一种多元信息融合的室内定位方法

针对现有室内定位技术在定位精度方面的不足,基于智能手机获取的多元传感器信息,提出一种多元信息融合的室内定位方法。首先,利用基于KNN(K-Nearest Neighbor)的Wi Fi指纹滤波法得到行人初始位置坐标,通过行人航迹推算技术估算下一个时刻位置;然后利用WiFi和地磁加权平均后的定位坐标对行人运动轨迹进行修正;最后对获取的位置信息进行卡尔曼滤波后得到了行人的最终位置。此外,设计了基于Android平台的手机室内定位软件,实现了高精度的轨迹生成。实验结果表明,该方法有效提高了定位的精确度,平均定位误差降至1 m。     

基于多信号源融合的室内定位技术方案探讨

随着社会的发展,室内定位越来越重要。在室内定位技术基本原理的基础上,衍生出了多种技术方案。文章先讨论了当前主流的室内定位技术,然后提出一种基于Wi-Fi信号位置指纹技术和行人航迹推算技术相结合的室内定位系统,同时引入KNN算法、扩展卡尔曼滤波算法,提高了室内定位精度。     

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。     

人机共享环境下基于Wi-Fi指纹的室内定位方法

针对服务机器人和行人的室内全局定位问题,提出一种人机共享环境下基于Wi-Fi指纹的室内定位方法.首先,采用核主成分分析法(KPCA)从双频段的Wi-Fi信号中提取一种设备无关的鲁棒位置指纹,用于Wi-Fi指纹定位.然后,为了提高行人定位的稳定性和精确度,结合行人航迹推算(PDR)的定位方法,设计了一种基于选择更新粒子滤波(SUPF)的Wi-Fi/PDR组合定位算法.在该算法中,利用PDR对移动场景下的Wi-Fi定位结果进行了初步校正,并通过定义自适应大小的可信空间对校正后的结果进行评估,从而在数据融合之前剔除不可信的Wi-Fi定位估计.最后,在实际场景下开展了定位实验,Wi-Fi/PDR组合定位的平均定位误差约为2 m,实验结果表明所提出的方法提升了定位系统的精确度和鲁棒性.     

基于PDR反馈的Wi-Fi室内定位算法研究

Wi-Fi指纹定位易受周围环境的影响,稳定性差;行人航迹推算定位（pedestrian dead reckoning,PDR）定位需要待定位目标的初始位置,且容易产生累计误差。针对上述问题,提出了一种基于PDR反馈的Wi-Fi室内定位算法。该算法主要分为三个阶段：基于相关向量回归（relevance vector regression,RVR）的初始位置定位阶段、基于PDR定位的反馈阶段、基于K近邻（K-nearest neighbor,KNN）的指纹定位阶段。实验结果表明,提出的算法在定位精度和稳定性方面较其他的定位算法有明显的提高,并且该算法相对于Wi-Fi定位减小了时间复杂度,实时性较好。     

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.     

融合水平仪、气压计的行人位置估计算法

针对行人位置感知问题提出了一种融合水平仪、气压计的行人位置估计算法。利用水平仪采用行人航位推算算法完成行人二维室内定位,通过气压计辅助完成对多楼层的行人位置识别。通过采集实时的水平仪数据和连续的气压计数据,可以准确完成对行人所处多层建筑物中的位置变化追踪和定位。实验结果表明,本文算法定位的平均误差为3 m,90%的定位误差小于2m,60%的定位误差小于5m,优于传统行人航迹推算算法。     

基于特征匹配和距离加权的蓝牙定位算法

针对传统iBeacon指纹定位技术中接收信号强度值（RSSI）波动较大、指纹库聚类复杂、存在较大跳变性定位误差等问题,提出一种基于排序特征匹配和距离加权的蓝牙定位算法。在离线阶段,该算法先对RSSI进行加权滑动窗处理,然后根据RSSI向量大小生成排序特征码等值,并与位置坐标等信息组成指纹信息,形成指纹库;在在线定位阶段,根据排序特征向量指纹匹配定位算法和基于距离的最优加权K最邻近法（WKNN）实现室内行人定位。在定位仿真实验中,该算法可以自动根据特征码进行聚类,从而降低了聚类的复杂度,能实现最大误差在0.952 m内的室内行人定位精度。     

