CN107402375B - 一种带观测时滞的室内行人定位efir数据融合系统及方法 - Google Patents

一种带观测时滞的室内行人定位efir数据融合系统及方法 Download PDF

Info

Publication number
CN107402375B
CN107402375B CN201710671294.4A CN201710671294A CN107402375B CN 107402375 B CN107402375 B CN 107402375B CN 201710671294 A CN201710671294 A CN 201710671294A CN 107402375 B CN107402375 B CN 107402375B
Authority
CN
China
Prior art keywords
time
uwb
moment
efir
observation
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.)
Active
Application number
CN201710671294.4A
Other languages
English (en)
Other versions
CN107402375A (zh
Inventor
徐元
李岳炀
王宜敏
部丽丽
吴玉涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN201710671294.4A priority Critical patent/CN107402375B/zh
Publication of CN107402375A publication Critical patent/CN107402375A/zh
Application granted granted Critical
Publication of CN107402375B publication Critical patent/CN107402375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种带观测时滞的室内行人定位EFIR数据融合系统及方法，包括：通过UWB目标节点获取其与UWB参考节点之间的到达时刻，并通过TOA‑距离模型得到UWB参考节点与目标节点之间的距离信息。将获取到的距离信息作为观测量输入到EFIR滤波器，通过EFIR滤波器进行数据融合，并对目标行人的位置信息进行预估，最终得到当前时刻的行人最优的位置信息。本发明有益效果：EFIR滤波器以目标行人在k和k‑1时刻在东向和北向的位置和速度作为状态量，以UWB定位标签测量得到的k‑1时刻参考节点与定位标签之间的距离作为系统观测量构建UWB定位模型进行数据融合，减少了由于UWB无线数据传输造成的数据采集延时对系统定位精度的影响。

