基于CNN和在线学习的UWB室内定位算法

为了减小非视距(NLOS) 误差对超宽带(UWB) 室内定位系统定位精度的影响,提出了一种基于卷积神经网络 (CNN)的超宽带室内定位算法。利用超宽带系统采集非视距环境下的室内定位数据,根据信号在非视距环境下传播时的误差特性建立CNN模型,将定位数据输入网络进行训练,以减小NLOS误差对定位精度的影响。然后用扩展卡尔曼滤波(EKF) 进行位置估计,当系统处于不同室内环境时,使用在线学习算法调整 CNN参数,提高系统的兼容性。实验结果表明,该算法可以在不同室内环境下有效减小NLOS误差的影响,保持厘米级的定位精度,具有一定的实用价值。     

一种室内定位中NLOS误差抑制算法

在无线定位系统中,尤其是在室内定位中,非视距(NLOS)误差的存在使定位性能急剧下降。为克服非视距传播带来的定位误差,提出了一种针对NLOS环境下的基于卡尔曼滤波器(KF)的动态跟踪定位算法,将广泛应用于雷达系统和飞机导航系统的成熟的卡尔曼滤波器应用于室内定位中。实验结果表明,该方法可以满足室内环境下无线定位的需求,即使在恶劣的NLOS环境下也能够获得很高的定位精度,是一种可行的无线局域网定位技术。     

基于UWB/PDR的组合室内定位算法

为了提升室内定位系统在复杂环境中的实用性,提出了带非视距检测的超宽带(UWB)/行人航迹推算(PDR)组合定位方法。该方法过滤了UWB测量由于非视距(NLOS)带来的有害数据,采用残差状态量的卡尔曼滤波将UWB和PDR的有效数据进行融合,避免了由于系统非线性带来的近似误差,提升了组合系统的定位精度和鲁棒性。仿真和实验结果表明,组合定位系统能够消除非视距的影响,始终比单个系统定位精度高,其定位误差90%在1 m以内,为基于室内定位的应用提供了可靠的基础数据。     

基于UWB与IMU的多传感器融合室内定位技术研究

随着室内定位需求的不断提高,室内定位精度的提高成为目前研究的热点,单一传感器定位技术在复杂的室内环境中定位误差较大、精度较低。针对上述问题提出了一种基于UWB和IMU融合的室内定位方法。该方法首先利用卡尔曼滤波算法对UWB定位技术的伪距信息进行非视距误差的处理,利用最小二乘法解算出位置信息,进而与IMU定位系统解算出来的位置进行松耦合,将UWB定位信息作为量测方程,IMU定位信息作为系统方程最终得到松耦合之后的定位结果。通过仿真实验表明,上述方法可以有效地抑制UWB非视距误差和IMU累积误差对定位精度的影响,提高室内定位的精度。     

目标定位中的非视距传播研究综述

由于障碍物的存在,矿井等定位场景中普遍存在非视距传播现象,引起定位信号的折射、反射、衍射和散射,导致测距误差增大,进而影响目标定位精度。分析了非视距传播对TOA(Time of Arrival,到达时间)、TDOA(Time Difference of Arrival,到达时间差)、AOA(Angle of Arrival,到达角度)、RSSI(Received Signal Strength Indication,接收强度指示)等定位方法的影响,并从非视距传播的识别、非视距传播误差的抑制、非视距传播的利用及非视距场景下的定位方法设计4个方面对现有文献进行综述。对于非视距传播的识别,重点探讨了残差检验法、误差统计法、能量检测法、神经网络算法和几何关系法;对于非视距传播误差的抑制,主要分析了基于滤波的方法、基于半参数的方法、基于能量检测的方法及基于数据库的方法;对于非视距传播的利用,重点综述了提高定位系统鲁棒性及基于误差学习和匹配的方法;对于非视距场景下的目标定位方法设计,分为视距与非视距混合场景及纯非视距场景2种情况进行综述。探讨了目标定位中非视距传播研究的新方向:通过多种定位技术的融合提高目标定位精度;借助新兴技术提高非视距场景下的目标定位精度;通过与其他信息系统的交互引入额外信息,实现跨系统协同定位。     

新的室内移动机器人自定位方法

针对现有室内移动机器人自定位方法中存在的定位精度不高,随时间积累定位误差增大,复杂室内环境下信号存在多径效应和非视距效应等问题,提出了一种基于蒙特卡罗定位(MCL)的新的移动机器人自定位方法。首先,通过分析基于无线射频识别(RFID)技术的移动机器人自定位系统,建立机器人运动模型;然后,通过分析基于接收信号强度指示(RSSI)的移动机器人自定位系统,提出机器人移动过程的观测模型;最后,针对粒子滤波定位执行效率不高的问题,提出粒子剔除策略和依据粒子方位赋予粒子权值策略,提高系统的定位精度和执行效率。仿真实验表明,机器人在移动过程中的自定位误差在X轴和Y轴方向上为3 cm,传统定位算法误差为6cm,新算法定位精度提高近1倍,且算法具有很好的鲁棒性。     

