CN104482933B - 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 - Google Patents
一种基于粒子滤波航迹推算和无线局域网组合定位的方法 Download PDFInfo
- Publication number
- CN104482933B CN104482933B CN201410723295.5A CN201410723295A CN104482933B CN 104482933 B CN104482933 B CN 104482933B CN 201410723295 A CN201410723295 A CN 201410723295A CN 104482933 B CN104482933 B CN 104482933B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Abstract
一种基于粒子滤波的航迹推算和无线局域网组合定位新方法,该方法有四大步骤:步骤一、航迹推算实现空间循迹;步骤二、无线局域网WLAN的RSSI定位;步骤三、建立合适的系统状态模型和观测模型;步骤四、采用粒子滤波算法,实现迭代运算。本发明非常简单实用,定位精度高,可行性高。
Description
技术领域
本发明提供一种基于粒子滤波航迹推算和无线局域网组合定位的方法,属于行人自主导航定位技术领域。
背景技术
目前,行人自主导航定位逐渐成为人民日常生活中不可或缺的一部分内容。传统的行人导航定位多依赖于GPS定位技术。然而在建筑物内部,GPS信号衰减现象严重,导致行人室内导航定位的精度严重降低。为了实现行人在室内的精确导航定位,航迹推算技术和基于无线局域网的RSSI定位技术逐渐兴起。然而,受限于MEMS惯性器件的精度,航迹推算误差往往较大;基于无线局域网的RSSI定位技术需要预先布置定位场景,技术成本较高;因此本发明采用粒子滤波算法实现航迹推算和无线局域网RSSI技术组合定位方案,有效降低了航迹推算技术误差和无线局域网RSSI定位技术技术成本,具有重要的学术意义和工程应用价值。
发明内容
1、目的:本发明的目的是提供一种基于粒子滤波航迹推算和无线局域网组合定位的方法,该方法具有可行性高,精度高等优点,其技术方案如下:
2、技术方案:本发明一种基于粒子滤波航迹推算和无线局域网组合定位的方法,该方法具体步骤如下:
步骤一、采用航迹推算技术实现室内循迹。
设行人在初始时刻t0的位置为(E0,N0),行走的距离是S0,初始航向角是θ0,可推算出在下一时刻t1行人所处的位置(E1,N1),如下式所示:
行人在tk时刻位置的航位推算公式如下式所示:
行人导航系统中主要采用步数与步长的乘积获得相对位移量:
Sk=Nk*L (3)
因此要想实现实时行人航迹推算算法,每个解算周期内需要已知如下三个物理量:行走的步数N,步长L和初始航向角θ。
相关研究表明,运动过程中垂向加速度计的变化情况可以表征行走步数的变化,因此可以利用内置加速度计完成步数解算;航向角的变化量可以由内置陀螺仪的输出角速度积分得到;步长可以由已知数学模型描述,在稳定行走过程中近似认为步长不变,在完成适当的标定实验后,可以得到步长的估计值。
步骤二、采用无线局域网RSSI技术实现空间定位
根据IEEE802.11协议,WLAN信号源名称SSID和自身的信号强度标示RSSI都是信号接入点的发送参数的一部分内容,而各种便携式设备作为信号接收方,其内置的API协议架构能够保证方便地根据信号源名称SSID解析出对应的WLAN信号强度数值。因此,可以利用不同信号源对应的信号强度数值建立特定空间内信号强度的指纹数据库,并在指纹数据库中利用模式识别算法完成空间定位。目前常用的模式识别算法包括k最近邻法,核函数估计法和人工神经网络估计法。
步骤三、建立系统状态模型和观测模型。
本方法利用粒子滤波进行行人导航定位研究,选择状态向量为Xk=(xk,yk)T。
在两次滤波算法解算周期内行人移动的距离为:
dk=Nk×L (4)
对应k时刻的状态向量的变化可以表示为:
假定行人在k时刻位置为Xk=(xk,yk)T,考虑航向角误差,步长误差和步数检测误差,系统状态模型可以由下式描述:
其中,Δθk为航向角误差,Mk为步数检测误差。
本文提出基于航迹推算和无线局域网WLAN搭建组合导航定位系统,可以利用无线局域网WLAN的接收信号强度标示RSSI,借助模式识别算法,解算出定位坐标因此,可以将作为观测值,建立系统观测模型。
系统观测方程如下式所示:
其中,为系统k时刻的观测噪声,假定系统观测噪声为均值为0的高斯噪声,方差为因此,后向概率密度函数可以简化为式(8):
步骤四、采用粒子滤波算法实现组合定位。
假定t-1时刻更新完毕的粒子集为基于基本粒子滤波算法的室内定位算法实现步骤如下:
a.初始化
对于k=1,从状态先验概率中产生粒子初始化完毕的粒子集为
b.重要性采样
对于k=1,2…N,根据完成抽样,即根据系统状态模型式(6)采样新粒子
c.权值更新与归一化
根据当前观测值Zk,利用进行权值更新
d.重采样
每个粒子将被重新采样,采样次数与粒子自身的权值大小成正比。重采样完成之后粒子集为该粒子集代表了k时刻下每个粒子的后验状态分布。
e.状态估计
按照完成k时刻的估计,一次迭代过程完成。
3、优点与功效:本发明一种基于粒子滤波的航迹推算和无线局域网组合定位新方法,其特点是精度高,可行性高。
附图说明
图1为是本发明所述方法的流程框图。
具体实施方式
图1为本发明所述方法的流程框图,本发明分四步实现,具体为:
步骤一、采用航迹推算技术实现室内循迹。
步骤二、采用无线局域网RSSI技术实现空间定位
利用不同信号源对应的信号强度数值建立特定空间内信号强度的指纹数据库,并在指纹数据库中利用模式识别算法完成空间定位。目前常用的模式识别算法包括k最近邻法,核函数估计法和人工神经网络估计法。
步骤三、建立系统状态模型和观测模型。
本方法中状态向量为
在两次滤波算法解算周期内行人移动的距离为:
dk=Nk×L (9)
对应k时刻的状态向量的变化可以表示为:
假定行人在k时刻位置为Xk=(xk,yk)T,考虑航向角误差,步长误差和步数检测误差,系统状态模型可以由下式描述:
其中,Δθk为航向角误差,Mk为步数检测误差。
利用无线局域网WLAN的接收信号强度标示RSSI,借助模式识别算法,解算出定位坐标因此,可以将作为观测值,建立系统观测模型。
系统观测方程如下式所示:
其中,为系统k时刻的观测噪声,假定系统观测噪声为均值为0的高斯噪声,方差为因此,后向概率密度函数可以简化为式(13):
步骤四、采用粒子滤波算法实现组合定位。
假定t-1时刻更新完毕的粒子集为基于基本粒子滤波算法的室内定位算法实现步骤如下:
f.初始化
对于k=1,从状态先验概率中产生粒子初始化完毕的粒子集为
g.重要性采样
对于k=1,2…N,根据完成抽样,即根据系统状态模型式(6)采样新粒子
h.权值更新与归一化
根据当前观测值Zk,利用进行权值更新
i.重采样
每个粒子将被重新采样,采样次数与粒子自身的权值大小成正比。重采样完成之后粒子集为该粒子集代表了k时刻下每个粒子的后验状态分布。
j.状态估计
按照完成k时刻的估计,一次迭代过程完成。
Claims (1)
1.一种基于粒子滤波航迹推算和无线局域网组合定位的方法,其特征在于:该方法具体步骤如下:
步骤一、采用航迹推算技术实现室内循迹;
设行人在初始时刻t0的位置为(E0,N0),行走的距离是S0,初始航向角是θ0,推算出在下一时刻t1行人所处的位置(E1,N1),如下式所示:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<msub>
<mi>sin&theta;</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>N</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<msub>
<mi>cos&theta;</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
行人在tk时刻位置的航位推算公式如下式所示:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<msub>
<mi>sin&theta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>...</mo>
<mo>=</mo>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<msub>
<mi>sin&theta;</mi>
<mi>i</mi>
</msub>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<msub>
<mi>cos&theta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>...</mo>
<mo>=</mo>
<msub>
<mi>N</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<msub>
<mi>cos&theta;</mi>
<mi>i</mi>
</msub>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
行人导航系统中采用步数与步长的乘积获得相对位移量:
Sk=Wk*L (3)
因此要实现实时行人航迹推算算法,每个解算周期内需要已知如下三个物理量:行走的步数Wk,步长L和初始航向角θ0;
利用内置加速度计完成步数解算;航向角的变化量由内置陀螺仪的输出角速度积分得到;步长由已知数学模型描述,在稳定行走过程中近似认为步长不变,在完成标定实验后,得到步长的估计值;
步骤二、采用无线局域网RSSI技术实现空间定位
利用不同信号源对应的信号强度数值建立特定空间内信号强度的指纹数据库,并在指纹数据库中利用模式识别算法完成空间定位;模式识别算法包括k最近邻法,核函数估计法和人工神经网络估计法;
步骤三、建立系统状态模型和观测模型
利用粒子滤波进行行人导航定位研究,选择状态向量为Xk=(xk,yk)T,
在两次滤波算法解算周期内行人移动的距离为:
dk=Wk×L (4)
对应k时刻的状态向量的变化表示为:
<mrow>
<msub>
<mi>&Delta;X</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>sin&theta;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>cos&theta;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>*</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
假定行人在k时刻位置为Xk=(xk,yk)T,考虑航向角误差,步长误差和步数检测误差,系统状态模型由下式描述:
<mrow>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&Delta;X</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>&Delta;</mi>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>&Delta;</mi>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&Delta;M</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>L</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Δθk为航向角误差,Mk为步数,ΔMk为步数检测误差;
基于航迹推算和无线局域网WLAN搭建组合导航定位系统,利用无线局域网WLAN的接收信号强度标示RSSI,借助模式识别算法,解算出定位坐标因此,将作为观测值,建立系统观测模型;
系统观测方程如下式所示:
<mrow>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>w</mi>
<mi>k</mi>
<mi>x</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>w</mi>
<mi>k</mi>
<mi>y</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为系统k时刻的观测噪声,假定系统观测噪声为均值为0的高斯噪声,方差为因此,后向概率密度函数简化为式(8):
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msub>
<mi>&pi;&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>x</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤四、采用粒子滤波算法实现组合定位;
假定t-1时刻更新完毕的粒子集为基于基本粒子滤波算法的室内定位算法实现步骤如下:
a.初始化
对于k=1,从状态先验概率中产生粒子初始化完毕的粒子集为
b.重要性采样
对于k=1,2…N,根据完成抽样,即根据系统状态模型式(6)采样新粒子
c.权值更新与归一化
根据当前观测值Zk,利用进行权值更新;
d.重采样
每个粒子将被重新采样,采样次数与粒子自身的权值大小成正比;重采样完成之后粒子集为该粒子集代表了k时刻下每个粒子的后验状态分布;
e.状态估计
按照完成k时刻的估计,一次迭代过程完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410723295.5A CN104482933B (zh) | 2014-12-03 | 2014-12-03 | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410723295.5A CN104482933B (zh) | 2014-12-03 | 2014-12-03 | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104482933A CN104482933A (zh) | 2015-04-01 |
CN104482933B true CN104482933B (zh) | 2017-12-29 |
Family
ID=52757503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410723295.5A Expired - Fee Related CN104482933B (zh) | 2014-12-03 | 2014-12-03 | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104482933B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115487B (zh) * | 2015-05-18 | 2017-09-01 | 陈希 | 一种基于信息融合的超市内定位导航方法 |
CN106123897B (zh) * | 2016-06-14 | 2019-05-03 | 中山大学 | 基于多特征的室内融合定位方法 |
KR102529903B1 (ko) * | 2016-12-14 | 2023-05-08 | 현대자동차주식회사 | 차량의 위치 추정 장치 및 방법 |
CN107588773B (zh) * | 2017-08-30 | 2019-11-05 | 北京理工大学 | 一种基于航位推算与测距信息的多节点协同导航方法 |
CN107702712A (zh) * | 2017-09-18 | 2018-02-16 | 哈尔滨工程大学 | 基于惯性测量双层wlan指纹库的室内行人组合定位方法 |
US10694485B2 (en) * | 2018-08-15 | 2020-06-23 | GM Global Technology Operations LLC | Method and apparatus for correcting multipath offset and determining wireless station locations |
CN109323695A (zh) * | 2018-10-29 | 2019-02-12 | 东南大学—无锡集成电路技术研究所 | 一种基于自适应无迹卡尔曼滤波的室内定位方法 |
EP3680618A1 (en) | 2019-01-10 | 2020-07-15 | Technische Universität München | Method and system for tracking a mobile device |
CN110111275B (zh) * | 2019-04-29 | 2022-11-29 | 武汉工程大学 | 一种信号降噪的方法、系统及计算机存储介质 |
CN110536245B (zh) * | 2019-08-28 | 2020-10-30 | 杭州电子科技大学 | 一种基于深度学习的室内无线定位方法及系统 |
CN112333818B (zh) * | 2020-10-27 | 2021-11-02 | 中南民族大学 | 基于自适应周期性粒子滤波的多源融合室内定位系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278945B1 (en) * | 1997-11-24 | 2001-08-21 | American Gnc Corporation | Fully-coupled positioning process and system thereof |
CN101762805A (zh) * | 2008-07-02 | 2010-06-30 | 凹凸电子(武汉)有限公司 | 组合导航系统以及导航方法 |
CN103206954A (zh) * | 2013-04-25 | 2013-07-17 | 佳木斯大学 | 一种基于ukf的移动机器人多传感器信息融合方法 |
CN103379619A (zh) * | 2012-04-16 | 2013-10-30 | 中兴通讯股份有限公司 | 一种定位方法和系统 |
-
2014
- 2014-12-03 CN CN201410723295.5A patent/CN104482933B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278945B1 (en) * | 1997-11-24 | 2001-08-21 | American Gnc Corporation | Fully-coupled positioning process and system thereof |
CN101762805A (zh) * | 2008-07-02 | 2010-06-30 | 凹凸电子(武汉)有限公司 | 组合导航系统以及导航方法 |
CN103379619A (zh) * | 2012-04-16 | 2013-10-30 | 中兴通讯股份有限公司 | 一种定位方法和系统 |
CN103206954A (zh) * | 2013-04-25 | 2013-07-17 | 佳木斯大学 | 一种基于ukf的移动机器人多传感器信息融合方法 |
Non-Patent Citations (1)
Title |
---|
基于数据融合的WLAN/MARG组合定位系统;刘兴川等;《系统工程与电子技术》;20121130;第34卷(第11期);第2361-2365页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104482933A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104482933B (zh) | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 | |
Feng et al. | Kalman-filter-based integration of IMU and UWB for high-accuracy indoor positioning and navigation | |
CN105263113B (zh) | 一种基于众包的WiFi位置指纹地图构建方法及其系统 | |
CN107396321B (zh) | 基于手机传感器和iBeacon的无监督式室内定位方法 | |
Bae et al. | Large-scale indoor positioning using geomagnetic field with deep neural networks | |
WO2017088196A1 (zh) | 基于无线指纹和mems传感器的融合导航装置和方法 | |
CN109883428B (zh) | 一种融合惯导、地磁和WiFi信息的高精度定位方法 | |
CN108534779A (zh) | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 | |
CN109164411B (zh) | 一种基于多数据融合的人员定位方法 | |
CN105589064A (zh) | Wlan位置指纹数据库快速建立和动态更新系统及方法 | |
CN110320495A (zh) | 一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法 | |
CN111829516B (zh) | 一种基于智能手机的自主式行人定位方法 | |
CN106767828A (zh) | 一种手机室内定位解决方法 | |
CN112333818B (zh) | 基于自适应周期性粒子滤波的多源融合室内定位系统及方法 | |
CN103513229A (zh) | 基于wifi信号的定位方法 | |
CN104869541A (zh) | 一种室内定位追踪方法 | |
CN106610292A (zh) | 一种基于混合wifi与航迹推算的室内定位方法 | |
CN106840163A (zh) | 一种室内定位方法及系统 | |
CN111970633A (zh) | 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法 | |
CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 | |
CN104066179A (zh) | 一种改进的自适应迭代ukf的wsn节点定位方法 | |
CN112729301A (zh) | 一种基于多源数据融合的室内定位方法 | |
CN113566820B (zh) | 一种基于位置指纹和pdr算法的融合人行定位方法 | |
CN106482738A (zh) | 基于在线增量超限学习机的室内指纹定位算法 | |
CN104507097A (zh) | 一种基于WiFi位置指纹的半监督训练方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171229 Termination date: 20191203 |
|
CF01 | Termination of patent right due to non-payment of annual fee |