贝叶斯滤波技术在定位中的应用

《贝叶斯滤波技术在定位中的应用》由会员分享，可在线阅读，更多相关《贝叶斯滤波技术在定位中的应用（22页珍藏版）》请在装配图网上搜索。

1、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

2、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

3、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(Belieffunction)(设是一个有限集合，为其所有子集构成的集合(幂集)， 若函数Bel：D-0,1 满足以下条件：二 0.2.8ef(D) = l.3.对任意正整数n及D的一组子集g入,若满足以下条件斑JSiU2仏二二占訂(尙】二8訂(A/旳)+-十(1严1珈!仇1门仃凡 则称Bel是定义在D上的一个置信函数(Beliefunction )。通过随机变量叫，贝叶斯滤波器能够表示在上时刻的

4、系统状态。在 每个时间点叫上的概率分布，我们叫做关于尊的置信函数值Bel(xt), 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 感器观测值叫组成的。那么置信函数Bel(xt)定义为在上时刻， 所有有效传感器数据上随机变量尊的后验密度。Bel(xt)= p(xt/zifz2, ,zf)(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

5、，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 前状态变量叫含有所有相关信息（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4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4时刻有关，而与4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，该目标在上时刻的位置仅 仅依赖于系统先前状态Xt1，在Xt1之前的任何状态都不能给目标在 上时刻的定位提供任何有用

6、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髙，其

7、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髙的概率，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Id和le分别描述的是：传感器检测到人通过另一扇门时的置信函数值和传感器检测到人离开门口进行下一个动作的置信函数值。大部分的概率块都在门的附近位置，

8、并且滤波器能够确定人的位 置。这里介绍怎样改进贝叶斯滤波器技术。无论传感器什么时候提供 观测值绻，滤波器都能够根据下述公式描述系统的状态：Bel (基)f p(xt/xt1 Bel(xt1 )必竹(2)滤波器还能够使用传感器观测数值校正预期的估计：Bel(x) atp(zt/xt)Bel (基)(3)这里，卩(xJXt )指的的是系统动态，即系统的状态在全部时间 内是如变化的。在位置估计中，条件概率是一种动态模型，即：给定目标在叫 时刻的位置，那么在上时刻，该目标应当在什么位置。这个模型非常依 赖在估计的过程中所获取的信息。系统能够通过估计人的移动速度来 预测下一个位置，也能够通过估计每个人的

9、目的地预测人将什么时候 从电梯离开，并且系统中的数值会随着每种情况变化。在上述走廊的例子中，运动的更新符合置信函数值在图lc和le 中的变化。在预测后和观测前，置信函数值是预测的置信函数 Bel (基)。感知模型p(zjx)指的是：假设人在基状态时刻的位置上， 得到观测值色的可能性。正如图1b和1d显示的那样，观测更新准侧 能够增加具有较大可能性观测值的位置的概率。对于位置估计，感知 模型常常是传感器技术的指标之一。它依赖于传感器的类型和传感器 放置的位置，并且它能够捕获出现的错误特征。在方程式(3)中，仟 是一个归一化常数，它能够将整个状态空间的后验概率加起来为一。 Bel(x0)是初始化的

10、置信函数值，它与目标位置的先验知识相关。如果 没有先验知识，那么Bel(x0)服从均匀分布。贝叶斯滤波技术是一个非常抽象的概念，它只提供了一个利用概 率方法递归进行状态预估的框架。实现这个技术需要明确定义感知模 型p(zt/x)动态模型p(xt/xti )和置信函数Bel(xt)。能够实现不同 功能的贝叶斯滤波器，他们的属性在怎样表示状态叫上的概率密度时, 也是非常不同的。为便于实际应用, 可选择很多不同的实现方法. 从 概率的表示方式上, 可将实现方法分成离散型和连续型,分类的结果 如下图所示. 这里所说的离散型和连续型是指概率的表达方式, 而 不是时间意义上的连续。我们现在讨论不同的置信函

11、数表示方法和在普适计算位置估计的背景下滤波器的属性。卡尔曼滤波器一种由卡尔曼提出的用于时变线性系统的递归滤波器。这个系统 可用包含正交状态变量的微分方程模型来描述，这种滤波器是将过去 的测量估计误差合并到新的测量误差中来估计将来的误差。卡尔曼滤波器广泛用于变化的贝叶斯滤波技术中，在系统的第一 和第二是时刻他们有非常接近的置信函数，事实上他们和单峰高斯表 示式完全相同。Bel（x）=N （基；血,石）= 丄仅卩一1/2（存一你”-1（耳_你）（4）（2d/2|石 |1/2t t t t t其中，血是分布的意思（第一时刻），是dxd协方差矩阵（第 二时刻，d是状态维数）。N （叫;血,）表示的是：

12、在给定平均值 代和协方差矩阵青况下，状态叫的概率表示，正如方程（4）所述。 表示在系统估计中的不确定性协方差矩阵越庞大，分布越大。卡尔曼滤波器具有最优估计的能力，假定初始的不确定因素是高斯分 布的，并且观测模型是动态的系统模型（该模型是状态的线性函数）。 因为大多数系统并不是严格线性的，人们常常使用拓展的卡尔曼滤波 器，该滤波器可以使用一阶泰勒级数展开式将系统线性化。卡尔曼滤波器主要优势是他们的计算效率。我们可以对平均值和 协方差使用高效的矩阵运算，来实现预测方程（2）和校正方程（3）。 然而，因为卡尔曼滤波器的高效率是以它只能够表示单峰的概率分布 为代价的。如果系统状态中的误差不大时，那么使

13、用卡尔曼滤波器是 最好的方法。卡尔曼滤波器使用精确的传感器或者是具有高更新率的 传感器对系统中的目标进行定位追踪。例如，只有当我们知道图1中 人的初始位置，并限制了传感器的不确定因素时，我们能够使用卡尔 曼滤波器对图1中的问题进行估计。尽管卡尔曼滤波器技术有严格的约束条件，但是开发人员还是非 常成功的将该项技术用于各类追踪定位问题之中，使用该项技术可以 得到很好的效率、精确的定位估计，甚至适用于一些非线性系统。多重假设跟踪（MHT）利用贝叶斯后验概率的传递特性，对假设树的各个分枝进行概率 计算和评估，不断反复“修剪”小概率不可能的假设，合并相同的假 设，以实现多目标数据关联和跟踪，较好地适应密

14、集环境下的多目标 跟踪。多重假设跟踪能够克服卡尔曼滤波器只能表征单峰概率分布的缺点。MHT方法是利用混合髙斯表示概率分布（置信函数值）：Bel（xt）匕 & w$）N （xj 呼,卑厂）（5）（由于竞争的结果，两个相似的物种不能占有相似的生态位，而 是以某种方式彼此取代，使每一物种具有食性或其他生活方式上的特 点，从而在生态位上发生分离的现象，这一假说称为高斯假说）多重假设跟踪（MHT）这种方法是用卡尔曼滤波追踪每个髙斯假 设的值。这种方法根据每个假设预测观测值的准确度来决定每个假设 的权重值wf。换句话说，在每一次更新过程中，权值都是与传感器 的似然性成比例设置的。鉴于多重假设跟踪（MHT）

15、能够表示多峰的概率分布，所以它的 应用性比卡尔曼滤波器更加广泛。例如在图1中，我们可以使用多重 假设跟踪方法。但是，这个方法的计算成本比较大，而且需要较为复 杂的技术去判定什么时候应当加入或者删除假设值。因为每个假设值 都是利用卡尔曼滤波器进行追踪的，因而这些使用方法仍然依赖于卡 尔曼滤波的线性假设基于网格的方法这种方法也同样克服了卡尔曼滤波器技术上的限制，它可以依赖 离散的、分段的常数来表达置信函数值。使用离散方法的更新方程和 使用贝叶斯滤波方法的更新方程（2） （3）完全一致的。对于在室 内的定位估计，基于网格的方法可以将环境分割成一个一个小块，这 些块的尺寸在10厘米和1米之间。在每个网

