波器預定的定位坐標相比較，判斷是否受NLOS影響，如果影響則拋棄，最后把接收的各組數據以不同的權重聯合估計終端的位置。主要步驟如下：

數據分組處理

最小平方估計

卡爾曼預測

NLOS檢測

數據聯合估計更新