CN110650435B - 基于UWB定位和ZigBee定位的机器学习融合方法 - Google Patents
基于UWB定位和ZigBee定位的机器学习融合方法 Download PDFInfo
- Publication number
- CN110650435B CN110650435B CN201811524815.4A CN201811524815A CN110650435B CN 110650435 B CN110650435 B CN 110650435B CN 201811524815 A CN201811524815 A CN 201811524815A CN 110650435 B CN110650435 B CN 110650435B
- Authority
- CN
- China
- Prior art keywords
- data
- distance
- positioning
- time
- value
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于UWB定位和ZigBee定位的机器学习融合方法,本发明首先利用基于ZigBee技术的TDOA算法计算距离,通过TOF算法计算标签到各基站的距离,将TODA得到的四组数据和TOF‑TWF得到四组数据通过机器学习的方法一一融合,再通过Fang算法得到标签的坐标值,再进行滤波,最终输出的定位坐标,本发明减小了测量数据误差,利用机器学习的方法减小了由于不同环境下噪声影响测量结果导致的融合权值不确定,在计算时削减了误差的影响,本发明方法简洁,计算量小,对硬件的要求较低,节约成本,适合批量生产。
Description
技术领域
本发明属于室内定位技术领域,涉及到一种用于工地安防的基于UWB定位和ZigBee定位技术的机器学习融合方法。
背景技术
传统基于全球定位系统(GPS)的定位技术应用,已在室外环境下为人们提供了许多便利。随着近年来人们生活水平的不断提高,大众对定位的诉求已不在只限于室外,在智慧商场、企业人员智能管理、工地安全防护项目等场景,尤其是工地安全防护项目,近年来,工地安防越来越受到社会各界的关注,工地安全防护项目要求对工人进行定位监测,而传统的GPS定位精确度有限,在工地这一特殊场景已无法使用。本文设计了一种用于工地安防的基于UWB定位和ZigBee定位技术的机器学习融合方法,运用ZigBee的TDOA(到达时间差)及UWB的SDS-TWR-TOF(飞行时间测距),以及机器学习回归的融合方法,利用高精度的定位来保证工人的生命安全。
发明内容
本发明针对现有技术的不足,提出了一种用于工地安防的基于UWB定位和ZigBee定位技术的机器学习融合方法。
该方法具体包括以下步骤:
步骤1,测出标签到两基站的到达时间差,利用基于ZigBee技术的TDOA算法计算距离,具体为:
ZigBee定位系统由四个ZigBee模块组建而成,其中一个为协调器,作为标签,另外三个为终端设备,并作为主基站,网络拓扑结构为星形结构;
过程:
(1)测出两基站接收到的信号到达时间差;
(2)将时间差转换为距离,并代入双曲线方程,三组基站与标签形成双曲线方程组;
设两个基站为A和B,标签到两基站的距离之差为:
d21=d2-d1=(t2-t0)C-(t1-t0)C=(t2-t1)C
式中,d1为标签到基站A的距离,d2为标签到基站B的距离,t1为达到基站A的时间,t2为达到基站B的时间,C为光速,xb和yb为B在所建坐标系的位置,xm和ym为标签MS的位置;
将代入可得
同理,对于C基站有下式:
H·x=d1C+r
x=d1H-1C+H-1r
这时候,考虑实际误差,如
ej(t)=|xreal(t)-x(t)|,j=0,1,2,…,i
ej(t)为误差值,xreal(t)为真实的距离,i为现在得到的值,考虑到人正常行走的速度,进行均值滤波,即:
其中xout为最后的输出数据,xi为得到TODA值,得到三组TODA测量数据;TODA测量数据,发到主基站上;
步骤2,通过TOF算法计算标签到各基站的距离,具体为:
UWB定位系统由四个基站及一个标签组成,通过标签给基站连续发送数据包,然后基站记录下数据包到达的时间,通过探测数据包的飞行时间来得到标签到基站的距离,
过程:
(1)节点A向节点B发出数据;
(2)节点B向节点A发出数据;
(3)通过数据包达到的时间以及本身的运算时间,计算出双边飞行的时间,从而计算距离;
设:TroundA为节点A发出POLL数据包到接收到Ack数据包用的时间;TreplyB为节点B收到POLL数据包到发出Ack包所用的时间;TroundB为节点B发出POLL数据包到接收到Ack数据包用的时间;TreplyA为节点A收到Poll数据包到发出Ack包所用的时间误差项:设节点A的频率偏差为FdA,节点B的频率偏差为FdB;
数据包在空中传递的实际时间为
加上误差后,数据包的传递时间为
这时候,考虑实际误差,如
ej(t)=|Dreal(t)-D(t)|,j=0,1,2,…,i
ej(t)为误差值,Dreal(t)为真实的距离,D(t)为现在得到的值,j为迭代值,考虑到人正常行走的速度,进行均值滤波,即:
其中Dout为最后的输出数据,Di为得到TOF值,得到TOF的四组测距数据;
步骤3,将TODA得到的四组数据和TOF-TWF得到四组数据分别一一融合,具体为:
利用ZigBee系统和UWB系统协同工作,用数据融合实现对未知位置的精准定位,数据融合的方法源于机器学习中的回归,通过在工地环境下,事先进行特定实验训练模型,并且实现精确定位;
过程:
(1)在实际环境下,搭建一个实验平台,使得标签以一个固定速度运动;
(2)利用测出的值来训练模型;
这里以一组基站到标签的数据为例,设UWB定位的值为xu,ZigBee定位的值为xz,w0,w1,w2为融合系数,hw(xi)为融合输出,则有:
hw(xi)=w0+w1xu+w2xz
写成矩阵为,
hw(xi)=WTX
XW=hw(xi)
假设有训练数据,
D={(Xz1,Xu1,y1),((Xz2,Xu2,y2)),...,(Xzn,Xun,yn)}
式中,Xz1...Xzn和Xu1...Xun为实验中步骤1和步骤2得到数据,y1...yn为实验过程中给出得训练值,n为有训练的总量;
均方误差是回归任务中最常用的性能度量,让均方误差J(W)最小化,可得损失函数,
接下来用梯度下降法求解损失函数得最小值:
(1)首先对W赋值,
(2)改变W的值,使得J(W)按梯度下降的方向进行减少;
对损失函数求偏导数得,
之后是更新的过程,也就是wi会向着梯度最小的方向进行减少;wi
表示更新之前的值,α表示步长,
再使用矩阵表示E=X-y,
得到
最终得到模型的局部最优解,使用训练的模型来融合ZigBee和UWB的四对定位数据;
步骤4,Fang算法得到标签的坐标值,具体为:
在三维直角坐标系中,设定定位目标的位置坐标为(x,y,z),主传感器的位置坐标为(x1,y1,z1),从传感器的位置坐标为(xi,yi,zi),定位目标与从传感器和与主传感器的距离差为Ri,其中i=1,2,3,4;由此得到:
若其中的i=1,得
可得,
式中:xi.1=xi-x1,yi.1=yi-y1,zi,1=zi-z1;
如果把(x,y,z)作为未知数,那么式子则为线性方程;通过4个从传感器列4个方程,从而求解方程组得到目标位置(x,y,z)的值;设定主传感器的位置为(0,0,0),从传感器的位置分别为(x1,0,0),(x3,y3,0),(x4,y4,z4);此时可以得到解出x的值,再把x代入求得y,z的值;故只要知道主从传感器的位置(xi,yi,zi)以及相应的距离Ri,最终就得到工人的位置坐标;
步骤5.最终输出的定位坐标会因为各种原因导致数据跳动,所以必须对数据采用滑动平均滤波算法进行滤波,滤波公式如下:
式中M为滑动窗长度,yi为第i组测量数据;k≥M,k为整数本发明的有益效果:1)减小了测量数据误差,利用机器学习的方法减小了由于不同环境下噪声影响测量结果导致的融合权值不确定。2)在计算时削减了误差的影响。3)方法简洁,计算量小,对硬件的要求较低,节约成本,适合批量生产。
附图说明
图1为于ZigBee技术的TDOA及基于UWB技术的TOF的机器学习融合方法执行流程图;
图2为基于ZigBee技术的TDOA过程描述图;
图3为基于UWB技术的TOF过程描述的上图;
图4为基于UWB技术的TOF过程描述的下图;
具体实施方式
如图1所示,本发明的一种基于多模融合递归迭代的室内定位方法,具体包括以下步骤:
步骤1,首先在机房里使用上位机程序设定四个UWB基站的坐标位置以及工地危险区的坐标范围;
步骤2,如图2所示,测出标签到两基站的到达时间差,利用基于ZigBee技术的TDOA算法计算距离:
x=d1H-1C+H-1r
步骤3,如图3所示,通过TOF算法计算标签到各基站的距离,即:
得到四组TOF的数据
步骤4,在主基站上,将TODA得到的四组数据和TOF-TWF得到四组数据分别一一融合,通过在工地环境下,事先进行特定实验训练模型,在实际定位中,将值传入模型,得到融合数据,在实验时进行梯度下降法训练模型:
使用矩阵表示E=X-y,
得到
步骤5,Fang算法得到标签的坐标值,具体为:
设定工人的位置坐标为(x,y,z),主传感器的位置坐标为(x1,y1,z1),从传感器的位置坐标为(xi,yi,zi),定位目标与从传感器和与主传感器的距离差为Ri,其中i=1,2,3,4。有
式中:xi.1=xi-x1,yi.1=yi-y1,zi.1=zi-z1。
通过4个从传感器列4个方程,从而求解方程组可以得到目标位置(x,y,z)的值。设定主传感器的位置为(0,0,0),从传感器的位置分别为(x1,0,0),(x3,y3,0),(x4,y4,z4)。此时可以得到解出x的值,再把x代入求得y,z的值。故只要知道主从传感器的位置(xi,yi,zi)以及相应的距离Ri,最终就可以得到工人的位置坐标。
步骤6,滑动平均滤波算法对Fang得到的数据进行滤波,滤波公式如下:
步骤7.将工人位置坐标和危险区坐标区比对,如果坐标在危险区内,标签蜂鸣器长鸣给工人报警,并且发送信号给上位机提醒工作人员。
Claims (1)
1.基于UWB定位和ZigBee定位的机器学习融合方法,其特征在于,该方法具体包括以下步骤:
步骤1,测出标签到两基站的到达时间差,利用基于ZigBee技术的TDOA算法计算距离,具体为:
ZigBee定位系统由四个ZigBee模块组建而成,其中一个为协调器,作为标签,另外三个为终端设备,并作为主基站,网络拓扑结构为星形结构;
过程:
(1)测出两基站接收到的信号到达时间差;
(2)将时间差转换为距离,并代入双曲线方程,三组基站与标签形成双曲线方程组;
设两个基站为A和B,标签到两基站的距离之差为:
d21=d2-d1=(t2-t0)C-(t1-t0)C=(t2-t1)C
式中,d1为标签到基站A的距离,d2为标签到基站B的距离,t1为达到基站A的时间,t2为达到基站B的时间,C为光速,xb和yb为B在所建坐标系的位置,xm和ym为标签MS的位置;
将代入可得
同理,对于C基站有下式:
H·x=d1C+r
x=d1H-1C+H-1r
这时候,考虑实际误差,如
ej(t)=|xreal(t)-x(t)|,j=0,1,2,…,i
ej(t)为误差值,xreal(t)为真实的距离,x(t)为现在得到的值,j为迭代值,考虑到人正常行走的速度,进行均值滤波,即:
其中xout为最后的输出数据,xi为得到TDOA值,得到四组TDOA测量数据;TDOA测量数据,发到主基站上;
步骤2,通过TOF算法计算标签到各基站的距离,具体为:
UWB定位系统由四个基站及一个标签组成,通过标签给基站连续发送数据包,然后基站记录下数据包到达的时间,通过探测数据包的飞行时间来得到标签到基站的距离,
过程:
(1)节点A向节点B发出数据;
(2)节点B向节点A发出数据;
(3)通过数据包达到的时间以及本身的运算时间,计算出双边飞行的时间,从而计算距离;
设:TroundA为节点A发出POLL数据包到接收到Ack数据包用的时间;TreplyB为节点B收到POLL数据包到发出Ack包所用的时间;TroundB为节点B发出POLL数据包到接收到Ack数据包用的时间;TreplyA为节点A收到Poll数据包到发出Ack包所用的时间误差项:设节点A的频率偏差为FdA,节点B的频率偏差为FdB;
数据包在空中传递的实际时间为
加上误差后,数据包的传递时间为
这时候,考虑实际误差,如
ej(t)=|Dreal(t)-D(t)|,j=0,1,2,…,i
ej(t)为误差值,Dreal(t)为真实的距离,D(t)为现在得到的值,j为迭代值,考虑到人正常行走的速度,进行均值滤波,即:
其中Dout为最后的输出数据,Di为得到TOF值,得到TOF的四组测距数据;
步骤3,将TDOA得到的四组数据和TOF-TWF得到四组数据分别一一融合,具体为:
利用ZigBee系统和UWB系统协同工作,用数据融合实现对未知位置的精准定位,数据融合的方法源于机器学习中的回归,通过在工地环境下,事先进行特定实验训练模型,并且实现精确定位;
过程:
(1)在实际环境下,搭建一个实验平台,使得标签以一个固定速度运动;
(2)利用测出的值来训练模型;
这里以一组基站到标签的数据为例,设UWB定位的值为xu,ZigBee定位的值为xz,w0,w1,w2为融合系数,hw(xi)为融合输出,则有:
hw(xi)=w0+w1xu+w2xz
写成矩阵为,
hw(xi)=WTX
XW=hw(xi)
假设有训练数据,
D={(Xz1,Xu1,y1),((Xz2,Xu2,y2)),...,(Xzn,Xun,yn)}
式中,Xz1...Xzn和Xu1...Xun为实验中步骤1和步骤2得到数据,y1...yn为实验过程中给出的训练值,n为有训练的总量;
均方误差是回归任务中最常用的性能度量,让均方误差J(W)最小化,可得损失函数,
接下来用梯度下降法求解损失函数的最小值:
(1)首先对W赋值,
(2)改变W的值,使得J(W)按梯度下降的方向进行减少;
对损失函数求偏导数得,
之后是更新的过程,也就是wi会向着梯度最小的方向进行减少;wi表示更新之前的值,α表示步长,
再使用矩阵表示E=X-y,
得到
最终得到模型的局部最优解,使用训练的模型来融合ZigBee和UWB的四对定位数据;
步骤4,Fang算法得到标签的坐标值,具体为:
在三维直角坐标系中,设定定位目标的位置坐标为(x,y,z),主传感器的位置坐标为(x1,y1,z1),从传感器的位置坐标为(xi,yi,zi),定位目标与从传感器和与主传感器的距离差为Ri,其中i=1,2,3,4;由此得到:
若其中的i=1,得
可得,
式中:xi.1=xi-x1,yi.1=yi-y1,zi,1=zi-z1;
如果把(x,y,z)作为未知数,那么式子则为线性方程;通过4个从传感器列4个方程,从而求解方程组得到目标位置(x,y,z)的值;设定主传感器的位置为(0,0,0),从传感器的位置分别为(x1,0,0),(x3,y3,0),(x4,y4,z4);此时可以得到解出x的值,再把x代入求得y,z的值;故只要知道主从传感器的位置(xi,yi,zi)以及相应的距离Ri,最终就得到工人的位置坐标;
步骤5.最终输出的定位坐标会因为各种原因导致数据跳动,所以必须对数据采用滑动平均滤波算法进行滤波,滤波公式如下:
式中M为滑动窗长度,yi为第i组测量数据;k≥M,k为整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524815.4A CN110650435B (zh) | 2018-12-13 | 2018-12-13 | 基于UWB定位和ZigBee定位的机器学习融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524815.4A CN110650435B (zh) | 2018-12-13 | 2018-12-13 | 基于UWB定位和ZigBee定位的机器学习融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110650435A CN110650435A (zh) | 2020-01-03 |
CN110650435B true CN110650435B (zh) | 2021-04-30 |
Family
ID=69009202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524815.4A Active CN110650435B (zh) | 2018-12-13 | 2018-12-13 | 基于UWB定位和ZigBee定位的机器学习融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110650435B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112954591B (zh) * | 2021-02-10 | 2022-04-15 | 北京理工大学 | 一种协同分布式定位方法及系统 |
CN113329492B (zh) * | 2021-08-04 | 2021-11-19 | 深圳市海豚科技创新有限公司 | 基于tdoa的定位方法、装置、计算机设备及存储介质 |
CN113777557B (zh) * | 2021-09-26 | 2023-09-15 | 北方工业大学 | 基于冗余距离筛选的uwb室内定位方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782652A (zh) * | 2010-02-08 | 2010-07-21 | 上海和为科技有限公司 | 一种基于rfid技术的室内定位系统 |
CN102638763A (zh) * | 2012-05-03 | 2012-08-15 | 中国矿业大学(北京) | 井下电磁波超声联合定位系统及方法 |
CN106352879A (zh) * | 2016-09-28 | 2017-01-25 | 深圳市普渡科技有限公司 | 一种基于图优化的uwb定位与编码器融合的位姿估计方法 |
US10038972B1 (en) * | 2014-12-12 | 2018-07-31 | Phunware, Inc. | Monitoring outdoor and indoor regions with mobile devices |
-
2018
- 2018-12-13 CN CN201811524815.4A patent/CN110650435B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782652A (zh) * | 2010-02-08 | 2010-07-21 | 上海和为科技有限公司 | 一种基于rfid技术的室内定位系统 |
CN102638763A (zh) * | 2012-05-03 | 2012-08-15 | 中国矿业大学(北京) | 井下电磁波超声联合定位系统及方法 |
US10038972B1 (en) * | 2014-12-12 | 2018-07-31 | Phunware, Inc. | Monitoring outdoor and indoor regions with mobile devices |
