基于自适应PDR补偿的UWB/MIMU组合行人定位算法

为提高室内环境下行人的定位精度,针对超宽带(UWB)和微型惯性测量单元(MIMU)在行人室内定位中存在的定位不连续和定位误差累计问题,提出一种自适应行人航位推算(PDR)补偿的UWB/MIMU组合方案。首先提出一种多约束的PDR计步算法,降低了对阈值设置准确性的要求,消除了伪波峰和伪波谷对计步结果的影响;接着通过引入零速更新(ZUPT)和零角速率更新(ZARU)组合的方法对航向角误差进行修正;最后基于自适应滤波算法解算行人的位姿并进行了实验验证。结果表明,所提方案有效抑制了定位轨迹误差增大趋势,使得偏航角误差减少2°。     

基于神经网络与自调节卡尔曼滤波的超宽带定位算法研究

提出了一种基于神经网络与自调节卡尔曼滤波的超宽带(UWB)定位算法，以改善目前某三线自动驾驶轨道交通系统车辆定位精度不够高的现状。使用UWB标签和基站采集大量标签与各个基站的距离信息及对应标签的实际位置训练神经网络。在实时定位阶段，标签与各个基站的距离信息经网络发送至集中控制中心的服务器，通过优化后的神经网络得出实时的UWB定位标签的位置，对实时得到的标签位置使用自调节卡尔曼滤波以进一步提高精度。根据实车运行情况设计了一组包含斜道、直道和弯道的UWB标签移动轨迹进行仿真，并搭建UWB定位系统，设计标签的行驶轨迹，对神经网络与自调节卡尔曼滤波结合的UWB定位算法进行实验验证。结果表明：神经网络与自调节卡尔曼滤波结合的定位算法最大定位误差为223.58 mm,平均定位误差为43.16 mm,定位误差均方根值为42.06 mm。提出的神经网络与自调节卡尔曼滤波结合的定位算法相较于三点定位算法、卡尔曼滤波算法和神经网络算法，具有精度高、实时性好及稳定性高的优点，能够满足目前该三线轨道交通的定位要求。     

基于改进增量卡尔曼滤波算法的UWB室内定位研究

为解决室内环境下的非视距(NLOS)、多径传播以及欠观测条件下的量测系统误差给测距定位带来较大误差的问题,提出了改进增量卡尔曼滤波以消除定位误差的算法。该算法运用增量卡尔曼滤波对由超宽带(UWB)室内定位系统得到的距离值进行去噪,避免了受环境、测量设备等因素影响或者难以自校准由量测方程带来的系统误差而导致较大的卡尔曼滤波误差问题;然后运用经典Chan定位算法对目标标签实现定位获得定位结果。实验和仿真表明,与传统的小波去噪和卡尔曼滤波相比,该定位算法数据稳定性好,误差减小,显著提高了定位精度。     

复杂坏境下基于SINS/UWB的容错组合定位技术研究

针对超宽带无线定位系统在复杂坏境中出现的定位数据丢失以及粗大误差等导致SINS/UWB组合系统定位精度下降的问题,提出了一种基于超宽带定位系统容错判断的组合定位方法。首先根据捷联惯导测量值进行基于中值滤波的运动载体静止状态检测,进而利用最小二乘法实现静止状态下捷联惯导量测偏差矫正;然后在建立SINS/UWB组合定位模型的基础上,引入决策树容错判断机制,对超宽带定位系统在复杂环境中由于信号干扰以及非视距导致的测量数据丢失以及粗大定位误差进行实时评估,进而应用卡尔曼滤波算法,实现容错组合定位系统的构建。在搭建的SINS/UWB组合定位实验平台中进行模型验证,结果表明容错组合定位系统能够有效检测出UWB定位系统出现的定位数据丢失以及粗大定位误差,并且在UWB粗大误差状态持续6 s的情况下,容错组合定位系统仍然能够保持较高的定位精度。     

