RSS协助的ray-tracing室内定位算法

针对室内定位,当信号受到非视距(non-line-of-sight, NLOS)和多径传播的影响时,本文提出一种接收信号强度(Received Signal Strength, RSS)协助的Ray-tracing室内定位算法,改进已经提出的基于虚拟基站方法的信号到达时间 (Time of Arrival, TOA)和信号到达角度(Direction of Arrival, DOA)室内无线信号Ray-tracing模型,利用信号RSS测量值优化算法,实现TOA、DOA和RSS协同定位,提高室内多径及非视距环境下,无线定位的精度,降低算法复杂度,提高算法处理信号多重散射的能力并降低了对基站的依赖性适用环境更为广泛。首先通过RSS得到信号源可能存在的位置,随后利用Ray-tracing原理并使用虚拟基站,将非视距路径定位问题转化为视距路径定位问题,利用TOA和DOA对直射、透射、反射和绕射情况进行分析建模,最后使用最小二乘法对可能的位置进行筛选,得到信号源的最终位置。仿真结果表明,本算法较改进前拥有更高的定位精度。      

时间反演联合TOA测距的室内指纹定位技术

在室内指纹定位中,室内环境会影响以接收信号强度指标(Received Signal Strength Indicator,RSSI)或信道状态信息(Channel State Information,CSI)的指纹数据,使得采集指纹数据构建的数据库具有不稳定性和不可靠性的特点,从而影响定位准确率和精度.基于此,本文提出...     

一种超宽带与惯导融合的LSTM室内定位算法

针对复杂环境下的室内高精度定位需求,提出了一种超宽带和惯导融合定位方案.结合位置估计过程可被划分为时间序列预测问题的特点,提出了一种基于长短时记忆(Long Short Term Memory,LSTM)网络的联合定位算法,并对其总体架构设计、数据预处理方法、网络结构设计、模型训练方法进行了研究.在此基础上,通过仿真和...     

一种在非视距环境中的TDOA/AOA混合定位方法

提出了一种在非视距环境中的到达时间差/到达角混合定位方法。该方法使用了两步卡尔曼滤波。先用卡尔曼滤波器对到达时间测量值进行预处理,以消除TOA测量值中的NLOS误差。再把经过预处理的TOA测量值输入到用卡尔曼滤波器实现的TDOA/AOA混合定位器中进行定位。实验证明,该方法的定位误差性能优于单纯的TDOA定位方法及静态定位方法中泰勒级数展开法的误差性能。     

用卡尔曼滤波器消除TOA中NLOS误差的三种方法

提出了三种改进的用卡尔曼滤波器消除到达时间(Time of Arrival，TOA)测量值中非视距(Non-Line of sight，NLOS)误差的方法。这三种方法从不同角度考察TOA测量值中NLOS误差的特点，分别对卡尔曼滤波器的迭代过程进行改进，有效地消除了TOA测量值中NLOS误差的随机性和正向偏差。与传统的NLOS误差消除算法相比，这三种方法均可获得较小的估计误差，并可实现实时处理。     

IMU辅助的TDOA室内定位

室内环境下,当无线信号受到多径和非视距干扰时,传统的基于到达时间差（Time Difference of Arrival,TDOA）的测距模型定位精度不满足室内定位精度要求。为此,提出利用TDOA与低成本的惯性测量单元（Inertial Measurement Unit,IMU）相结合的定位方法。在视距情况下,只有TDOA系统工作,但在信号受到干扰时,利用IMU能够在短时间内提供一个准确的相对位置信息的特性,采用TDOA算法对其进行辅助定位,并利用卡尔曼滤波器对它们的数据进行预处理,最后使用扩展卡尔曼滤波器对数据进行处理融合。实验结果表明,提出的算法比传统的TDOA定位具有更高的精度。     

基于扩展卡尔曼滤波的非视距误差消除算法

在蜂窝网无线定位中,到达时间(TOA)或到达时间差(TDOA)中的非视距(NLOS)误差会导致移动台的位置估计出现较大偏差.为了减轻NLOS误差的影响,提出了一种基于扩展卡尔曼滤波(EKF)的非视距误差消除算法.算法通过引入一个NLOS转换因子改进EKF的迭代过程,消除NLOS误差对定位估计的影响.计算机仿真结果表明,在NLOS环境下定位精度的提高是显著的.     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位。因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法。其中,滤波器的状态定义为机器人当前与历史时刻的位置序列。滤波器的观测值由两部分组成,一部分为该文所提基于多环路分割地图下信号强度加权匹配的WiFi指纹定位结果;另一部分来自激光雷达在单一重复场景中计算出来的高精度相对定位结果(如横向定位)。利用场景地图中的先验参考位置,可将该横向定位结果转变为机器人位置的线性约束。最后,利用卡尔曼滤波器实现机器人高精度的融合定位结果。实验中,针对两种典型的单一、重复的室内场景,分别采用2维与3维激光雷达对该文算法进行验证。实验结果表明,由于激光横向定位精度可达厘米级,结合厘米级地图可以极大提高机器人定位精度。与单一WiFi定位算法相比,利用激光雷达计算出来的相对定位结果结合场景地图,平均定位误差可降低70%～80%,在满足机器人实时定位需求情况下,实现定位精度与稳定性的显著提升。     

