CN108828519B - 一种基于机器学习的高精度室内可见光定位方法 - Google Patents
一种基于机器学习的高精度室内可见光定位方法 Download PDFInfo
- Publication number
- CN108828519B CN108828519B CN201810509459.2A CN201810509459A CN108828519B CN 108828519 B CN108828519 B CN 108828519B CN 201810509459 A CN201810509459 A CN 201810509459A CN 108828519 B CN108828519 B CN 108828519B
- Authority
- CN
- China
- Prior art keywords
- positioning
- layer
- neural network
- sample
- data
- 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
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
- G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Abstract
本发明公开一种基于机器学习的高精度室内可见光定位方法,利用由室内不同LED发出的定位参考信号到达定位终端的时间差(TDOA)构建数据特征,然后以待定位节点的物理坐标作为标签,建立输入样本。接着对神经网络模型进行机器学习,最后基于训练好的模型进行测试定位。充分考虑了室内定位环境实际场景,将传统的基于TDOA的定位方法与机器学习相结合,利用定位节点到发送定位参考信息的LED之间的信号时间差构建属性特征,并采用神经网络的机器学习算法求解。有效地提高了室内定位精度;有效地解决了室内可见光定位存在的遮挡效应,提高了系统应用的抗噪性和鲁棒性,同时降低了定位系统实现的复杂度。
Description
技术领域
本发明涉及室内物体的定位和追踪技术领域,具体涉及一种基于机器学习的高精度室内可见光定位方法。
背景技术
随着GPS(Global Positioning System)的高精度定位在室外环境的广泛应用,但其受室内复杂环境影响,信号衰减快,精度低,覆盖度差的明显缺点,因此高精度室内定位技术研究的必要性日趋显著。目前,室内定位系统有很多,包括红外(IR)、超声波、射频识别(RFID)、无线局域网(WLAN)、蓝牙(BlueTooth)、超宽带(Ultra Wideband)等,这些定位方法的达到几米到几十米,但这些定位技术在对电磁场敏感的地方不适应,易受环境干扰。此外,目前很多室内定位技术都需要开发相关的硬件设备,往往都会有成本过高,维护复杂等缺点,这也阻碍了室内定位的推广。
发明内容
本发明针对现有室内定位方法的问题,提供一种基于机器学习的高精度室内可见光定位方法。
为解决上述问题,本发明是通过以下技术方案实现的:
一种基于机器学习的高精度室内可见光定位方法,具体包括步骤如下:
步骤1、样本定位节点采集布设在室内不同位置的LED所发出的定位参考信号,得到不同LED到达该样本定位节点的时间差,并利用时间差构建该样本定位节点的数据特征;
步骤2、将预先已知的样本定位节点的物理坐标作为该样本定位节点的标签,并建立该样本定位节点的数据特征和标签的映射关系,得到该样本定位节点的样本数据;
步骤3、利用多个样本定位节点的样本数据对神经网络模型进行机器学习,获得训练好的神经网络模型;
步骤4、待定位定位节点采集布设在室内不同位置的LED所发出的定位参考信号,得到不同LED到达该待定位定位节点的时间差,并利用时间差构建该待定位定位节点的数据特征;
步骤5、将待定位定位节点的数据特征输入到训练好的神经网络模型中,得到该待定位定位节点的物理位置。
上述步骤1中,定位节点需要先对采集到的定位参考信号进行数据清洗和数据预处理后,再获得不同LED到达定位节点的时间差。
与现有技术相比,本发明充分考虑了室内定位环境实际场景,将传统的基于TDOA的定位方法与机器学习相结合,利用定位节点到发送定位参考信息的LED之间的信号时间差构建属性特征,并采用神经网络的机器学习算法求解。有效地提高了室内定位精度;有效地解决了室内可见光定位存在的遮挡效应,提高了系统应用的抗噪性和鲁棒性,同时降低了定位系统实现的复杂度。
附图说明
图1为一种基于机器学习的高精度室内可见光定位方法的流程图。
图2为数据采集原理图。
图3为预处理与提取特征原理图。
图4为训练模式原理图。
图5定位误差实验图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,并参照附图,对本发明进一步详细说明。
本发明技术方案的主要思想是利用由室内不同LED发出的定位参考信号到达定位终端的时间差(TDOA)构建数据特征,然后以待定位节点的物理坐标作为标签,建立输入样本。接着对神经网络模型进行机器学习,最后基于训练好的模型进行测试定位。
具体来说,一种基于机器学习的高精度室内可见光定位方法,如图1所示,其具体包括步骤如下:
考虑室内LED布设的实际情况,选择正方形拓扑,设定LED位置分别为A,B,C和D,天花板平面距地面高度为H。
