CN111190143A - 一种基于机器学习的室内可见光定位方法 - Google Patents
一种基于机器学习的室内可见光定位方法 Download PDFInfo
- Publication number
- CN111190143A CN111190143A CN202010025918.7A CN202010025918A CN111190143A CN 111190143 A CN111190143 A CN 111190143A CN 202010025918 A CN202010025918 A CN 202010025918A CN 111190143 A CN111190143 A CN 111190143A
- Authority
- CN
- China
- Prior art keywords
- visible light
- training
- indoor visible
- training data
- machine learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Optical Communication System (AREA)
Abstract
本公开提出了一种基于机器学习的室内可见光定位方法,通过在所述室内可见光定位区域设置有多个训练点,且所述室内可见光定位区域包括N个LED灯和M个探测器,利用M个探测器对室内可见光定位区域的多个训练点处采集不同频率的N个LED灯信号,在训练数据采集过程中训练数据间隔是定位区域内测试数据间隔的3倍,在对训练数据进行傅里叶变换处理后,将处理后的训练数据的光强信息作为机器学习的输入,将其所对应的位置信息作为机器学习的输出来训练机器学习的神经网络模型,能够减少机器学习的训练数据量,且实现高精度的室内可见光定位。
Description
技术领域
本发明属于室内定位领域,涉及一种基于人工神经网络的低训练复杂度、高精度室内可见光定位方法,特别涉及一种基于机器学习的室内可见光定位方法。
背景技术
随着基于位置服务应用的不断发展和人们不断增长的室内定位导航方面的需求,室内定位技术越来越受到人们的关注。室内定位技术主要有手机基站、RFID、Zigbee、蓝牙、红外、WiFi等技术,由于各自技术的局限性,限制了其大规模推广应用,并且上述技术必须单独部署一套单独的定位网络,成本较高。
基于传统的全球定位系统的定位导航技术无法在室内应用,因此,针对室内场景下的定位技术的研究势在必行。进入21世纪后,随着固态照明产业的发展,发光二极管(LED)作为荧光灯和白炽灯的替代光源逐渐得到普及。相比于传统照明灯具,LED以绿色、节能、环保、工作寿命长、发光效率高等优势快速占据照明市场。与上述定位方法相比,室内可见光定位技术的主要优点是可以直接利用室内已有的照明设备作为定位信号的发射端,因此无需单独安装发射源,降低了成本和额外功耗。此外,以可见光为载波的定位系统电磁兼容性良好,不含电磁辐射,可以在医院,飞机机舱等对电磁辐射敏感的场所使用。且与传统定位系统中所采用的射频信号相比,光的波长远远小于光电探测器光敏面尺寸,因此不易受到多径效应的影响。
近年来,基于LED的室内可见光通信和定位技术不断发展,出现了多种可见光定位相关的论文和专利,基于机器学习算法在室内可见光定位中的应用屡见不鲜,例如专利“一种基于机器学习的高精度室内定位方法”(申请号CN201810509459.2)和专利“基于光照阴影和机器学习的可见光定位系统和方法”(申请号CN201710295201.2)。然而,机器学习算法在训练时往往需要大量训练数据,因此在训练数据的采集过程中会耗费大量的人力和时间成本,尤其是在大型定位场景中,大量采集训练数据的做法并不具有可实施性。
因此,急需一种减少机器学习训练时所需训练数据量并且实现高精度的室内可见光定位方法。
发明内容
有鉴于此,本申请实施例提供了一种基于机器学习的室内可见光定位方法,能够减少机器学习的训练数据量,且实现高精度的室内可见光定位。
根据本公开的一方面,本申请实施例提供了一种基于机器学习的室内可见光定位方法,在所述室内可见光定位区域设置有多个训练点,且所述室内可见光定位区域包括N个LED灯和M个探测器,N和M均为正整数,所述方法包括:
S1:对N个LED灯分别进行驱动、调制得到N个互异频率的周期光源信号;
S2:针对每个测试点利用M个探测器对所述N个互异频率的所述光源信号进行探测,得到该测试点的测试数据,所述测试数据的距离间隔为t;
S3:对所述测试数据以距离间隔为3t进行采集得到训练数据,标记所述训练点的位置信息;
S4:对所述训练数据和测试数据进行傅里叶变换处理,得到所述训练数据和测试数据对应N个LED的接收光强度信息;
S5:重复步骤S3-S4,对所有训练数据和测试数据进行处理,得到所有训练数据和测试数据对应N个LED的接收信号强度信息,在此过程中需要记录训练数据在定位区域内的对应位置信息;