基于 UWB 系统的采煤工作面端头采煤机 自主定位方法研究

采煤机自主定位装置的长期定位精度是煤矿智能开采的关键。 针对当前采煤机定位精度难以满足自动开采的需求,提 出了采煤工作面端头自动校准惯性导航定位系统的方法,构建了基于 UWB 系统的井下局部定位系统,对采煤机位置进行修正 纠偏,能实现采煤机长期循环自主定位的策略。 考虑 UWB 系统在非视距(NLOS)环境下的定位精度较低,提出了基于不等式 约束的平方根无迹卡尔曼滤波(CSRUKF)定位算法;为了进一步消减 NLOS 误差的干扰,提出了基于考虑运动速度的抗差泰勒 级数(VRTS)算法对定位结果进行优化,提升最终的定位精度。 以 UWB 定位系统和移动平台为基础,开展了模拟端头定位的 实验。 实验结果表明,CSRUKF-VRTS 方法能够减小定位误差,提高 NLOS 环境下的定位精度,x 轴、y 轴和 z 轴的平均误差分别 由 0. 332、0. 404 和 0. 306 m 降低到 0. 266、0. 212 和 0. 159 m,对应的平均精度分别提升了 17. 4% 、47. 5% 和 48. 1% 。 所提的采煤 工作面端头循环定位策略为采煤机实现长期自主定位提供新的思路,为非视距环境下的定位提供参考。     

基于UWB和IMU信息融合的室内定位算法研究

室内复杂环境下，移动机器人精确定位是实现机器人在半结构化场景下工程应用的关键。超宽带（UWB）测距定位是一种当前广泛应用于室内定位的高精度定位技术，最小二乘算法是精确定位的主流算法之一。受非视距（NLOS）、多径效应等因素影响，UWB定位在室内定位应用过程中存在定位数据抖动严重的问题，同时最小二乘法无法解算极值点定位数据，导致定位信息中断。为了解决UWB定位技术在室内定位过程中存在的精度低和稳定性差等难题，提出了基于扩展卡尔曼滤波（EKF）框架下融合UWB和IMU传感器信息的室内定位数据增强处理方法。其中IMU测量值作为滤波器的预测，UWB的测量值作为滤波器测量更新。融合定位算法可以弥补短期内定位数据丢失，降低定位数据的抖动，提高定位系统的稳定性，在半结构环境下具有更好的工程优势。     

面向相对导航的UWB测距误差估计与补偿方法

基于无人飞行器和智能机器人等载体构成的智能集群是当前的研究热点,相邻或相近集群成员之间精确的相对距离是密集集群实现协同控制的关键信息。超宽带(UWB)无线传输技术能传输信息,同时具有厘米级的理论测距精度,在集群的协同导航与控制中具有广阔的应用前景。面向集群成员间相对导航的厘米级测距需求,阐述了UWB的测距方案,分析了实际环境中UWB天线的时钟偏移、节点之间有相对速度和非视距环境引起的测距误差的特性,研究了UWB距离测量的状态检测和误差补偿、估计的方法,采用DW1000超宽带模块构建了实验环境,对所研究的方法进行实验验证。结果表明,所研究的方法可显著提高UWB在实际应用中的测距精度,与传统的测距算法相比,在空旷环境(LOS)状态下误差降低了70%,在非视距环境(NLOS)状态下误差降低了50%。     

基于TL-LFL的UWB室内定位算法北大核心CSCD

针对三边定位算法定位精度不高以及传统指纹定位算法工作量大的问题,提出了一种基于TL-LFL的室内定位算法,主要分为2个阶段:离线阶段利用限幅-滑动滤波方法对原始测距信息进行预处理,然后利用克里金插值法建立指纹数据库;在线阶段首先利用三边定位算法确定粗定位坐标和动态区域S,然后采用K-Means算法对S区域内指纹点进行聚类,找出与在线实测距离信息最近的聚类中心,最后结合粗定位坐标根据离散程度加权进行实时定位。结果表明:该算法在减少数据采集工作量的同时有效提高了定位精度,平均定位误差为0.2 m。     