CN106352879A (zh) * | 2016-09-28 | 2017-01-25 | 深圳市普渡科技有限公司 | 一种基于图优化的uwb定位与编码器融合的位姿估计方法 |
Non-Patent Citations (1)
Title |
---|
UWB高精度室内定位系统及实现;李威等;《数据通信》;20181028;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110650435A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110856106B (zh) | 基于uwb和气压计的室内高精度三维定位方法 | |
CN110650435B (zh) | 基于UWB定位和ZigBee定位的机器学习融合方法 | |
KR102009791B1 (ko) | Uwb를 이용한 3차원 측위 시스템 | |
WO2020172933A1 (zh) | 一种uwb室内三维定位系统及方法 | |
CN112533163B (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
CN103809153A (zh) | 用于两个通信装置之间的准确的直线距离估计的方法和系统 | |
CN109788551A (zh) | 一种三维室内定位系统及方法 | |
US10976407B2 (en) | Locating radio transmission source by scene reconstruction | |
CN108156580B (zh) | 一种基于智能手机的室内楼层定位方法 | |
KR101537742B1 (ko) | 실내 측위 시스템용 비콘 및 리스너 | |
WO2022100272A1 (zh) | 室内定位方法及相关装置 | |
CN110044357A (zh) | 一种室内高精度三维无线定位方法 | |
CN116567531A (zh) | 基于粒子滤波算法的传感器融合室内定位方法及系统 | |
CN109061560B (zh) | 一种定位方法及装置 | |
Rozum et al. | Bluetooth low power portable indoor positioning system using simo approach | |
Aravinda et al. | Optimization of RSSI based indoor localization and tracking to monitor workers in a hazardous working zone using Machine Learning techniques | |
CN110673097B (zh) | 利用音频到达时间差对空间中发声物体的定位方法 | |
CN109640253B (zh) | 一种移动机器人定位方法 | |
CN110187306B (zh) | 一种应用于复杂室内空间的tdoa-pdr-map融合定位方法 | |
CN111190139B (zh) | 一种用于复杂环境中超宽带非视线传输的高精度定位方法 | |
CN108924748B (zh) | 一种基于元胞自动机的无线室内定位方法 | |
CN107786939B (zh) | 基于蒙特卡洛最小二乘法室内定位模型及构建方法和应用 | |
Zhan et al. | Fast Self-calibration Method for Massive UWB Anchors Aided by Odometry | |
CN114745674B (zh) | 一种基于改进bp神经网络的测距模型定位算法 | |
KR102604367B1 (ko) | 확장현실을 포함한 가상현실 공간 서비스를 위한 고정밀 위치 움직임 획득장치 |
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: 20240618 Address after: Room 212, Building 2, No. 66 Dongxin Avenue, Puyan Street, Binjiang District, Hangzhou City, Zhejiang Province, 310000 Patentee after: Godes (Hangzhou) Intelligent Technology Co.,Ltd. Country or region after: China Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University Country or region before: China |