S6:将所述训练数据的光信号强度信息作为神经网络的输入、及将所述训练数据的位置信息作为神经网络的输出进行神经网络的训练得到训练数据的定位模型;
S7:将S4中经过傅里叶变换处理的测试数据输入到所述定位模型,得到所述测试数据的位置信息。
在一种可能的实现方式中,根据所述室内可见光定位区域的大小和所述探测器的视场角设置所述N个LED灯的位置和数量。
在一种可能的实现方式中,所述N≥3。
在一种可能的实现方式中,所述探测器为PIN探测器或APD探测器。
在一种可能的实现方式中,采用经正则化处理的LM训练算法进行所述神经网络的训练。
由此可见,本申请实施例具有如下有益效果:
本公开提出了一种基于机器学习的室内可见光定位方法,通过在所述室内可见光定位区域设置有多个训练点,且所述室内可见光定位区域包括N个LED灯和M个探测器,利用M个探测器对室内可见光定位区域的多个训练点处采集不同频率的N个LED灯信号,在训练采集过程中,训练数据距离间隔是室内可见光定位区域的测试数据距离间隔的3倍,在对训练数据进行傅里叶变换处理后,将处理后的训练数据的光强信息作为机器学习的输入,将其所对应的位置信息作为机器学习的输出来训练机器学习的神经网络模型,能够减少机器学习的训练数据量,且实现高精度的室内可见光定位。
附图说明
图1示出了根据本申请一实施例的一种基于机器学习的室内可见光定位方法流程图。
图2示出了根据本申请一实施例的一种基于机器学习的室内可见光定位方法中的训练点与测试点选取示意图;
图3示出了根据本申请一实施例的一种基于机器学习的室内可见光定位方法中的神经网络结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
本公开的核心思想:在室内可见光定位区域内采集训练数据点,以采样间隔为测试数据间隔的两倍左右进行等间距稀疏采样。利用贝叶斯方法对神经网络的训练算法LM(Levenberg-Marquardt,莱文贝格-马夸特方法)正则化处理,能够防止神经网络由于训练数据过少而出现过拟合现象。
具体室内可见光定位方法过程为:首先对室内可见光定位区域内的LED进行调制并保证每个LED的调制频率互不相同,在预先设定的训练点采集处利用光电探测器测量LED的光信号,利用示波器等采集设备采集探测器接收到的光信号强度信息并记录探测器在室内可见光定位区域内的位置信息;然后利用MATLAB等工具对采集的光强信息进行傅里叶变换,求得每个探测器对室内可见光定位区域内不同LED的接收光信号强度信息;将接收光信号强度信息和对应的位置信息分别作为神经网络的训练输入和目标输出,采用经过贝叶斯正则化的LM算法对神经网络进行训练,得到可见光室内定位方法的神经网络模型,将经过傅里叶变换处理后的测试点输入到神经网络模型中得到该测试点的位置信息,从而实现室内可见光测试点的定位。
图1示出了根据本申请一实施例的一种基于机器学习的室内可见光定位方法流程图。图2示出了根据本申请一实施例的一种基于机器学习的室内可见光定位方法中的训练点与测试点选取示意图。
S1:对N个LED灯分别进行驱动、调制得到N个互异频率的周期光源信号。
其中,室内可见光定位区域为1.8米×1.8米×2米,根据室内可见光定位区域面积,在室内可见光定位区域设定100个训练点,且室内可见光定位区域可以包括4个LED灯,4个LED灯分别放置在室内可见光定位区域的四个顶点处,其4个LED灯的坐标分别为(0,0,2),(0,1.8,2),(1.8,0,2),(1.8,1.8,2)。
发射端驱动4个LED灯提供照明,并且对每个LED灯进行调制,使得4个LED灯在可以提供照明的同时发射频率互不相同的周期性信号以区分不同的光源。室内可见光定位区域还可以包括多个探测器,多个探测器水平向上放置在室内可见光定位区域以接收不同LED灯光源信号。
其中,N为正整数,且N>3,根据实际测量需要,还可以在室内可见光定位设置5个、6个、7个等LED等,在此不做限定。室内可见光定位区域的光源还可以为OLED灯等可调制的光源,在此不做限定。
S2:针对每个训练点利用M个探测器对所述N个互异频率的所述光源信号进行探测,得到该测试点的探测数据,所述测试数据的距离间隔为t。
按照图2所示的方式,选取测试点和训练点,其中,选定测试点的个数为100个,训练点的个数为16个。在一示例中,以等间距的方式选取测试点,可以使用PIN探测器或APD探测器来接收对每个测试点的光信号强度信息在采集过程中,每个测试点的距离间隔为t。
S3:对所述测试数据以距离间隔为3t进行采集得到训练数据,标记所述训练点的位置信息。
可以采用示波器或其他的数据采集设备对测试点和训练点的探测数据进行接收,在训练点的采集过程中,需要记录训练点在室内可见光定位区域内的坐标。以距离间隔为3t对测试数据进行接收。
