CN108712725B - 一种基于啮齿类动物模型与wifi指纹的slam方法 - Google Patents

一种基于啮齿类动物模型与wifi指纹的slam方法 Download PDF

Info

Publication number
CN108712725B
CN108712725B CN201810520762.2A CN201810520762A CN108712725B CN 108712725 B CN108712725 B CN 108712725B CN 201810520762 A CN201810520762 A CN 201810520762A CN 108712725 B CN108712725 B CN 108712725B
Authority
CN
China
Prior art keywords
wifi
pose
fingerprint
cells
experience
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
CN201810520762.2A
Other languages
English (en)
Other versions
CN108712725A (zh
Inventor
孙柱新
秦国威
陈孟元
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.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic University
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 Anhui Polytechnic University filed Critical Anhui Polytechnic University
Publication of CN108712725A publication Critical patent/CN108712725A/zh
Application granted granted Critical
Publication of CN108712725B publication Critical patent/CN108712725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W4/025—Services making use of location information using location based information parameters
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于啮齿类动物模型与WIFI指纹的SLAM方法，涉及仿生学以及无线信号网络领域，利用基于WIFI信号强度的指纹识别方法，运用WIFI指纹信息代替原有啮齿类动物模型中的局部场景细胞网络，离线阶段建立位置指纹数据库，在线定位阶段使用贝叶斯算法完成WIFI信号强度指纹信息的匹配，修正位姿细胞网络的活性，最终获取更加精确的经历图，采用本发明的基于啮齿类动物模型与WIFI指纹的SLAM方法，不仅使得移动机器人的定位精确度更高，且提高了系统的稳定性，具备良好的定位性能。