基于因子图的 INS / UWB 室内行人紧组合定位技术

针对室内复杂应用场景下待定位行人接收到的超宽带(UWB)测距信息数量不确定问题,提出一种基于因子图的INS/UWB室内行人紧组合定位算法,实现对动态随遇接入与退出的UWB量测信息有效融合。首先,基于室内行人运动模型以及UWB量测模型构建INS/UWB紧组合因子图模型,由于对行人位置与速度同时进行建模估计,导致该因子图模型含有环结构。在此基础上,针对有环因子图模型基于和积算法(SPA)通过两次迭代推导因子图中各节点间消息传递算法,计算行人位置与速度的后验概率密度。进一步,针对特殊量测矢量条件下因子图算法定位误差跳变问题,提出一种基于坐标变换的因子图改进方法,从而有效提高行人位置与速度估计精度。仿真结果表明,本文提出的INS/UWB紧组合定位算法可以有效融合动态随遇接入与退出的UWB测距信息。在满足计算量与内存消耗需求的前提下,与变结构多模型扩展卡尔曼滤波(EKF)相比,本文提出算法的定位精度与速度估计精度可以分别提高14.94%与56.42%。     

非视距环境下的GPS/TDOA最速下降混合定位算法

在一些恶劣环境下,定位终端无法观测到4颗及以上GPS卫星来确定终端位置,无线网络中的TDOA定位方法也没有足够数目的TDOA观测量来实现定位。文中利用最速下降算法融合在这一条件下的GPS伪距和TDOA观测量,在两种定位方法都无法单独定位时实现了定位。算法先将GPS伪距观测方程做单差运算、消除钟差,然后与TDOA双曲线方程组合,定义了加权残差平方和目标函数。目标函数的最优解由最速下降算法获得。文中将该算法与GPS/TDOA泰勒级数-最小二乘混合定位算法作了对比,实地NLOS条件下所得的实验结果表明在相同条件下最速下降混合定位算法比泰勒级数-最小二乘混合定位算法定位精度高;在采用最速下降混合定位算法时,GPS卫星数越多,TDOA观测量数目越多定位精度越高。在3颗卫星和3个基站的混合定位情况下,最速下降混合定位算法所得结果的平均误差为17.64 m,可以满足一般导航系统的需要。     

一种基于KL-AEPF的无人机侦察移动目标定位算法

基于EPF的无人机侦察移动目标定位算法在采样阶段需要利用EKF算法计算所有粒子的均值和协方差,导致其计算量大。本文提出了一种基于KL距离的自适应EPF改进算法,该方法在采样阶段利用EKF算法更新前半部分粒子,后半部分粒子仍通过先验概率分布更新,然后根据两个粒子集概率分布间的KL距离自适应更新当前时刻的粒子数。在保证精度的同时选择合适的粒子数目,大幅度降低计算量,提高运算速度。通过实测飞行数据验证,该算法平均每个采样周期内粒子数为40,平均每个采样周期内计算时间为8 ms。与EPF算法相比,该方法能在保证定位精度的同时明显减少计算耗时,具有一定的工程应用价值。     

测距误差分级的室内TOA定位算法

在室内TOA(time of arrival)定位中,严重的多径和非视距现象造成测距误差较大.如何降低测距误差对定位精度的影响是室内精确定位系统的重要挑战.首先介绍了基于RSSI的室内TOA测距误差分级模型(RSSI based indoor TOA ranging error model,RITEM),该模型根据测距过程的RSSI值大小,将测距误差划分为4个等级,且各个等级的误差区间和对应的RSSI值区间可以通过现场测试获得.将RITEM应用到定位算法中,提出一种基于误差分级的室内TOA定位算法(ranging error classification based indoor TOA localization algorithm,REC).算法根据TOA测距过程中的RSSI值和RITEM实时估计测距误差级别和误差范围,利用极大似然法求得定位区域中标签最大概率位置作为定位结果.仿真和实际测试结果显示,在实际室内环境中,REC定位算法具有较高的定位精度,且平均定位误差、定位误差均方差和90％定位误差、最大定位误差等性能明显好于Ls、CN-TOAG、Nano算法.     

