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。     

一种基于卡尔曼滤波的超宽带室内定位算法

为了减小室内环境中障碍物对超宽带(UWB)传感器测距结果的影响,提出了一种基于卡尔曼滤波(KF)的超宽带室内定位算法.利用超宽带接收信号的信噪比区分视距和非视距环境,给出了超宽带传感器测距性能最小二乘标定模型,减小测距系统误差;判断相邻测距差分是否在阈值范围内,否则用卡尔曼滤波先验估计替代后验估计处理测距结果,由此减弱多径效应和非视距误差对测距的影响;用扩展卡尔曼滤波器(EKF)实现室内定位.实验结果表明:算法在复杂室内环境中可达到亚米级的动态实时定位精度.     

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。     

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。     

基于注意力机制的UWB室内定位算法

针对多径效应及非视距环境影响超宽带(Ultra Wide Band,UWB)室内定位精度的问题,提出基于注意力机制的UWB定位算法.由SENet注意力模块与卷积神经网络构建一个深度学习模型SE-CNN.SENet注意力模块降低受到动态干扰因素影响的定位数据权重,再利用卷积神经网络(CNN)来确定定位数据与目标位置的非线性关系.该定位模型能够减少动态环境下多径效应与非视距带来的定位误差.实验结果表明,该算法在定位精度方面优于其他算法.     

ＮＬＯＳ状态信息辅助协方差矩阵修正的无线网络定位方法

非视距(NLOS)误差是影响无线定位精度的重要因素，其产生是由于实际环境的多变性，使其无法用一个准确的数学模型来表示。如何减小NLOS误差的影响是无线定位中需要解决的问题之一。针对该问题，本文所研究的定位方法通过视距(LOS)节点检测来获取测距结果中的NLOS状态信息，并基于该状态信息，对用于双步加权最小二乘(TS-WLS)定位算法的协方差矩阵进行修正，修正后的算法能够根据NLOS状态信息实现对不同测距结果的重要性加权，从而减小NLOS误差的影响。仿真结果表明，与以往的定位算法相比，本文算法能够拓展复杂NLOS环境下的适用场景并提升定位精度。     

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。     

一种抑制非视距传播误差的混合定位算法

为减小蜂窝网定位中影响定位精度的非视距(NLOS)传播误差,提出一种基于两步卡尔曼滤波到达时间差/到达角度的混合定位算法.利用卡尔曼滤波器的估计值计算非视距数据的方差,调节卡尔曼滤波器的参数,减小测量值的NLOS误差,并将经过预处理的测量值输入到扩展卡尔曼滤波器,实现混合定位.实验结果表明,该算法能有效消除NLOS误差,与Chan算法相比,其定位精度更高.     

NLOS环境下多传感器融合的室内定位方法

为提高超宽带(ultra-wideband, UWB)技术在非视距(non line of sight, NLOS)环境下的定位精度,提出一种基于粒子滤波融合视觉与UWB数据的定位方法。视觉模块通过识别与检测标签推算出绝对位姿;UWB模块鉴别由NLOS条件干扰的测距值,筛选最优测距值进行自适应权重的定位算法,提升覆盖区域的整体定位精度;基于粒子滤波将两者的实时定位信息进行数据融合。实验结果表明,融合定位方法具有实时性和鲁棒性,有效抑制了NLOS环境引起的误差,在NLOS环境下定位精度能够达到0.26 m。     

一种基于加权的TOA地下空间UWB室内定位算法

提出一种适用于地下空间室内环境的超宽带(Ultra-wideband,UWB)定位算法。定位标签发射无线信号,传感器接收信号,利用非视距(None Line of Sight,NLOS)状态鉴别的方法对室内信道环境的NLOS进行鉴别,并对各传感器分配权重,最后通过经典到达时间(Time of Arrival,TOA)算法,得到未知节点的位置。通过仿真实验对提出的方法进行验证。实验结果表明该方法可以达到较高的定位精度。     

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。     

基于全质心-Taylor的UWB室内定位算法

针对室内环境下的非视距(NLOS)传播给定位精度造成较大误差的问题,通过对超宽带(UWB)定位模型进行分析,提出了一种基于全质心-Taylor的混合定位算法.采用对测距误差不敏感的全质心算法将锚点测距数据分组运算,获得目标节点的初始粗定位信息,采用质心修正算法对粗定位节点进行优化运算,从而确定Taylor级数展开初值,再进行迭代求解,进行第二次精细定位.实验结果表明:与Chan-Taylor算法、最小二乘估计(LSE)-Taylor算法相比,本文算法定位精度有明显提高.     

