CN110519693B - 一种面向智能移动终端的融合定位方法 - Google Patents

一种面向智能移动终端的融合定位方法 Download PDF

Info

Publication number
CN110519693B
CN110519693B CN201910936885.9A CN201910936885A CN110519693B CN 110519693 B CN110519693 B CN 110519693B CN 201910936885 A CN201910936885 A CN 201910936885A CN 110519693 B CN110519693 B CN 110519693B
Authority
CN
China
Prior art keywords
positioning
sampling
pdr
fusion
wifi
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
CN201910936885.9A
Other languages
English (en)
Other versions
CN110519693A (zh
Inventor
贾杰
张明洋
陈剑
王兴伟
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910936885.9A priority Critical patent/CN110519693B/zh
Publication of CN110519693A publication Critical patent/CN110519693A/zh
Application granted granted Critical
Publication of CN110519693B publication Critical patent/CN110519693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信技术领域，尤其涉及一种面向智能移动终端的融合定位方法。该方法包括：基于PDR定位方法，获取目标在当前时刻k的PDR定位位置
Figure DDA0002221814710000011
基于WiFi定位方法，得到目标在当前时刻k的指纹值Rk，根据所述指纹值Rk，获取目标在当前时刻k的WiFi定位位置
Figure DDA0002221814710000016
根据所述PDR定位位置
Figure DDA0002221814710000012
和WiFi定位位置
Figure DDA0002221814710000014
得到定位位置差值
Figure DDA0002221814710000015
将所述定位位置差值
Figure DDA0002221814710000013
作为输入数据，输入预先训练的融合定位模型，得到目标在当前时刻k的实际位置Xa,k。该方法基于长短期记忆网络算法，将WIFI指纹定位与PDR定位方法相融合，构建融合定位模型，得到的融合定位模型具有很好的定位效果和定位稳定性。