Description

一种基于啮齿类动物模型与WIFI指纹的SLAM方法
技术领域
本发明涉及仿生学以及无线信号网络领域，具体涉及一种基于啮齿类动物模型与WIFI指纹的SLAM方法。
背景技术
同步定位与地图构建是移动机器人目前面临的重大难题。因为移动机器人实质上就是移动的传感器平台，传感器虽然类型和能力各有不同，但是广泛存在里程计漂移和不同的噪声等问题。后来经过学者们的不断探究，仿生机器人逐渐凸显出良好的应用前景，表现出完美的生物合理性和对自然环境的高度适应性。其中研究最多的为啮齿类动物模型。
此模型将路径积分和视觉场景信息集成到位姿感知细胞模型中，从而使得移动机器人具备一定的更新预测能力，与此同时建立起时间，空间位置及行为等信息的经历制图算法，目前已经广泛用于机器人的定位导航工作中，解决了众多 SLAM难以解决的问题,但是啮齿类动物模型获取的视觉场景信息以及测距里程计的信息均存在一定程度的误差，针对视觉里程计的误差引入FAB-MAP(fast appearance based mapping)，这种基于历史模型的闭环检测算法，通过实时关键帧的匹配，可以提高系统的稳定性，但是定位的精度并不稳定，且鲁棒性不强。所以，单独的啮齿类动物模型在定位精度及鲁棒性方面有待进一步改善。
发明内容
本发明的目的在于提供一种基于啮齿类动物模型与WIFI指纹的SLAM方法，以解决现有技术中导致的上述的缺陷。
一种基于啮齿类动物模型与WIFI指纹的SLAM方法，所述方法包括以下步骤：
步骤1)通过竞争型吸引子网络，将头方向细胞与位置细胞模型化位姿感知细胞，经过位姿细胞各自的加工处理，机器人自中心信息和非中心信息刺激影响位姿细胞的活动；
步骤2)将无线信号网络WIFI作为一种传感器用到啮齿类动物模型当中，离线阶段存储环境的WIFI信号强度的感应快照，形成WIFI强度模板；
步骤3)在线阶段完成新输入的WIFI强度与离线阶段WIFI强度匹配，位姿细胞网络的活性因子被激活修正，二者结合能够阻止错误匹配的发生，产生更加准确的经历图。
优选的，所述步骤1)中，吸引子竞争网络的动力学始终操纵位姿感知细胞网络内部的活动，其内部动态过程可分为兴奋度更新，对位姿感知细胞的全局抑制，位姿感知细胞活性的归一化。
优选的，所述步骤2)中，WIFI指纹获取环境的相关信息，并和位姿感知细胞之间存在相互作用，通过建立WIFI强度指纹和位姿感知细胞之间相关的连接，将激活的WIFI指纹中能量注入到位姿感知细胞中，WIFI指纹与可用的机器人位置连接起来，被更新的连接强度
Figure GDA0002561362440000021
则可表示为
Figure GDA0002561362440000022
式中：Ri为WIFI指纹中某位置的信号强度；Qxyθ为位姿感知细胞的活性水平。
优选的，所述步骤2)中，绘制定位区域地图，规划一系列的测试参考点，由WIFI强度接收装置依次测量各参考点来自不同AP的RSSI值，即多次测量取平均值，作为该参考点AP的WIFI信号强度，并按一定格式记录在位置指纹数据库中，该数据库也被称为位置指纹地图。
优选的，所述步骤3)中，经历都具有一个活性水平，活性水平由位姿感知细胞和WIFI指纹中能量峰与每一个经历相关单元之间接近程度所决定，每一个经历在位姿感知细胞和WIFI指纹中有一个相关的活性区域，当能量峰处于这些活性区域时，该激励立刻被激活，这些区域在位姿感知细胞内部是连续的，而在 WIFI指纹中的相关区域却是非连续的，每个经历ei由经历活性水平Ei，WIFI信号强度Ri所决定，
ei＝{Ei,Ri}
一个经历能级Exyθ和第i个经历的总能级水平Ei由下式计算可得
Figure GDA0002561362440000031
Figure GDA0002561362440000032
式中：xpcypc和θpc为最大活性姿态细胞的坐标；xi、yi、θi为与该经历相关的位姿感知细胞的坐标；ra为(x,y)平面的区域常数；θa为θ维上的区域常数， Rcurr为当前WIFI信号强度；Ri为与经历i相关的WIFI信号强度。
优选的，所述步骤3)中，在线阶段采用贝叶斯算法完成WIFI指纹信息的匹配，会修正位姿细胞的激活程度，进而产生经历图；贝叶斯算法在线定位分为两个阶段，分别是接入点AP的选取采用互信息化最小策略和采用贝叶斯算法进行位置估计。
本发明的优点在于：采用本发明的一种基于啮齿类动物模型与WIFI指纹的 SLAM方法，利用基于WIFI信号强度的指纹识别方法，运用WIFI指纹信息代替原有啮齿类动物模型中的局部场景细胞网络，离线阶段建立位置指纹数据库，在线定位阶段使用贝叶斯算法完成WIFI信号强度指纹信息的匹配，修正位姿细胞网络的活性，最终获取更加精确的经历图，不仅使得移动机器人的定位精确度更高，且提高了系统的稳定性，具备良好的定位性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1为本发明一种基于啮齿类动物模型与WIFI指纹的SLAM方法中啮齿类动物模型系统结构图。
图2为本发明一种基于啮齿类动物模型与WIFI指纹的SLAM方法中WIFI定位原理图。
