基于粒子滤波的RSSI测距优化的牛顿定位算法

针对以基于RSSI测距为基础的无线传感网络定位算法存在定位精度低的问题,提出了基于粒子滤波的RSSI测距优化的牛顿定位算法PF-RSSI-NL。在RSSI测距方面,采用粒子滤波对RSSI值进行预处理,降低测距误差;在定位计算方面,运用牛顿法估计未知节点的位置。先用最小二乘法估计牛顿迭代算法的初始值,再用牛顿法对未知节点估计值进行迭代修正。仿真结果表明,与传统的基于统计均值RSSI测距相比,基于粒子滤波的RSSI优化的测距误差降低0.6 m。与同类的定位算法相比,归一化平均定位误差下降36%。     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。     

基于UPF的车辆紧耦合定位算法

针对城市环境下车辆定位精度低、可靠性差且成本高的问题,通过融合GPS/北斗双模卫星导航定位系统和其他低成本的车载传感器信息设计了一种车辆紧耦合定位算法。首先基于低成本的降维惯性导航定位系统和双模卫星导航定位系统建立了非线性系统状态模型和观测模型;然后使用了一种改进无迹粒子滤波算法来进行多传感器信息的融合,在信息融合过程中,运用了一种模糊算法,根据卫星高度角和载波信噪比特征对伪距的观测噪声协方差值进行了自适应调整,从而提高了定位精度;最后,进行了实验评估。实验结果表明:该定位方法相比基于传统粒子滤波的定位方法能有效提高定位精度,具有可行性。     

基于地磁序列匹配的大型室内动态定位方法

基于地磁信号的定位技术无需架设信号发送设备,成本低且可覆盖室内定位范围广。针对室内地磁定位方法采集工作繁琐复杂需反复测量才能精准映射二维平面坐标点的现状,提出一种基于移动终端图像可视化映射和自动插入采集数据的方法,快速采集室内地磁指纹,动态建立匹配室内二维地图的指纹数据库。在此基础上,定位阶段使用改进的动态时间规整(DTW)算法进行地磁序列匹配,提高大型数据库的动态定位效率。后续采用粒子滤波算法融合地磁序列定位和行人航位推算(PDR)的结果,在智能移动终端载体上实现快速精准定位。实验结果表明该动态定位方法在大型室内区域的动态实时跟踪定位效率为每步65 ms,平均定位精度为1.4 m以内。     

RSSI分区化处理的自适应车间定位算法

为了研究适用于制造车间的基于RSSI(Received Signal Strength Indication)测距的高精度定位算法,考虑到制造车间的复杂环境,本算法引入高斯滤波和均值滤波器减少定位误差,提高定位稳定性;提出了传输模型分区概念,对于处在不同的锚节点和同一锚节点的不同方位区间的节点,采用不同的无线信号传输模型计算盲节点与锚节点之间的距离;在所有的盲节点与锚节点之间的距离中选择最小的三个,采用几何三边测量法求取盲节点的坐标值。实验及数据分析可知,基于RSSI滤波、分区处理和距离优化后的定位算法,其实验样本的平均定位误差为0.8899m,较改进前提高了22%,同时定位精度较高且稳定性很好,经假设检验证明,本算法较原始的RSSI定位算法在定位效果上有了显著的提升。     

基于反馈校正的WLAN与PDR融合定位方法研究*

在智能手机作为终端的室内定位系统中,基于WLAN的指纹定位和行人航位推算定位(PDR)是较为常用的方法。WLAN定位方式能够进行独立定位,但稳定性差;PDR定位短时间内稳定性好,但易产生累积误差且不能进行独立定位。针对上述问题,本文通过分析两种定位方式的误差特点,提出一种基于反馈校正的融合定位方法。该方法主要分为两个过程:基于自适应粒子分布的信息融合过程和基于融合信息的PDR自适应线性反馈校正过程。利用提出的融合方法,可以很好地解决一般融合方法所存在的定位结果稳定性差的问题。实验数据表明,本文提出的融合定位方法对最终的定位结果有较大的改善效果。     

