基于扩展Kalman滤波的室内WiFi-PDR融合定位算法

为解决室内WiFi定位精度较低及行人航位推算(PDR)定位存在累积误差的问题,提出一种基于扩展Kalman滤波(EKF)的WiFi-PDR融合定位算法。WiFi通过改进的WKNN算法实现匹配定位,根据定位点与K近邻点的接收信号强度指示相对偏差进行权值修正,PDR定位采用多重约束条件的步态检测和在线步长估计方法。在此基础上,将EKF作为WiFi和PDR定位的融合滤波器,以降低WiFi定位回跳和PDR累计误差,从而提高定位精度。实验结果表明,在多次行迹转弯条件下,该融合定位算法的定位精度可达1.8 m。     

矿井人员融合定位系统

针对基于传统接收信号强度指示(RSSI)指纹定位算法的井下人员定位系统在离线采样阶段指纹数据库采集工作量大、易受井下环境影响,基于行人航迹推算(PDR)算法的定位系统存在误差累计的问题,设计了一种基于改进RSSI指纹定位算法和PDR算法的矿井人员融合定位系统。该系统采用GS1011控制器和MPU9150惯性传感器构成智能终端,将采集的惯性传感器、RSSI和时间戳数据通过井下WiFi网络上传至地面监控中心定位服务器;定位服务器采用扩展卡尔曼滤波对RSSI指纹定位算法和PDR算法的定位信息进行融合,实现井下人员定位。试验结果表明,该系统平均定位误差为1.79m,小于单独采用RSSI指纹定位算法或PDR算法的系统定位误差,定位精度满足井下人员定位要求。     

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。     

融合RSSI测距定位的室内PDR算法

在室内定位系统中,针对RSSI测距定位系统接收到的信号会因环境的不确定性出现不可预测的随机变化和行人航迹推算(PDR)定位系统漂移误差长时间的累积效果,提出融合RSSI测距定位的室内行人航迹推算算法,以扩展卡尔曼滤波器实现两者定位信息的融合,获得系统的最优定位结果。仿真结果表明,该融合定位算法的平均定位误差约为0.83205 m,范围维持在0.51948 m～1.13529 m内,并在定位稳定性方面表现出良好的性能,验证了该方法的合理性和有效性。     

改进的井下人员定位PDR算法研究

传统的行人航位推算(PDR)算法用于井下人员定位时,因步频检测、步长估计和航向估计阶段的姿态累计误差导致定位误差逐渐增大,而常用的零速校正、航向漂移消除、步态信号优化等误差修正方法无法改变PDR算法的固有缺陷,定位精度有待提高。提出采用改进的峰值检测法实现PDR算法中步频检测,基于深度循环神经网络(RNN)实现步长估计。将改进的PDR算法用于井下人员定位:首先采用手机加速度传感器、陀螺仪、磁力计获取行人运动数据;然后采用改进的峰值检测法获取固定时间间隔内的平均步频,与时间间隔、加速度及加速度方差作为特征输入训练后的深度RNN模型进行步长估计;最后结合估计的航向角预测人员当前位置。试验结果表明,改进的井下人员定位PDR算法对测试集数据的预测相对误差为5.9%,对实际测试路线的定位相对误差为1.6%~3.9%,小于传统PDR算法定位误差,有效提高了井下人员定位精度。     

基于行人航迹推算的室内定位算法研究

针对室内定位的实际应用需求,提出了基于行人航迹推算算法(PDR)的适用于手机采集数据的室内定位方法。不同于传统的数据采集方法,该种定位方法利用手机得到加速度、陀螺仪以及地磁原始数据,通过分析加速度信号实现步频探测和步长估计。利用扩展卡尔曼滤波器(EKF)融合各惯性传感器数据以提高方向角的解算精度。最后设计了基于Android平台的数据采集软件,可利用手机内置的传感器设备实现数据采集。经实验数据分析,该算法的定位精度优于2m,在实用的基础上具有较高的定位精度和较低的实现复杂度。     

基于接收功率电平的三角质心近距离定位算法

针对无线传感器网络中近距离定位精度较低的问题,提出了一种基于接收功率电平(RPL)的免标定三角质心定位算法.该算法使用无线信号参数RPL代替传统接收信号强度指示(RSSI),应用于测距模型中,与传统三角质心定位模型相结合,从而达到降低测距误差、提高定位精度的目的.通过仿真实验,将基于RPL的三角质心定位算法与基于RSSI的三角质心定位算法进行对比,结果表明:在实验环境下,基于RPL的三角质心定位算法比基于RSSI的三角质心定位算法精度提高了59.02％,定位精度有明显提升.     