图3为本发明一种基于啮齿类动物模型与WIFI指纹的SLAM方法基于WIFI 的啮齿类动物模型结构图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1所示：啮齿类动物模型中的视觉场景细胞通过视觉感知获取局部场景，此外，模型将头方向细胞和位置细胞合并，形成一个称为位姿细胞的新细胞类型。机器人的位姿信息即被编码在位姿感知细胞单独的竞争性吸引子网络(CAN) 模块中，经过位姿感知细胞各自的加工处理，机器人自中心信息和非中心信息刺激影响位姿细胞的活动，位姿细胞与视觉细胞产生位姿—视觉场景，进而产生经历图。
如图2所示：WIFI定位方法为位置指纹定位方法。与通常意义下的指纹识别相似，位置指纹定位识别主要依靠表示目标特征的数据库进行辨认。基于RSSI 的位置指纹定位方式分为两个阶段：离线采集阶段和在线定位阶段。
离线采集阶段的主要任务是采集定位区域各参考点的特征信息，建立位置指纹数据库。首先绘制定位区域地图，规划一系列的测试参考点，依次测量各参考点来自不同AP的RSSI值(多次测量取平均值)作为该参考点AP的信号特征数，并按一定格式记录在位置指纹数据库中，该数据库也被称为位置指纹地图。
室内环境下WIFI指纹图的建立方法如下，在定位环境中按照一定规则选取参考点，并在每个参考点上对AP的信号强度连续采样一段时间，得到每个AP的均值
Figure GDA0002561362440000041
存入数据库中，构成定位指纹图IM:
Figure GDA0002561362440000042
其中，
Figure GDA0002561362440000043
Li＝(xi,yi)表示参考点的位置,k为参考点的数量，
Figure GDA0002561362440000044
表示所有参考点的位置集合；A＝{AP1,AP2,...,APR}表示地图中所有观测到AP 的组成集合：
Figure GDA0002561362440000051
为定位指纹中所有均值的集合，其中
Figure GDA0002561362440000052
为第j个AP在参考点Li处的均值,MACi表示第i个参考点的MAC地址值。
在线定位阶段分为以下两个步骤：
步骤1:AP的选取策略
(1)假设室内定位环境可用的参考点AP个数为T，选取其中S个AP的优化子集则可以将信号空间的维度从T维降到S维，因而可以减少计算量。对于选取的S个AP进行两两组合，按照下式计算每个组合的互信息，查找出互信息最小的组合，其对应的APm，APn作为两个初始参考点AP；
MI(APm,APn)＝H(APm)+H(APn)-H(APm,APn)
式中：MI(APm,APn)表示两个不同AP的互信息；H(APm,APn)表示两个AP 的组合信息熵
(2)按照下式分别计算余下的S-2个AP与两个初始AP组合的互信息。
MI(APm,APn,APi)＝H(APm,APn)+H(APi)-H(APm,APn,APi)
找出能使得MI最小的AP作为最优化AP子集的第3个AP。
(3)依次按照第(2)步的形式选取下一个最优的AP，依次迭代，直到选取出S个最优AP为止。第R个最优的AP的选取算式为
MI(AP1,AP2,…,APR)＝H(AP1,AP2,…,APR-1)+
H(APR)-H(APm,APn,…,APR)
步骤2:贝叶斯位置估计策略
针对上述的互信息最小化AP选取策略，进一步使用贝叶斯后验估计进行组合优化，使得WIFI指纹定位算法的位置估计精度和可靠度大大提升。
贝叶斯后验估计的基本原理为
Figure GDA0002561362440000053
式中：RSSI表示多个AP在位置估计点的RSSI观测值；p(Li|RSSI)表示位置Li的在给定RSSI下的条件概率，即在观测到RSSI向量的情况下，定位点出现在Li的概率；p(RSSI|Li)表示位置Li的概率；p(Li)表示位置Li的概率，通常不考虑指纹点之间的差异，即指纹点等概率；p(RSSI)表示RSSI出现的全概率，其算式为
Figure GDA0002561362440000061
C(RSSI1,RSSI2,…,RSSIM)表示指纹点观测到的指定RSSI向量的个数；K 表示指纹点观测历元数。
将上述全概率算式回带至贝叶斯后验估计式，从而计算出后验条件概率。采用多个指纹点的贝叶斯权重位置估计算式能够较在短时间内算出位置估计点的位置，令估计点的位置为p
Figure GDA0002561362440000062
式中：(x,y)表示位置估计点的二维坐标；(xi,yi)表示第i个指纹点的坐标；ωi表征第i个指纹点的加权权重，即为贝叶斯后验条件的概率；K表示邻近点个数
如图3所示：将无线信号网络WIFI作为一种传感器用到啮齿类动物模型当中，其定位模型有三个主要部分组成，分别为WIFI指纹，位姿细胞网络和经历图。WIFI指纹获取环境的WIFI信号强度，被称为WIFI信号强度模板。WIFI指纹信息用来辨识熟悉的环境。当新输入的WIFI信号强度信息与已存在的WIFI 信号强度模板利用前文所述算法匹配时，位姿细胞网络的活性因子被激活，，二者结合能够很大程度上阻止错误匹配的发生，产生更为准确的经历图。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (4)