步骤(1)已知物理坐标的样本定位节点采集室内不同LED发出的定位参考信号,并根据定位参考信号得到不同LED到达定位节点的时间差(TDOA),进而构建该样本定位节点的数据特征。
基于神经网络原理,定位所需要的输入的数据特征是LED发送端到定位节点之间信号传输的有效的时延差,则LED的布局拓扑对算法定位性能影响不大,室内照明用的LED呈等间隔对称布置在天花板上,不同LED形成的光照辐射区相互重叠,这样布局能够确保辐射区内的定位节点(PD)可以同时收到不同LED发来的信息。参见图2。定位时,定位节点(PD)通过收到的室内不同LED发出的定位参考信号(光信号),实现原始数据的采集,利用接受到的定位参考信号计算时间差是基于已知的TDOA算法并采用互相关检测法检测接收信号来获得传播时延差。如在本实施例中,定位节点收到的4个LED信号分别为s1(t)、s2(t)、s3(t)和s4(t),利用互相关检测法可以得到时延差估计,基于此数据构建数据特征阵。每个定位节点的数据特征均为一个矩阵,该数据特征矩阵中的元素aij是aji相同,均是第i个LED与第j个LED的时间差(绝对值),其中i,j=1,2,…,n,n为LED的个数。
考虑室内LED布设的实际情况,不同LED形成的光照辐射区相互重叠,这样布局能够确保辐射区内的定位节点(PD)可以同时收到不同LED发来的信息,为此需要对来自不同LED的信息进行清洗和预处理后来计算不同LED到达定位节点的时间差,参见图3,其具体步骤如下:
数据清洗,对于采集到的数据,经过数据可视化发现存在着大量的空缺值和异常值。对于空缺值,我们采取的方法是,假设模型对于完整的样本是正确的,那么通过观测数据的边际分布可以对未知参数进行极大似然估计。这种方法也被称为忽略缺失值的极大似然估计,对于极大似然的参数估计实际中常采用的计算方法是期望值最大化。在每一迭代循环过程中交替执行两个步骤:期望步骤,在给定完全数据和前一次迭代所得到的参数估计的情况下计算完全数据对应的对数似然函数的条件期望;极大化步骤,用极大化对数似然函数以确定参数的值,并用于下步的迭代。算法在期望步和极大化步之间不断迭代直至收敛,即两次迭代之间的参数变化小于一个预先给定的阈值时结束。对于异常值,首先,采用正态分布的一元离群点检测方法进行检测,最后基于检测的异常点当作空缺值进行处理。
数据预处理,首先对清洗好的数据进行归一化处理,即Z-score标准化。具体操作是给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0,标准差为1。最后基于上述步骤处理完的数据进行合并及其拆分,提取数据特征。
步骤(2)将预先已知的样本定位节点的物理坐标作为标签,并将数据特征和标签建立模型的样本数据。
神经网络模型要建立起属性和标签的映射关系,其中属性(即数据特征)是指每个LED灯源传输信号到定位节点时间差Δti(n),标签是每个定位节点的物理坐标(Lix,Liy)。在本实施例中,假设在第i个定位节点PDi上的收到4个信号时间差样本为Δti(1)、Δti(2)、Δti(3)和Δti(4),神经网络就是要对样本(Δti(n),(Lix,Liy))进行学习,得出位置结算函数,给出物理坐标(Lix,Liy)。
步骤(3)利用步骤建立的样本数据对神经网络模型进行机器学习,获得训练好的神经网络模型,参见图4。
步骤3.1)首先初始化网络权值,再确定输入数据样本和期望输出数据样本的具体数值。对所有连接权值wij、bj和所有阈值θj、γt进行赋值,值域为(-1,1)。随机抽取一组输入数据对Δtk和期望输出数据对PDk,赋予神经网络。
步骤3.2)根据输入数据样本、输入层和中间隐层所有单元的阈值,计算中间隐层的各个单元的输入值sj,然后根据传递函数为sigmoid函数,求得中间隐层各个单元的输出值hj。
式中:hj表示隐含层输出,wij为输入层至输出层的连接权值,xi为神经网络输入,bj为偏置项,j=1···n,n为神经网络隐层单元的个数。
第l层的第i个神经元的输出为
从而计算出神经网络的最终输出hw,b
步骤3.6)根据各个单元的连接权值和阈值,通过修正计算,得到下一次学习过程中输入层和中间层之间的连接权值以及阈值。再任意抽取一个数据样本提供给神经网络,并重新根据上面步骤3.2的做法进行学习,直至所有的样本都学习完。
步骤3.7)重新随机选择某一个样本,并根据上面步骤3.2进行学习,若神经网络的全局误差小于原先设定的对照误差值,则表明该神经网络收敛。而如果整个学习过程中的学习次数已达到原先设定的学习次数,但神经网络仍未收敛,那么网络学习过程结束。
将样本数据的输入数据(数据特征)和输出数据(物理位置)输入到神经网络进行训练。通过训练不断反复寻找能使神经网络达到良好效果的隐藏层的节点个数;同时通过共轭梯度算法不断修正神经网络的权值和阈值,得到最终的定位误差效果如图5所示。
步骤(4)基于训练好的模型对待定位的定位节点行测试定位。
首先通过用户对待定位的定位节点采集信号时延差实时信息采集,然后通过特征选择算法提取特征值,最后通过神经网络算法将此信号的定位特征输入到位置的定位函数,输出用户的物理位置。
选取上述的模型,在室内选取n×n个PD进行定位性能统计分析,每个点的间隔space=0.1m。定义误差函数:
式中:(xei,yei)和(xci,yci)分别为第i个PD的估计坐标和准确坐标;eri是第i个节点的定位误差。
