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。     

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BP神经网络的实时动态参数定位方法

为减小测距技术中的非视距误差并解决定位模型中存在的问题,提出一种实时动态参数定位方法。基于人工神经网络算法,利用多个参考节点获取的测量值的非视距（NLOS）误差,使测量值 RSSI接近视距（LOS）环境下的测量值;通过该区域内选定的参考节点之间的相互通信实时动态地估算出环境参数值。实验结果表明,该算法缩减了在RSSI测距技术中的非视距误差,并能根据实际环境条件实时动态地调整定位模型的参数,有效提高定位精度。     

基于改进深度置信网络的UWB无线定位方法

针对传统指纹定位算法中接收信号强度值在室内复杂环境中波动较大,指纹信息不可靠,造成定位精度不足的问题,提出了一种以测距值作为指纹信息的基于深度置信网络和极限学习机的超宽带定位方法。首先在深度置信网络底层采用多个堆叠受限玻尔兹曼机对输入数据做无监督学习,来提取深层次特征,然后在顶层选用极限学习机对输入数据及位置标签进行有监督学习。建立指纹库阶段,为优化指纹采集过程并减少人工勘测成本,提出一种基于高斯过程回归的超宽带指纹库扩充方法。真实场景下实验结果显示,视距环境和非视距环境中,该定位方法均能够达到厘米级定位精度。     

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.     

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。     

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。     

基于语义信息和边缘一致性的鲁棒SLAM算法

为解决动态环境中视觉定位精度下降、鲁棒性不足的问题,并改善构建的环境地图,提出一种基于语义信息和边缘一致性的鲁棒同时定位与地图创建(SLAM)算法.首先使用YOLOv3算法获取环境语义信息,得到初步的图像语义动静态分割.而后使用基于图像中边缘的距离变换误差和光度误差的一致性评估,进一步对图像的动静态区域进行细分,并利用连通区域分析和漏洞修补算法修正动态区域.使用图像非动态区域的特征点进行特征匹配,利用非线性优化算法最小化特征点的重投影误差,得到优化的相机位姿.利用特征点共视性和动静态区域面积进行绘图关键帧的选取,从而构建不包含动态物体信息的静态环境地图.公开数据集中高动态环境的实验表明,本文算法能够准确地区分图像中的动静态信息,完成动态环境下的精确定位与地图构建任务.并且本文算法在纯静态环境下不存在定位精度下降的情况.     

基于圆盘散射体的非视距定位算法

针对无线传感器网络目标定位中的非视距问题,为了抑制非视距误差,提高定位精度,提出一种基于圆盘散射体的非视距定位算法.新算法根据基站收到的多径到达时间,计算加权测量均值,与圆盘散射体模型理论均值进行匹配,建立目标函数,同时引入圆盘半径约束,通过对目标函数求取极值,解出含有目标位置的最优解.仿真实验结果表明,与其他目标定位算法相比,该算法能够得到全局最优解,提高非视距环境下的定位精度.