Description

一种带观测时滞的室内行人定位EFIR数据融合系统及方法
技术领域
本发明涉及复杂环境下组合定位技术领域，尤其涉及一种带观测时滞的室内行人定位EFIR数据融合系统及方法。
背景技术
近年来，行人导航(Pedestrian Navigation,PN)作为导航技术应用的新兴领域，正越来越受到各国学者的重视，并逐渐成为该领域的研究热点。然而在隧道、大型仓库、地下停车场等室内环境下，外界无线电信号微弱、电磁干扰强烈等因素都会对目标行人导航信息获取的准确性、实时性及鲁棒性有很大影响。如何将室内环境下获取的有限信息进行有效的融合以消除室内复杂环境影响，保证行人导航精度的持续稳定，具有重要的科学理论意义和实际应用价值。
在现有的定位方式中，全球卫星导航系统(Global Navigation SatelliteSystem,GNSS)是最为常用的一种方式。虽然GNSS能够通过精度持续稳定的位置信息，但是其易受电磁干扰、遮挡等外界环境影响的缺点限制了其应用范围，特别是在室内、地下巷道等一些密闭的、环境复杂的场景，GNSS信号被严重遮挡，无法进行有效的工作。近年来，UWB(Ultra Wideband)以其在复杂环境下定位精度高的特点在短距离局部定位领域表现出很大的潜力。学者们提出将基于UWB的目标跟踪应用于GNSS失效环境下的行人导航。这种方式虽然能够实现室内定位，但是由于室内环境复杂多变，UWB信号十分容易受到干扰而导致定位精度下降甚至失锁；与此同时，由于UWB采用的通信技术通常为短距离无线通信技术，因此若想完成大范围的室内目标跟踪定位，需要大量的网络节点共同完成，这必将引入网络组织结构优化设计、多节点多簇网络协同通信等一系列问题。因此现阶段基于UWB的目标跟踪在室内导航领域仍旧面临很多挑战。
发明内容
本发明的目的就是为了解决由于UWB无线数据传输造成的数据采集延时对系统定位精度的影响，提供了一种带观测时滞的室内行人定位EFIR数据融合系统及方法，该系统及方法以UWB定位标签测量得到的k-1时刻参考节点与定位标签之间的距离作为系统观测量构建UWB定位模型进行数据融合，减少了由于UWB无线数据传输造成的数据采集延时对系统定位精度的影响。
为实现上述目的，本发明的具体方案如下：
一种带观测时滞的室内行人定位EFIR数据融合系统，包括：
UWB目标节点：用于测量UWB定位标签与UWB参考节点之间的距离信息；
UWB参考节点：预先放置在设定的位置，便于测量与定位标签之间的距离；
数据处理系统：用于对采集到的传感器数据进行数据融合；
所述UWB目标节点固定在行人的身体上，所述UWB参考节点设置在任意位置，所述UWB目标节点与数据处理系统连接。
进一步地，所述数据处理系统包括EFIR滤波器，通过所述EFIR滤波器对UWB目标节点获取的其与UWB参考节点之间的距离信息进行数据融合，最终得到目标行人的最优位置信息预估。
一种带观测时滞的室内行人定位EFIR数据融合方法，包括：
(1)以目标行人在k和k-1时刻在东向和北向的位置和速度作为状态量，以UWB定位标签测量得到的k-1时刻参考节点与定位标签之间的距离作为系统观测量，构建UWB定位模型；
(2)通过UWB目标节点获取其与UWB参考节点之间的到达时刻TOA，并通过TOA-距离模型得到UWB参考节点与目标节点之间的距离信息；
(3)将获取到的距离信息作为观测量输入到扩展有限状态响应滤波器，通过扩展有限状态响应滤波器进行数据融合，并对目标行人的位置信息进行预估，最终得到当前时刻的行人最优的位置信息。
进一步地，所述扩展有限状态响应滤波器的状态方程为：
Figure BDA0001373162590000021
其中，
Figure BDA0001373162590000022
分别为非时滞模型下k时刻、k-1时刻和k-2时刻的状态向量，
Figure BDA0001373162590000023
为非时滞模型下k时刻的系统矩阵。
进一步地，所述非时滞模型下k时刻的系统矩阵
Figure BDA0001373162590000024
具体为：
Figure BDA0001373162590000025
其中，(PEast,k,PNorth,k)、(PEast,k-1,PNorth,k-1)分别为k时刻和k-1时刻目标行人在东向和北向的位置；(VEast,k,VNorth,k)、(VEast,k-1,VNorth,k-1)分别为k时刻和k-1时刻目标行人在东向和北向的速度；T为采样时间；
Figure BDA0001373162590000031
为非时滞模型中k-1时刻的系统噪声。
