CN107124696B - 一种基于蓝牙rssi的无钥匙系统定位方法 - Google Patents
一种基于蓝牙rssi的无钥匙系统定位方法 Download PDFInfo
- Publication number
- CN107124696B CN107124696B CN201710167473.4A CN201710167473A CN107124696B CN 107124696 B CN107124696 B CN 107124696B CN 201710167473 A CN201710167473 A CN 201710167473A CN 107124696 B CN107124696 B CN 107124696B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- key
- point
- distance
- base stations
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/14—Determining absolute distances from a plurality of spaced points of known location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Lock And Its Accessories (AREA)
Abstract
本发明提供了一种基于蓝牙RSSI的无钥匙系统定位方法,其特征在于,首先,初步判断钥匙是在车内还是车外;建立车内外空间坐标系,设四个基站分别安装在汽车的四边中央,当汽车智能钥匙接收四个基站发出来的信号强度后,先对各强度进行对比,判断出钥匙在哪一个象限;由信号强度,依据车内衰减模型求出钥匙至四个基站的距离,进而判断钥匙是在车内还是车外;根据钥匙在车内还是车外,利用车内衰减神经网络模型或自由空间衰减模型,得到校正后的钥匙至四个基站的距离;再利用二次加权质心分段定位算法对钥匙位置进行定位。本发明提供的方法大大提高了智能车钥匙的定位精度。
Description
技术领域
本发明涉及无线通信与智能控制技术领域,特别涉及一种基于蓝牙RSSI的无钥匙系统定位方法。
背景技术
智能钥匙是无钥匙系统的核心电子设备,由于其人性化的设计以及高安全性受到广大汽车厂商的青睐。目前,国内外也相继出现无钥匙进入系统的各种产品,但由于无钥匙系统还是一项较为先进的技术,核心技术只掌握在少数厂商之间,所以现在主要应用在高档轿车中。
无钥匙系统的关键技术之一是区域检测技术,区域检测用于定位钥匙位置,判断其是否在设定的工作范围。区域检测的精度是衡量一个无钥匙系统好坏的重要参数,利用无线定位技术确定钥匙所处位置是无钥匙系统正常工作的重要环节。
然而,现有的无钥匙系统定位的精度还不太理想,如何提高无钥匙系统定位的精度是本领域技术人员致力于解决的难题。
发明内容
本发明要解决的技术问题是如何提高无钥匙系统定位的精度。
为了解决上述技术问题,本发明的技术方案是提供一种基于蓝牙RSSI的无钥匙系统定位方法,其特征在于,步骤为:
步骤1:初步判断钥匙是在车内还是车外;
建立车内外空间坐标系,设四个基站A1、A2、A3、A4的位置分别安装在汽车的四边中央,A1在Y轴y1处,A2在X轴-x1处,A3在X轴x1处,A4在Y轴-y1处;
当汽车智能钥匙接收四个基站发出来的信号强度后,先对各强度进行对比,判断出钥匙在哪一个象限;
其中,S()表示求信号强度的函数,M表示汽车智能钥匙的位置,Q1、Q2、Q3、Q4分别表示第一、二、三、四象限;
由信号强度,依据车内衰减模型求出M至A1、A2、A3、A4的距离d1、d2、d3、d4,取其中最小的两个值dmin1和dmin2的平方相加,再和y1 2+x1 2进行比较,根据余弦定理可知:若dmin1 2+dmin2 2≥y1 2+x1 2,则M在车外,反之M在车内;
步骤2:当钥匙处于车外位置时,采用自由空间衰减模型求出距离,如下:
L0=32.44+20lgd(Km)+20lgf(MHz)
其中,L0为路径损耗,即测出的信号强度;d为距离;f为电磁波的频率;
当钥匙处于车内位置时,采用车内衰减模型,具体采用人工神经网络模型求出距离,神经网络的输入层为测出的信号强度,输出层为距离;
如此,根据钥匙在车内还是车外,利用车内衰减模型或自由空间衰减模型,得到校正后的M至A1、A2、A3、A4的距离dj1、dj2、dj3、dj4;
步骤3:提出约束条件