1.一种基于啮齿类动物模型与WIFI指纹的SLAM方法，其特征在于，所述方法包括以下步骤：
步骤1)通过竞争型吸引子网络，将头方向细胞与位置细胞模型化位姿感知细胞，经过位姿细胞各自的加工处理，机器人自中心信息和非中心信息刺激影响位姿细胞的活动；
步骤2)将无线信号网络WIFI作为一种传感器用到啮齿类动物模型当中，离线阶段存储环境的WIFI信号强度的感应快照，形成WIFI强度模板；
步骤3)在线阶段完成新输入的WIFI强度与离线阶段WIFI强度匹配，位姿细胞网络的活性因子被激活修正，二者结合能够阻止错误匹配的发生，产生更加准确的经历图；
所述步骤1)中，吸引子竞争网络的动力学始终操纵位姿感知细胞网络内部的活动，其内部动态过程可分为兴奋度更新，对位姿感知细胞的全局抑制，位姿感知细胞活性的归一化；
所述步骤2)中，WIFI指纹获取环境的相关信息，并和位姿感知细胞之间存在相互作用，通过建立WIFI强度指纹和位姿感知细胞之间相关的连接，将激活的WIFI指纹中能量注入到位姿感知细胞中，WIFI指纹与可用的机器人位置连接起来，被更新的连接强度
Figure FDA0002641316650000011
则可表示为
Figure FDA0002641316650000012
式中：Ri为WIFI指纹中某位置的信号强度；Qxyθ为位姿感知细胞的活性水平。
2.根据权利要求1所述的一种基于啮齿类动物模型与WIFI指纹的SLAM方法，其特征在于：所述步骤2)中，绘制定位区域地图，规划一系列的测试参考点，由WIFI强度接收装置依次测量各参考点来自不同AP的RSSI值，即多次测量取平均值，作为该参考点AP的WIFI信号强度，并按一定格式记录在位置指纹数据库中，该数据库也被称为位置指纹地图。
3.根据权利要求2所述的一种基于啮齿类动物模型与WIFI指纹的SLAM方法，其特征在于：所述步骤3)中，经历都具有一个活性水平，活性水平由位姿感知细胞和WIFI指纹中能量峰与每一个经历相关单元之间接近程度所决定，每一个经历在位姿感知细胞和WIFI指纹中有一个相关的活性区域，当能量峰处于这些活性区域时，经历立刻被激活，这些区域在位姿感知细胞内部是连续的，而在WIFI指纹中的相关区域却是非连续的，每个经历ei由经历活性水平Ei，WIFI信号强度Ri所决定，
ei＝{Ei,Ri}
一个经历能级Exyθ和第i个经历的总能级水平Ei由下式计算可得
Figure FDA0002641316650000021
Figure FDA0002641316650000022
式中：xpcypc和θpc为最大活性姿态细胞的坐标；xi、yi、θi为与该经历相关的位姿感知细胞的坐标；ra为(x,y)平面的区域常数；θa为θ维上的区域常数，Rcurr为当前WIFI信号强度；Ri为与经历i相关的WIFI信号强度。
4.根据权利要求3所述的一种基于啮齿类动物模型与WIFI指纹的SLAM方法，其特征在于：所述步骤3)中，在线阶段采用贝叶斯算法完成WIFI指纹信息的匹配，会修正位姿细胞的激活程度，进而产生经历图；贝叶斯算法在线定位分为两个阶段，分别是接入点AP的选取采用互信息化最小策略和采用贝叶斯算法进行位置估计。
CN201810520762.2A 2017-12-12 2018-05-28 一种基于啮齿类动物模型与wifi指纹的slam方法 Active CN108712725B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017113208868 2017-12-12
CN201711320886 2017-12-12