一种基于粒子滤波的多源融合室内定位方法

室内定位技术作为社会各行业迫切需求的科技服务,尚无公认完善的解决方法。由于单一技术的定位方法不可消除其固有缺点,多种定位技术融合提升的方法是实现高精度室内定位的重要研究方向。本文面向日益复杂的室内环境,提出一种多源融合室内定位方法,将深度置信网络与 RSSI 指纹定位方法相结合实现粗略定位,同时使用行人航位测算技术完成行人航迹预测。然后运用粒子滤波器将粗略定位结果与预测的行人航迹信息相融合,提升了传统 RSSI 室内指纹定位技术的精确度与实时性。     

基于EEMD的全质心UWB室内定位算法

针对室内环境下的非视距(non-line-of-sight,NLOS)及多径(Multipath)传播给定位结果带来较大误差的问题,本文先将通过超宽带(ultra wideband,UWB)室内定位系统中的TOA模型测得的目标节点(携带定位终端的人或物体)分别到三个锚节点(下位机)的距离值进行集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)分析除噪,再运用三角形全质心定位算法求出目标节点在二维坐标系中的坐标值,最后从这一组定位结果中随机选一个坐标值作为目标节点最终的定位结果。结果表明:与传统的粒子滤波法、贝叶斯滤波法、BP神经网络法、泰勒级数法、小波滤波法等提高定位精度的算法相比,该算法提高了定位精度及鲁棒性等性能。     

基于CFR虚拟阵列天线的AOA室内定位

准确地估计信号的到达角（Angle Of Arrival,AOA）为实现在室内高精度定位提供了可能,为了能够准确地估计室内多径信号的AOA,并提取出直射路径的AOA信息进行定位,本文提出一种利用信道频率响应信息（Channel Frequency Response,CFR）扩展阵列天线的亚米级室内定位系统.首先,采集CFR信息进行AOA和信号到达时间（Time Of Arrival,TOA）的联合估计;其次,提出了一种基于AOA和TOA二维聚类信息的直射路径识别算法;另外,还提出了可视环境（Line Of Sight,LOS）以及非可视环境（Non Line Of Sight,NLOS）的识别算法,可以准确的判断出当前接收机相对发射机是处于LOS还是NLOS环境;最后,利用现有的三天线Wi-Fi设备在室内进行了测角以及定位测试,实验结果表明本文提出的定位系统在室内LOS和NLOS环境下分别可以达到中值误差为0.8m,1.3m的定位精度,可用于室内高精度定位.     

Mobile Location Estimator in a Rough Wireless Environment Using Extended Kalman-Based IMM and Data Fusion

An extended Kalman-based interacting multiple model (EK-IMM) smoother is proposed for mobile location estimation with the data fusion of the time of arrival (TOA) and the received signal strength (RSS) measurements in a rough wireless environment. The extended Kalman filter is used for nonlinear estimation. The IMM is employed as a switch between the line-of-sight (LOS) and non-LOS (NLOS) states, which are considered to be a Markov process with two interactive modes. Combining extended Kalman filtering with the IMM scheme for accurately smooth range estimation between the corresponding base station (BS) and mobile station (MS) in the rough wireless environment, the proposed robust mobile location estimator, in association with data fusion, can efficiently mitigate the NLOS effects on the measurement range error. Simulation results illustrate that the performance of the proposed method has been significantly improved in the LOS/NLOS transition case. Moreover, the performance of the EK-IMM smoother with data fusion is also better than that with a single measurement used alone.      

一种新型的INS与UWB融合的室内行人跟踪方法

针对单一室内定位系统定位精度低、鲁棒性差的问题,提出了一种新型的基于动态鲁棒容积卡尔曼滤波的超宽带(Ultra-wideband,UWB)与惯性导航系统(Inertial Navigation System,INS)融合的定位方法.首先建立了一种易于实现的UWB-INS融合定位框架,然后提出了一种动态鲁棒容积卡尔曼滤波算法以处理多源数据的融合.提出的滤波算法可将M估计理论、强跟踪算法、动态增强策略与传统的容积卡尔曼滤波算法结合,以此缓解外界噪声和系统模型误差对状态估计的不利影响.在UWB-INS组合定位框架内采用动态鲁棒容积卡尔曼滤波,可实现对室内行人运动轨迹的精确稳定跟踪.实际数据测试和Matlab仿真验证了所提方法在复杂环境下其定位精度和鲁棒性均优于单一依赖UWB或INS技术的定位系统.     