16、格单元中都含有要追踪 目标的置信函数值。这个方法的优势：它能够表示离散状态空间的任意分布，同样也 能解决图 1 中的定位估计问题。移动机器人定位单元表现出的特点 是：将传感器噪声鲁棒后，得出的近似值可以提供非常精确的位置估 计值。然而，这种方法的缺点是需要记忆目标位置的网格单元信息， 并且还要修正每次新的观测值。因为这种方法的复杂度随着系统空间 维数的增加成指数增长，所以我们仅将它用于低维数的定位估计问题 中。拓扑方法通过使用非度量的环境表达式，我们可以避免基于网格方法的高 计算复杂度。例如，许多室内环境提供了一种自然的方法来表示某个 人的位置，这些位置具有明显的特征，就像是某人当前正处于环境

17、中 的某个房子或是走廊一样。这样的表式方法能够使贝叶斯滤波技术实 现，我们用一张图表来表示环境，图中的每个节点都对应一个位置， 边缘表示环境的联通性（比如环境中的走廊）。动态模型卩（xjxj描 述的是人的运动过程，它能够特有的表示某人通过环境时的运动方式拓扑方法的优势在于他的效率，因为这种方法可以表示较小的、 离散的状态空间的分布情况。它的缺点是得出的结果可能不是非常精 确，因为系统估计仅仅提供的是某个目标的较为粗略的状态信息。所 以，拓扑方法常常适用于那些只能提供不太精确定位信息的环境中。粒子滤波（所谓粒子滤波就是指：通过寻找一组在状态空间中传播的随机 样本来近似的表示概率密度函数，用样本均

18、值代替积分运算，进而获 得系统状态的最小方差估计的过程，这些样本被形象的称为 “粒子”， 故而叫粒子滤波，当样本数量Nt*时可以逼近任何形式的概率密度分布。尽管算法中的概率分布只是真实分布的一种近似，但由于非参数 化的特点，它摆脱了解决非线性滤波问题时随机量必须满足高斯分布 的制约，能表达比高斯模型更广泛的分布，也对变量参数的非线性特 性有更强的建模能力。因此，粒子滤波能够比较精确地表达基于观测 量和控制量的后验概率分布)粒子滤波通过在状态空间设置样本集合来表达置信函数值:Bel(xJ = S = y),wy)i = 1,2, .,n(6)其中,x()表示的是某个状态;叫是非负权值(称作重要因

19、子)，这些权值相加后得 1。考虑到贝叶斯滤波是根据抽样过程对数据进行 跟新修正的，所以粒子滤波也常常叫做使用重复采样的连续重要采样图2中一维走廊的例子使用了粒子滤波算法。其中X轴上的黑 条描述的是样本(粒子)所表示的置信函数值Bel(xt)o图2a中,服从均匀分布的样本集表示人的初始状态的未知位置。 每个样本都有相同的重要因子w(x),正如图中X轴上相同髙度的黑 条所指示的那样。图 2b 中，传感器检测到了在靠左的门。粒子滤波通过校正和规 范每个样本的重要因子来合并所测量的值，并使无关的样本的重要因 子处于图 2b 中较低的部分，使有关的样本(粒子)重要因子与观测 值p(z/x)是成比例，如图

20、中黑条所示。当人向右移动时，粒子滤波随机的从当前的样本集合中进行抽样 然后粒子滤波使用模型去猜测每个新样本(粒子)的可能位置。粒子 滤波的这种更新方法实现了贝叶斯滤波的预测步骤(方程式2)图 2c 展示的样本集合不同于初始的图 2a 中的样本集合。图 2c 中的大部分样本集中在三个位置附近。通过采样，这些聚集的样本值 和权值成正比例。图2d中，传感器探测到了第二扇门，得到相应的位置概率p(z/x)。 通过权衡重要因子，我们得到图2(d)较低部分所示的样本集，如图中 所示。在下次预测更新之后，得到的绝大多数概率都与人的真实位置 相一致了。这与图 1 使用贝叶斯滤波得到的结果一样。粒子滤波技术的优

21、势在于它能够表示任意的概率密度。此外，比 起卡尔曼滤波，在非高斯分布、或者是非线性的动态系统中，当样本 无限多时，粒子滤波能够收敛于任意概率密度的真实分布。比起基于 网格的方法，粒子滤波技术效率更高。粒子滤波技术有许多优点，所 以我们经常使用这种技术进行目标的定位追踪。但是在多维的状态空 间中，粒子滤波的计算复杂度会以指数级别增加，所以我们要谨慎使 用。比较TABLE 1Comparing Bayes filters implementations (+, 0, and 一 represent good, neutral, and weak, respectively).网格的方法能达到任意的

22、精度，但以十分高昂的计算成本为代价。要实现卡尔曼滤波技术和MHT，就需要采用较髙更新率的精确 确传感器。拓扑方法则需要采用跟环境密切相关的传感器。基于网格 的方法和粒子滤波器适用于大部分传感器。卡尔曼滤波器在内存和计 算方面是最有效的。基于网格的方法可能效率会太低。在一般情况下，如果要使用精 确的传感器，那么卡尔曼滤波器可能是最好的选择。对于特定的传感器，并且如果不需要准确的位置估计，拓扑方法 提供一个很好的方法来估算一个人的位置。另外，粒子滤波器是一个 具有低执行开销，非常灵活的工具。实例应用在这里，我们将举例说明两种定位技术的传感器融合：红外感应 标记和超声波飞行时间标记。然后，我们提出了

23、一种新的方法来追踪 和定位多个目标，例如使用精确性较低的红外线和超声波ID传感器。 我们的硬件是VersusTech （v3：sastek我的意思是对战科学技术） 生产的红外标记系统，麻省理工学院自行研制超声波标记，和 SICK 公司生产的 LMS200 激光扫描测距仪。传感器模型为了使贝叶斯滤波技术能够用于定位估计上，必须使用一个特定 的传感器类型。首先生成一个传感器模型p（z/x），它指的是：在给定 某人或者目标的状态兀时，得到传感器测量值Z的似然估计。这样的模 型包括两种类型的信息：地图环境和传感器噪声。机器人领域的研究 人员对构造具有室内环境的地图这类问题非常重视。图3分别介绍了 三种

24、传感器模型：超声波标记、红外线标记和激光测距仪。(a)(b)IL 2.记bemsfI图；!3：iji 11?1pnqA-vrFigure J. Probabilistic models for (a) ultrasound tags, (b) infrarec In (a)日nd (b)r darker areas indicate higher likelihoods of obseivr ydiite becau 现在，我的概率模型型Infrared sensorUltrasound sensorLaser finder Delected person是使用红外标记的概率模型，（c）是使用

25、激光测距仪的概率模型。地图 中设定的环境是30米X30米。（a）和（6中的阴影区域显示的是：观 测到相对应测量值的较高似然估记。墙壁和其他障碍物是白色的是因 为它们对应的测量值的似然估计为零。图3(a)使用的是超声波标记传感器模型，它表示的是：观测环境 中不同位置 4.5米超声波测量值的似然估计。这种飞行时间传感器能 够提供人与传感器之间的距离信息，似然函数是一个围绕传感器位置 的环，环宽度表示测量距离中的不确定性，通常用以测量距离为中心 的高斯分布表示。此外，由于超声波传感器经常产生的测量值会因为 超声波反射而偏离真实距离，所以，自由空间中的所有的位置都存在 一个非零的似然估计值，正如地图上