利用惯性测量元件进行三维定位的系统设计

针对消防室内定位技术的需求,搭建了基于惯性测量元件的室内三维定位系统。首先,利用微机电系统(MEMS)惯性传感器获取行人运动过程中的必要参数。然后基于行人航迹推算(PDR)算法,实时计算出行人行走的步数和步长;通过气压传感器实时采集行人所处位置的高度。最后,利用无线数传模块结合服务器端处理,实现行人的室内三维定位。测试表明:系统在正常行走的情况下,可以满足行人的室内三维定位要求。     

改进卡尔曼滤波的井下组合导航定位算法

为解决井下人员定位算法定位精度不高的问题,提出基于微惯性导航系统和无线传感器网络的井下组合导航定位算法.通过井下无线网络、惯性定位终端采集相关信息数据,利用行人航迹推算算法和改进加权质心定位算法分别估算出目标点的坐标和速度.将这两种算法通过正弦余弦蝙蝠融合算法优化后的卡尔曼滤波组合导航定位,估算出目标点最终的位置坐标....     

基于RSSI与惯性测量的室内定位系统

介绍融合接收信号强度指示（RSSI）和惯性测量技术的无线传感器室内定位系统,该系统通过可穿戴式无线传感器节点和环境辅助传感器节点,采集步行者的位置信息。可穿戴式节点采用DeadReckoning惯性测量方法,存在累积误差,可通过在室内环境中布置RSSI节点矫正步行者的位置信息。采用扩展性的卡尔曼滤波算法将惯性测量与RSSI测量数据相结合,实现自适应的步长算法,较大程度改进步长不正确读取带来的误差。实验结果表明,与纯粹的惯性测量系统相比,该系统能提高66．3％的精确度。     

基于多指纹联合匹配的混合定位算法

随着信息科技的迅猛发展,室内定位技术已经成为基于位置服务LBS的研究热点之一。基于接收信号强度RSS的位置指纹与步行者航位推算PDR相结合的定位算法能有效提高定位精度,但目前已有的算法难以同时满足较高的定位精度与较小的计算量,常见的卡尔曼滤波算法精度不够,而粒子滤波算法计算量较大。提出了一种基于多指纹联合匹配的混合定位算法,有效融合惯性信息与RSS指纹信息,在较低计算量的前提下实现了高精度定位。实验结果表明,该算法80%的定位精度低于1m,平均精度高达0.77m。     

面向行人导航的RMLT DR算法研究与实现

DR算法是行人导航中最常用的一种推算算法。分析常规DR算法,针对行人导航中DR算法是固定阈值,不能根据行人环境不同而自动调整阂值,导致行人定位精确度不高的缺点,提出了基于雷达的多级阈值DR算法,即RMLT DR算法。通过仿真模拟实验,对比分析了RMLT DR算法和常规DR算法的定位结果。验证了行人行走过程中,RMLT DR算法可以根据周围的环境自动选择阈值大小,具有更高的精确度。     

室内环境约束的行人航向粒子滤波修正方法

在传统的基于航位推算和卡尔曼滤波的室内行人定位算法中,存在着航向误差累积的问题,这使得位置误差也会不断累积。针对这个问题,提出了室内环境约束的行人航向粒子滤波算法来修正方向误差。首先,将室内地图信息抽象成线段表示的结构体,将地图数据动态地融合到粒子补偿以及权重分配的机制中：其次,通过关联地图数据与待校准样本构建航向自修正机制;最后,通过关联地图数据与粒子落点构建依距离赋权机制。此外,该算法还简化了粒子滤波模型,将航向作为唯一状态量进行优化,在提高定位精度的同时降低了状态向量的维度,进而降低了数据分析处理的复杂性。通过融合室内环境信息,该算法有效地抑制了方向误差的持续累积。实验结果表明,与传统的卡尔曼滤波算法相比,所提算法能够明显地提高行人定位精度和稳定性,在距离为435 m的二维行走实验中,航向误差由15.3°降低到0.9°,终点位置绝对误差由5.50 m降低到0.87 m。     