双无人机协同测向时差定位的优化仿真

在双无人机协同对目标进行测向时差定位时,因常用的直接解析算法存在定位模糊,提出了一种基于坐标变换的目标位置求解算法,利用坐标变换对目标位置进行求解,消除了模糊的目标位置。为了减小观测误差的影响,给出了一种利用滤波算法提高定位精度的方法,利用滤波算法对多组测量数据进行融合后,再对目标进行定位估计。仿真结果表明,基于坐标变换的目标位置求解算法可以使目标在观测站的各个方位上都能得到无模糊的目标位置,同时验证了粒子滤波相对扩展卡尔曼滤波对定位精度的改善效果更好。     

新自适应阈值的小波滤波在被动声源定位中应用

在被动声源定位研究领域,广义互相关法是应为最为广泛的一种定位方法。而基于小波滤波的广义互相关法克服了传统广义互相关法需要信号和噪声先验知识的局限性;很好地提高了相关噪声条件下的非平稳信号的定位精度。针对小波阈值滤波提出一种新的自适应阈值以获得更好的去噪效果,提高基于广义互相关法的声源定位精度。最后,仿真比较了几种自适应阈值去噪效果以说明提出的自适应阈值的优越性,并进行定位实验验证基于新自适应阈值小波滤波的被动声源定位精度得到极大改善。     

基于Rao-Blackwellizedli粒子滤波的多特征融合多光谱目标自适应跟踪

针对复杂背景下视频目标跟踪的实时性和可靠性问题,提出了基于Rao-Blackwellized粒子滤波的颜色矩形特征和方向边缘信息融合的自适应跟踪算法。该算法采用Rao-Blackwellized粒子滤波提高滤波算法性能,采用积分图像快速计算颜色特征和方向边缘信息,根据跟踪实际情形,利用模糊逻辑自适应调节各特征权值,提高算法的跟踪速度和精度。视频跟踪仿真试验表明该算法是稳健的,能够在复杂的背景下对可见光及红外等运动目标进行有效、可靠的跟踪。     

基于图论模糊聚类的室内自适应RSSI定位算法

针对现有RSSI定位算法无法满足室内环境下对目标的自适应定位,提出一种基于图论模糊聚类的室内自适应RSSI定位算法IAL-GT-FC。算法根据室内环境下各区域RSSI分布的差异性,建立基于图论和模糊聚类的RSSI模糊聚类模型,并基于该模型将定位区域自适应划分成若干环境差异较小的子区域;通过建立参数自适应规则,自适应调整各子区域内的环境参数,使其满足该区域内RSSI测距的需要;结合该区域内的环境参数,通过建立相邻区域间的RSSI补偿机制对未知节点进行RSSI测距补偿;最后采用权重质心法对未知节点进行位置求解。通过实验,证明该算法具有较高的定位精度和较强的自适应能力,能够满足室内环境下对目标的精确定位。     

基于多基站IMMKF-DOA辅助车辆协同定位算法研究

针对传统卡尔曼滤波算法在进行车辆实时运动过程中难以精准定位问题,提出一种基于运动状态自适应的交互多模型卡尔曼滤波(Interacting multiple model Kalman filter,IMMKF)与多基站到达方向(Direction-of-arrival,DOA)相融合进行车辆位置实时估计算法。基于无偏估计器对测量噪声协方差进行实时更新并将其嵌入标准卡尔曼滤波算法中实现自适应交互多模型卡尔曼滤波。针对车辆不同运动状态及动态行驶环境对车辆定位估计精度的影响,构建自适应交互多模型卡尔曼滤波器与多基站信息融合算法进行车辆位置实时估计,考虑不同车速与不同基站数等行驶工况下车辆定位精度的变化趋势,实现车辆实时位置的准确估计。利用PreScan-Simulink联合仿真平台进行虚拟仿真验证和实车试验验证。结果表明,基于交互多模型卡尔曼滤波与到达方向角的融合算法相对标准的卡尔曼滤波估计精度高,较好地改善了传统单一模型的卡尔曼滤波算法在进行车辆实时运动状态估计过程中精准定位问题,实车试验验证了提出算法对车辆定位精度较传统卡尔曼滤波算法的精度提高了一个数量级,实现了更精确的车辆位置估计。     