基于RBF神经网络的泰勒级数展开定位算法

泰勒序列展开定位算法在视距（LOS）环境下有着较好的定位精度,但是在非视距（NLOS）环境下,泰勒序列展开定位算法的定位精度大大下降。为了减小NLOS传播的影响,提出了基于RBF神经网络的泰勒序列展开定位算法。利用神经网络较快的学习特性和逼近任意非线性映射的能力,对NLOS传播的误差进行修正,再利用泰勒序列展开定位算法进行定位。仿真结果表明,该算法减小了NLOS传播的影响,在NLOS环境下有较高的定位精度,性能优于泰勒序列展开定位算法、Chan算法和LS算法。     

非视距环境下改进的到达时间差定位算法

经典的定位算法都是基于无线环境为视距环境（LOS）,但在实际信道环境中,由于存在反射、折射等从而导致传播环境为非视距的情况,因此经典定位算法应用于实际信道环境中必然会导致较大的定位误差。提出一种消除非视距影响的TDOA算法,本算法采用校正因子的方法,通过逐步的迭代,从而消除非视距的影响,仿真表明,在非视距环境下,该算法的确比常规算法能够提高定位精度,且运算量较小。     

一种抑制NLOS误差的UWB定位方法

针对超宽带设备在室内环境下受各种因素的干扰存在标准偏差的问题,对测距数据进行拟合,求解标准偏差,对设备进行标定;针对室内场景存在的非视距误差会降低定位精度的问题,提出了一种改进的扩展卡尔曼滤波算法,设定阈值判别视距数据与非视距数据,剔除非视距误差。实验结果表明:该方法可以有效抑制标准偏差和非视距误差对定位精度的不良影响:视距环境下,静态定位和动态定位精度均可达到厘米级;非视距环境下,静态定位精度达到厘米级,动态定位精度达到亚分米级。     

基于BP神经网络的蜂窝无线定位算法

为了解决最小二乘法需要测量数据的先验信息来构造协方差矩阵的问题,提出了基于BP神经网络的蜂窝无线定位算法。该算法融合了移动基站提供的AOA、TOA和TDOA测量值来实现移动台的定位,利用神经网络较快的学习特性和逼近任意非线性映射的能力,使其适用于复杂的多径环境。同时充分利用了定位的冗余和互补信息有效地减小了非视距传播的影响。对基于BP神经网络的定位系统性能进行了仿真,结果表明,基于BP网络的蜂窝无线定位算法消除了定位模糊和基站非理想分布对定位精度的影响,在复杂的多径环境下能够有效地提高定位精度。     

基于UWB的LSM-Taylor级联车辆定位算法

为了满足智能车在室内的高精度定位要求,针对室内的伪三维定位场景,提出了一种基于超宽带(Ultra Wideband,UWB)的LSM-Taylor级联车辆定位算法.该算法以到达时间差(Time Difference of Ar-rival,TDOA)为定位方式,以多基站最小二乘法(Least Square Method,LSM)定位算法的计算结果为初始值,通过Taylor级数迭代估计车辆的精确位置.该算法主要解决多径效应和非视距产生的测量误差对定位精度的影响,从而提高定位精度.在仿真结果中,相比LSM定位算法,LSM-Taylor级联定位算法的定位结果分布更加紧密,定位精度更高.实际测试结果表明,该定位算法的均方根误差(Root Mean Squared Error,RMSE)在10 cm以下,能满足智能驾驶中的室内定位要求,验证了该方法的有效性.     

非视距环境下的超宽带室内定位算法

为了进一步提高超宽带技术在非视距室内环境中的定位精度,研究了抑制非视距误差的定位算法。首先,对非视距环境下的TDOA定位模型进行重构;其次,推导出非视距情况下均方根时延拓展的统计模型,获得附加时延参数的估计值,对TDOA测量误差参数校正;最后,通过最小二乘法初步估计出目标节点位置,将其作为粒子群算法的初始值进行智能粒子群算法求最优解,惯性权重在迭代中按照高斯函数的策略变化。仿真结果表明本文提出的优化算法可有效减弱非视距误差在复杂室内环境中定位的影响,进一步提高定位精度和算法的收敛速度。     