进一步地，所述扩展有限状态响应滤波器的观测方程为：
Figure BDA0001373162590000032
其中，(d1,k-1,d2,k-1,d3,k-1,d4,k-1)分别为通过UWB目标节点获取到的k-1时刻到UWB参考节点(编号1-4)的距离信息，
Figure BDA0001373162590000033
为系统k时刻的观测噪声；
Figure BDA0001373162590000034
为在k-1时刻参考节点i的东向位置；
Figure BDA0001373162590000035
为在k-1时刻参考节点i的北向位置；
Figure BDA0001373162590000036
为关于
Figure BDA0001373162590000037
的函数。
进一步地，所述TOA-距离模型具体为：
以UWB目标节点获取到的其与UWB参考节点之间的到达时刻TOA为输入量，以距离为输出量，中间运算过程为；TOA*光速＝距离。
进一步地，作为状态量目标行人k时刻和k-1时刻的东向和北向位置的初值根据实际需要自行设定。
进一步地，所述扩展有限状态响应滤波器EFIR进行数据融合的方法具体为：
设定中间变量m和s：
m＝k-N+1,s＝m+M-1；
其中，N为EFIR滤波器的局部滤波窗口的大小；M为状态向量的维数；
Figure BDA0001373162590000038
其中，
Figure BDA0001373162590000039
为s时刻带观测时滞模型下的状态向量中间变量；
Figure BDA00013731625900000310
为s时刻带观测时滞模型下的状态向量预估值；
Figure BDA0001373162590000041
为s时刻带观测时滞模型下的观测向量；
设定中间变量j的范围为从s+1时刻到k时刻，EFIR滤波器进行的迭代如下：
Figure BDA0001373162590000042
Figure BDA0001373162590000043
Figure BDA0001373162590000044
Figure BDA0001373162590000045
Figure BDA0001373162590000046
在此基础上，
Figure BDA0001373162590000047
其中，
Figure BDA0001373162590000048
为j-1时刻带观测时滞模型的系统矩阵；
Figure BDA0001373162590000049
为j-1时刻带观测时滞模型的状态向量迭代中间量；
Figure BDA00013731625900000410
为由j-1时刻得到的j时刻带观测时滞模型的状态向量迭代中间量；
Figure BDA00013731625900000411
和
Figure BDA00013731625900000412
分别为j和j-1时刻的广义噪声功率增益；
Figure BDA00013731625900000413
为j时刻带观测时滞模型的偏差校正增益；
Figure BDA00013731625900000414
为带观测时滞模型在j时刻的观测向量；
Figure BDA00013731625900000415
为j时刻带观测时滞模型下的状态向量预估值；
Figure BDA00013731625900000416
为关于
Figure BDA00013731625900000417
的函数。
本发明的有益效果：
1、EFIR滤波器以目标行人在k和k-1时刻在东向和北向的位置和速度作为状态量，以UWB定位标签测量得到的k-1时刻参考节点与定位标签之间的距离作为系统观测量构建UWB定位模型进行数据融合，减少了由于UWB无线数据传输造成的数据采集延时对系统定位精度的影响。
2、可用于室内环境下的智能鞋子的中高精度定位。
附图说明
图1为一种带观测时滞的室内行人定位系统示意图；
图2为一种带观测时滞的室内行人定位EFIR数据融合方法的示意图。
具体实施方式：
下面结合附图对本发明进行详细说明：
一种带观测时滞的室内行人定位系统，如图1所示，包括：UWB目标节点、UWB参考节点和数据处理系统；UWB目标节点固定置在行人的身体上，UWB参考节点设置在任意位置，UWB目标节点与数据处理系统连接。
其中，
UWB目标节点：用于测量UWB定位标签与UWB参考节点之间的距离信息；
UWB参考节点：预先放置在设定的位置，便于测量与定位标签之间的距离；
数据处理系统：用于对采集到的传感器数据进行数据融合；
数据处理系统包括EFIR滤波器，通过EFIR滤波器对UWB目标节点获取的其与UWB参考节点之间的距离信息进行数据融合，最终得到目标行人的最优位置信息预估。