INS/SFGPS PPP紧组合系统动态补偿滤波算法

惯性/卫星组合导航系统结合精密单点定位技术可有效提高导航定位精度。但精密单点定位技术一般需采用双频接收机,成本较高;同时该系统中采用载波相位作为部分或全部观测量,极容易受到周跳的影响而导致精度下降和系统不稳定。针对上述问题,设计了一种惯性/卫星精密定位紧组合导航系统以及基于动态周跳补偿的鲁棒滤波算法。该系统采用低成本的单频接收机(SFGPS),以精密单点定位技术(PPP)处理过的伪距和载波相位作为观测信息,与惯性导航系统(INS)等效观测量进行紧组合,建立了相应紧组合观测模型并引入周跳作为信息融合滤波状态模型中的状态量,以滤波器信息构建周跳检测统计量并对周跳幅值进行识别和估计,实时补偿观测量以提高观测信息精度,同时以前述周跳估计的结果对状态模型中周跳状态量部分滤波参数进行实时调节。上述方法通过动态补偿周跳误差提高导航精度,通过滤波器参数自适应调节提高滤波稳定性。仿真结果验证了该系统模型及算法的有效性。     

水下潜航器的惯导/超短基线/多普勒测速信息融合及容错验证

针对水下潜航器惯导系统的定位误差积累和容错性差等问题,分析了水声超短基线的相位差定位方法,推导了基于惯导提供实时位置、姿态误差角信息的惯导/超短基线(INS/USBL)导航解算过程及其坐标转换。结合惯导/多普勒测速(INS/DVL)滤波器,给出INS/USBL/DVL组合导航联邦滤波在3种信息融合算法下的应用。通过MATLAB仿真对导航算法进行了验证,结果表明该导航算法能够抑制惯导系统误差随时间发散的问题,能充分利用了3种导航系统提供的参数信息,且状态维数低,滤波收敛速度快,其中基于精度因子信息分配方法的导航系统误差最小。容错性验证结果显示,当超短基线出现故障时,重构后的组合导航系统在较高航速情况下依旧能提供有效的导航参数。所提出的INS/USBL/DVL组合导航联邦滤波方法能够精确地提供水下潜航器的各位导航参数信息,且具有较高的容错性和稳定性。     

基于多领导粒子策略的DMPSO算法在冷轧液压APC系统中的应用

冷轧液压伺服位置自动控制(APC)系统中,系统参数会随着运行时间发生改变,针对系统这一特性,提出了一种基于改进动态多目标粒子群（DMPSO）算法的PID控制器参数整定策略。当系统发生变化时,该策略利用动态多目标粒子群算法的寻优能力和对环境变化的适应能力重新对PID参数进行整定和寻优。同时,针对算法存在的易于陷入局部最优和收敛速度较慢等缺陷,提出了一种基于多领导粒子策略的动态多目标粒子群算法。仿真结果表明：该控制系统对环境变化跟踪快,超调量小,调整时间短,性能明显优于传统PID控制。     

基于IEKF-APF算法的汽车状态估计

行驶汽车状态变量质心侧偏角和横摆角速度是汽车稳定性控制系统中重要控制变量,准确获取行驶过程中的状态信息是汽车控制系统研究的关键问题。应用估计理论由传感器测出易测变量来估计难以测量的关键状态变量是一种常用的估计方法。提出一种新的粒子滤波算法通过所建立的包含定常平稳随机噪声和非线性轮胎的汽车动力学7自由度整车模型对汽车状态进行估计。针对粒子滤波过程中出现的退化问题,应用迭代扩展卡尔曼滤波融入最新观测信息产生更加接近真实状态的重要性密度函数,辅助粒子滤波算法通过所产生的重要性密度函数结合观测量进行重采样,结合这两种算法提出迭代扩展卡尔曼-辅助粒子滤波算法(Iterative extended Kalman filtering-auxiliary particle filtering algorithm, IEKF-APF)以改善粒子采样和估计精度的提高。为验证所提出的IEKF-APF算法估计性能,将其结果与实车试验结果和无迹卡尔曼滤波算法(Unscented Kalman filtering, UKF)估计结果进行比较,结果表明其估计性能优于UKF,更接近于试验结果。     