一种适用于NLOS环境的LTE终端迭代定位算法

NLOS(non line of sight, 非视距)误差是影响LTE终端定位精度主要因素之一, 针对这一问题, 提出了一种减小该误差的迭代定位算法, 通过引入误差系数重构OTDOA(observed time difference of arrival, 到达时间观测差)测量值, 采用迭代计算获取一组最优误差系数来改善NLOS误差的影响。该算法不需要信道环境的先验信息, 且可通过分层细化减小计算量。仿真结果表明, 该算法能有效地减小NLOS环境下的定位误差。     

基于信号强度测距的最小均方误差定位算法

针对室内视距（LOS）和非视距（NLOS）混合环境下的定位精度不高的问题,提出基于信号强度测距的最小均方误差定位（Strength Ranging-based Minimum Mean Square Error localization,SRMSL）算法。SRMSL算法先建立基于超宽带（ultra wide band,UWB）的测距模型,并分别构建在LOS和NLOS环境下的最小均方误差函数,再估计未知节点位置。利用中值函数滤除异常的抽样值,有效辨识NLOS环境下的测距信息。仿真和实验结果表明,提出的SRMSL算法在定位精度方面优于M估计和最小中值平方估计。     

基于UKF的环境自适应UWB/DR室内定位方法

针对复杂室内环境下超宽带（Ultra WideBand,UWB）信号传播的非视距（Non Line Of Sight,NLOS）误差问题,本文提出了一种基于无迹卡尔曼滤波（Unscented Kalman Filter,UKF）的环境自适应UWB/DR室内定位方法.该方法通过建立自适应UKF滤波模型,将UWB定位信息和航迹推算（Dead Reckoning,DR）定位信息进行融合.依据新息和高斯分布的3σ原则来对UWB定位结果进行非视距检测,再通过新息的实时估计协方差和理论协方差来构建环境适应系数,进而用此系数动态修正UWB定位的观测噪声,使得观测噪声自适应真实环境,降低NLOS误差对融合定位结果的影响.实验结果表明,该方法能有效减小UWB定位的NLOS误差,并且由于环境适应系数的创新引入,比UKF定位和粒子滤波定位（Particle Filtering,PF）有更高的定位精度和更强的抗NLOS误差性能.     

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。     

混合定位算法在复杂室内环境下的应用研究

针对复杂室内环境下视距（line of sight,LOS）和非视距（not line of sight,NLOS）并存的三维混合定位技术进行了研究。在 LOS 环境下,基于到达时间差（time difference of arrival,TDOA）定位算法优于其他定位技术;但受到室内环境尤其是 NLOS 环境下的多径效应,TDOA 定位的精准度大大减弱。若能够正确评估传播衰减系数以此补偿多径效应带来的影响,那么基于接收信号强度（received signal strength,RSS）定位算法受到 NLOS 多径效应的影响将大大减小。提出了三维混合加权最小二乘（hybrid weighted least square,HWLS）RSS ／TDOA 算法,通过使用 Nakagami-m 分布鉴定当前信道是 LOS ／NLOS 路径,用于室内环境下的目标定位,并通过实验验证该算法提高了定位精度。     

移动机器人超宽带与视觉惯性里程计组合的室内定位算法

对于移动机器人在室内环境的定位任务,新兴的基于视觉惯性里程计（VIO）的辅助定位技术受光线条件限制大,无法在黑暗环境中工作,且超宽带（UWB）定位易受非视距（NLOS）误差影响。针对以上问题,提出一种UWB与VIO组合的室内移动机器人定位算法。首先,采用立体视觉多状态约束下的Kalman滤波器（S-MSCKF）算法/双边双向测距（DS-TWR）算法和三边定位法,分别得到VIO输出的位置信息/UWB解算的定位信息;然后,建立位置测量系统的运动方程与观测方程;最后,通过误差状态扩展卡尔曼滤波（ES-EKF）算法来进行数据融合,得到机器人的最优位置估计。使用搭建的移动定位平台在不同的室内环境下对组合定位方算法进行验证。实验结果表明在有障碍物的室内环境下,与单一UWB定位方法相比,所提算法的总体定位的最大误差减小了约4.4%,均方误差减小了约6.3%;与VIO定位方法相比,所提算法的总体定位的最大误差减小了约31.5%,均方误差减小了约60.3%。可见所提算法可为室内环境下的移动机器人提供实时、精确且鲁棒的定位结果。