S4:对所述训练数据和测试数据进行傅里叶变换处理,得到所述训练数据和测试数据对应系统内LED的接收光信号强度信息。
采集完成后,可以利用MATLAB对采集的这些训练数据和测试数据进行傅里叶变换,得到室内可见光定位区域内训练点和测试点对应N个LED的接收光信号强度信息。
S5:重复步骤S3-S4,对所有训练数据和测试数据进行处理。另外,在训练数据的处理过程中,可以得到所有训练数据对应N个LED的接收光信号强度信息并记录对应的位置信息。
S6:将所述训练数据的光信号强度信息作为神经网络的输入、及将所述训练数据的位置信息作为神经网络的输出进行神经网络的训练得到训练数据的定位模型。
将经过傅里叶变换处理后的训练数据的接收光信号强度信息作为神经网络的输入,将其对应的位置坐标信息作为神经网络的目标输出,得到神经网络的定位模型。
图3示出了根据本申请一实施例的一种基于机器学习的室内可见光定位方法中的神经网络结构示意图。如图3所示,神经网络共包含三层:输入层,隐含层和输出层。其中,输入层接收来自各个LED灯光源的光信号强度;隐含层神经元数量可以根据神经网络目标输出结果进行调整,调整的标准是使各训练点处均方根误差和最小,重复训练若干次,直至达到预先设定的训练目标为止;输出层用于输出训练点的位置信息。其中,神经网络训练过程中,采用基于贝叶斯算法正则化处理的训练算法LM(Levenberg-Marquardt,莱文贝格-马夸特方法),能够防止神经网络由于训练数据过少而出现过拟合现象。
S7:将测试数据输入到所述定位模型,得到所述测试数据的位置信息。
将任意经过傅里叶变换处理的测试数据输入到训练好的神经网络模型,经过神经网络计算后得到该测试点的估计位置坐标。
根据上述方法,还可以将测试点的估计位置坐标与实际位置坐标进行比较,计算定位误差等参数等。
本公开提出了一种基于机器学习的室内可见光定位方法,通过在所述室内可见光定位区域设置有多个训练点,且所述室内可见光定位区域包括N个LED灯和M个探测器,利用M个探测器对室内可见光定位区域的多个训练点处采集来自室内可见光定位区域内调制频率互不相同的N个LED的光信号强度信息,并以采样数据间隔是室内可见光定位区域内测试数据间隔的3倍对测试数据进行采样得到训练数据,将训练数据的光强信息作为机器学习的输入,将训练数据所对应的位置信息作为机器学习的输出来训练机器学习的神经网络模型,能够减少机器学习的训练数据量,且实现高精度的室内可见光定位。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于机器学习的室内可见光定位方法,在所述室内可见光定位区域设置有多个训练点,且所述室内可见光定位区域包括N个LED灯和M个探测器,N和M均为正整数,其特征在于,所述方法包括:
S1:对N个LED灯分别进行驱动、调制得到N个互异频率的周期光源信号;
S2:针对每个训练点利用M个探测器对所述N个互异频率的所述光源信号进行探测,得到该测试点的测试数据,所述测试数据的距离间隔为t;
S3:对所述测试数据的以距离间隔为3t进行采集得到训练数据,标记所述训练点的位置信息;
S4:对所述训练数据和测试数据进行傅里叶变化处理,得到所述训练数据和测试数据对应N个LED的接收光信号强度信息;
S5:重复步骤S3-S4,对所有训练数据和测试数据进行傅里叶变换处理,得到所有训练数据和测试数据对应N个LED的接收光信号强度信息并记录训练数据对应定位区域内的位置坐标;
S6:将所述训练数据的光信号强度信息作为神经网络的输入、及将所述训练数据的位置信息作为神经网络的输出进行神经网络的训练得到训练数据的定位模型;
S7:将经过傅里叶变换处理后的测试数据输入到所述定位模型,得到所述测试数据的位置信息。
2.根据权利要求1所述的室内可见光定位方法,其特征在于:根据所述室内可见光定位区域的大小和所述探测器的视场角设置所述N个LED灯的位置和数量。
3.根据权利要求1或2所述的室内可见光定位方法,其特征在于:所述N≥3。
4.根据权利要求1-3任一项所述的室内可见光定位方法,其特征在于:所述探测器为PIN探测器或APD探测器。
5.根据权利要求1任一项所述的室内可见光定位方法,其特征在于:采用经正则化处理的LM训练算法进行所述神经网络的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025918.7A CN111190143A (zh) | 2020-01-10 | 2020-01-10 | 一种基于机器学习的室内可见光定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025918.7A CN111190143A (zh) | 2020-01-10 | 2020-01-10 | 一种基于机器学习的室内可见光定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111190143A true CN111190143A (zh) | 2020-05-22 |