双源信号下多元尺度融合室内位置测算方法

针对大型多接入点场景的指纹定位中存在的定位点区域归属误判、离群点干扰的问题,提出一种双源信号下多元尺度 融合室内位置测算方法。 指纹在线定位阶段,利用 PDR 信号的时空信息,将定位点归属分区内的参考点数量进行扩展,缓解邻 界区域误判带来的负效益;此外,利用多元距离与卡方距离代替传统欧氏距离,结合空间域物理距离尺度,实现多元尺度下的近 邻筛选,有效克服离群点干扰;引入 K 值动态适配,并基于此进行 Wi-Fi 与 PDR 预定位的动态链接式融合,进一步提高定位算 法的准确性。 实验结果表明,在引入双源信号的相同条件下,相比其他多元尺度与动态 K 值算法,所提方案综合性能较优,平均 定位精度优于其他算法 6. 6% ~ 23. 1% 。     

多终端仅测速分布式协同实时滤波定轨算法

针对集中式滤波定轨系统中存在信息融合中心导致系统生存能力降低的问题,提出一种基于3阶球面单纯形-径向容积准则(3-SSRCR)的多终端分布式协同定轨算法。首先,使用3-SSRCR计算高斯加权积分,并利用统计线性误差传播的方法将3-SSRCR嵌入EKCF算法的滤波更新方程,将多维非线性系统的分布式滤波精度从1阶提高到3阶,且具有较高的数值计算稳定性。每个终端在EKCF算法框架下仅接收和融合其邻居终端发送的信息,在通信拓扑结构上无需信息融合中心。然后,以带J2项摄动的轨道动力学模型为状态方程,以测速元与轨道状态的非线性关系为量测方程,建立了实时定轨数学模型。仿真结果表明,系统中任何一个终端的失效均不会导致系统崩溃,从而验证了该算法的有效性。     

多目视觉与激光组合导航AGV精确定位技术研究

为进一步提高自动导引车(AGV)的定位精度,提出了一种多目视觉与激光组合导航的精确定位方法。该方法首先提出了一种基于双目视觉实时测量的AGV位姿控制技术,通过多目视觉系统来识别导引线侧的多个圆形标识点完成前瞻预判与精准定姿。采用基于代数距离方差校验的改进型最小二乘拟合椭圆算法来确定各标识中心坐标,结合激光扫描与视觉定位信息,采用无迹卡尔曼滤波算法进行多传感器信息融合,最终实现精确定位。实验结果表明:使用该方法后定位精度明显得到提高,控制曲线更为平滑,定位鲁棒性更好,姿态调整精度可达±0.5°,停车定位精度可达±1 mm。     

DDEUDSC: A Dynamic Distance Estimation using Uncertain Data Stream Clustering in mobile wireless sensor networks

In RSSI (Received Signal Strength Indicator)-based communication distance estimation of mobile wireless sensor network localization, RSSI is assumed to exponential attenuation with increment of communication distance in ideal radio propagation models, which is invalid due to the uncertainty of RSSI data in real communication environment, resulting in considerable error of communication distance estimation. Moreover, dynamic distance estimation demands a high efficiency of computation for the continual generation of RSSI data stream in the mobile node. This paper develops a new dynamic communication distance estimation method using uncertain interval data stream clustering, named as DDEUDSC (Dynamic Distance Estimation method using Uncertain Data Stream Clustering). First, statistical information of RSSI data is used to represent the RSSI-D mapping relationship in terms of interval data. Then we consider the data pattern composed of some consecutive cluster centers, and apply it in our uncertain RSSI data stream clustering algorithm to estimate the dynamic communication distance. Finally, RSSI data streams in three typical communication environments are conducted for experiments. The experimental results show the proposed method is an effective way to improve RSSI-D estimation precision in RSSI data stream with uncertainty and dynamics characteristic.