本发明先基于TDOA原理进行数据特征的提取,再基于神经网络进行机器学习,最后完成可见光室内高精度的定位,具有检测效率高、准确率高和易于实施的特点。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (2)
1.一种基于机器学习的高精度室内可见光定位方法,其特征是,具体包括步骤如下:
步骤1、样本定位节点采集布设在室内不同位置的LED所发出的定位参考信号,得到不同LED到达该样本定位节点的时间差,并利用时间差构建该样本定位节点的数据特征矩阵,该数据特征矩阵中的元素ai’j’是aj’i’相同,均是第i’个LED与第j’个LED的时间差的绝对值,其中i’,j’=1,2,…,n,n为LED的个数;
步骤2、将预先已知的样本定位节点的物理坐标作为该样本定位节点的标签,并建立该样本定位节点的数据特征矩阵和标签的映射关系,得到该样本定位节点的样本数据;
步骤3、利用多个样本定位节点的样本数据对神经网络模型进行机器学习,获得训练好的神经网络模型;
步骤3.1)首先初始化网络权值,再确定输入数据样本和期望输出数据样本的具体数值;对输入层至输出层的连接权值wij、偏置项bj和所有阈值θj、γt进行赋值,值域为(-1,1);随机抽取一组输入数据对Δtk和期望输出数据对PDk,赋予神经网络;
步骤3.2)根据输入数据样本、输入层和中间隐层所有单元的阈值,计算中间隐层的各个单元的输入值sj,然后根据传递函数为sigmoid函数,求得中间隐层各个单元的输出值hj;
式中:hj表示隐含层输出,wij为输入层至输出层的连接权值,xi为神经网络输入,bj为偏置项,j=1…n,n为神经网络隐层单元的个数,也即LED的个数;
第l层的第i个神经元的输出为
从而计算出神经网络的最终输出hw,b
步骤3.6)根据各个单元的连接权值和阈值,通过修正计算,得到下一次学习过程中输入层和中间层之间的连接权值以及阈值;再任意抽取一个数据样本提供给神经网络,并重新根据上面步骤3.2的做法进行学习,直至所有的样本都学习完;
步骤3.7)重新随机选择某一个样本,并根据上面步骤3.2进行学习,若神经网络的全局误差小于原先设定的对照误差值,则表明该神经网络收敛;而如果整个学习过程中的学习次数已达到原先设定的学习次数,但神经网络仍未收敛,那么网络学习过程结束;
步骤4、待定位定位节点采集布设在室内不同位置的LED所发出的定位参考信号,得到不同LED到达该待定位定位节点的时间差,并利用时间差构建该待定位定位节点的数据特征矩阵;
步骤5、将待定位定位节点的数据特征矩阵输入到训练好的神经网络模型中,得到该待定位定位节点的物理位置。
2.根据权利要求1所述的一种基于机器学习的高精度室内可见光定位方法,其特征是,步骤1中,定位节点需要先对采集到的定位参考信号进行数据清洗和数据预处理后,再获得不同LED到达定位节点的时间差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509459.2A CN108828519B (zh) | 2018-05-24 | 2018-05-24 | 一种基于机器学习的高精度室内可见光定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509459.2A CN108828519B (zh) | 2018-05-24 | 2018-05-24 | 一种基于机器学习的高精度室内可见光定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108828519A CN108828519A (zh) | 2018-11-16 |
CN108828519B true CN108828519B (zh) | 2022-08-09 |
Family
ID=64145317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810509459.2A Active CN108828519B (zh) | 2018-05-24 | 2018-05-24 | 一种基于机器学习的高精度室内可见光定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108828519B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090074A (zh) * | 2019-12-23 | 2020-05-01 | 武汉邮电科学研究院有限公司 | 基于机器学习的室内可见光定位方法和设备 |
CN111190143A (zh) * | 2020-01-10 | 2020-05-22 | 北京航天测控技术有限公司 | 一种基于机器学习的室内可见光定位方法 |
CN111458681B (zh) * | 2020-03-18 | 2022-04-26 | 华中科技大学 | 一种基于双阶段神经网络的可见光定位方法和系统 |
CN111551893A (zh) * | 2020-06-19 | 2020-08-18 | 天津大学 | 一种深度学习与集成神经网络的室内定位方法 |
CN117406170A (zh) * | 2023-12-15 | 2024-01-16 | 中科华芯(东莞)科技有限公司 | 一种基于超宽带的定位方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204761480U (zh) * | 2015-08-11 | 2015-11-11 | 常州香传电子商务有限公司 | 一种基于移动互联网的汽车服务系统 |