26、灰色区域显示的那样。图 3(b) 使用的是红外标记传感器模型。这种传感器不会提供人 与传感器的距离信息，它提供的是人出现在接收器一定范围内的信息 与此同时，红外线测量技术在传感器的位置周围呈现出一个圆形似然 函数。图3(c)使用的是激光测距仪技术，激光测距仪向外180度发射 激光扫描束，蓝色射线就是测距仪的探测范围。如果有人刚好处于测 探范围内，就会阻挡射线通过，几条相邻的短射线会形成一片阴影区 域(缺口)，这就说明有人在这个区域出现了。高斯分布常用于表示 具有较小不确定性的探测特征的似然估计。使用多个不精确的ID传感器来定位估计在这里，我们阐述如何使用多个不精确的 ID 传感器来估计人的 位

27、置，正如我们在测试环境中使用的的超声波和红外标记系统一样。 鉴于这些传感器具有较高的噪声水平，所以在人位置上的置信函数值 通常是不确定和多峰分布的。我们选择粒子滤波器技术，粒子的状态 向量兀表示该人的位置、方向和运动速度。此外，贝叶斯滤波可以自 然整合来自不同传感器的信息。在这种情况下，无论超声波或红外线 传感器什么时候探测到人，粒子都能够受到观测似然估计值的权衡， 如图3（a）和3（b）那样。图4首先简单将图 4的情况加以说明：使用红外线和超声波传感器的 粒子滤波定位技术。（a）个人携带红外标记和超声波标记出现在右 上角的小房间内。（b）在人物移出小房间后，样本随着人的移动分布 在不同的位置

28、上。（c）某个超声波传感器探测到人。图 4显示的是一张环境地图的快照。图 4a 中，某人携带红外标记和超声波标记从地图右上角的小房 间出现，由于系统开始并不知道人出现的起始位置，所以样品均匀地 分布在整个环境的自由空间中。图4b表示的是当人走出小房间后的置信函数值，由于到目前为 止接收到的不精确的传感器信息，所以样本分布在不同位置。图 4c 表示的是超声波传感器探测到人后，粒子滤波器能够更加 准确地进行定位估计。估计值的准确性随着传感器测量的质量变化而 变化。这个例子表明，粒子滤波器技术可以随着时间的推移整合测量值 进而从不精确的传感器中提取合理的目标位置信息。然而，我们可以 通过约束可能出现

29、的位置信息来更有效地使用粒子滤波器。这里我们首先引入Voronoi (沃洛诺依)图：(Voronoi 图也叫做泰森多边形，它是计算几何中的一个基本概 念，由下面的问题得出。问题：给定平面中N个点，对于每个点Pi,平面中距离Pi点比 距离其它点更近的点的区域是什么？即区域内的任意一点(x,y),距Pi 比距离平面中的其它点都近。首先从最简单的情况入手，对于平面中两个点A、B,距离A点 比距离B点近的点的区域是由A、B的垂直平分线确定的包含A的那 半个平面。如果点集由N个点组成，距离Pi比距离其它点更近的点的区域 是包含Pi的那N-1个半平面的交集。这N-1个半平面是由Pi点与其 它点的垂直平分线

30、确定的。)给出Voronoi的定义：一组由连接两邻点直线的垂直平分线组成 的连续多边形。它是对平面n个离散的点而言的，它把平面分成为几 个区域，每个区域包括一个点，该点所在的区域是到该点距离最近点 的集合。具体地方法是，我们可以把位置的状态空间约束在Voronoi图中， 它的结构和环境的自由空间结构相类似。这样的图的关键优势是 :它 们能够自然地表达了沿着环境主轴进行的典型运动。然而，这项技术 不同于拓扑的方法，正是因为它在位置估计方面需要保持较高的精度 所以能够使粒子沿着图形的边缘自由流动。而在拓扑方法中，离散概 率仅能储存在图的节点上。图5现将图 5 简要说明：图中表示的受到 Vorono