Family
ID=70709927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010025918.7A Pending CN111190143A (zh) | 2020-01-10 | 2020-01-10 | 一种基于机器学习的室内可见光定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111190143A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236591A (zh) * | 2022-07-22 | 2022-10-25 | 厦门大学 | 一种基于机器学习方式的室内可见光定位方法 |
CN116087877A (zh) * | 2023-02-24 | 2023-05-09 | 北京邮电大学 | 一种基于人工智能算法的点分类室内可见光定位方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010956A1 (en) * | 2003-09-26 | 2007-01-11 | Chahe Nerguizian | Method and system for indoor geolocation using an impulse response fingerprinting technique |
CN102999664A (zh) * | 2012-11-20 | 2013-03-27 | 天津大学 | 一种室内污染源位置识别方法 |
CN106100734A (zh) * | 2016-08-15 | 2016-11-09 | 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 |
CN107504909A (zh) * | 2017-08-17 | 2017-12-22 | 中国计量大学 | 基于贝叶斯正则化算法的白光反射率测量薄膜厚度自适应方法 |
CN108169708A (zh) * | 2017-12-27 | 2018-06-15 | 中国人民解放军战略支援部队信息工程大学 | 模块化神经网络的直接定位方法 |
CN108828519A (zh) * | 2018-05-24 | 2018-11-16 | 桂林电子科技大学 | 一种基于机器学习的高精度室内可见光定位方法 |
CN109061566A (zh) * | 2018-07-04 | 2018-12-21 | 天津大学 | 一种基于极限学习机的可见光定位方法 |
CN110458342A (zh) * | 2019-07-26 | 2019-11-15 | 国网江苏省电力有限公司金湖县供电分公司 | 一种基于改进的narx神经网络微气象监测系统及方法 |
-
2020
- 2020-01-10 CN CN202010025918.7A patent/CN111190143A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010956A1 (en) * | 2003-09-26 | 2007-01-11 | Chahe Nerguizian | Method and system for indoor geolocation using an impulse response fingerprinting technique |
CN102999664A (zh) * | 2012-11-20 | 2013-03-27 | 天津大学 | 一种室内污染源位置识别方法 |
CN106100734A (zh) * | 2016-08-15 | 2016-11-09 | 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 |
CN107504909A (zh) * | 2017-08-17 | 2017-12-22 | 中国计量大学 | 基于贝叶斯正则化算法的白光反射率测量薄膜厚度自适应方法 |
CN108169708A (zh) * | 2017-12-27 | 2018-06-15 | 中国人民解放军战略支援部队信息工程大学 | 模块化神经网络的直接定位方法 |
CN108828519A (zh) * | 2018-05-24 | 2018-11-16 | 桂林电子科技大学 | 一种基于机器学习的高精度室内可见光定位方法 |
CN109061566A (zh) * | 2018-07-04 | 2018-12-21 | 天津大学 | 一种基于极限学习机的可见光定位方法 |