一种带观测时滞的室内行人定位EFIR数据融合方法，如图2所示，包括：
(1)以目标行人在k和k-1时刻在东向和北向的位置和速度作为状态量，以UWB定位标签测量得到的k-1时刻参考节点与定位标签之间的距离作为系统观测量构建UWB定位模型进行数据融合；
(2)通过UWB目标节点获取其与UWB参考节点之间的到达时刻(Time of Arrival，TOA)，并通过TOA-距离模型得到UWB参考节点与目标节点之间的距离信息。
TOA-距离模型具体为：
以UWB目标节点获取到的其与UWB参考节点之间的到达时刻TOA为输入量，以距离为输出量，中间运算过程为；TOA*光速＝距离。
(3)将获取到的距离信息作为观测量输入到扩展有限状态响应(Extended finiteimpulse response，EFIR)滤波器，通过EFIR滤波器进行数据融合，并对目标行人的位置信息进行预估，最终得到当前时刻的行人最优的位置信息；
EFIR滤波器的状态方程为：
Figure BDA0001373162590000051
其中，
Figure BDA0001373162590000052
为非时滞模型下k时刻、k-1时刻和k-2时刻的状态向量，
Figure BDA0001373162590000053
为非时滞模型下k时刻的系统矩阵，其表达式如下所示：
Figure BDA0001373162590000061
其中，(PEast,k,PNorth,k)、(PEast,k-1,PNorth,k-1)分别为k时刻和k-1时刻目标行人在东向和北向的位置；(VEast,k,VNorth,k)、(VEast,k-1,VNorth,k-1)分别为k时刻和k-1时刻目标行人在东向和北向的速度；T为采样时间；
Figure BDA0001373162590000062
为非时滞模型中k-1时刻的系统噪声；
作为状态量目标行人k时刻和k-1时刻的东向和北向位置的初值根据实际需要自行设定。
EFIR滤波器的观测方程为：
Figure BDA0001373162590000063
其中，(d1,k-1,d2,k-1,d3,k-1,d4,k-1)为通过UWB未知节点获取到的k-1时刻到UWB参考节点(编号1-4)的距离信息，
Figure BDA0001373162590000064
为系统k时刻的观测噪声，
Figure BDA0001373162590000065
为关于
Figure BDA0001373162590000066
的函数；
扩展有限状态响应滤波器EFIR进行数据融合的方法具体为：
设定中间变量m和s：
m＝k-N+1,s＝m+M-1；
其中，N为EFIR滤波器的局部滤波窗口的大小；M为状态向量的维数；
Figure BDA0001373162590000067
其中，
Figure BDA0001373162590000068
为s时刻带观测时滞模型下的状态向量中间变量；
Figure BDA0001373162590000069
为s时刻带观测时滞模型下的状态向量预估值；
Figure BDA00013731625900000610
为s时刻带观测时滞模型下的观测向量；
设定中间变量j的范围为从s+1时刻到k时刻，EFIR滤波器进行的迭代如下：
Figure BDA0001373162590000071
Figure BDA0001373162590000072
Figure BDA0001373162590000073
Figure BDA0001373162590000074
Figure BDA0001373162590000075
在此基础上，
Figure BDA0001373162590000076
其中，
Figure BDA0001373162590000077
为j-1时刻带观测时滞模型的系统矩阵；
Figure BDA0001373162590000078
为j-1时刻带观测时滞模型的状态向量迭代中间量；
Figure BDA0001373162590000079
为由j-1时刻得到的j时刻带观测时滞模型的状态向量迭代中间量；
Figure BDA00013731625900000710
和
Figure BDA00013731625900000711
分别为j和j-1时刻的广义噪声功率增益；
Figure BDA00013731625900000712
为j时刻带观测时滞模型的偏差校正增益；
Figure BDA00013731625900000713
