1.一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法，其特征在于，包括以下步骤：S1：构建基于卡尔曼滤波的LOS模型和NLOS模型；

S2：在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型，利用自适应IMM算法的融合处理得到状态估计，所述并行的两个IMM算法包括：通用IMM算法和自适应IMM算法；

S3：利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿；

S4：利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率；

S5：将得到的转移概率和更新模型概率用于(k‑1)时间戳的自适应IMM过程，得到滤波后的观测数据，将观测数据用来校正扩展卡尔曼滤波算法的预测值，得到最终的行人位置坐标。

2.根据权利要求1所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法，其特征在于，构建基于卡尔曼滤波的LOS模型和NLOS模型具体过程为：构建移动标签与第i个基站的状态空间向量模型，首先，移动标签和第i个基站在第k时间戳测距可以表示为：其中， 和 是第k时间戳移动标签和第i个基站的测距真实值和环境造成的误差值；

将 作为独立同分布的高斯白噪声 根据LOS和NLOS环境，mε和 分别为：利用第k时间戳的测距 作为观测值修正两个并行IMM算法的预测值，i＝1,...,N；

移动标签和和第i个基站(i＝1,...,N)的状态向量定义为：其中 表示移动标签相对于第i个基站的速度；状态方程的动力学公式可写为其中， 是过程驱动噪声， 为一个均值为0，方差为 的高斯白噪声，i＝1,...,N；根据LOS和NLOS条件，等式(5)和等式(6)的状态方程的动力学公式修改为：其中， m∈从等式(2)得到。

3.根据权利要求1所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法，其特征在于，所述在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型包括三个阶段：模型交互、并行滤波、模型概率更新、自适应IMM中的融合，具体为：qh

在模型交互阶段，混合概率 使用模型概率 和马尔科夫转移概率w 计算得到，马qh qh尔科夫转移概率w 来自于马尔科夫转移概率矩阵Π＝[w ]2×2， 卡尔曼滤波器的混合初始条件 和 使用混合概率 和(k‑1)时间戳的不同模型的状态估计计算得到，状态估计的特征是状态向量 和协方差矩阵并行滤波阶段，两个卡尔曼滤波器并行运行，并且原始的测量值 被用于LOS模型滤波器的观测值，经过菲涅耳区自适应补偿后的测量值被用于NLOS模型滤波器的观测值；在并行滤波阶段，获得更新的第k时间戳的状态估计，同时每一个模型滤波器的似然函数被计算得到；

qh

模型概率更新阶段，使用似然函数、预测的模型概率和转移概率w 来更新模型概率；

自适应IMM中的融合阶段，所有自适应IMM的模型滤波器的更新后的状态估计加权和，得到最终的状态估计 和

4.根据权利要求1所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法，其特征在于，利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿具体过程为：设定两个基站分别记为BS1、BS2，则该两个基站作为无线电波长λ下工作的两个收发器，则包含k个椭圆的菲涅尔区表示为：其中，l1和l2是每一个基站到沿着两个收发器连线上的任意点P的距离，k表示菲涅尔区数，R表示第k个菲涅尔区边缘与点P之间的距离；

1,2

设 表示第k时间戳的移动标签MT与基站BS1的真实距离，d 表示基站BS2和基站BS1之

1,2

间的真实距离， 可以用双向飞行时间的方法测量，其测量值表示为 d 的测量值表示为BS1和BS2之间的阻碍物会阻碍菲涅耳区并引起测量误差，BS1和BS2之间的测量误差可被计算为：可用于补偿移动标签与BS1之间的测距误差，表示为：

根据IMM算法在(k‑1)时间戳的估计值 则预测第k时间戳MT与BS1之间的测量值，表示为：

其中Tk是采样时间，改进的补偿值表达式为

其中 是MT与BS1之间在第k时间戳的原始测量值， 可从等式(10)得到，a表示补偿系数，表达式为：

5.根据权利要求1所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法，其特征在于，利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率，具体过程为：计算移动标签和和第i个BS信道的总接收功率kr和第一径接收功率kFPC的差值k，k的计算公式如下：其中，c,F1,F2,F3，分别表示信道脉冲响应功率值、第一径振幅点1、第一径振幅点2、第一径振幅点3；