根据约束条件必须满足下列四个不等式的成立:
如果四个不等式有任一个不成立,那么算法中断,天线再次发射出信号,请求定位;如果四个不等式都成立,则转步骤4;
步骤4:进行二次加权计算
在二维平面中,只要知道三个已知节点与未知节点的距离,就可以很精确地得到未知点的位置信息,可以把它看作是以三个已知节点的位置为圆心,以到未知节点的距离为半径,作三个圆,这三个圆一定会相交于一点,存在下列公式:
其中,(x1,y1)为A1点坐标,(x2,y2)为A2点坐标,(x3,y3)为A3点坐标,(x,y)为汽车智能钥匙的位置M点坐标;
但是在实际的定位过程中,由于各种噪声的影响,未知点M的位置在三个圆重叠区域的任一位置;上式应当改写为:
其中,Δ1、Δ2、Δ3分别为对应距离的比例误差系数。
加权质心定位算法的思想就是要对未知点到已知点的距离进行加权,而后再求加权后的质心位置,这种思想的依据是由于距离越近,误差因子就越小,距离越大,误差因子就越大;所以引入未知点与已知点之间的距离作为权重因子,设权重因子取下列值:
W11=(dj2+dj3)/2(dj1+dj2+dj3);
W12=(dj1+dj3)/2(dj1+dj2+dj3);
W13=(dj1+dj2)/2(dj1+dj2+dj3)。
其中,W11为点A1对应的权重因子,W12为点A2对应的权重因子,W13为点A3对应的权重因子;
设点M的估测位置为(xg,yg),那么质心计算公式可以表达为:
由于在车内安装有四个蓝牙基站,利用三边测量法进行计算,可以得到四个近似的未知节点坐标,在对这四个近似未知节点坐标求质心时,再次引入权重因子,以求到更为精确的坐标;设由基站A1、A2、A3,A1、A2、A4,A1、A3、A4以及A2、A3、A4确定的未知节点M的估测位置分别为M1(xg1,yg1)、M2(xg2,yg2)、M3(xg3,yg3)、M4(xg4,yg4),根据权重因子的特性,分别取它们的权重因子为:
W21=dj4/(dj1+dj2+dj3+dj4);
W22=dj3/(dj1+dj2+dj3+dj4);
W23=dj2/(dj1+dj2+dj3+dj4);
W24=dj1/(dj1+dj2+dj3+dj4)。
其中,W21为估测位置M1对应的权重因子,W22为估测位置M2对应的权重因子,W23为估测位置M3对应的权重因子,W24为估测位置M4对应的权重因子;
对这四个估测点进行二次加权质心计算,得到M的最终估测位置:
(xg,yg)即为汽车智能钥匙的位置M的最终估测值。
优选地,所述基站通过蓝牙发射和接收电磁波信号,并测量信号强度。
本发明提供的方法首先根据车内无线信号的衰减特性,利用BP神经网络拟合车内信号强度RSSI-d非线性函数进行测距,再利用基于汽车环境的二次加权质心分段定位算法进行定位,大大提高了智能车钥匙的定位精度。
附图说明
图1为基于蓝牙RSSI的无钥匙系统定位方法框图;
图2为本实施例中车内RSSI-d非线性函数关系图;
图3为本实施例中基站位置设置示意图;
图4为二次加权质心分段定位算法流程图;
图5为三边测量实际情况示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
结合图1,本实施例提供了一种基于蓝牙RSSI的无钥匙系统定位方法,首先对车内车外射频信号衰减模型进行研究,利用BP神经网络拟合车内信号强度RSSI-d非线性函数进行测距,再利用基于汽车环境的二次加权质心分段定位算法进行智能车钥匙定位。具体如下:
一、信号强度RSSI测距
无钥匙系统对钥匙的定位,要分两种情况:一是钥匙处于车内位置,二是钥匙处于车外位置。当钥匙处于车外位置的时候,对钥匙的定位精度要求并不是太高,主要是因为,当设定钥匙离车三米车门自动关闭,或当钥匙进入到三米以内车门自动解锁,这些距离都是以米为单位进行的,误差几厘米甚至十几厘米、几十厘米对这些功能都没有影响。
当钥匙处于车外位置时,车的外部空间基本可以看作自由空间,所以可以采用自由空间模型。自由空间电波的传播损耗可表达为:
L0=32.44+20lgd(Km)+20lgf(MHz) (1)
其中,L0为路径损耗(测出的信号强度RSSI),d为距离,f为电磁波的频率。
当钥匙处于车内位置时,汽车内部构成了一个复杂的电磁波传播环境,在这个环境里,电磁波存在着反射、透射等多种传播,想要完整地描述电磁波在车内的损耗,十分的困难。常用的无线信号传输模型如下式:
RSSI(d)=A-10*nlog(d) (2)