面向室内定位的改进行人航位推算方法

为提高室内定位精度,对行人航位推算的3个关键内容：步数检测、步长估计及航向估计分别进行了改进研究,提出了一种结合自相关分析和自适应波峰检测的新检测算法、一个基于Scarlett模型并融合前一步步长信息的改进步长估算模型、以及一个结合方向传感器算法与卡尔曼滤波的主导航向设置方法;实验结果表明以上改进方法提高了步数检测准确率和步长检测精度,减少了航向角误差,取得了较好的室内定位效果。     

基于半监督仿射传播聚类和KLDA的室内定位算法*

室内定位中位置指纹库采集的密集程度往往跟定位精度密切相关,针对离线阶段时指纹库稀疏的情况下定位精度低的问题,提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据,通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中,并使用KLDA方法抽取位置指纹库中最大的特征信息,有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明,该算法结合在线阶段RSSI数据后定位精度得到了明显的提高。而且在仅保留离线指纹数据库三分之二的情况下,也几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度,相当于减少了离线阶段采集指纹库的工作开销。     

基于相似度的K阶临近定位算法

基于WIFI位置指纹的定位系统能实现较高精度的室内定位,其中基于接收信号强度指示（RSSI）的近邻选择算法在进行室内定位时容易引入奇异点,导致定位精度降低.针对该问题,本文提出了一种基于相似度的K阶临近定位算法（SKNN）.该算法借鉴二部分网络中求解节点相似性的思想,建立位置指纹与AP之间的二部分网络,并提出一个相似度参数,用该参数去修正K阶临近定位算法.实验结果表明,本文提出的SKNN算法可以有效的降低奇异点对定位结果的影响,提高定位精度,80%的定位误差均在2 m以内,且在大场景中效果明显.     

Three-dimensional dead reckoning of wall-climbing robot based on information fusion of compound extended Kalman filter

Dead reckoning accuracy determines the operation quality of pipeline mobile robot to a certain extent. With the progress of the industry, the research on the dead reckoning system of pipeline robot is more and more in-depth, but how to improve dead reckoning accuracy is still a difficult problem for pipeline mobile robot. In this paper, to overcome the sensor defects of the traditional dead reckoning system, an error backpropagation neural network (BPNN) is introduced to compensate the sensor error caused by static drift and poor dynamic response. To reduce the interference of noise information, the covariance matching technique based on the Adaptive Neuro-Fuzzy Inference System is used to estimate the measurement noise information. And then the two are combined in the algorithm based on the extended Kalman Filter (EKF) framework for data fusion. An EKF algorithm based on adaptive neural fuzzy combined with BPNN is proposed. Finally, a complete three-dimensional dead reckoning system is established by coordinate transformation. The motion experiment of the quadruped wall-climbing robot in the pipeline proves that the proximity $L$ of the calculated trajectory is not more than 6.00%, and the lowest is 1.07%, which effectively improves the reliability, robustness, and positioning accuracy of the dead reckoning.     

一种改进的支持向量机的室内指纹定位技术

为提高室内定位算法定位的精度和实时性,提出一种改进的支持向量机(A-SVM)的室内指纹定位方法。利用SVM具有较好的学习和泛化能力的特点,把定位匹配转换为多分类问题。为克服SVM分类存在的片面性问题,提出基于SVM与反K近邻融合的位置指纹分类方法得到估计位置,并利用卡尔曼滤波对估计位置进行滤波处理。实验结果表明,算法有效减小了定位结果的波动性,与传统SVM相比具有较高的定位精度。