基于智能手机的地磁/WiFi/PDR的室内定位算法

针对地磁指纹在室内定位中存在重复性,以及行人航迹推算（PDR）累积误差明显的问题,提出了一种基于智能手机的多传感器融合定位方法。该方法首先通过WiFi和随机采样一致性（RANSAC）算法拟合路径,确定初始位置;然后利用手机中的加速度计进行步长估计,利用陀螺仪进行转向检测;最后通过地图约束的自适应粒子滤波（PF）算法以地磁场修正PDR的定位结果。仿真结果表明,该方法能够有效克服PDR的累积误差以及地磁值不唯一的缺陷,提高室内定位精度、减少能耗。     

DGPS与UWB混合精确无缝定位技术研究

差分全球定位系统(DGPS)是一种精确的定位系统,但在室内或有障碍物的情况下,其定位精度很低甚至不能进行定位。超宽带(UWB)定位系统在室内有很高的定位精度,但受其测量范围的影响,不适合室外定位。将DGPS和UWB结合定位,利用Kalman滤波器对UWB非视距误差(NLOS)进行消除,采用粒子滤波器对不同传感器进行数据融合,并使用GPRS通信模块进行无线数据传输。实验表明:该方法能够使系统整体定位精度提高19%,既能满足室内外无缝定位,又具有很高的定位精度。     

基于GPS/WiFi/MARGE组合定位算法

为了解决传感器MEMS进行姿态估计易受外界干扰的问题,首先设计了基于四元数的扩展卡尔曼滤波器,通过自适应地建立协方差矩阵和引入传感器偏差补偿的方法实现三自由度的姿态测量;其次,提出了基于粒子滤波和卡尔曼滤波的数据融合算法,实现了能有效解决接收信号强度时域浮动的WiFi/MARG 组合定位系统;最后设计了自适应加权算法,对WiFi/MARG和GPS/MARG两子系统进行融合,构建了能实现室内外的无缝定位的GPS/WiFi/MARGE定位系统,结果表明,该算法比WiFi/MARG和GPS/MARG系统的最大误差分别减少了51%和82%,平均定位误差减少53%和62%,有效地提高了定位精度。     

基于PDR/UWB紧耦合的足绑式行人导航技术

为了解决低成本微机电惯性导航系统存在的累积误差问题,提出一种基于融合行人航迹推算(PDR)和超宽带(UWB)无线定位的实时室内行人导航系统.利用加速度计和磁强计进行初始姿态对准;考虑滤波误差估计,推导了惯性导航算法;依靠加速度计和陀螺仪的"与"逻辑进行行人步态检测;实施零速更新(ZUPT)提供速度误差观测量,利用UWB系统提供位置误差观测量;设计具有野值辨识机制的扩展卡尔曼滤波器进行数据融合.对提出的行人导航算法进行实验验证,结果表明该行人导航算法与传统定位方法相比能够有效提高行人定位精度.实验中,该行人导航算法能够获取低于0.2 m的定位误差,且稳定、不发散.     

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。     

基于粒子滤波的PDR定位算法

针对目前行人航迹推算(PDR)定位精度不高的缺点,提出了一种基于粒子滤波(PF)的PDR定位算法.使用手机内置的加速度计进行步伐检测和计步,陀螺仪和磁力计进行方向估计,结合地图匹配信息,使用粒子滤波算法对定位数据进行滤波融合.实验结果表明:提出的算法提高了定位精度.     