为带观测时滞模型在j时刻的观测向量；
Figure BDA00013731625900000714
为j时刻带观测时滞模型下的状态向量预估值；
Figure BDA00013731625900000715
为关于
Figure BDA00013731625900000716
的函数。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种带观测时滞的室内行人定位EFIR数据融合系统，其特征在于，包括：
UWB目标节点：用于测量UWB定位标签与UWB参考节点之间的距离信息；
UWB参考节点：预先放置在设定的位置，便于测量与定位标签之间的距离；
数据处理系统：用于对采集到的传感器数据进行数据融合；
所述UWB目标节点固定在行人的身体上，所述UWB参考节点设置在任意位置，所述UWB目标节点与数据处理系统连接；
所述数据处理系统包括EFIR滤波器，通过所述EFIR滤波器对UWB目标节点获取的其与UWB参考节点之间的距离信息进行数据融合，最终得到目标行人的最优位置信息预估，具体为：
(1)以目标行人在k和k-1时刻在东向和北向的位置和速度作为状态量，以UWB定位标签测量得到的k-1时刻参考节点与定位标签之间的距离作为系统观测量，构建UWB定位模型；
所述扩展有限状态响应滤波器的状态方程为：
Figure FDA0002382164670000011
其中，
Figure FDA0002382164670000012
分别为非时滞模型下k时刻、k-1时刻和k-2时刻的状态向量，
Figure FDA0002382164670000013
为非时滞模型下k时刻的系统矩阵；
所述扩展有限状态响应滤波器的观测方程为：
Figure FDA0002382164670000014
其中，(d1,k-1,d2,k-1,d3,k-1,d4,k-1)分别为通过UWB目标节点获取到的k-1时刻到UWB参考节点的距离信息，
Figure FDA0002382164670000015
为系统k时刻的观测噪声；
Figure FDA0002382164670000016
i＝1,2,3,4为在k-1时刻参考节点i的东向位置；
Figure FDA0002382164670000017
i＝1,2,3,4为在k-1时刻参考节点i的北向位置；
Figure FDA0002382164670000018
为关于
Figure FDA0002382164670000019
的函数；
Figure FDA00023821646700000110
为k时刻带观测时滞模型下的观测向量；
(2)通过UWB目标节点获取其与UWB参考节点之间的到达时刻TOA，并通过TOA-距离模型得到UWB参考节点与目标节点之间的距离信息；
(3)将获取到的距离信息作为观测量输入到扩展有限状态响应滤波器，通过扩展有限状态响应滤波器进行数据融合，并对目标行人的位置信息进行预估，最终得到当前时刻的行人最优的位置信息。
2.一种带观测时滞的室内行人定位EFIR数据融合方法，基于权利要求1所述的一种带观测时滞的室内行人定位EFIR数据融合系统实现，其特征在于，包括：
(1)以目标行人在k和k-1时刻在东向和北向的位置和速度作为状态量，以UWB定位标签测量得到的k-1时刻参考节点与定位标签之间的距离作为系统观测量，构建UWB定位模型；
所述扩展有限状态响应滤波器的状态方程为：
Figure FDA0002382164670000021
其中，
Figure FDA0002382164670000022
分别为非时滞模型下k时刻、k-1时刻和k-2时刻的状态向量，
Figure FDA0002382164670000023
为非时滞模型下k时刻的系统矩阵；
所述扩展有限状态响应滤波器的观测方程为：
Figure FDA0002382164670000024
其中，(d1,k-1,d2,k-1,d3,k-1,d4,k-1)分别为通过UWB目标节点获取到的k-1时刻到UWB参考节点的距离信息，
Figure FDA0002382164670000025
为系统k时刻的观测噪声；
Figure FDA0002382164670000026
i＝1,2,3,4为在k-1时刻参考节点i的东向位置；
Figure FDA0002382164670000027
i＝1,2,3,4为在k-1时刻参考节点i的北向位置；
Figure FDA0002382164670000028
为关于
Figure FDA0002382164670000029
的函数；
Figure FDA00023821646700000210