以上模型中,RSSI为信号强度,d为距离,参数A和n为用于描述定位环境的特性参数。在车内复杂环境下,很难通过计算或经验给出这两参数的值。
人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息系统。具有很强的自适、自学习功能,其中BP网络是目前应用最为广泛的一种网络模型。BP神经网络又称为多层前馈神经网络,是目前研究最多的网络形式之一。这种神经网络模型的特点是:BP网络不仅有输入层节点、输出层节点,而且有隐含层节点。每层上的神经元称为节点或单元。BP网络的神经元采用的传递函数通常是Sig-moid型函数,所以可以实现输入和输出间的任意非线性映射,这使得它在诸如函数逼近、模式识别、数据压缩等领域有着广泛的应用。因此完全可以用BP神经网络来拟合车内RSSI与距离d之间的非线性函数关系。
BP神经网络模型为:(1)训练输入样本集p=0.2∶0.2∶2,即测试距离0.2~2米,每隔20厘米测试一下信号强度;训练输出样本集即每一距离对应的接收的信号强度。(2)采用三层BP网络,输入层为信号强度,输出层为信号传播的距离,隐层25个节点。隐层节点作用函数选择对称型S函数(tansig),输出节点为线性(purelin)。(3)权值调整算法采用最陡下降法(trainlm)。(4)训练次数1000次,精度为0.001。得到车内RSSI-d非线性函数关系如图2所示。
二、基于汽车环境的二次加权质心分段定位算法
首先初步判断钥匙在车内外的情况,运用不同的衰减模型进行距离计算,减小累计误差,然后,找到一种比较合适的权值因子的计算方法,对估计点进行了二次加权。
在设计算法时,首先就要建立车内外空间坐标系,本实施例中,四个基站A1、A2、A3、A4的位置分别安装在汽车的四边中央,如图3,A1在Y轴98处,A2在X轴-71处,A3在X轴71处,A4在Y轴-98处。
结合图4,基于汽车环境的二次加权质心分段定位算法如下:
2.1车内外位置的初步判断
当汽车智能钥匙接收四个基站发出来的信号强度后,先对各强度进行对比,判断出钥匙在哪一个象限。
其中,S()表示求信号强度的函数,M表示汽车智能钥匙的位置,Q1、Q2、Q3、Q4分别表示第一、二、三、四象限。
2.2提出约束条件
根据钥匙在车内还是车外,利用车内衰减模型或自由空间衰减模型,得到校正后的M至A1、A2、A3、A4的距离dj1、dj2、dj3、dj4,根据约束条件必须满足下列四个不等式的成立:
如果四个不等式有任一个不成立,那么算法中断,天线再次发射出信号,请求定位。
2.3进行二次加权计算
在二维平面中,只要知道三个已知节点与未知节点的距离,就可以很精确地得到未知点的位置信息,可以把它看作是以三个已知节点的位置为圆心,以到未知节点的距离为半径,作三个圆,这三个圆一定会相交于一点,存在下列公式:
其中,(x1,y1)为A1点坐标,(x2,y2)为A2点坐标,(x3,y3)为A3点坐标,(x,y)为汽车智能钥匙的位置M点坐标。
但是在实际的定位过程中,由于各种噪声的影响,对未知节点的定位不是在一个点上,而是在一个区域,如图5所示。
在图5中可以看到,实际在运用三边测量法时,未知点M的位置可能在图上三个圆重叠区域的任一位置。式(5)应当改写为:
其中,Δ1、Δ2、Δ3分别为对应距离的比例误差系数。
加权质心定位算法的思想就是要对未知点到已知点的距离进行加权,而后再求加权后的质心位置,这种思想的依据是由于距离越近,误差因子就越小,距离越大,误差因子就越大。所以引入未知点与已知点之间的距离作为权重因子,距离越近,权值就越大,距离越远,权值越小,也就是距离与权值成反比。因此,设权重因子取下列值:
其中,W11为点A1对应的权重因子,W12为点A2对应的权重因子,W13为点A3对应的权重因子;
设点M的估测位置为(xg,yg),那么质心计算公式可以表达为:
由于在车内安装有四个蓝牙基站,利用三边测量法进行计算,可以得到四个近似的未知节点坐标,这样就为二次加权打下了基础。在对这四个近似未知节点坐标求质心时,再次引入权重因子,可以求到更为精确的坐标。设由节点(基站)A1、A2、A3,A1、A2、A4,A1、A3、A4以及A2、A3、A4确定的未知节点M的估测位置分别为M1(xg1,yg1)、M2(xg2,yg2)、M3(xg3,yg3)、M4(xg4,yg4),根据权重因子的特性,分别取它们的权重因子为:
其中,W21为估测位置M1对应的权重因子,W22为估测位置M2对应的权重因子,W23为估测位置M3对应的权重因子,W24为估测位置M4对应的权重因子。
对这四个估测点进行二次加权质心计算,得到M的最终估测位置:
本发明是基于蓝牙基站来进行定位的,蓝牙定位技术适用于测量短距离,功耗较低,主要应用于小范围定位,有中等的安全性和可靠性。蓝牙设备体积小,易于集成在PDA、PC及手机中,因此很容易推广普及。
本发明使用蓝牙RSSI技术进行测距,改进了车内空间的测距衰减模型,提高了车内距离判断的准确度,为钥匙定位精度的提高打下了基础。在算法上,针对加权质心算法对数据利用不充分的缺点,加入了二次加权因子,设定了一些约束条件,改进了这一算法,并对定位结果进行了进一步的修正,使得定位精度达到了既定要求。
Claims (2)
1.一种基于蓝牙RSSI的无钥匙系统定位方法,其特征在于,步骤为:
步骤1:初步判断钥匙是在车内还是车外;
建立车内外空间坐标系,设四个基站A1、A2、A3、A4的位置分别安装在汽车的四边中央,A1在Y轴y1处,A2在X轴-x1处,A3在X轴x1处,A4在Y轴-y1处;
当汽车智能钥匙接收四个基站发出来的信号强度后,先对各强度进行对比,判断出钥匙在哪一个象限;
其中,S()表示求信号强度的函数,M表示汽车智能钥匙的位置,Q1、Q2、Q3、Q4分别表示第一、二、三、四象限;
由信号强度,依据车内衰减模型求出M至A1、A2、A3、A4的距离d1、d2、d3、d4,取其中最小的两个值dmin1和dmin2的平方相加,再和y1 2+x1 2进行比较,根据余弦定理可知:若dmin1 2+dmin2 2≥y1 2+x1 2,则M在车外,反之M在车内;
步骤2:当钥匙处于车外位置时,采用自由空间衰减模型求出距离,如下:
L0=32.44+20lg d(Km)+20lg f(MHz)
其中,L0为路径损耗,即测出的信号强度;d为距离;f为电磁波的频率;
当钥匙处于车内位置时,采用车内衰减模型,具体采用人工神经网络模型求出距离,神经网络的输入层为测出的信号强度,输出层为距离;
如此,根据钥匙在车内还是车外,利用车内衰减模型或自由空间衰减模型,得到校正后的M至A1、A2、A3、A4的距离dj1、dj2、dj3、dj4;
步骤3:提出约束条件
根据约束条件必须满足下列四个不等式的成立:
如果四个不等式有任一个不成立,那么算法中断,天线再次发射出信号,请求定位;如果四个不等式都成立,则转步骤4;
步骤4:进行二次加权计算
在二维平面中,只要知道三个已知节点与未知节点的距离,就可以很精确地得到未知点的位置信息,可以把它看作是以三个已知节点的位置为圆心,以到未知节点的距离为半径,作三个圆,这三个圆一定会相交于一点,存在下列公式:
其中,(x1,y1)为A1点坐标,(x2,y2)为A2点坐标,(x3,y3)为A3点坐标,(x,y)为汽车智能钥匙的位置M点坐标;
但是在实际的定位过程中,由于各种噪声的影响,未知点M的位置在三个圆重叠区域的任一位置;上式应当改写为:
其中,Δ1、Δ2、Δ3分别为对应距离的比例误差系数;
加权质心定位算法的思想就是要对未知点到已知点的距离进行加权,而后再求加权后的质心位置,这种思想的依据是由于距离越近,误差因子就越小,距离越大,误差因子就越大;所以引入未知点与已知点之间的距离作为权重因子,设权重因子取下列值:
W11=(dj2+dj3)/2(dj1+dj2+dj3);
W12=(dj1+dj3)/2(dj1+dj2+dj3);
W13=(dj1+dj2)/2(dj1+dj2+dj3);
其中,W11为点A1对应的权重因子,W12为点A2对应的权重因子,W13为点A3对应的权重因子;
设点M的估测位置为(xg,yg),那么质心计算公式可以表达为:
由于在车内安装有四个蓝牙基站,利用三边测量法进行计算,可以得到四个近似的未知节点坐标,在对这四个近似未知节点坐标求质心时,再次引入权重因子,以求到更为精确的坐标;设由基站A1、A2、A3,A1、A2、A4,A1、A3、A4以及A2、A3、A4确定的未知节点M的估测位置分别为M1(xg1,yg1)、M2(xg2,yg2)、M3(xg3,yg3)、M4(xg4,yg4),根据权重因子的特性,分别取它们的权重因子为:
W21=dj4/(dj1+dj2+dj3+dj4);
W22=dj3/(dj1+dj2+dj3+dj4);
W23=dj2/(dj1+dj2+dj3+dj4);
W24=dj1/(dj1+dj2+dj3+dj4);
其中,W21为估测位置M1对应的权重因子,W22为估测位置M2对应的权重因子,W23为估测位置M3对应的权重因子,W24为估测位置M4对应的权重因子;
对这四个估测点进行二次加权质心计算,得到M的最终估测位置:
(xg,yg)即为汽车智能钥匙的位置M的最终估测值。
2.如权利要求1所述的一种基于蓝牙RSSI的无钥匙系统定位方法,其特征在于:所述基站通过蓝牙发射和接收电磁波信号,并测量信号强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710167473.4A CN107124696B (zh) | 2017-03-20 | 2017-03-20 | 一种基于蓝牙rssi的无钥匙系统定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710167473.4A CN107124696B (zh) | 2017-03-20 | 2017-03-20 | 一种基于蓝牙rssi的无钥匙系统定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107124696A CN107124696A (zh) | 2017-09-01 |
CN107124696B true CN107124696B (zh) | 2020-05-26 |
Family
ID=59718287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710167473.4A Expired - Fee Related CN107124696B (zh) | 2017-03-20 | 2017-03-20 | 一种基于蓝牙rssi的无钥匙系统定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107124696B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017220509A1 (de) * | 2017-11-16 | 2019-05-16 | Audi Ag | Lokalisieren eines mobilen Endgeräts mittels eines Fahrzeugs |
CN109991591B (zh) * | 2018-01-02 | 2023-08-22 | 中兴通讯股份有限公司 | 基于深度学习的定位方法、装置、计算机设备及存储介质 |
JP6927060B2 (ja) * | 2018-01-19 | 2021-08-25 | トヨタ自動車株式会社 | 車載通信装置及び通信方法 |
CN108375753A (zh) * | 2018-02-12 | 2018-08-07 | 华南理工大学 | 基于双模多重加权质心算法的无钥匙进入系统定位方法 |
CN108966128A (zh) * | 2018-07-19 | 2018-12-07 | Oppo广东移动通信有限公司 | 导航定位方法及相关产品 |
US10440576B1 (en) | 2018-08-23 | 2019-10-08 | Nxp B.V. | System for securing keyless entry systems |
CN109257696B (zh) * | 2018-10-09 | 2020-05-29 | 上海博泰悦臻电子设备制造有限公司 | 一种车辆及其应用的车辆控制系统和方法 |
CN109413571B (zh) * | 2018-10-25 | 2021-02-02 | 上海麦士信息技术有限公司 | 一种基于自动解锁的汽车车门蓝牙ble定位方法 |
CN109375168B (zh) * | 2018-11-16 | 2023-06-16 | 华南理工大学 | 一种基于rssi的低速移动车辆定位方法 |
CN109699004A (zh) * | 2018-12-25 | 2019-04-30 | 深圳市元征科技股份有限公司 | 蓝牙钥匙定位方法、装置、蓝牙设备及存储介质 |
CN110062326B (zh) * | 2019-04-08 | 2021-02-09 | 上海交通大学 | 一种车用蓝牙智能钥匙的定位与内外部辨识方法 |
CN110072283B (zh) * | 2019-04-28 | 2020-10-20 | 新华三技术有限公司 | 蓝牙定位方法、装置、定位服务器及机器可读存储介质 |
CN110459074A (zh) * | 2019-08-12 | 2019-11-15 | 东北大学 | 基于雷达和wifi的矿用卡车防碰撞预警系统及方法 |