CN105911539A (zh) * | 2016-04-19 | 2016-08-31 | 北京邮电大学 | 一种到达时间差的误差补偿值确定方法及装置 |
CN106557743A (zh) * | 2016-10-26 | 2017-04-05 | 桂林电子科技大学 | 一种基于fecnn的人脸特征提取系统及方法 |
CN106646368A (zh) * | 2016-12-30 | 2017-05-10 | 东南大学 | 一种基于指纹匹配的可见光通信场景中三维定位方法 |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN107135541A (zh) * | 2017-04-21 | 2017-09-05 | 广东技术师范学院 | 基于optics密度聚类和bp神经网络的超宽带室内定位方法 |
CN107703480A (zh) * | 2017-08-28 | 2018-02-16 | 南京邮电大学 | 基于机器学习的混合核函数室内定位方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100591751B1 (ko) * | 2003-03-06 | 2006-06-22 | 삼성전자주식회사 | 신경망을 이용한 복합 항법 시스템 및 신경망 적용 방법 |
AU2004305877B2 (en) * | 2003-09-26 | 2010-09-23 | Institut National De La Recherche Scientifique (Inrs) | Method and system for indoor geolocation using an impulse response fingerprinting technique |
TWI447420B (zh) * | 2009-10-20 | 2014-08-01 | Inst Information Industry | 室內定位方法與系統,及電腦程式產品 |
CN103561463B (zh) * | 2013-10-24 | 2016-06-29 | 电子科技大学 | 一种基于样本聚类的rbf神经网络室内定位方法 |
CN103561387A (zh) * | 2013-11-11 | 2014-02-05 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种基于TDoA的室内定位方法及系统 |
CN103823371B (zh) * | 2014-02-12 | 2016-06-29 | 无锡中科智能农业发展有限责任公司 | 基于神经网络模型的农业精准施肥系统及施肥方法 |
CN106055579B (zh) * | 2016-05-20 | 2020-01-21 | 上海交通大学 | 基于人工神经网络的车辆性能数据清洗系统及其方法 |
CN106100734B (zh) * | 2016-08-15 | 2018-07-06 | 北京理工大学 | 一种基于人工神经网络的高精度室内可见光定位方法 |
CN106815782A (zh) * | 2017-01-23 | 2017-06-09 | 重庆汇集源科技有限公司 | 一种基于神经网络统计学模型的房地产估值方法及系统 |
CN106792562A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 基于反向传播神经网络模型的室内无线网络定位方法 |
CN107817466B (zh) * | 2017-06-19 | 2021-02-19 | 重庆大学 | 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法 |
CN107949054A (zh) * | 2017-12-29 | 2018-04-20 | 清华大学 | 基于深度学习可见光室内高精度指纹定位方法 |
-
2018
- 2018-05-24 CN CN201810509459.2A patent/CN108828519B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204761480U (zh) * | 2015-08-11 | 2015-11-11 | 常州香传电子商务有限公司 | 一种基于移动互联网的汽车服务系统 |
CN105911539A (zh) * | 2016-04-19 | 2016-08-31 | 北京邮电大学 | 一种到达时间差的误差补偿值确定方法及装置 |
CN106557743A (zh) * | 2016-10-26 | 2017-04-05 | 桂林电子科技大学 | 一种基于fecnn的人脸特征提取系统及方法 |
CN106646368A (zh) * | 2016-12-30 | 2017-05-10 | 东南大学 | 一种基于指纹匹配的可见光通信场景中三维定位方法 |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN107135541A (zh) * | 2017-04-21 | 2017-09-05 | 广东技术师范学院 | 基于optics密度聚类和bp神经网络的超宽带室内定位方法 |
