煤矿井下LANDMARC定位算法改进

针对煤矿井下非视距误差、多径效应和标签碰撞影响LANDMARC定位精度的问题,从接收信号强度值的测量、接收信号的选取和标签防碰撞算法3个方面对LANDMARC定位算法进行了改进:通过直接测量接收信号强度值判断最近参考标签;对接收信号进行高斯滤波舍弃误差信号;根据标签数量设置合理的信号发送时隙,当发生标签碰撞时重新划分信号发送时隙。仿真结果验证了该改进LADMARC定位算法的有效性。     

一种改进的煤矿井下指纹定位匹配算法

煤矿井下环境复杂多变,对人员精确定位技术挑战很大。目前矿井巷道中采用基于接收信号强度指示RSSI(Received Signal Strength Indication)的位置指纹定位算法存在定位目标漂移、抖动和定位精度不高等问题。提出一种改进的指纹定位匹配算法,该算法将K邻近算法和最短历史路径匹配法联合并利用速度限定位置估计补偿算法对定位精度进行修正。利用在煤矿巷道中的实测数据,对改进的匹配算法进行了验证与误差分析。仿真结果表明,改进后的算法能够提高定位精度,满足矿井人员定位、目标跟踪和目标轨迹查询等要求。     

煤矿井下人员融合定位方法

针对飞行时间(TOF)测距定位方法定位盲区多、易受非视距干扰、定位精度有限,捷联惯性导航定位方法长时间累计误差的问题,提出了一种基于TOF测距定位和捷联惯性导航定位的煤矿井下人员融合定位方法。该方法分区域定位:当定位终端位于定位基站近距离无线通信覆盖范围内时,采用TOF测距定位方式,通过近距离无线通信方式将定位数据发送至附近的定位基站;当定位终端位于定位基站近距离无线通信覆盖范围之外时,采用捷联惯性导航定位方式,并利用卡尔曼滤波算法对定位数据进行修正,通过远距离无线通信方式将定位数据发送至附近的定位基站;当定位终端位于定位基站远距离无线通信覆盖范围之外时,定位终端对定位数据进行本地存储,当定位终端移动到定位基站无线通信覆盖范围内时,将存储的定位数据发送给定位基站。定位基站将定位数据传输至地面监控中心,获得人员轨迹和位置坐标。实验结果验证了该方法的有效性。     

基于阈值筛选的室内定位优化算法

针对室内超宽带（Ultra-Wide Band, UWB）的定位技术在复杂遮挡的环境下定位效果不好、定位不精确的缺陷,本文提出一种在Chan算法的基础上对粒子群算法进行优化的混合算法定位方法。首先利用Chan算法求出定位标签初始估计位置坐标,并在非视距（NLOS）环境下通过设置阈值θ以对Chan算法计算出的位置坐标进行筛选;将已知的基站接收到的距离差与用Chan算法求出的标签位置信息求出的不同基站间的距离差做差值和,若差值和小于该阈值则直接输出位置坐标,反之则将位置坐标作为粒子群算法的初始值,通过迭代优化不断追踪个体极值和局部极值,更新个体的位置和速度,寻找到全局最优解再进行输出。仿真结果与实际场地实验结果表明,与单一算法相比,本文提出的混合定位算法在非视距环境下的定位精度可提高27%~31%;收敛速度快,算法复杂度低,满足室内定位的要求。     

基于WI-FI的井下定位算法研究

基于射频指纹的室内定位算法有很多,现提出基于射频指纹的应用在煤矿巷道这种特有的环境特征的一种新的定位算法。根据无线信号的衰减特性,将距离接入点3m处的接收信号强度值设为阈值,若设备接收的信号强度值大于阈值则直接定位到此接入点处。若信号强度低于阈值,则根据射频指纹数据库数据得到估计位置。在煤矿中移动目标的速度一般小于10m/s,根据这一特征,算法中设定前后两次的定位位置不能超过10 m;若超过10 m,则取前一秒的定位位置与该秒采用数据库匹配得出的位置的中点。将这些特征应用到射频指纹定位算法中可以非常有效的减少环境对信号强度的影响。通过实验表明,该定位算法具有较高的定位精度。     