CN110557717B (zh) * | 2019-09-06 | 2021-01-12 | 上海银基信息安全技术股份有限公司 | 获取rssi的方法、定位方法、从接收器及主接收器 |
CN111601235B (zh) * | 2019-12-27 | 2022-04-29 | 北京经纬恒润科技股份有限公司 | 三维智能钥匙定位方法、基站及三维智能钥匙定位系统 |
CN113064416A (zh) * | 2019-12-31 | 2021-07-02 | 青岛海高设计制造有限公司 | 一种用于送货装置的控制方法、装置及送货装置 |
US11586212B2 (en) | 2020-02-19 | 2023-02-21 | Ford Global Technologies, Llc | Vehicle device localization |
CN111929669B (zh) * | 2020-06-30 | 2021-11-12 | 湖南华诺星空电子技术有限公司 | 基于距离补偿的无线电侦测测距的修正方法及系统 |
CN112884945A (zh) * | 2020-12-07 | 2021-06-01 | 武汉格罗夫氢能汽车有限公司 | 一种基于神经网络的燃料电池氢能汽车遥控钥匙定位系统 |
CN112632680B (zh) * | 2020-12-30 | 2022-08-05 | 同济大学 | 基于深度学习的大型土木工程结构的渗漏水状况重建方法 |
CN112883999A (zh) * | 2021-01-13 | 2021-06-01 | 安徽大学 | 一种用于奶牛运动异常检测计步器系统及其方法 |
CN114379509B (zh) * | 2021-12-07 | 2023-11-17 | 南京矽力微电子技术有限公司 | 一种车辆的智能钥匙二维定位方法和装置 |
CN116367296A (zh) * | 2021-12-21 | 2023-06-30 | 北京罗克维尔斯科技有限公司 | 移动终端的定位方法、装置、设备和存储介质 |
CN115032587B (zh) * | 2022-04-24 | 2024-05-24 | 北京握奇智能科技有限公司 | 一种数字车钥匙三维定位方法 |
CN116506800B (zh) * | 2023-04-28 | 2023-12-05 | 青岛柯锐思德电子科技有限公司 | 一种基于超宽带的车内外判断及车内位置判断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413564A (zh) * | 2011-11-25 | 2012-04-11 | 北京工业大学 | 基于bp神经网络和改进质心算法的室内定位方法 |
CN102967848A (zh) * | 2012-11-28 | 2013-03-13 | 电子科技大学 | 一种基于距离关系库及接收信号强度的定位方法 |
CN103885030A (zh) * | 2014-03-07 | 2014-06-25 | 电子科技大学 | 一种无线传感器网络移动节点的定位方法 |
WO2015172458A1 (zh) * | 2014-05-14 | 2015-11-19 | 中国科学院沈阳自动化研究所 | 一种基于跳频技术的rssi定位方法 |
CN105554873A (zh) * | 2015-11-10 | 2016-05-04 | 胡燕祝 | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 |
-
2017
- 2017-03-20 CN CN201710167473.4A patent/CN107124696B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413564A (zh) * | 2011-11-25 | 2012-04-11 | 北京工业大学 | 基于bp神经网络和改进质心算法的室内定位方法 |
CN102967848A (zh) * | 2012-11-28 | 2013-03-13 | 电子科技大学 | 一种基于距离关系库及接收信号强度的定位方法 |
CN103885030A (zh) * | 2014-03-07 | 2014-06-25 | 电子科技大学 | 一种无线传感器网络移动节点的定位方法 |
WO2015172458A1 (zh) * | 2014-05-14 | 2015-11-19 | 中国科学院沈阳自动化研究所 | 一种基于跳频技术的rssi定位方法 |