为k时刻带观测时滞模型下的观测向量；
(2)通过UWB目标节点获取其与UWB参考节点之间的到达时刻TOA，并通过TOA-距离模型得到UWB参考节点与目标节点之间的距离信息；
(3)将获取到的距离信息作为观测量输入到扩展有限状态响应滤波器，通过扩展有限状态响应滤波器进行数据融合，并对目标行人的位置信息进行预估，最终得到当前时刻的行人最优的位置信息。
3.如权利要求2所述的一种带观测时滞的室内行人定位EFIR数据融合方法，其特征在于，所述非时滞模型下k时刻的系统矩阵
Figure FDA0002382164670000031
具体为：
Figure FDA0002382164670000032
其中，(PEast,k,PNorth,k)、(PEast,k-1,PNorth,k-1)分别为k时刻和k-1时刻目标行人在东向和北向的位置；(VEast,k,VNorth,k)、(VEast,k-1,VNorth,k-1)分别为k时刻和k-1时刻目标行人在东向和北向的速度；T为采样时间；
Figure FDA0002382164670000033
为非时滞模型中k-1时刻的系统噪声。
4.如权利要求2所述的一种带观测时滞的室内行人定位EFIR数据融合方法，其特征在于，所述TOA-距离模型具体为：
以UWB目标节点获取到的其与UWB参考节点之间的到达时刻TOA为输入量，以距离为输出量，中间运算过程为；TOA*光速＝距离。
5.如权利要求2所述的一种带观测时滞的室内行人定位EFIR数据融合方法，其特征在于，作为状态量目标行人k时刻和k-1时刻的东向和北向位置的初值根据实际需要自行设定。
6.如权利要求2所述的一种带观测时滞的室内行人定位EFIR数据融合方法，其特征在于，所述扩展有限状态响应滤波器EFIR进行数据融合的方法具体为：
设定中间变量m和s：
m＝k-N+1,s＝m+M-1；
其中，N为EFIR滤波器的局部滤波窗口的大小；M为状态向量的维数；
Figure FDA0002382164670000034
其中，
Figure FDA0002382164670000035
为s时刻带观测时滞模型下的状态向量中间变量；
Figure FDA0002382164670000036
为s时刻带观测时滞模型下的状态向量预估值；
Figure FDA0002382164670000037
为s时刻带观测时滞模型下的观测向量；
设定中间变量j的范围为从s+1时刻到k时刻，EFIR滤波器进行的迭代如下：
Figure FDA0002382164670000041
Figure FDA0002382164670000042
在此基础上，
Figure FDA0002382164670000043
其中，
Figure FDA0002382164670000044
为j-1时刻带观测时滞模型的系统矩阵；
Figure FDA0002382164670000045
为j-1时刻带观测时滞模型的状态向量迭代中间量；
Figure FDA0002382164670000046
为由j-1时刻得到的j时刻带观测时滞模型的状态向量迭代中间量；
Figure FDA0002382164670000047
和
Figure FDA0002382164670000048
分别为j和j-1时刻的广义噪声功率增益；
Figure FDA0002382164670000049
为j时刻带观测时滞模型的偏差校正增益；
Figure FDA00023821646700000410
为带观测时滞模型在j时刻的观测向量；
Figure FDA00023821646700000411
为j时刻带观测时滞模型下的状态向量预估值；为关于
Figure FDA00023821646700000413
的函数。
CN201710671294.4A 2017-08-08 2017-08-08 一种带观测时滞的室内行人定位efir数据融合系统及方法 Active CN107402375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710671294.4A CN107402375B (zh) 2017-08-08 2017-08-08 一种带观测时滞的室内行人定位efir数据融合系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710671294.4A CN107402375B (zh) 2017-08-08 2017-08-08 一种带观测时滞的室内行人定位efir数据融合系统及方法