CN110458342A (zh) * | 2019-07-26 | 2019-11-15 | 国网江苏省电力有限公司金湖县供电分公司 | 一种基于改进的narx神经网络微气象监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
王奇;黎海涛;: "基于机器学习与惯性导航的室内定位技术研究", vol. 39, no. 08 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236591A (zh) * | 2022-07-22 | 2022-10-25 | 厦门大学 | 一种基于机器学习方式的室内可见光定位方法 |
CN115236591B (zh) * | 2022-07-22 | 2024-06-07 | 厦门大学 | 一种基于机器学习方式的室内可见光定位方法 |
CN116087877A (zh) * | 2023-02-24 | 2023-05-09 | 北京邮电大学 | 一种基于人工智能算法的点分类室内可见光定位方法 |
CN116087877B (zh) * | 2023-02-24 | 2023-12-29 | 北京邮电大学 | 一种基于人工智能算法的点分类室内可见光定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103823204B (zh) | 一种基于可见光标签的室内定位方法 | |
CN107063266A (zh) | 基于室内led灯和智能手机摄像头实现室内定位的方法 | |
CN109511095B (zh) | 一种基于支持向量机回归的可见光定位方法及系统 | |
CN106209235B (zh) | 一种基于cdma调制的rss三角定位迭代方法及系统 | |
WO2017045467A1 (zh) | 位置确定的方法、装置、系统及处理中心 | |
US20170026120A1 (en) | Devices and methods to produce and receive an encoded light signature | |
CN108732537B (zh) | 一种基于神经网络和接收信号强度的室内可见光定位方法 | |
CN111190143A (zh) | 一种基于机器学习的室内可见光定位方法 | |
CN107144816B (zh) | 新型led阵列及基于该阵列的室内可见光定位方法及系统 | |
CN205844514U (zh) | 一种基于可见光通信的优选二光源室内定位装置及系统 | |
Guan et al. | A novel three-dimensional indoor localization algorithm based on visual visible light communication using single LED | |
CN105227238B (zh) | 可见光扩频通信定位系统 | |
CN109039458A (zh) | 一种室内定位系统及方法 | |
CN106646368A (zh) | 一种基于指纹匹配的可见光通信场景中三维定位方法 | |
CN109061566A (zh) | 一种基于极限学习机的可见光定位方法 | |
CN109116298A (zh) | 一种定位方法、存储介质及定位系统 | |
CN105242294A (zh) | 基于无线车联物联网的车辆定位系统 | |
CN108495251A (zh) | 一种基于蓝牙和led光定位的组合定位方法 | |
CN203416427U (zh) | 基于ZigBee技术的自组网定位系统 | |
CN112748399B (zh) | 一种基于多pd接收机的可见光三维定位系统及方法 | |
CN207586414U (zh) | 一种室内led可见光定位系统及装置 | |
CN110531318B (zh) | 一种用于可见光成像室内定位扩展发光单元id的方法 | |
CN107919910A (zh) | 一种抗nlos干扰的可见光定位方法 | |
CN206892313U (zh) | 一种抗nlos干扰的可见光定位硬件系统 | |
Ho et al. | Visible Light Communication Based Positioning Using Color Sensor |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200522 |
|
WD01 | Invention patent application deemed withdrawn after publication |