基于UWB的密集行人三维协同定位算法

针对复杂室内环境中密集行人定位精度低、超宽带(UWB)基站密度要求高的问题,提出一种基于UWB的密集行人三维协同定位算法。首先使用聚类算法抑制测距数据中较大非视距(NLOS)误差,并使用高斯均值混合滤波抑制标准测量误差;然后提出双层协同定位算法,建立协同定位数学模型,并结合迭代初始值获取策略进行初步定位,降低了基站数量要求,在筛选出NLOS误差较小的测距数据并修正后,进行二次定位;最后考虑行人高机动性,设计一种交互多模型卡尔曼滤波算法,缓解了定位结果跳变问题。实验结果表明,所提算法在弱NLOS环境和强NLOS环境下定位精度分别达到0.11 m、0.17 m,相比其他算法,具有较高定位精度,进一步降低了对UWB基站密度要求。     

基于改进双向测距到达时间差定位算法的超宽带定位系统

针对传统无线定位技术在室内定位精度不高的问题,设计实现了一种基于超宽带（UWB）技术的室内定位系统。首先,提出了定位服务器与移动端APP实时交互的系统结构,解决室内移动人员自主定位与导航的问题。其次,在双向测距（TWR）算法中增加一条无线电信息以减小时钟偏移引起的测距误差,从而提高算法性能。最后,将通过到达时间差（TDOA）定位算法得到的双曲面方程组进行线性化处理后结合Jacobi迭代法完成求解,避免了使用标准TDOA定位算法难以直接解算的情况。经测试,该系统在楼道房间等场景中能稳定工作且定位误差控制在30 cm以内,相比基于WiFi、蓝牙等技术的定位系统在定位精度上提高了10倍左右,能够满足在复杂室内环境中的精确移动定位需求。     

基于UWB的消防员室内协同定位算法

为了在复杂火场环境下获取消防员的精确位置,提出基于超宽带（ultra-wideband,UWB）的消防员室内协同定位算法,充分利用目标到UWB基站以及到其他目标的测距信息进行定位。采用线性拟合方式对测量距离中存在的标准偏差进行预处理;针对目标位置解算及非视距（non-line-of-sight,NLOS）误差缓解问题,提出基于偏移扩展卡尔曼滤波的协同定位算法,根据待定位目标之间的内在联系,建立新的状态方程和量测方程,并通过构造的系数矩阵调整卡尔曼增益,修正偏离的位置估计值;针对定位坐标跳变问题,提出基于阈值筛选的均值滤波算法对定位结果进行二次优化。实验结果表明,所提算法的定位精度在弱NLOS环境下高达0.17?m,在强NLOS环境下高达0.28?m,与文中其他算法相比具有更好的定位性能,降低了定位对UWB基站分布密度高的要求,最大程度地使用了整个协同网络的资源,为深入火场内部的消防员群体因障碍物遮挡导致的定位困难或定位不准问题提供了一种解决方案。     

基于改进禁忌搜索的基站布局优化算法

由于室内定位场景的非视距特点,基站布局对于蜂窝网的定位精度具有重要影响,而目前基站布局仅关注容量、覆盖、信号质量,尚未考虑对室内定位精度的影响。提出了一种改进禁忌搜索的基站布局优化算法ITSA,改进了代价函数、邻域产生规则和解禁规则。对所提出的算法在相同的室内场景中仿真实验,结果说明,相比RFID读写器部署优化算法,该算法能够更好地降低定位区域的整体误差。     

基于超宽带技术的TDOA室内三维定位算法研究

在室内环境下对目标进行无线定位时,由于障碍物的遮挡而造成的非视距（NLOS）误差对定位精度产生了很大的影响。针对此问题,对利用超宽带（UWB）技术测量得到的到达时间差（TDOA）数据进行残差分析,首先鉴别测得的数据中是否存在NLOS误差,然后针对存在NLOS误差的情况,提出将Fang算法得到的定位结果作为泰勒级数展开法的初始定位值,组成Fang-Taylor级数联合算法来计算NLOS情况下的定位结果。而对于视距（LOS）情况下测得的数据,仍采用单一的Fang算法进行计算。仿真对比实验表明,Fang-Taylor级数联合算法有效地提高了室内NLOS环境下目标的定位精度。     

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。     

非视距环境下基于粒子群的超宽带定位算法

将智能算法应用到无线传感器网络定位技术中是一种全新的尝试,粒子群算法是其中的一种典型算法.根据超宽带(UWB)定位原理,建立基于粒子群算法的定位模型,在非视距(NLOS)环境下,利用NLOS误差导致的附加时延和由信道决定的均方根时延扩展的联合统计特性,进行NLOS误差补偿,在迭代过程中采用线性递减的惯性权重,粒了群通过不断追踪个体极值和局部极值,更新自身的位置与速度,从而找到全局最优解,仿真结果表明正确率达90％以上.