Publications (2)

Publication Number Publication Date
CN107402375A CN107402375A (zh) 2017-11-28
CN107402375B true CN107402375B (zh) 2020-05-05

Family

ID=60401643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710671294.4A Active CN107402375B (zh) 2017-08-08 2017-08-08 一种带观测时滞的室内行人定位efir数据融合系统及方法

Country Status (1)

Country Link
CN (1) CN107402375B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108680167B (zh) * 2018-05-16 2020-10-16 深迪半导体(上海)有限公司 基于uwb和激光测距的室内航位推算定位方法及系统
CN109141412B (zh) * 2018-08-06 2020-09-22 济南大学 面向有数据缺失ins/uwb组合行人导航的ufir滤波算法及系统
CN108759825B (zh) * 2018-08-06 2020-05-05 济南大学 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统
CN112788743A (zh) * 2019-11-11 2021-05-11 北京京邦达贸易有限公司 一种基于超宽带技术的定位方法和装置
CN112346007B (zh) * 2020-10-26 2022-08-12 上海航天测控通信研究所 一种测向定位方法及系统
CN113218388B (zh) * 2021-03-02 2022-07-05 济南大学 一种考虑可变有色测量噪声的移动机器人定位方法及系统
CN113970331A (zh) * 2021-09-06 2022-01-25 济南大学 一种基于重构观测量的四旋翼定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103281281A (zh) * 2013-05-28 2013-09-04 安徽华东光电技术研究所 一种基于超宽带室内导航定位系统
CN205176258U (zh) * 2015-10-20 2016-04-20 南京睿辰欣创网络科技股份有限公司 一种基于uwb的室内定位系统
CN105928518A (zh) * 2016-04-14 2016-09-07 济南大学 采用伪距和位置信息的室内行人uwb/ins紧组合导航系统及方法
CN106871893A (zh) * 2017-03-03 2017-06-20 济南大学 分布式ins/uwb紧组合导航系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103281281A (zh) * 2013-05-28 2013-09-04 安徽华东光电技术研究所 一种基于超宽带室内导航定位系统
CN205176258U (zh) * 2015-10-20 2016-04-20 南京睿辰欣创网络科技股份有限公司 一种基于uwb的室内定位系统
CN105928518A (zh) * 2016-04-14 2016-09-07 济南大学 采用伪距和位置信息的室内行人uwb/ins紧组合导航系统及方法
CN106871893A (zh) * 2017-03-03 2017-06-20 济南大学 分布式ins/uwb紧组合导航系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Triangulation-Based Indoor Robot Localization Using Extended FIR/Kalman Filtering;Moises Granados-Cruz etal.;《2014 11th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE)》;20141003;全文 *

Also Published As

Publication number Publication date
CN107402375A (zh) 2017-11-28

Similar Documents

Publication Publication Date Title
CN107402375B (zh) 一种带观测时滞的室内行人定位efir数据融合系统及方法
CN107255795B (zh) 基于ekf/efir混合滤波的室内移动机器人定位方法和装置
CN109141413B (zh) 具有数据缺失uwb行人定位的efir滤波算法及系统
CN103471595B (zh) 一种面向ins/wsn室内移动机器人紧组合导航的迭代扩展rts均值滤波方法
CN106680765B (zh) 基于分布式组合滤波ins/uwb行人导航系统及方法
Xu et al. Enhancing INS/UWB integrated position estimation using federated EFIR filtering
CN105509739A (zh) 采用固定区间crts平滑的ins/uwb紧组合导航系统及方法
Rinauro et al. Fast near-maximum likelihood phase estimation of X-ray pulsars
CN109141412B (zh) 面向有数据缺失ins/uwb组合行人导航的ufir滤波算法及系统
CN107966143A (zh) 一种基于多窗口的自适应efir数据融合方法
CN108759825B (zh) 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统
CN111964667B (zh) 一种基于粒子滤波算法的地磁_ins组合导航方法
CN205384029U (zh) 采用固定区间crts平滑的ins/uwb紧组合导航系统
CN114217268A (zh) 一种基于机器学习的复杂环境下无线定位方法
CN109655060B (zh) 基于kf/fir和ls-svm融合的ins/uwb组合导航算法及系统
CN104202817B (zh) 大型室内空间中的多热点信号指纹地图的存储和匹配方法
CN109269498B (zh) 面向具有数据缺失uwb行人导航的自适应预估ekf滤波算法及系统
Wang et al. Deep neural network‐based Wi‐Fi/pedestrian dead reckoning indoor positioning system using adaptive robust factor graph model
Wang et al. A compensation method for gyroscope random drift based on unscented Kalman filter and support vector regression optimized by adaptive beetle antennae search algorithm
Lu et al. A robust UWB array localization scheme through passive anchor assistance
CN104296741A (zh) 采用距离平方和距离平方变化率的wsn/ahrs紧组合方法
CN111578939B (zh) 考虑采样周期随机变化的机器人紧组合导航方法及系统
Kong et al. Hybrid indoor positioning method of BLE and monocular VINS based smartphone
CN104897157A (zh) 基于足部航姿参考和肩部电子罗盘的个人导航系统及方法
CN113218388B (zh) 一种考虑可变有色测量噪声的移动机器人定位方法及系统

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