NLOS目标跟踪：模糊建模、最大似然估计与卡尔曼滤波方法

"本文提出了一种针对非视线(NLOS)场景的目标跟踪方法，该方法结合了模糊建模、最大似然估计和卡尔曼滤波技术。通过应用与模糊建模相关的截断三角概率-可能性变换，首先计算每个距离测量处于视线(LOS)条件的可能性。根据识别的测量条件，利用这些计算出的可能性，通过最大似然估计(MLE)得到中间位置估计。随后，这些中间位置估计通过线性卡尔曼滤波器(KF)进行过滤，从而得出最终的目标位置估计。目标运动信息和MLE结果的统计特性用于更新KF参数。卡尔曼滤波器的位置预测用于MLE参数初始化和距离测量选择。仿真结果证明了所提方法的有效性。" 在NLOS环境下，无线通信中的目标跟踪是一个极具挑战性的任务，因为信号会受到建筑物、地形等障碍物的阻挡，导致测量数据失真。本研究论文提出了一种三步定位策略，旨在解决这个问题。 第一步是模糊建模。模糊逻辑被用来描述和处理NLOS环境中的不确定性，通过截断三角概率-可能性变换，将测量距离映射到可能性空间，从而评估每个测量是否处于LOS状态的概率。 第二步是最大似然估计。根据第一步得到的可能性分布，采用最大似然原则来估计目标位置。最大似然估计是一种统计学方法，它寻找最可能产生观测数据的参数值，以此来估计未知参数。在这种情况下，它被用来根据不同可能性的测量数据生成多个中间位置估计。 第三步是应用卡尔曼滤波。线性卡尔曼滤波器是一种优化的数据平滑和预测工具，尤其适用于动态系统的估计。它结合了目标的先验知识（如运动模型）和观测数据，通过递归更新来提供最优的估计。在这里，KF被用来融合所有中间位置估计，去除噪声并提供最终的精确位置估计。同时，KF的参数根据目标运动信息和MLE结果的统计特性进行更新，以适应不断变化的环境。 此外，论文还提到，卡尔曼滤波器的位置预测用于初始化MLE参数，并辅助选择合适的距离测量，这有助于提高跟踪性能和算法效率。通过一系列的仿真，这种方法显示出了在NLOS条件下对目标跟踪的显著改善，验证了其在复杂环境下的有效性和实用性。 该论文贡献了一种创新的NLOS目标跟踪方法，将模糊理论、统计估计和经典滤波器理论相结合，以应对实际环境中常见的信号遮挡问题。这一方法对于无线通信、雷达系统以及物联网(IoT)等领域的目标定位和跟踪技术具有重要的理论和实践意义。