CN107703480A (zh) * | 2017-08-28 | 2018-02-16 | 南京邮电大学 | 基于机器学习的混合核函数室内定位方法 |
Non-Patent Citations (2)
Title |
---|
Artificial neural-network-based visible light positioning algorithm with a diffuse optical channel;Heqing Huang等;《CHINESE OPTICS LETTERS》;20170510;第15卷(第5期);全文 * |
一种基于模糊BP神经网络的TDOA定位算法;汪波等;《计算机工程与应用》;20091231;第45卷(第23期);正文第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108828519A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108828519B (zh) | 一种基于机器学习的高精度室内可见光定位方法 | |
CN110856112B (zh) | 一种群智感知的多源信息融合室内定位方法及系统 | |
CN106646338B (zh) | 一种快速精确的室内定位方法 | |
US10198625B1 (en) | Association of unique person to a mobile device using repeat face image matching | |
CN106792465B (zh) | 一种基于众包指纹的室内指纹地图构建方法 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
WO2019062734A1 (zh) | 基于Wi-Fi热点的室内定位方法及装置 | |
WO2017121168A1 (zh) | 簇式磁场定位的方法、装置和系统 | |
CN109035329A (zh) | 基于深度特征的相机姿态估计优化方法 | |
CN112135248B (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
Geng et al. | Indoor tracking with RFID systems | |
CN109327797A (zh) | 基于WiFi网络信号的移动机器人室内定位系统 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
Martella et al. | Leveraging proximity sensing to mine the behavior of museum visitors | |
Jiang et al. | Wi-Fi fingerprint based indoor localization without indoor space measurement | |
CN109143161B (zh) | 基于混合指纹质量评价模型的高精度室内定位方法 | |
Ding et al. | Three-dimensional indoor localization and tracking for mobile target based on wifi sensing | |
Sulaiman et al. | Towards a better indoor positioning system: A location estimation process using artificial neural networks based on a semi-interpolated database | |
CN110072192B (zh) | 一种智能手机WiFi室内定位方法 | |
US10614436B1 (en) | Association of mobile device to retail transaction | |
WO2022242018A1 (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
CN109121081B (zh) | 一种基于位置候选集与em算法的室内定位方法 | |
Fahama et al. | An Experimental Comparison of RSSI-Based Indoor Localization Techniques Using ZigBee Technology | |
Wei et al. | RSSI-based location fingerprint method for RFID indoor positioning: a review | |
Schaff et al. | Jointly optimizing placement and inference for beacon-based localization |
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 |