基于改进的RSSI无线传感器网络节点定位算法研究

研究无线传感器网络节点定位问题。接收信号强度值(RSSI)直接影响无线传感器网络节点定位准确度,而现有定位算法没有考虑锚节点的RSSI消息,造成节点定位精度低。为了提高无线传感器网络节点的定位精度,提出了一种基于RSSI的质心定位算法。首先通过无线信号强度计算出节点间RSSI值,然后把RSSI值转换成质心算法权值,最后采用质心定位算法对待测节点位置进行估计,获得节点的准确位置。仿真实验结果表明,与现有质心定位算法相比,基于RSSI的质心定位算法在不增加成本、通信功耗的情况下,提高了节点定位精度,降低了定位误差,适合各种规模的无线传感器网络的节点定位。     

基于手持设备的室内定位系统设计与实现

为解决无法在室内使用GPS的问题,设计并实现了基于常用手持设备(如手机、平板电脑)的室内定位系统。系统融合了传统的惯性定位方法和基于WiFi信号强度定位方法,易于搭建,仅需一个包含惯性传感器、电子罗盘、WiFi扫描的手持设备。提出了惯性定位中的路径匹配算法和WiFi信号定位方法中的位置估计算法。经实际测试,系统定位精度小于4m。     

IEKF滤波在移动机器人定位中的应用

针对EKF中观测噪声方差估计不准确导致滤波器性能下降甚至发散的问题,提出了基于环境特征的迭代扩展卡尔曼滤波(IEKF)融合算法。该算法融合了里程计采集的机器人内部数据和激光雷达传感器采集的外部环境特征,在测量更新阶段多次迭代状态估计值并对机器人的位姿进行修正,减少了非线性误差,提高了定位精度。     

基站异常情况下基于改进极限学习机的超宽带室内定位方法

在超宽带(UWB)室内定位系统中,定位基站极易受到干扰,从而影响定位系统的准确性、稳定性和可靠性,干扰较强时,会造成基站数据异常波动,无法完成准确定位。为解决UWB室内定位系统基站异常情况的定位问题,本文提出了一种基于粒子群优化的极限学习机(PSO-ELM)定位模型,实现在定位基站发生异常情况下的高精度定位。该定位模型利用双边测 距(TW-TOF)采集标签和基站的距离,运用极限学习机(ELM)建立室内定位解算模型?引入粒子群算法(PSO)优化极限学习机的隐含层权值和阈值参数,以克服ELM算法存在的缺点。实验结果表明:在基站正常情况下,PSO-ELM定位模型平均定位精度可达0.03m。相比于传统TOA定位算法,精度了提高73%,同时在基站异常情况下,平均定位精度可达0.04m,有效解决了当定位系统基站发生异常情况时无法完成正常定位的问题     

一种改进的基于定向天线的移动传感器网络定位算法

针对在无线传感器网络定位中,由于全向天线信号受环境影响而造成定位误差较大的问题,提出了一种改进的基于定向天线的移动无线传感器网络定位算法(DADLP),使用一个带有定向天线的移动锚节点广播位置信息,未知节点接收到信号后,将接收功率平均分为若干等级,缩小定位估计区域.仿真结果表明DADLP算法相对于Ssu、BLI、GGDI和RROI移动锚节点算法提高了定位精度,并且在非规则环境下有更低的平均定位误差.     

WSN节点的粒计算网格化定位算法

接收信号强度作为一种低功率廉价的测距方式而用于估计无线传感器网络的节点位置,但定位精度会受到时空传播介质的影响,构造快速算法是解决该问题的主要方法之一。对定位区域网格化,提出了基于粒计算的快速网格化定位算法。将定位问题转化为分类问题,利用粒计算分类算法,得到定位参数,估计未知节点的位置。实验结果表明与支持向量机定位相比粒计算网格化定位算法降低了定位误差和时间。     

自校正滤波器在卫星定位中的应用

设计了一种新的基于ARMA模型的自校正卡尔曼滤波器,对卫星定位误差模型参数进行分段在线估计,根据误差模型估计参数直接求取滤波增益阵.并提出了一种直接计算滤波误差方差阵的方法,对两个不同的定位系统进行信息融合.仿真结果表明,在未知噪声统计特性的情况下,自校正卡尔曼滤波器能有效过滤观测噪声,基于它的信息融合规则能够有效提高定位精度.计算过程简单,并可以在线建模.