31、i 图约束的粒子滤 器。粒子沿着图形的边缘移动：（a）人的初始位置是未知的，所有粒子 分布在整个图形。（b）当人走出小房间后，样品开始集中在图中的上 部。（c）超声波传感器探测测到人。图中表示的是在Voronoi图中使用粒子滤波技术后，样本的运气 情况。第一个框图中的线条表示的就是受到Voronoi图约束的状态空 间。我们发现，Voronoi图跟踪目标时，仅仅使用少量的粒子（样本） 就能得到较好的估计值。此外，我们可以使用Voronoi图结构来了解 人的髙级运动模式，如“当人A走在走廊3时，她通常进入打印机房 间。”我们也可以根据人运动的环境，实时动态地预测他的目的地。匿名者传感器和ID传感器

32、的结合使用大多数ID传感器能够识别目标，但是却没有较髙的定位精确度。 而像激光测距仪这样的传感器虽然能够提供髙精度的定位估计，但是 却没有办法识别目标。下面，我们将介绍如何使用贝叶斯滤波技术来 整合这两种传感器的信息，从而获得精确地定位和目标ID信息。冬6图6显示的是同时使用匿名传感器和ID传感器进行目标定位跟 踪。蓝色圆圈指的ID传感器覆盖区域域，如红外接收器。在这些区 域，传感器没有办法提供人的位置信息，所以在同一个区域内无法区 分两个人。没有在图中显示的是另一个额外的匿名传感器，如激光测 距仪等，这种传感器可以髙效率地提供精确的位置信息，但没有办法 得到关于人的ID信息。图中阐述了同时使

33、用匿名传感器和ID传感器跟踪多个人的问 题。实线和虚线分别是人A和B的轨迹。当他们行走的时候，匿名传 感器频繁的探测他们的位置。起初两个人在一起，所以我们并不知道 他们的 ID 信息，但当他们分开较远的距离后就能够被匿名传感器定 位识别，直到他们到达 ID 传感器区域 3 和 4，两个人的 ID 也被识 别。但是，当轨迹交叉之后，对两个人的定位追踪又出现了混乱。当 人离开浅灰色的区域时，匿名传感器不能确定哪条轨迹跟哪个人联系 在一起。没有 ID 传感器的介入，就没有办法解决这类模糊性问题。 在场景中，只要人到达 ID 传感器覆盖的区域 5 和 6，我们就可以解 决 ID 的模糊性问题。可是为了

34、做到这一点，我们需要保持这两条轨 迹继续延伸下去，A下B上或B下A上，也就是通过灰色区域后， 两条轨迹必须要分开。为了解决身份识别的问题，我们将粒子滤波和卡尔曼滤波技术相 结合。核心思想是：由于激光测距仪能够获得较为精确的定位数据， 所以我们使用卡尔曼滤波技术对目标进行定位估计。同样，粒子滤波 器能够获取被追踪人身份的多重假设，每个粒子都是人身份的一个假 设。换句话说，每个粒子既得到了卡尔曼滤波器的定位估计又获得了 粒子滤波的身份假设。最终形成的方法就能够追踪多个目标，并能够 识别他们的身份。下图是三个人通过测试环境的移动轨迹： lslf rangn lifidtr UiirasGuno re

35、ceiver lnlFated lec&hror图7表示的是使用上述方法得到的部分数据。我们收集了六个人的完整数据集，每个人都随机的移动了 300米左右。在这个布满传感 器的环境中，虽然人们的行走路径频繁交叉，可是我们使用的方法仍 然能够成功地估计出每个人的位置和身份。我们已经成功将传感器融合技术用于普适计算领域的目标定位 中。我们正在把贝叶斯滤波器用于更加复杂的场景，比如从传感器获 取的信息数据中了解一个人的真实活动。我们坚信，概率性滤波器技术在普适计算的推理问题当中拥有巨 大的潜力。定位估计只是贝叶斯推理系统和原始传感器数据结合的开 始。这种技术的优势在于它能够充分的表示不同抽象级别的不确定性 通过这种技术我们能够真正地实现情景感知。(情境感知(ContextAwareness)技术源于所谓普适计算的研究， 简单说就是通过传感器及其相关的技术使设备能够获得关于用户所 处环境的相关信息，从而进一步了解用户的行为动机等。)