CN105554873A (zh) * | 2015-11-10 | 2016-05-04 | 胡燕祝 | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络和改进质心算法的室内无线定位技术的研究;石晓伟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107124696A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107124696B (zh) | 一种基于蓝牙rssi的无钥匙系统定位方法 | |
CN110506219B (zh) | 用于对无线通信系统的终端进行地理定位的方法和系统 | |
CN107359948A (zh) | 一种认知无线网络的频谱预测方法及装置 | |
CN111818636B (zh) | 一种车载蓝牙定位系统及其定位方法 | |
CN110933685B (zh) | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 | |
CN112182961B (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
CN111601235B (zh) | 三维智能钥匙定位方法、基站及三维智能钥匙定位系统 | |
CN111313987B (zh) | 适于智能家居的基于神经网络的路径损耗预测方法 | |
CN108375753A (zh) | 基于双模多重加权质心算法的无钥匙进入系统定位方法 | |
CN105676179A (zh) | 一种基于433MHz信号的室内定位方法和系统 | |
CN110636436A (zh) | 基于改进chan算法的三维uwb室内定位方法 | |
CN106125043A (zh) | 一种基于定位位置残差加权的定位方法 | |
CN106851544B (zh) | 一种无线自组织网络的位置校验方法 | |
CN111641919A (zh) | 一种uwb基站迭代自定位与校准方法 | |
CN112738749B (zh) | 一种基于菲涅尔区的船载环境多目标室内定位方法 | |
CN112399331B (zh) | 一种汽车蓝牙钥匙定位方法 | |
CN109413571A (zh) | 一种基于自动解锁的汽车车门蓝牙ble定位方法 | |
CN111505566A (zh) | 一种特高频射频信号doa估计方法 | |
Raitoharju et al. | Using unlocated fingerprints in generation of WLAN maps for indoor positioning | |
CN103517412B (zh) | 一种认知网内的基站及其双终端协作定位授权网内终端的方法 | |
CN105738866A (zh) | 一种基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
Gadhgadhi et al. | Distance estimation using polynomial approximation and neural network based on rssi technique | |
CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 | |
Matsui et al. | Fingerprint positioning method in inter-coordinate estimation using weighted average of existence probability distribution output of 3-layer NN | |
Ivrigh et al. | A blind source separation-based positioning algorithm for cognitive radio systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20200526 |
|
CF01 | Termination of patent right due to non-payment of annual fee |