复杂环境下的井下人员定位算法及仿真研究

研究井下人员准确定位问题,矿井环境十分复杂,受到大量噪声干扰,传统方法难以实现精确定位.为提高煤矿并下人员定位精度,将接收信号强度(RSSI)和混沌粒子群相算法结合,提出了一种改进RSSI的井下人员定位方法.算法首先根据接收信号强度初步确定井下人员与锚节点距离,然后采用最小二乘法对井下人员位置进行估计,并利用混沌粒子群对位置进行优化,进一步提高了定位精确度.结果表明,相对其它定位算法,改进RSSI算法提高了井下人员定位精度,非常适用于复杂环境下的井下人员定位.     

基于MIMO的单基站混合定位算法研究

传统定位算法实现时往往需要3个以上的基站,且定位精度易受非视距信号的影响。针对上述问题,提出一种基于MIMO的单基站混合定位算法,利用信号路径参数以及基站、移动台、散射体之间的位置几何关系将定位问题转化成非线性约束优化问题,并使用改进的粒子群算法对其求解得到目标估计位置。计算机仿真表明,该算法在非视距环境下具有良好的定位精度和定位稳定性。     

基于LoRa技术融合RSSI和TOA的户外定位方法

LoRa（Long Range）定位为当今户外定位提供了一种低成本、低功耗的解决方案。为了提高定位的准确性,提出一种基于LoRa技术融合接收信号强度指示 (RSSI) 和信号到达时间 (TOA)的户外定位方法。通过TOA筛选有效的RSSI信息和计算RSSI的统计平均值,基于预先测量样本的方式,构建了一种类高斯分布的每个定位基站对应测距模型,获取待定位设备距离基站的距离和定位基站的位置坐标映射后,通过加权质心定位算法,得到待定位设备的位置坐标。搭建基于SX1280的验证平台,对该方法进行验证。理论分析和实验结果表明,融合RSSI和TOA的定位方法能够有效筛选数据,对比改进前的定位方法定位误差减小了20%,稳定性较高。所提出的LoRa定位算法计算覆盖范围较广,理论上可以覆盖到超过1 km的范围,实验场地最长半径达到了500 m,算法复杂度较小,实时性较好,易于实现,可用于室外定位。     

基于众包的多楼层定位方法

无线基础设施的广泛部署使得基于WiFi的指纹定位方法成为了最具普适性的定位方法之一.然而,指纹库构建过程的耗时费力阻碍了基于接收信号强度(received signal strength indication,RSSI)指纹定位的发展.针对指纹库构建难问题,提出了一种基于众包的低成本、高效率的多楼层指纹库构建方法-MCSLoc.首先将室内平面地图转换为室内语义地图;然后采集众包用户智能手机内置惯性传感单元(inertial measurement unit,IMU)数据,采用卡尔曼滤波(Kalman filter,KF)融合算法划分传感数据到所属楼层.提出分段式轨迹获取方法,根据传感数据获取用户相对轨迹和RSSI值序列;最后利用隐马尔可夫模型(hidden Markov model,HMM)和轨迹匹配维特比(track matching Viterbi,TM-Viterbi)算法将相对轨迹与室内语义地图主路径相匹配,为RSSI值序列标注楼层标签和物理位置标签.MCSLoc方法的HMM地图匹配算法无需用户初始位置,实现众包用户弱意识参与.实验结果表明MCSLoc可以快速获取轨迹绝对初始位置,有效构建多楼层指纹库,提高多楼层定位效率.     

NLOS环境下基于EKF的移动机器人定位研究

针对室内移动机器人基于接收信号强度(RSSI,Received Signal Strength Indication)测距定位存在非视距(NLOS,Not-line-of-sight)传播问题,提出一种利用运动模型预测RSSI并修正NLOS测量的定位算法。首先结合移动机器人运动模型预测位置和信号强度RSSI,进而实现NLOS误差判定和测量修正;然后结合步长将移动机器人限制到圆域内,采用改进三边定位算法定位;最后使用扩展卡尔曼滤波(EKF,extended Kalman Filter)进行定位结果优化,得到位置的优化估计。仿真实验表明,该方法能有效地提高定位精度,能有效抑制具有较大量值的NLOS误差,是NLOS环境下一种有效的定位方法。