Description

一种面向智能移动终端的融合定位方法
技术领域
本发明属于无线通信技术领域，尤其涉及一种面向智能移动终端的融合定位方法。
背景技术
近年来，随着无线网络、移动通信、嵌入式和微电子等技术的飞速发展及应用领域的不断扩大，位置信息的重要性日渐凸显。精准、及时的位置信息不但能够辅助社会生产和人们生活，更是智慧城市建设的重要基础。结合先进移动通信网络和移动智能终端技术的位置服务(Locationbased Service,LBS)成为最具市场前景和发展潜力的移动互联网增值业务之一，引起了电信运营商与服务提供商的强烈关注。
从技术角度来讲，LBS的核心任务是目标物或人的定位。无论是在空旷还是遮挡的室内外环境下，快速准确地获得移动终端位置并继而提供相应定制化、高质量的信息和服务是LBS能够迅速推广的关键。全球定位系统(GlobalPositioning System,GPS)通过GPS卫星信号接收机捕获、测量来自至少4颗在轨卫星的广播信号到达时间来估算终端位置，可以提供覆盖全球范围以及高精度、全天候的连续定位能力，已成为迄今应用最为成功的定位技术。但是，目前GPS定位技术还存在以下缺陷：(1)在室内和高楼密布的城区等信号遮挡严重的密集环境中，卫星信号容易被高层建筑等各种障碍物所阻挡，导致接收机捕获不到足够强度的卫星信号；(2)卫星信号在遇到建筑物、车辆以及其他物体时还会发生反射，造成多径效应，导致接收端难于筛选出有效信息完成精确的信号测量和准确的位置估计；(3)GPS技术存在定位功耗过大等缺憾，而移动便携终端的能量受限，导致其可用性受到制约。
基于IEEE 802.11a/b/g/n通信协议、具有灵活拓扑架构的WIFI接入在机场、校园、医院、商业区、餐饮娱乐场所和住宅小区等各种场景中泛在分布，已成为移动通信系统的重要补充。相比卫星GPS信号而言，WIFI系统中的无线信号强度受到障碍物的影响较小，可以满足密集城区、室内等环境下对信号强度的要求。随着当前IPAD、笔记本、智能手机等移动终端设备对WIFI接入的广泛支持，使得基于WIFI的定位研究得以兴起并迅速成为国内外研究的热点。WIFI定位技术中尤以基于接收信号强度的指纹定位为其主要研究和应用方向，与基于信号到达时间(TOA)和信号到达角度(AOA)等传统几何原理的定位技术相比，WIFI不需要添加额外的硬件设备来进行时间和角度的精确同步与测量，能够充分利用现有覆盖广泛的无线局域网设施，便捷高效地将高质量定位的应用范围延伸到密集城区和室内，进一步降低定位系统的部署与实施成本。然而，现有的WIFI指纹定位容易受到信号不稳定等影响，且不支持运动过程中的物体定位与追踪，定位性能还有待进一步提高。
随着加速度计、陀螺仪、及磁力计等惯性电子元件在智能移动终端上的日益普及，步行者航位推算(Pedestrian Dead Reckoning，PDR)作为一种新的位置计算方法，正引起研究的关注。这种方法一般通过对步行者行走的步数、步长、方向进行测量和统计，并最终推算出步行者行走轨迹和位置等信息。然而，由于该方法一般需要准确估计终端的迈步时刻，并计算每次迈步的步长与方位信息，由于上述计算过程中会带来计算误差。随着时间的累计，这种误差的累计最终会引起估计航位的偏移，影响定位的效果。
为此，有部分研究开始将WIFI指纹定位与航位推算过程进行融合，并基于卡尔曼滤波或粒子滤波的方法实时计算用户的位置信息，但卡尔曼滤波及粒子滤波过程中一般需要经验值对滤波方程中的协方差矩阵等进行估计，上述方法并不具备普适性。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题，本发明提供一种面向智能移动终端的融合定位方法，该方法基于长短期记忆网络算法，将WIFI指纹定位与PDR定位方法相融合，构建融合定位模型。该融合定位模型具有很好的定位效果和定位稳定性。
(二)技术方案
本发明提供一种面向智能移动终端的融合定位方法，包括如下步骤：
A1、基于PDR定位方法，获取目标在当前时刻k的PDR定位位置
Figure GDA0002653902320000031
A2、基于WiFi定位方法，得到目标在当前时刻k的指纹值Rk，根据所述指纹值Rk，获取目标在当前时刻k的WiFi定位位置
Figure GDA0002653902320000032
A3、根据所述PDR定位位置
Figure GDA0002653902320000033
和WiFi定位位置
Figure GDA0002653902320000034
得到定位位置差值
Figure GDA0002653902320000035
将所述定位位置差值
Figure GDA0002653902320000036
作为输入数据，输入预先训练的融合定位模型，得到目标在当前时刻k的实际位置Xa,k；
其中，所述预先训练的融合定位模型为根据历史时间段内的预设目标的PDR定位位置、WiFi定位位置和实际位置，采用长短期记忆网络算法进行训练后的模型。
进一步地，所述步骤A3中，所述定位位置差值
Figure GDA00026539023200000316
Figure GDA00026539023200000317
进一步地，所述步骤A3中，所述预先训练的融合定位模型包括输入层和输出层；
所述输入层用于输入输入数据
Figure GDA00026539023200000310
所述输出层用于输出输出数据
Figure GDA00026539023200000311
所述输出数据
Figure GDA00026539023200000314
Figure GDA00026539023200000315
进一步地，所述步骤A2中，
Figure GDA00026539023200000313
其中，f为WiFi定位方法中的映射函数。
进一步地，所述融合定位模型的训练过程包括：
S1、基于滑动窗口方式构建长短期记忆网络的样本集，所述样本集包括训练集和测试集；
S2、根据预设的定位区域，设置定位区域的采样路径、路径起始点、路径终止点和采样周期Δt；
所述采样路径根据路径起始点和路径终止点确定；
S3、设置采样计数器i＝1；
S4、获取采样时刻t的采样点位置Xa,i＝Xa,t；
S5、基于PDR定位方法，获取采样点的PDR定位位置
Figure GDA0002653902320000041
S6、基于WiFi定位方法，得到采样点在采样时刻t的指纹值Rt，根据所述指纹值Rt，获取采样点的WiFi定位位置
Figure GDA0002653902320000042
S7、根据所述采样点位置Xa,i、采样点的PDR定位位置
Figure GDA0002653902320000043
和采样点的WiFi定位位置
Figure GDA0002653902320000044
得到
Figure GDA0002653902320000045
和
Figure GDA0002653902320000046
S8、判断所述采样点位置Xa,t是否为路径终止点，若是，继续执行步骤S9；若不是，返回步骤S3，设置采样计数器i＝i+1，采样时刻t＝t+Δt；
S9、基于采样计数器i，分别设置序列
Figure GDA0002653902320000047
和
Figure GDA0002653902320000048
S10、设置滑动窗口的大小为w，按照滑动采样方式构建大小为i-w+1条特征数据，其中第q条特征数据为：
Figure GDA0002653902320000049
S11、对特征数据中的每个数据进行处理，得到训练集；
S12、基于训练集，将前w-1个数据作为输入数据，将最后一个数据作为输出数据，采用LSTM网络对融合定位模型进行训练，得到训练好的融合定位模型Kt，最终实现从w-1个输入到单一输出数据的映射。
(三)有益效果
考虑到深度学习方法在多因素融合中的优势，本发明通过综合消除WIFI指纹信号的不确定性，以时间序列特征对WIFI指纹信号与PDR信号进行统一的模型的构建，同时，考虑长短期记忆网络(LSTM，Long Short-Term Memory)在时间序列模型构建中的优势，提出基于LSTM的融合定位方法，能取得比现有定位算法更好的定位效果与定位稳定性。
附图说明
图1为本发明提供的面向智能移动终端的融合定位方法的流程图；
图2为本发明中采样的测试环境；
图3为本发明的融合定位方法与传统定位方法的性能对比图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本发明提供一种面向智能移动终端的融合定位方法，如图1所示，包括如下步骤：
A1、基于PDR定位方法，获取目标在当前时刻k的PDR定位位置
Figure GDA0002653902320000051
A2、基于WiFi定位方法，得到目标在当前时刻k的指纹值Rk，根据所述指纹值Rk，获取目标在当前时刻k的WiFi定位位置
Figure GDA0002653902320000052
A3、根据所述PDR定位位置
Figure GDA0002653902320000053
和WiFi定位位置
Figure GDA0002653902320000054
得到定位位置差值
Figure GDA0002653902320000055
将所述定位位置差值
Figure GDA0002653902320000056
作为输入数据，输入预先训练的融合定位模型，得到目标在当前时刻k的实际位置Xa,k；
其中，所述预先训练的融合定位模型为根据历史时间段内的预设目标的PDR定位位置、WiFi定位位置和实际位置，采用长短期记忆网络算法进行训练后的模型。
进一步地，所述定位位置差值
Figure GDA00026539023200000516
Figure GDA0002653902320000059
进一步地，所述步骤A3中，所述预先训练的融合定位模型包括输入层和输出层；
所述输入层用于输入输入数据
Figure GDA00026539023200000510
所述输出层用于输出输出数据
Figure GDA00026539023200000511
所述输出数据
Figure GDA00026539023200000512
Figure GDA00026539023200000515
进一步地，所述步骤A2中，
Figure GDA00026539023200000514
其中，f为WiFi定位方法中的映射函数。
具体地，假设运动用户需要在任意t时刻对自身位置进行估计，并同时使用PDR定位及WiFi定位方法。
当采用PDR进行定位时，设定t时刻PDR估计的用户位置为
Figure GDA0002653902320000061
则t+1时刻PDR确定的用户位置
Figure GDA0002653902320000062
可表示为：
Figure GDA0002653902320000063
式中：
Figure GDA0002653902320000064
为t时刻到t+1时刻用户的位移。
假设t+1时刻用户获取的WiFi指纹值为Rt+1，基于WiFi定位算法，可计算得到用户基于WiFi定位获得的位置
Figure GDA0002653902320000065
可表示为：
Figure GDA0002653902320000066
定义t+1时刻用户的实际位置为Xa,t+1，则根据卡尔曼滤波关系，则融合实际位置、PDR定位位置及WiFi定位位置的定位模型可表示为：
Figure GDA0002653902320000067
式中：Kt+1为t+1时刻卡尔曼模型的增益，σt+1为定位过程中引入的随机误差。
设置
Figure GDA0002653902320000068
及
Figure GDA0002653902320000069
则融合定位模型可表示为：
Figure GDA00026539023200000610
进一步地，所述融合定位模型的训练过程包括：
S1、基于滑动窗口方式构建长短期记忆网络的样本集，如图2所示，所述样本集包括训练集和测试集；
S2、根据预设的定位区域，设置定位区域的采样路径、路径起始点、路径终止点和采样周期Δt；
所述采样路径根据路径起始点和路径终止点确定；
S3、设置采样计数器i＝1；
S4、获取采样时刻t的采样点位置Xa,i＝Xa,t；
S5、基于PDR定位方法，获取采样点的PDR定位位置
Figure GDA00026539023200000611
S6、基于WiFi定位方法，得到采样点在采样时刻t的指纹值Rt，根据所述指纹值Rt，获取采样点的WiFi定位位置
Figure GDA00026539023200000612
S7、根据所述采样点位置Xa,i、采样点的PDR定位位置
Figure GDA00026539023200000613
和采样点的WiFi定位位置
Figure GDA0002653902320000071
得到
Figure GDA0002653902320000072
和
Figure GDA0002653902320000073
S8、判断所述采样点位置Xa,t是否为路径终止点，若是，继续执行步骤S9；若不是，返回步骤S3，设置采样计数器i＝i+1，采样时刻t＝t+Δt；
S9、基于采样计数器i，分别设置序列
Figure GDA0002653902320000074
和
Figure GDA0002653902320000075
S10、设置滑动窗口的大小为w，按照滑动采样方式构建大小为i-w+1条特征数据，其中第q条指纹为：
Figure GDA0002653902320000076
S11、对特征数据中的每个数据进行处理，得到训练集；
S12、基于训练集，将前w-1个数据作为输入数据，将最后一个数据作为输出数据，采用LSTM网络对融合定位模型进行训练，得到训练好的融合定位模型Kt，最终实现从w-1个输入到单一输出数据的映射。
将本发明提供的融合定位方法与传统基于滤波的定位方法进行对比，如图3所示，可见本发明方法具有更高的定位精度。需要注意的是，由于区域的分离，使得训练集与测试集中的节点具有不同的位置坐标，如果采用传统的位置作为输出，测试集中的所有数据经映射后其坐标范围不能满足需求。本发明由于直接采用位置的差值，即实际位置与估计PDR位置之间的位移作为输出，可在完成计算后，将PDR位置加上估计的位移值，从而最终确定用户的位置，从而更具备普适性。
以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (5)

1.一种面向智能移动终端的融合定位方法，其特征在于，包括如下步骤：
A1、基于PDR定位方法，获取目标在当前时刻k的PDR定位位置
Figure FDA0002653902310000011
A2、基于WiFi定位方法，得到目标在当前时刻k的指纹值Rk，根据所述指纹值Rk，获取目标在当前时刻k的WiFi定位位置
Figure FDA0002653902310000012
A3、根据所述PDR定位位置
Figure FDA0002653902310000013
和WiFi定位位置
Figure FDA0002653902310000014
得到定位位置差值
Figure FDA0002653902310000015
将所述定位位置差值
Figure FDA0002653902310000016
作为输入数据，输入预先训练的融合定位模型，得到目标在当前时刻k的实际位置Xa,k；
其中，所述预先训练的融合定位模型为根据历史时间段内的预设目标的PDR定位位置、WiFi定位位置和实际位置，将WiFi定位位置与PDR定位位置的差值作为输入数据，将实际位置与PDR定位位置的差值作为输出数据，采用长短期记忆网络算法进行训练后的模型。
2.根据权利要求1所述的融合定位方法，其特征在于，所述步骤A3中，所述定位位置差值
Figure FDA0002653902310000017
定位位置
Figure FDA0002653902310000018
定位位置
Figure FDA0002653902310000019
3.根据权利要求1所述的融合定位方法，其特征在于，所述步骤A3中，所述预先训练的融合定位模型包括输入层和输出层；
所述输入层用于输入输入数据
Figure FDA00026539023100000110
所述输出层用于输出输出数据
Figure FDA00026539023100000111
所述输出数据
Figure FDA00026539023100000112
Figure FDA00026539023100000113
4.根据权利要求1所述的融合定位方法，其特征在于，所述步骤A2中，
Figure FDA00026539023100000114
其中，f为WiFi定位方法中的映射函数。
5.根据权利要求1所述的融合定位方法，其特征在于，所述融合定位模型的训练过程包括：
S1、基于滑动窗口方式构建长短期记忆网络的样本集，所述样本集包括训练集和测试集；
S2、根据预设的定位区域，设置定位区域的采样路径、路径起始点、路径终止点和采样周期Δt；
所述采样路径根据路径起始点和路径终止点确定；
S3、设置采样计数器i＝1；
S4、获取采样时刻t的采样点位置Xa,i＝Xa,t，Xa,t为采样时刻t的采样点位置；
S5、基于PDR定位方法，获取采样点的PDR定位位置
Figure FDA0002653902310000021
Figure FDA0002653902310000022
为采样时刻t时采样点的PDR定位位置；
S6、基于WiFi定位方法，得到采样点在采样时刻t的指纹值Rt，根据所述指纹值Rt，获取采样点的WiFi定位位置
Figure FDA0002653902310000023
Figure FDA0002653902310000024
为采样时刻t时采样点的WiFi定位位置；
S7、根据所述采样点位置Xa,i、采样点的PDR定位位置
Figure FDA0002653902310000025
和采样点的WiFi定位位置
Figure FDA0002653902310000026
得到
Figure FDA0002653902310000027
和
Figure FDA0002653902310000028
S8、判断所述采样点位置Xa,t是否为路径终止点，若是，继续执行步骤S9；若不是，返回步骤S3，设置采样计数器i＝i+1，采样时刻t＝t+Δt；
S9、基于采样计数器i，分别设置序列
Figure FDA0002653902310000029
和
Figure FDA00026539023100000210
S10、设置滑动窗口的大小为w，按照滑动采样方式构建大小为i-w+1条特征数据，其中第q条特征数据为：
Figure FDA00026539023100000211
S11、对特征数据中的每个数据进行处理，得到训练集；
S12、基于训练集，将前w-1个数据作为输入数据，将最后一个数据作为输出数据，采用LSTM网络对融合定位模型进行训练，得到训练好的融合定位模型Kt，最终实现从w-1个输入到单一输出数据的映射。
CN201910936885.9A 2019-09-29 2019-09-29 一种面向智能移动终端的融合定位方法 Active CN110519693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910936885.9A CN110519693B (zh) 2019-09-29 2019-09-29 一种面向智能移动终端的融合定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910936885.9A CN110519693B (zh) 2019-09-29 2019-09-29 一种面向智能移动终端的融合定位方法

Publications (2)

Publication Number Publication Date
CN110519693A CN110519693A (zh) 2019-11-29
CN110519693B true CN110519693B (zh) 2020-11-03

Family

ID=68634066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910936885.9A Active CN110519693B (zh) 2019-09-29 2019-09-29 一种面向智能移动终端的融合定位方法

Country Status (1)

Country Link
CN (1) CN110519693B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110891241A (zh) * 2020-01-08 2020-03-17 北京理工大学重庆创新中心 一种基于长短时间记忆网络模型与接入点选择策略的指纹定位方法
CN117706583A (zh) * 2023-12-29 2024-03-15 无锡物联网创新中心有限公司 一种高精度定位方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107396322A (zh) * 2017-08-28 2017-11-24 电子科技大学 基于路径匹配与编码译码循环神经网络的室内定位方法
CN108873030A (zh) * 2018-07-11 2018-11-23 上海斐讯数据通信技术有限公司 一种gps轨迹优化方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966151A (zh) * 2017-11-22 2018-04-27 合肥工业大学 一种基于多传感器融合技术的室内行人航位推算方法
US10964030B2 (en) * 2018-02-12 2021-03-30 Samsung Electronics Co., Ltd. Device and method with pose estimator based on current predicted motion state array
CN109001722B (zh) * 2018-05-30 2022-03-15 武汉理工大学 一种基于lstm模型的船舶航迹数据融合方法
CN108957502B (zh) * 2018-06-04 2022-10-21 安徽理工大学 基于深度学习lstm的gnss多系统多路径误差实时削弱方法
CN110118560B (zh) * 2019-05-28 2023-03-10 东北大学 一种基于lstm和多传感器融合的室内定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107396322A (zh) * 2017-08-28 2017-11-24 电子科技大学 基于路径匹配与编码译码循环神经网络的室内定位方法
CN108873030A (zh) * 2018-07-11 2018-11-23 上海斐讯数据通信技术有限公司 一种gps轨迹优化方法及系统

Also Published As

Publication number Publication date
CN110519693A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
Cheng et al. Seamless outdoor/indoor navigation with WIFI/GPS aided low cost Inertial Navigation System
CN106908821B (zh) 一种室内外无缝定位切换方法
Kim et al. Smartphone-based collaborative and autonomous radio fingerprinting
KR20140041882A (ko) 모바일 장치의 방향을 결정하기 위한 개념
Schmid et al. An experimental evaluation of position estimation methods for person localization in wireless sensor networks
Liu et al. Research and development of indoor positioning
CN111263305B (zh) 基于5g信号的多终端室内定位方法及装置
CN110519693B (zh) 一种面向智能移动终端的融合定位方法
Yu et al. H-WPS: Hybrid wireless positioning system using an enhanced wi-fi FTM/RSSI/MEMS sensors integration approach
Chen et al. An indoor multi-source fusion positioning approach based on PDR/MM/WiFi
Yu et al. A robust seamless localization framework based on Wi-Fi FTM/GNSS and built-in sensors
Yang et al. WKNN indoor location algorithm based on zone partition by spatial features and restriction of former location
Guo et al. Virtual wireless device-constrained robust extended Kalman filters for smartphone positioning in indoor corridor environment
Wang A study of WiFi-aided magnetic matching indoor positioning algorithm
Zhao et al. Wi-Fi assisted multi-sensor personal navigation system for indoor environments
Yuan et al. Efficient WiFi fingerprint training using semi-supervised learning
Retscher et al. Cooperative localization in indoor environments using constrained differential Wi-Fi and UWB measurements
Naguib et al. Scalable and accurate indoor positioning on mobile devices
Wu et al. Indoor positioning based on tightly coupling of PDR and one single Wi-Fi FTM AP
Tsai et al. A positioning scheme combining location tracking with vision assisting for wireless sensor networks
Ai et al. Error model and simulation for multisource fusion indoor positioning
Jia et al. An indoor and outdoor seamless positioning system based on android platform
Wang et al. An Indoor UWB NLOS Correction Positioning Method Based on Anchor LOS/NLOS Map
TW201237452A (en) Hybrid indoor positioning method combining signal intensity characteristics matching and position prediction analysis
CN109031263B (zh) 一种基于移动群智感知数据的室内指纹地图构建方法

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