矿井人员融合定位系统

针对基于传统接收信号强度指示(RSSI)指纹定位算法的井下人员定位系统在离线采样阶段指纹数据库采集工作量大、易受井下环境影响,基于行人航迹推算(PDR)算法的定位系统存在误差累计的问题,设计了一种基于改进RSSI指纹定位算法和PDR算法的矿井人员融合定位系统。该系统采用GS1011控制器和MPU9150惯性传感器构成智能终端,将采集的惯性传感器、RSSI和时间戳数据通过井下WiFi网络上传至地面监控中心定位服务器;定位服务器采用扩展卡尔曼滤波对RSSI指纹定位算法和PDR算法的定位信息进行融合,实现井下人员定位。试验结果表明,该系统平均定位误差为1.79m,小于单独采用RSSI指纹定位算法或PDR算法的系统定位误差,定位精度满足井下人员定位要求。     

基于改进PDR与RSSI融合的定位算法

在室内定位系统中,基于接收信号强度指示(RSSI)测距定位系统接收到的信号会因环境的不确定性出现不可预测的随机变化,行人航位推算(PDR)定位系统存在错误地估计传感器的参数及左右脚运动不一致等产生累积误差的问题。针对上述问题,提出一种基于改进PDR与RDDI融合的定位算法,根据PDR定位的递归特性校正估计传感器的参数,同时进行左右脚坐标数据融合。在此基础上将扩展卡尔曼滤波器(EKF)作为RDDI和PDR定位的融合滤波器,以降低PDR累计误差,从而提高定位精度,获得系统的最优定位结果。实验结果表明,该融合定位算法有效地提高了定位精度。     

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。     

基于指纹膜与航迹推算的井下人员定位系统

针对RSSI指纹膜定位方法受矿井环境影响较大,而基于航迹推算的定位方法易形成误差累积的问题,设计了基于指纹膜与航迹推算的井下人员定位系统。该系统周期性采集人员的位置信息与运动姿态信息,利用K近邻和峰值检测方法求解指纹定位结果和航迹推算结果,并对定位结果进行加权融合得到目标位置。测试结果表明,该系统明显提高了定位精度和稳定性,对煤矿巷道复杂环境具有较强的适应能力。     

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。     

基于粒子滤波的多信息融合室内定位算法研究

针对现有室内定位技术精度低、实现复杂度高等问题,提出一种基于粒子滤波的多信息融合室内定位算法。在传统的行人航迹推算(PDR)以及地磁匹配等室内定位算法的基础上,通过粒子滤波动态地纠正行人步长和方向角,从而有效地减小了定位误差。通过PDR算法获得行人的步频、步长、方向等信息,由地磁匹配算法得到行人所在位置对应的地磁值,最后利用粒子滤波对以上信息进行融合处理从而得到粒子的权重,由粒子权重对步长和方向角不断地修正。实验结果表明,该算法可以实时动态地补偿PDR的定位误差,能够获得较高的定位精度。     

基于MEMS传感器的煤矿井下人员定位系统设计

针对现有井下人员定位系统存在定位精度低及成本高等问题,设计了基于MEMS传感器的煤矿井下人员定位系统。该系统采用MPU9150惯性传感器获取测量数据,以CC2530为主控芯片实现数据的采集、处理;通过井下已有的WiFi基站,并结合行人航迹推算算法实现井下人员的精确定位:利用融合了行走频率和加速度方差的表达式来确定步长,采用四元数法估计行人方向角,并根据扩展卡尔曼滤波对方向角的原始数据进行修正,从而获得井下人员的具体位置。实验结果表明,在100m距离内,该系统的定位误差小于2.2m,能够实现煤矿井下人员的高精度定位。     

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。     

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/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.     

基于LQI权重和改进粒子群算法的室内定位方法

为解决无线传感网络节点在室内定位中由非视距和多径传输等因素导致定位误差较大的问题,提出了基于三角函数的粒子群算法.针对RSSI波动性引起的测距误差,利用LQI和RSSI值之间的关系对RSSI值进行优化,提出了基于LQI权重的RSSI测距算法.改进的粒子群算法相比较于标准粒子群算法优化了权重模型和速度更新策略,避免陷入局部最优值情况.在对算法进行仿真实验后,进一步将其运用到Zigbee平台的定位实验,通过实测实验证明该算法在测试环境下平均定位误差在0.5m以内,相比于LSE和标准PSO算法,获得较好的定位效果.     

一种基于蓝牙信标的室内定位系统

针对室内定位与导航服务的应用需求,使用蓝牙信标节点,构建了一种米级室内定位系统.设计了一种基于CC2540F256的蓝牙4.0信标节点,采用优化均匀部署方法完成信标的布设,在此基础上配置信标BLE协议栈进行位置标识;在安卓平台下搭建定位终端,利用三角质心定位方法实现位置估计.该系统在传统RSSI定位方法的基础上,加入阶段去噪与平滑滤波过程,用于提高测距准确度和稳定性.在实验室楼道测试环境下,平均定位精度可达1.5m,具有布设方便、功耗低和绿色环保的特点.     