基于萤火虫算法改进移动机器人定位方法研究*

针对传统蒙特卡洛定位中粒子退化以及粒子贫乏造成的移动机器人定位精度下降问题,提出了利用萤火虫算法改进蒙特卡洛定位的方法。利用改进后的萤火虫算法优化粒子的采样过程,使粒子在权值更新前趋向高似然区域,并且改进了重采样策略,新的重采样可以使粒子的多样性更好。将改进后的新算法用于机器人定位实验中,结果表明新算法相比扩展卡尔曼粒子滤波在粒子数分别为10、30、50的情况下性能分别提高了20%、34%、29%,并且使用的时间更少。     

一种基于Kalman滤波算法的组合式温度传感器的研究

该文研究了一种基于Kalman滤波算法的组合式温度传感器。根据铂电阻和半导体热敏电阻在温度测量中的不同特性,设计了一种组合式温度传感器,并利用Kalman滤波算法进行综合数据处理。提出了基于Kalman滤波算法的组合式温度传感器模型,给出了静态测量和动态测量两种情况下的kalman滤波算法步骤,分析了Kalman滤波算法的参数设置。实验结果表明,该组合式温度传感器可有效提高测量结果的准确性和灵敏度。     

基于变分贝叶斯的DR/UTP组合导航滤波方法

针对水下无人航行器(UUV)的航位推算导航方法(DR)和水下应答器(UTP)组合导航系统中传统滤波器因观测噪声统计模型不准确或未知而出现的滤波器发散问题,提出了一种基于变分贝叶斯的平方根容积卡尔曼滤波算法,该算法利用变分贝叶斯方法对DR/UTP组合导航系统的状态和时变观测噪声进行估计,并引入自适应调节因子来提高对观测噪声的逼近精度,然后利用平方根容积卡尔曼滤波对系统状态进行更新。仿真结果表明,该滤波算法能够较好地跟踪UUV的DR/UTP组合导航系统外部观测噪声方差的不断变化,可有效提高对DR/UTP组合导航系统各参数的估计精度。     

基于信息质量的脉冲星导航自适应滤波算法

针对脉冲星导航过程中观测脉冲星的可见性问题,提出了一种基于信息质量的自适应滤波算法。通过分析观测脉冲星的数目及信息质量,确定观测矩阵维数,实时生成观测矩阵,设计了适应观测信息变化的改进型Kalman滤波器。对观测信息质量重新做了定义,并据此构造滤波方程提高了脉冲星导航的精度及适应性;运用四阶龙格库塔方法对带有J2摄动的二体动力学方程进行线性离散化,提高了滤波器状态方程的线性离散化精度。进行了仿真实验,对改进型Kalman滤波算法进行了验证。结果显示,对初始偏差校正后,在10 000s内观测一颗或两颗脉冲星,导航位置精度可达40m,速度精度可达0.019m/s。得到的结果验证了提出算法的有效性和可行性。     

基于PDR和RSSI的室内定位算法研究

构建了基于无线传感网络的行人航迹推算(PDR)系统,通过RSSI定位为其提供绝对定位信息。在RSSI定位中,提出基于PDR方位信息的自适应Flip-Flop RSSI信息预处理机制和RSSI指纹信息融合动态路径衰减指数的定位算法,以改善RSSI定位算法的抗噪声干扰能力。在多信息融合粒子滤波环节中,针对传统算法中滤波精度与滤波实时性很难同时得到改善的问题,提出基于PDR信息与RSSI定位信息的动态区间粒子滤波算法,通过PDR方位信息自适应控制区间衍生粒子数量以提高滤波实时性,并将建筑地图信息、RSSI定位信息及其可信度因子融入粒子权值计算中以提高定位精度。经实验验证,提出的算法在RSSI定位抗噪声能力方面,以及融合定位精度和滤波实时性方面都取得了良好的效果,与传统算法相比最大定位误差由3.16 m降低到1.81 m,滤波时间也由7.21 s降至7.01 s。     

多传感器信息融合的移动机器人定位算法研究

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。