基于功率的NLOS信道识别是概率性质的，并且第k时间戳MT与第i个基站之间的NLOS概率表示为：第k时间戳MT与第i个基站之间的LOS概率表示为：

根据第k时间戳MT与第i个基站之间的NLOS概率和第k时间戳MT与第i个基站之间的LOS概率确定信道的类型；

当 时，信道可认为是LOS信道；当 时，信道可被

视为NLOS信道；此外，当 或者 时，信道可认为是混合LOS/NLOS信道；如果信道是LOS信道并且 该信道可视为增强的LOS信道；另外，如果信道是NLOS信道并且 该信道可视为增强的NLOS信道；

设置环境参数 表示第k时间戳MT与第i个基站之间的信道环境，表达式如下：定义基于功率的自适应转移概率修正函数，表达式为：

其中 h＝1代表LOS，h＝2代表NLOS；

根据环境参数 第k时间戳的自适应IMM的从其他模型到模型h的转移概率可被以下函数更新：其中 q＝1代表LOS，q＝2代表NLOS， 代表(k‑1)时间戳自适应IMM的从模型q到模型h的转移概率， 代表(k‑1)时间戳CIMM的从模型q到模型h的转移概率；

对更新后的转移概率进行标准化，如下所示：

标准化后，修正后的转移概率依然符合马尔科夫链的要求，如下所示

6.根据权利要求5所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法，其特征在于，根据环境参数 有选择性地更新(k‑1)时间戳的自适应IMM的模型概率，表达式如下：其中 表示(k‑1)时间戳的CIMM的模型h的概率。

7.根据权利要求5所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法，其特征在于，根据第k时间戳MT与第i个基站之间的NLOS概率和第k时间戳MT与第i个基站之间的LOS概率确定信道的类型具体为当 时，信道可认为是LOS信道；当 时，信道可被

视为NLOS信道；此外，当 或者 时，信道可认为是混合LOS/NLOS信道；如果信道是LOS信道并且 该信道可视为增强的LOS信道；另外，如果信道是NLOS信道并且 该信道可视为增强的NLOS信道。

8.一种基于自适应IMM的鲁棒室内行人跟踪UWB定位系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序，所述一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序被所述处理器执行时实现如下步骤：S1：构建基于卡尔曼滤波的LOS模型和NLOS模型；

S2：在并行的两个IMM算法中融合已构建的LOS模型和NLOS模型，利用自适应IMM算法的融合处理得到状态估计，所述并行的两个IMM算法包括：通用IMM算法和自适应IMM算法；

S3：利用基于菲涅尔区域的自适应补偿算法对NLOS模型进行补偿；

S4：利用功率驱动并行的两个IMM算法分别得到自适应IMM的转移概率和更新模型概率；

S5：将得到的转移概率和更新后的模型概率用于(k‑1)时间戳的自适应IMM过程，得到滤波后的观测数据，将观测数据用来校正扩展卡尔曼滤波算法的预测值，得到最终的行人位置坐标。

9.根据权利要求8所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位系统，其特征在于，构建基于卡尔曼滤波的LOS模型和NLOS模型具体过程为：构建移动标签与第i个基站的状态空间向量模型，首先，移动标签和第i个基站在第k时间戳测距可以表示为：其中， 和 是第k时间戳移动标签和第i个基站的测距真实值和环境造成的误差值；

将 作为独立同分布的高斯白噪声 根据LOS和NLOS环境，mε和 分别为：利用第k时间戳的测距 作为观测值修正两个并行IMM算法的预测值，i＝1,...,N；移动标签和和第i个基站(i＝1,...,N)的状态向量定义为：其中 表示移动标签相对于第i个基站的速度；状态方程的动力学公式可写为其中， 是过程驱动噪声， 为一个均值为0，方差为 的高斯白噪声，i＝1,...,N；根据LOS和NLOS条件，等式(5)和等式(6)的状态方程的动力学公式修改为：其中， mε从等式(2)得到。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序，所述一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种基于自适应IMM的鲁棒室内行人跟踪UWB定位方法的步骤。