基于RSSI的机器人室内卡尔曼滤波定位算法研究

针对移动机器人在室内环境中定位难的问题,提出了一种基于RSSI（Receive Signal Strength Indicator）的卡尔曼滤波定位算法。利用基于RSSI的定位方法估算用户的位置坐标,利用卡尔曼滤波算法对用户的估算位置坐标进行优化处理,以提高室内定位系统的性能和稳定性。实验结果表明,卡尔曼滤波算法是鲁棒的,可以有效改善系统的定位精度,达到了预期的目的。     

基于不同发射功率的室内定位算法优化

在无线传感网络室内定位中,节点的发射功率不同会降低基于对数-正态模型的定位算法的定位精度。针对这一问题,基于真实室内环境下RSSI值的变化,提出了一种基于不同发射功率的室内定位优化算法。该算法通过确定最小动态区域,对RSSI测距方法进行优化,降低不同发射功率带来影响。仿真和实验结果证明,提出的新算法在参与定位的信标节点发射功率不一致的情况下,达到了信标节点发射功率一致情况下的定位精度。     

基于RSSI的自适应权重定位算法

在室内环境中,由于存在多径、反射的影响,采用传统的静态权重质心定位(SWCL)方法无法得到准确的定位精度.针对这一问题,提出了一种新的基于接收信号强度指示(RSSI)的动态自适应静态权重质心定位(RSSI—DA—SWCL)算法.对RSSI测距算法优化,消除不同发射功率和其它突发干扰对测距的影响;利用锚节点和未知节点距离等信息,让锚节点自适应地获得最优的权重系数,从而提高定位精度;将RSSI—DA—SWCL算法在ZigBee平台中实现,并通过Maltab仿真和实测实验对算法进行验证.结果表明:和传统的定位算法相比,提出算法具有更优的定位精度.     

一种基于RSSI的贝叶斯室内定位算法

为提高室内定位系统中基于接收信号强度指示(RSSI)的定位精度,提出一种基于RSSI的贝叶斯室内定位算法。在对RSSI信号进行高斯滤波预处理后,利用三角形质心算法计算未知节点的初始坐标,对该初始坐标进行贝叶斯滤波处理,得到更加准确的坐标。实验结果表明,该算法能降低定位误差,定位精度可达98%。     

基于二维网格融合特征参数的室内匹配定位算法

针对接收信号强度值(RSSI)的时变特性降低定位精度的问题,提出了一种基于二维网格特征参数融合的室内匹配定位算法。该算法融合RSSI和信号到达时间差(TDOA)构建网格特征参数模型,基于二维网格快速搜索策略降低匹配定位的计算量,采用网格特征向量的归一化欧氏距离进行最优网格匹配定位,最终由匹配网格的参考节点计算终端的精确位置。定位仿真实验中,该算法在3m网格粒度下的定位均方根误差为1.079m,平均定位误差小于1.865m;3m定位精度下的概率达到94.7%,相对于传统单一RSSI模型法提高了19.6%。所提算法能够有效提高室内定位精度,同时减少搜索数据量,降低匹配定位的计算复杂度。     

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。     

基于蓝牙技术融合混合滤波与神经网络的室内测距方法

为了解决用户在基于蓝牙技术的室内测距定位中,接收信号强度指示（RSSI）数据存在采样值波动和不稳定问题,提出了一种改进的融合混合滤波与多隐藏层神经网络的室内测距方法,通过结合各类单一滤波算法的优点,使用加权的混合滤波算法有效平滑了数据,并引入机器学习算法中的多隐藏层神经网络来构建RSSI和锚节点到信号接收器距离的非线性映射关系。此外,还搭建了基于CC2640R2F的锚节点和以手机作为蓝牙接收器的验证平台,对提出的测距方法进行验证。理论分析与实验结果表明,所提出的室内测距方法的测距结果平均误差约为0.13 m,可以有效降低测距误差,具有易于布设、功耗低、成本低等特点,在提高室内定位的稳定性和精准度等方面具有较高的应用价值。     

狭长空间基于人体穿透损耗模型的组合定位方法

狭长空间定位问题普遍存在于室内定位应用场景中,虽然传统基于RSSI（Received Signal Strength Indicator）测距的定位方法简便易行,但是狭长空间RSS的波动性以及人体对无线信号的遮挡会严重降低人员定位精度。本文在分析了人体穿透损耗对狭长空间定位影响的基础上,提出将RSSI测距与扩展卡尔曼滤波定位算法组合实现定位,即在中等尺度（5λ~50λ）内采用基于人体穿透损耗模型的RSSI测距方法定位,在大尺度（>50λ）内采用基于人体遮挡修正模型的扩展卡尔曼滤波算法定位。实验表明该方法在狭长空间的定位精度明显优于RSSI测距定位方法。