NLOS环境下基于TOA/AOA的单基站目标跟踪

现有的单基站定位技术由于非视距（Non-Line-of-Sight,NLOS）误差的存在,导致定位性能急剧下降。针对这一问题,提出了一种基于单基站的改进扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法。该算法在扩展卡尔曼滤波器中引入阈值去判断是否丢弃测量值,通过对卡尔曼增益的处理来提高对NLOS误差的滤除能力,最后利用扩展卡尔曼滤波器的跟踪性能对移动目标进行定位跟踪。仿真结果表明,所提算法的定位精度优于传统的EKF、无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）等算法,且对抑制NLOS误差具有良好的效果。     

基于TDOA无线定位的NLOS误差抑制算法

在无线定位算法中,非视距误差是影响定位精度的一个重要因素。为了减小NLOS误差的影响,文中提出了一种基于TDOA的NLOS误差抑制算法。该算法引入信息阈值和修正参数,对卡尔曼滤波迭代过程进行改进,有效地抑制了TDOA测量值中的NLOS误差。仿真结果表明,该算法在NLOS误差严重且误差模型不确定的环境下仍可保持较高的定位精度,且性能优于已有基于卡尔曼滤波的NLOS误差抑制算法。     

利用时变噪声贝叶斯卡尔曼滤波的室内移动目标定位

基于射频识别的指纹滤波定位技术是当前室内定位中常使用的技术之一。针对该技术存在的卡尔曼滤波算法不能准确适应环境噪声变化,致使定位精度不高的问题,提出了一种适应时变噪声的贝叶斯卡尔曼滤波算法。所提算法结合Sage-Husa滤波模型和贝叶斯模型,实现了过程和测量协方差矩阵的最优化,有效地降低了噪声,提高了指纹滤波定位的精度。实验结果表明,与变分贝叶斯卡尔曼滤波和Sage-Husa滤波相比,无障碍情况下,基于改进算法的定位精度提高了6%以上;有障碍干扰下,则提高了14. 6%以上。     

卡尔曼滤波在iBeacon室内定位系统中的应用

为了抑制iBeacon信号在传播过程中由于人员扰动、多径效应等引起的噪声,以及移动定位过程中定位结果的不稳定,在iBeacon室内定位系统中引入了卡尔曼滤波算法分别对采集到的iBeacon信号与移动定位结果进行处理.首先通过卡尔曼滤波对采集的信号进行处理,降低了信号噪声,提高了信号的质量,其次应用卡尔曼滤波对移动定位结果进行二次处理,提高了移动定位结果的稳定性与精度.实验结果表明,在办公室环境下采用卡尔曼滤波进行处理后可将1 m以内的定位精度提高到80%以上.     

低指纹密度下分段式高精确度室内定位方法

针对室内环境中传统定位方法在大定位区域、低指纹密度下定位精确度低、计算复杂度高的问题,提出了一种基于线性插值法和分布重叠的分段式定位方法。该方法采用传统的最近邻法进行粗定位,得到可信区域;利用线性插值法更新可信区域内指纹数据库,增加指纹密度;在可信区域内,采用基于分布重叠的指纹相似度匹配法实现精定位。实验结果表明,在低指纹密度下,该定位方法定位精确度较高,算法复杂度适中,具有一定的适用性。     

NLOS环境下移动台位置与速率估计

NLOS (Non-line of Sight)误差是定位中的主要误差来源,直接影响了定位的精度 。在MIMO（Multiple Input Multiple Output）系统中,基于NLOS信道模型的定位方法成为 解决NLOS定位误差问题的利器。基于此提出一种新颖的几何方法,仅采用两条NLOS路径就可 计算MS(Mobile Station)的位置,并且只需要利用单个基站便可完成MS的定位,克服了基站 数目过少无法准确定位MS的缺陷。在此基础上,还给出了最小二乘与最大似然算法利用多条 NLOS路径来改善定位精度的方法,并利用它对NLOS环境下运动的MS进行定位跟踪。理论分析 和仿真结 果都证明该定位方法在NLOS环境中对MS定位的有效性与精确度。     

非视距环境下基于RSS-TOA的定位算法

在无线传感器网络定位系统中,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,提出了一种针对非视距环境下联合接收信号强度（RSS）和到达时间（TOA）的定位算法。该方法首先通过 RSS和 TOA的测量结果建立关于目标位置的非凸优化问题,然后通过二阶锥松弛理论,将原始的非凸优化问题转换为一种凸优化问题,由此能够快速得到原问题的一个次优解。通过计算机模拟仿真验证,新方法的估计精度更高,性能更好。