Publications (2)

Publication Number Publication Date
CN108712725A CN108712725A (zh) 2018-10-26
CN108712725B true CN108712725B (zh) 2020-11-24

Family

ID=63870684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810520762.2A Active CN108712725B (zh) 2017-12-12 2018-05-28 一种基于啮齿类动物模型与wifi指纹的slam方法

Country Status (1)

Country Link
CN (1) CN108712725B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709893B (zh) * 2020-06-16 2023-06-27 华南师范大学 一种基于信息熵和锐化调整的orb-slam2改进算法
CN112165684B (zh) * 2020-09-28 2021-09-14 上海大学 基于联合视觉和无线信号特征的高精度室内定位方法
CN114025320A (zh) * 2021-11-08 2022-02-08 易枭零部件科技(襄阳)有限公司 一种基于5g信号的室内定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695152A (zh) * 2009-10-12 2010-04-14 中国科学院计算技术研究所 室内定位的方法及其系统
CN103648080A (zh) * 2013-11-18 2014-03-19 中国矿业大学 WiFi室内定位中指纹库的构建方法及系统
CN103874118A (zh) * 2014-02-25 2014-06-18 南京信息工程大学 WiFi室内定位中基于贝叶斯回归的Radio Map校正方法
CN106814737A (zh) * 2017-01-20 2017-06-09 安徽工程大学 一种基于啮齿类动物模型和RTAB‑Map闭环检测算法的SLAM方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9143402B2 (en) * 2012-02-24 2015-09-22 Qualcomm Incorporated Sensor based configuration and control of network devices

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695152A (zh) * 2009-10-12 2010-04-14 中国科学院计算技术研究所 室内定位的方法及其系统
CN103648080A (zh) * 2013-11-18 2014-03-19 中国矿业大学 WiFi室内定位中指纹库的构建方法及系统
CN103874118A (zh) * 2014-02-25 2014-06-18 南京信息工程大学 WiFi室内定位中基于贝叶斯回归的Radio Map校正方法
CN106814737A (zh) * 2017-01-20 2017-06-09 安徽工程大学 一种基于啮齿类动物模型和RTAB‑Map闭环检测算法的SLAM方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Biologically Inspired SLAM Using Wi-Fi;Rafael Berkvens等;《2014 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2014)》;20140918;第1页-第8页 *
一种改进的RatSLAM仿生导航算法;张潇等;《导航与控制》;20151005;第14卷(第5期);第1页-第8页 *

Also Published As

Publication number Publication date
CN108712725A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
Vallivaara et al. Magnetic field-based SLAM method for solving the localization problem in mobile robot floor-cleaning task
CN108712725B (zh) 一种基于啮齿类动物模型与wifi指纹的slam方法
CN106599368B (zh) 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法
KR101901039B1 (ko) 교차 디바이스 자동 교정을 위한 방법 및 장치
CN104507050B (zh) 一种WiFi室内定位中概率型指纹匹配方法
Gutmann et al. Vector field SLAM—Localization by learning the spatial variation of continuous signals
US20180329022A1 (en) Method, apparatus and system for locating an object using cluster-type magnetic field
Seitz et al. A hidden markov model for pedestrian navigation
Li et al. Using Wi-Fi/magnetometers for indoor location and personal navigation
CN102802260A (zh) 基于矩阵相关的wlan室内定位方法
CN106199500A (zh) 指纹特征定位方法及装置
Xie et al. BPNN based indoor fingerprinting localization algorithm against environmental fluctuations
Batstone et al. Robust time-of-arrival self calibration with missing data and outliers
Mahfouz et al. Kernel-based localization using fingerprinting in wireless sensor networks
CN101977436A (zh) 基于wlan室内定位的移动用户位置坐标修正方法
Sala et al. Using neural networks and Active RFID for indoor location services
Ding et al. OGI-SLAM2: A hybrid map SLAM framework grounded in inertial-based SLAM
CN113613188B (zh) 指纹库的更新方法、装置、计算机设备和存储介质
Galčík et al. Grid-based indoor localization using smartphones
Caglioti et al. Cooperative, distributed localization in multi-robot systems: a minimum-entropy approach
Huang et al. VariFi: Variational Inference for Indoor Pedestrian Localization and Tracking Using IMU and WiFi RSS
Tariq et al. WSN Localization Method Based on Hybrid PSO-GRNN Approach.
Lin et al. An indoor location identification system based on neural network and genetic algorithm
CN106717083A (zh) 用于检测移动计算设备的位置的方法和执行该方法的移动计算设备
CN108680175A (zh) 基于啮齿类动物模型的同步定位与地图构建方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Sun Zhuxin

Inventor after: Qin Guowei

Inventor after: Chen Mengyuan

Inventor before: Sun Xinzhu

Inventor before: Qin Guowei

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant