CN109655786B - 移动自组网协作相对定位方法及装置 - Google Patents

移动自组网协作相对定位方法及装置 Download PDF

Info

Publication number
CN109655786B
CN109655786B CN201811639055.1A CN201811639055A CN109655786B CN 109655786 B CN109655786 B CN 109655786B CN 201811639055 A CN201811639055 A CN 201811639055A CN 109655786 B CN109655786 B CN 109655786B
Authority
CN
China
Prior art keywords
nodes
distance
node
relative
orientation
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
CN201811639055.1A
Other languages
English (en)
Other versions
CN109655786A (zh
Inventor
沈渊
戈锋
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.)
Luowei Zhilian Beijing Technology Co ltd
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201811639055.1A priority Critical patent/CN109655786B/zh
Publication of CN109655786A publication Critical patent/CN109655786A/zh
Application granted granted Critical
Publication of CN109655786B publication Critical patent/CN109655786B/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
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
    • 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
    • G01S5/0257—Hybrid positioning
    • 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
    • G01S5/0284—Relative positioning

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

本发明实施例提供一种移动自组网协作相对定位方法及装置，所述方法包括：在每个跟踪周期内，获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。本发明实施例提供的移动自组网协作相对定位方法及装置，通过移动自组网中的各个节点之间的相互协作，在每个跟踪周期内，根据每一节点的移动距离、移动方向和该节点与其他节点的相对距离计算出所有节点之间的距离和方位，不需要基站或者卫星的辅助定位，即能够实时跟踪节点之间的相对位置，可以应用在无基站等特殊场景中。

Description

移动自组网协作相对定位方法及装置
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种移动自组网协作相对定位方法及装置。
背景技术
无线定位是指通过无线终端和无线通信系统之间的信息交互确定移动节点位置的技术，其在许多领域都有着比较广阔的应用前景。比如在生活中，室内定位技术可以帮助我们在停车场中找到停车位，在商场中找到自己想找到的店家或者商品，满足人们的社交需求；在公共安全领域中，救援人员可以根据人们的位置进行快速有效地救援，也可以通过救援人员之间的相互定位确保救援人员的安全；在军事领域中，协作定位方法可以用来定位小队成员、实现无人车或无人机编队任务等。
无线定位技术通过无线终端与无线通信系统进行信息交互，以确定节点位置。基本的思想是先根据信号特征估计信号到达时间(TOA)、信号到达时间差(TDOA)、信号到达角度(AOA)、接收信号强度(RSSI)等与位置相关的参数，再结合已知的各个基站的位置计算无线终端的位置。在复杂环境下，无线信号的传播会受到多径、非视距等不理想因素的影响，导致定位精度下降。一种解决方法是利用无线终端上的惯性测量单元(IMU)跟踪无线终端的运动，来对无线定位结果进行修正以提高定位精度。
现有技术中的无线定位技术需要提前在环境中布置数个无线基站来对无线终端进行定位，另外易受环境的干扰，难以满足一些特殊应用场景的需求。比如在消防搜索中，无法预先进入救援场景布设无线基站；无人车或无人机编队场景中，对于相对位置信息的精度要求比较高。现有技术中的无线定位技术只能定位出节点的相对距离，无法定位节点之间的相对方位。
发明内容
本发明实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的移动自组网协作相对定位方法及装置。
为了解决上述技术问题，一方面，本发明实施例提供一种移动自组网协作相对定位方法，包括：
在一个跟踪周期内，获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；
将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。
另一方面，本发明实施例提供一种移动自组网协作相对定位装置，包括：
检测模块，用于获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；
跟踪模块，用于将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。
再一方面，本发明实施例提供一种电子设备，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述的方法。
本发明实施例提供的移动自组网协作相对定位方法及装置，通过移动自组网中的各个节点之间的相互协作，在每个跟踪周期内，根据每一节点的移动距离、移动方向和该节点与其他节点的相对距离计算出所有节点之间的距离和方位，不需要基站或者卫星的辅助定位，即能够实时跟踪节点之间的相对位置，可以应用在无基站等特殊场景中。
附图说明
图1为本发明实施例提供的移动自组网协作相对定位方法示意图；
图2为本发明实施例提供的移动自组网协作相对定位装置示意图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的移动自组网协作相对定位方法示意图，如图1所示，本发明实施例提供一种移动自组网协作相对定位方法，其执行主体为移动自组网协作相对定位装置，以下简称定位装置，该方包括：
步骤S101、在一个跟踪周期内，获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；
步骤S102、将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。
具体来说，节点间距离信息可以利用超宽带的非对称双边双向测距方法得到。对于行人节点，节点位移信息可以由惯性传感器数据结合行人航迹推算法得到；对于无人车节点，节点位移信息可以由惯性传感器数据测量移动方向，结合码盘数据测量移动距离得到。
协作定位算法根据节点间距离信息和每个节点的位移信息，融合计算节点之间的相对位置关系。整个协作定位算法分为初始化阶段和跟踪阶段。初始化阶段根据一段时间的距离测量结果和每个节点的位移信息解算节点在大地坐标系中的相对位置。初始化阶段分为初始相对位置计算和初始阵型的镜像情况以及在大地坐标系中的朝向估计。跟踪阶段利用节点的位移信息结合与其他节点的距离测量结果进行定位。
在一个跟踪周期内，获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离。跟踪周期可以根据实际情况来设置，例如，设置为1秒或者行人走了1步等。
将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。
跟踪问题的状态量包括节点的坐标和节点的朝向，即xk＝(xk,yk,θk)。滤波器的初始状态由初始化阶段的结果得到。系统的状态方程和观测方程分别如下：
Figure BDA0001930742530000041
Figure BDA0001930742530000042
其中，lk是估计的步长，Δθk为测量得到的角度变化。估测方程中，角度的测量由磁传感器得到，距离测量由UWB测距获得，
Figure BDA0001930742530000043
为与之测量的另一个节点估计的坐标。扩展卡尔曼滤波过程中的各个矩阵如下：
Figure BDA0001930742530000044
Figure BDA0001930742530000045
Figure BDA0001930742530000046
Figure BDA0001930742530000047
Figure BDA0001930742530000048
具体的扩展卡尔曼滤波过程在与初始化阶段相同。
本发明实施例提供的移动自组网协作相对定位方法，通过移动自组网中的各个节点之间的相互协作，在每个跟踪周期内，根据每一节点的移动距离、移动方向和该节点与其他节点的相对距离计算出所有节点之间的距离和方位，不需要基站或者卫星的辅助定位，即能够实时跟踪节点之间的相对位置，可以应用在无基站等特殊场景中。
在上述实施例的基础上，进一步地，所述在跟踪阶段之前，还包括：
在初始化阶段，获取任意两个节点之间的距离和方位。
具体来说，整个协作定位算法分为初始化阶段和跟踪阶段。初始化阶段根据一段时间的距离测量结果和每个节点的位移信息解算节点在大地坐标系中的相对位置。初始化阶段分为初始相对位置计算和初始阵型的镜像情况以及在大地坐标系中的朝向估计。
所以，在跟踪阶段之前，还包括初始化阶段，获取任意两个节点之间的距离和方位。
本发明实施例提供的移动自组网协作相对定位方法，通过移动自组网中的各个节点之间的相互协作，在每个跟踪周期内，根据每一节点的移动距离、移动方向和该节点与其他节点的相对距离计算出所有节点之间的距离和方位，不需要基站或者卫星的辅助定位，即能够实时跟踪节点之间的相对位置，可以应用在无基站等特殊场景中。
在以上各实施例的基础上，进一步地，所述获取任意两个节点之间的距离和方位，具体包括：
基于半正定欧氏距离矩阵完备算法获取任意两个节点之间的距离和方位。
具体来说，初始相对位置的计算是根据节点之间相互测距的结果计算节点的相对位置。解算算法中，可以利用基于半正定优化的欧氏距离矩阵完备算法(EDMCP)进行计算。
EDMCP问题可以表示为一个优化问题，寻找和测量得到的距离最相近的欧式距离矩阵(EDM)，如下式：
Figure BDA0001930742530000051
subject to D∈ε
其中，H是加权系数，A是测量得到的距离平方组成的矩阵，
Figure BDA0001930742530000056
代表哈达玛积，‖·‖F代表Frobenius范数，ε代表EDM锥。定义算子如下：
Figure BDA0001930742530000052
其中，e为全1列向量，V如下：
Figure BDA0001930742530000053
可以证明如果X是半正定矩阵，那么
Figure BDA0001930742530000054
是EDM。因此CDM0可以转化为下式：
Figure BDA0001930742530000055
subject toX≥0
接下来就可以用半正定优化的方法计算结果。
本发明实施例提供的移动自组网协作相对定位方法，通过移动自组网中的各个节点之间的相互协作，在每个跟踪周期内，根据每一节点的移动距离、移动方向和该节点与其他节点的相对距离计算出所有节点之间的距离和方位，不需要基站或者卫星的辅助定位，即能够实时跟踪节点之间的相对位置，可以应用在无基站等特殊场景中。
在以上各实施例的基础上，进一步地，所述获取任意两个节点之间的距离和方位，具体包括：
基于梯度下降算法获取任意两个节点之间的距离和方位。
具体来说，初始相对位置的计算是根据节点之间相互测距的结果计算节点的相对位置。解算算法中，可以利用基于梯度下降优化的算法进行计算。优化的目标函数如下：
Figure BDA0001930742530000061
其中，Xi代表节点i的坐标，dij代表节点i与节点j的测距结果。由于只有相对的距离测量，阵型平移或旋转时目标函数的值都是一样的，因此固定节点1为原点，节点2在x轴上。
由于只利用节点之间的距离信息计算得到的相对位置信息在镜像情况以及旋转角度上有歧义性，整体旋转或者镜像后都满足测距结果。因此需要通过融合一段时间的测量估计初始阵型的镜像情况和朝向。另外由于惯性传感器中磁传感器测量方向的误差比较大，而陀螺仪测量方向的变化误差比较小，故而可以联合估计各个节点的初始朝向，然后利用陀螺仪跟踪朝向的变化。
估计的参数包括阵型的镜像情况mirror，阵型在大地坐标系中的朝向α和N个节点的初始朝向θ1-N，即Θ＝(mirror,α,θ1-N)。然后可以利用粒子滤波寻找参数的最大似然估计如下：
Figure BDA0001930742530000062
其中，zO:T为所有时刻的观测。但是由于隐状态的存在，难以直接求得似然函数p(zO:T；Θ)，因此先求得隐状态的最大似然估计，如下：
Figure BDA0001930742530000063
然后再计算观测的概率
Figure BDA0001930742530000071
所以原问题可以转化为寻找参数Θ使得概率
Figure BDA0001930742530000072
最大。
扩展Rauch-Tung-Striebel平滑器(ERTSS)可以用来求隐状态的最大似然估计。ERTSS首先利用扩展卡尔曼滤波正向递推，分为预测方程，如下：
Figure BDA0001930742530000073
Figure BDA0001930742530000074
和更新方程，如下：
Figure BDA0001930742530000075
Figure BDA0001930742530000076
Figure BDA0001930742530000077
然后反向递推，如下：
Figure BDA0001930742530000078
Figure BDA0001930742530000079
Figure BDA00019307425300000710
状态量由N个节点的坐标组成，观测由节点之间的相互测距结果组成。系统的状态方程和观测方程分别如下：
Figure BDA00019307425300000711
Figure BDA00019307425300000712
下标i代表第i个节点的状态量和测量。初始状态x0由初始相对位置计算的结果和mirror以及α决定。θi,k由初始角度θi加上陀螺仪测量得到的角度变化得到。扩展卡尔曼滤波过程中的各个矩阵如下：
Figure BDA00019307425300000713
Figure BDA00019307425300000714
Figure BDA00019307425300000715
Figure BDA00019307425300000716
Figure BDA0001930742530000081
Figure BDA0001930742530000082
求得隐状态的最大似然估计
Figure BDA0001930742530000083
后，可以根据下式计算观测的概率，如下：
Figure BDA0001930742530000084
接下来用粒子滤波的方法寻找使得
Figure BDA0001930742530000085
最大的参数
Figure BDA0001930742530000086
初始粒子从均匀分布采样得到，初始权重均相等。然后在每轮迭代中先对每个粒子计算概率
Figure BDA0001930742530000087
然后根据计算得到的概率对粒子重采样，概率越大的粒子会生成越多的新粒子，新粒子的总数保持不变，另外会给每一个新粒子中的参数加一个方差逐渐减小的随机扰动。直到所有粒子中最大的概率不再增长时停止迭代。
具体实现过程中，为了加快运算速度，每个节点计算所有粒子中一部分粒子的概率
Figure BDA0001930742530000088
在重采样时，每个节点将概率最大的一个或者两个粒子广播出去，每个节点再根据其他节点的计算结果一起重采样。当节点数较多时，可以先利用此算法初始化其中一部分节点的相对位置信息，然后其他节点再根据与已经初始化的节点的测距信息计算自己的位置。
本发明实施例提供的移动自组网协作相对定位方法，通过移动自组网中的各个节点之间的相互协作，在每个跟踪周期内，根据每一节点的移动距离、移动方向和该节点与其他节点的相对距离计算出所有节点之间的距离和方位，不需要基站或者卫星的辅助定位，即能够实时跟踪节点之间的相对位置，可以应用在无基站等特殊场景中。
图2为本发明实施例提供的移动自组网协作相对定位装置示意图，如图2所示，本发明实施例提供一种移动自组网协作相对定位装置，用于执行上述任一实施例中所述的方法，具体包括检测模块201和跟踪模块202，其中：
检测模块201用于获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；跟踪模块202用于将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。
具体来说，节点间距离信息可以利用超宽带的非对称双边双向测距方法得到。对于行人节点，节点位移信息可以由惯性传感器数据结合行人航迹推算法得到；对于无人车节点，节点位移信息可以由惯性传感器数据测量移动方向，结合码盘数据测量移动距离得到。
协作定位算法根据节点间距离信息和每个节点的位移信息，融合计算节点之间的相对位置关系。整个协作定位算法分为初始化阶段和跟踪阶段。初始化阶段根据一段时间的距离测量结果和每个节点的位移信息解算节点在大地坐标系中的相对位置。初始化阶段分为初始相对位置计算和初始阵型的镜像情况以及在大地坐标系中的朝向估计。跟踪阶段利用节点的位移信息结合与其他节点的距离测量结果进行定位。
通过检测模块201在一个跟踪周期内，获取每一节点的移动距离和移动方向。
然后，通过跟踪模块202将每一节点的移动距离和移动方向，输入至预设的卡尔曼滤波算法模型，输出任意两个节点之间的距离和方位。
跟踪问题的状态量包括节点的坐标和节点的朝向，即xk＝(xk,yk,θk)。滤波器的初始状态由初始化阶段的结果得到。系统的状态方程和观测方程分别如下：
Figure BDA0001930742530000091
Figure BDA0001930742530000092
其中，lk是估计的步长，Δθk为测量得到的角度变化。估测方程中，角度的测量由磁传感器得到，距离测量由UWB测距获得，
Figure BDA0001930742530000093
为与之测量的另一个节点估计的坐标。扩展卡尔曼滤波过程中的各个矩阵如下：
Figure BDA0001930742530000094
Figure BDA0001930742530000095
Figure BDA0001930742530000101
Figure BDA0001930742530000102
Figure BDA0001930742530000103
具体的扩展卡尔曼滤波过程在与初始化阶段相同。
本发明实施例提供的移动自组网协作相对定位装置，通过移动自组网中的各个节点之间的相互协作，在每个跟踪周期内，根据每一节点的移动距离、移动方向和该节点与其他节点的相对距离计算出所有节点之间的距离和方位，不需要基站或者卫星的辅助定位，即能够实时跟踪节点之间的相对位置，可以应用在无基站等特殊场景中。
在上述实施例的基础上，进一步地，还包括初始化模块；
所述初始化模块用于在初始化阶段，获取任意两个节点之间的距离和方位。
具体来说，整个协作定位算法分为初始化阶段和跟踪阶段。初始化阶段根据一段时间的距离测量结果和每个节点的位移信息解算节点在大地坐标系中的相对位置。初始化阶段分为初始相对位置计算和初始阵型的镜像情况以及在大地坐标系中的朝向估计。
所以，在跟踪阶段之前，还需要通过初始化模块在初始化阶段，获取任意两个节点之间的距离和方位。
本发明实施例提供的移动自组网协作相对定位装置，通过移动自组网中的各个节点之间的相互协作，在每个跟踪周期内，根据每一节点的移动距离、移动方向和该节点与其他节点的相对距离计算出所有节点之间的距离和方位，不需要基站或者卫星的辅助定位，即能够实时跟踪节点之间的相对位置，可以应用在无基站等特殊场景中。
图3为本发明实施例提供的电子设备的结构示意图，如图3所示，所述设备包括：处理器301、存储器302和总线303；
其中，处理器301和存储器302通过所述总线303完成相互间的通信；
处理器301用于调用存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
在一个跟踪周期内，获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；
将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。
本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
在一个跟踪周期内，获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；
将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：
在一个跟踪周期内，获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；
将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种移动自组网协作相对定位方法，其特征在于，包括：
在一个跟踪周期内，获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；
将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位；
还包括：
在初始化阶段，获取任意两个节点之间的距离和方位。
2.根据权利要求1所述的方法，其特征在于，所述获取任意两个节点之间的距离和方位，具体包括：
基于半正定欧氏距离矩阵完备算法获取任意两个节点之间的距离和方位。
3.根据权利要求1所述的方法，其特征在于，所述获取任意两个节点之间的距离和方位，具体包括：
基于梯度下降算法获取任意两个节点之间的距离和方位。
4.一种移动自组网协作相对定位装置，其特征在于，包括：
检测模块，用于获取每一节点的移动距离、移动方向和该节点与其他节点的相对距离；
跟踪模块，用于将每一节点的移动距离、移动方向和该节点与其他节点的相对距离，输入至预设的卡尔曼滤波算法模型，输出该节点相对于其他节点的距离和方位；
还包括初始化模块；
所述初始化模块用于在初始化阶段，获取任意两个节点之间的距离和方位。
5.根据权利要求4所述的装置，其特征在于，所述获取任意两个节点之间的距离和方位，具体包括：
基于半正定欧氏距离矩阵完备算法获取任意两个节点之间的距离和方位。
6.根据权利要求4所述的装置，其特征在于，所述获取任意两个节点之间的距离和方位，具体包括：
基于梯度下降算法获取任意两个节点之间的距离和方位。
7.一种电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至3任一所述的方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至3任一所述的方法。
CN201811639055.1A 2018-12-29 2018-12-29 移动自组网协作相对定位方法及装置 Active CN109655786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811639055.1A CN109655786B (zh) 2018-12-29 2018-12-29 移动自组网协作相对定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811639055.1A CN109655786B (zh) 2018-12-29 2018-12-29 移动自组网协作相对定位方法及装置

Publications (2)

Publication Number Publication Date
CN109655786A CN109655786A (zh) 2019-04-19
CN109655786B true CN109655786B (zh) 2020-11-24

Family

ID=66116954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811639055.1A Active CN109655786B (zh) 2018-12-29 2018-12-29 移动自组网协作相对定位方法及装置

Country Status (1)

Country Link
CN (1) CN109655786B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10908299B1 (en) * 2019-08-30 2021-02-02 Huawei Technologies Co., Ltd. User equipment positioning apparatus and methods
CN110749859B (zh) * 2019-10-22 2021-06-29 清华大学 基于多载频的单基站阵列定位方法和装置
EP4050948A4 (en) * 2019-11-29 2022-11-23 Huawei Technologies Co., Ltd. RELATIVE POSITIONING METHOD, DEVICE AND SYSTEM
CN111654814B (zh) * 2020-05-28 2022-03-25 联想(北京)有限公司 一种定位方法、无人机及计算机可读存储介质
CN114204979B (zh) * 2021-12-24 2023-05-23 清华大学 基于相对位置的无人机自组网方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102984797A (zh) * 2012-11-15 2013-03-20 北京邮电大学 一种无线自组网节点定位方法及系统
CN103207383A (zh) * 2013-05-16 2013-07-17 沈阳化工大学 基于单个移动节点对一静止节点进行二维无线定位的方法
CN104656058B (zh) * 2015-01-27 2017-04-05 谢之恒 分布式多移动节点协作定位系统
CN106131955B (zh) * 2016-07-12 2017-12-26 安徽工程大学 一种基于移动机器人辅助的无线传感器网络节点定位方法
CN108134640B (zh) * 2017-12-12 2020-11-06 浙江大学 一种基于节点运动状态约束的协作定位系统和方法

Also Published As

Publication number Publication date
CN109655786A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109655786B (zh) 移动自组网协作相对定位方法及装置
CN108717710B (zh) 室内环境下的定位方法、装置及系统
CN106912105B (zh) 基于pso_bp神经网络的三维定位方法
US10341982B2 (en) Technique and system of positioning a mobile terminal indoors
WO2014000090A1 (en) System, method and computer program for dynamic generation of a radio map
JP7033859B2 (ja) ジオアーク（ｇｅｏａｒｃ）を使用したビークルの二次元位置の特定
CN112887899B (zh) 一种基于单基站软位置信息的定位系统及定位方法
CN109379711B (zh) 一种定位方法
JP7057632B2 (ja) ジオアーク（ｇｅｏａｒｃ）を使用したビークルの二次元位置の特定
US20140274128A1 (en) Indoor localization method and system
CN112272782A (zh) 使用附近的超声信号对移动设备进行临时定位
CN103596265A (zh) 一种基于声音测距和移动向量的多用户室内定位方法
Wang et al. Indoor PDR Positioning Assisted by Acoustic Source Localization, and Pedestrian Movement Behavior Recognition, Using a Dual‐Microphone Smartphone
Wang et al. High-accuracy localization for indoor group users based on extended Kalman filter
CN110187306B (zh) 一种应用于复杂室内空间的tdoa-pdr-map融合定位方法
CN111356072B (zh) 一种室内定位的位置估计方法、装置及可读存储介质
CN111665470A (zh) 一种定位方法及装置和机器人
CN110595464A (zh) 一种imu与视觉传感器融合定位方法和装置
CN113840230B (zh) 无人集群协同定位方法及装置
CN117635721A (zh) 目标定位方法及相关系统、存储介质
JP7410510B2 (ja) 位置推定装置、位置推定方法及び位置推定プログラム
Ul Haque et al. Enhanced GNSS positioning solution on Android for location based services using big data
Mikhalev et al. Comparison of Hough Transform and particle filter methods of passive emitter geolocation using fusion of TDOA and AOA data
Monica et al. An Optimization-Based Algorithm for Indoor Localization of JADE Agents.
CN113891270A (zh) 用于提升定位的平滑度与精准度的电子装置及方法

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
TR01 Transfer of patent right

Effective date of registration: 20220915

Address after: Room 1710, Hengrun International Building, No. 32 North Third Ring West Road, Haidian District, Beijing 100086

Patentee after: Luowei Zhilian (Beijing) Technology Co.,Ltd.

Address before: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing

Patentee before: TSINGHUA University

TR01 Transfer of patent right