CN112261573A - 一种智能设备间相对定位方法、装置及系统 - Google Patents
一种智能设备间相对定位方法、装置及系统 Download PDFInfo
- Publication number
- CN112261573A CN112261573A CN202011101017.8A CN202011101017A CN112261573A CN 112261573 A CN112261573 A CN 112261573A CN 202011101017 A CN202011101017 A CN 202011101017A CN 112261573 A CN112261573 A CN 112261573A
- Authority
- CN
- China
- Prior art keywords
- distance
- distance model
- equipment
- optimized
- coordinates
- 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.)
- Granted
Links
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
- H04W4/025—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
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- 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
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种智能设备间相对定位方法、装置及系统,方法包括:根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一距离模型;根据第二设备多次测量的其接收第一设备发射信号的接收信号强度值,生成第二距离模型;根据第一和第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数;在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值,以便基于初始坐标和第二距离模型参数的优化值得到优化后的第一和第二距离模型;利用优化后的第一和第二距离模型中的至少一个,确定每次测量时第一设备与第二设备之间的距离和方向。
Description
技术领域
本发明涉及智能设备通信和无线定位领域,尤其涉及一种智能设备间相对定位方法、装置及系统。
背景技术
目前,基于外部定位手段的设备间相对定位方法主要分为两种:
一、基于GPS卫星定位系统(GPS satellite positioning system)的方法
两台设备同时通过GPS获取各自位置,并将各自位置上传到服务器,然后由服务器计算两台设备之间的相对位置。其局限性在于,在室内环境中,由于卫星信号易受遮挡,导致GPS无法准确地提供设备的位置信息;
二、基于无线传感器网络(Wireless Sensor Network,WSN)的方法
无线传感器网络主要由锚节点和无线网络组成,锚节点是已知位置的静止节点,包括移动通信的蜂窝基站、WiFi路由器、蓝牙发射器等,需要在监测区域内按照一定要求提前部署,以满足覆盖范围;无线网络用来发送和接收节点之间的数据信息,包括蜂窝信号、WiFi信号、蓝牙信号等。
基于蜂窝网络的定位方法,是通过监测设备所连接的附近蜂窝基站的ID,来估算设备的位置以及两台设备间的相对位置的。该方法的实现方式简单,但定位精度较差,误差在几十米到几百米之间,因此不适用于定位精度要求高的场景。
基于WiFi网络或蓝牙网络的定位方法在实施时通常分三个阶段:采集指纹库,测距定位。采集指纹库是指,事先在特定区域内进行勘测,采集各个位置的指纹(区域内任何与位置识别相关的特征都可以被当作指纹,比如多径结构、接收信号强度等),采集好的指纹库也称为训练集;测距时,根据训练好的指纹库,估计待测设备与锚节点之间的距离;定位阶段则根据这些距离信息,计算设备的位置以及两台设备之间的相对位置。该方法的定位精度较高,误差在米级,但需要事先部署锚节点以及采集指纹库,因此不适用于未知场景。
进一步讲,如果某场景的卫星信号极差或者无法部署无线传感器网络,那么上述基于外部定位手段的方法是根本无法实现的。因此,开发不依赖于外部定位手段的设备间相对定位方法是很有必要的。
基于智能设备内置功能模块的测距定位方法,也有相关的研究报道。首先,现有的智能设备都具备无线近距离通信模块,比如RSSI(Received Signal StrengthIndication,接收信号强度值,单位是dBm)的发射和采集功能。基于RSSI的测距方法,无需增加额外的外部定位设备和无线传感器网络,即可通过接收到的信号强弱测定信号点与接收点之间的距离。该方法利用信号在空间中的大尺度衰落(Iarge scale fading)来进行距离的计算。如果采用对数距离路径损耗模型(Iogarithmic distance Ioss model),那么RSSI值是随着对数距离的增加而下降的,计算公式为:
其中,d0为参考距离(单位:m),通常定义d0=1。A为参考距离处的RSSI值(单位:dBm),n为路径损耗指数(path Ioss exponent,无量纲),ε为误差修正项,服从以0为均值的正态分布。因此当设定d0=1,ε=0时,RSSI的计算公式可以简化为:
RSSI=A-10*n*lg(d)
如果已获取参数A和n的数值,相当于建立了两台设备之间的RSSI距离模型(RSSIdistance model),那么直接将RSSI值代入上述公式即可得到信号接收端与信号发射端之间的距离d。为了获取特定场景下参数A和n的数值,现有技术通常需要在实施测距之前,通过曲线拟合、优化算法或神经网络训练来得到。但是在真实应用场景中,往往无法提前进行这样的拟合或训练过程,导致实验室方法无法真正的实际应用。
并且,这种基于大尺度衰落来进行距离计算的方式虽然可以计算出信号接收端与信号发射端之间的距离,但是由于信道的随机性、场景的可变性以及设备的移动性(通常情况下接收端和发射端中至少有一端是移动的),所以不可避免的小尺度衰落(small scalefading)将给计算距离带来很大的抖动,导致较大的测距定位误差。因此,仅采用基于RSSI的对数距离路径损耗模型来计算距离,对于移动应用场景是不能精确匹配的;
综上所述,已有的定位方法具有以下局限性:
1、需要依赖于外部设备
需要利用GPS等外部定位导航信号,或者需要提前部署无线传感器网络。
2、需要事先拟合、训练RSSI距离模型或默认模型中的参数为已知量
在真实应用场景中,往往无法提前进行这样的拟合或训练过程,导致实验室方法无法真正的实际应用。
另外,在未知场景中,模型参数不可能与默认值一致,导致测距定位精度不高;
3、相对定位精度不高
现有方法在已知特定场景下的精度往往在米级,如果应用在未知场景,结果可能会更差。这无法满足高精度定位的要求(一般要求在分米级)。
发明内容
本发明实施例的主要目的在于提供一种智能设备间相对定位方法、装置及系统,在不依赖于外部设备,不事先拟合、训练RSSI距离模型或不默认模型中的参数为已知量的情况下,实现智能设备间的高精度的相对定位。
本发明实施例提供了一种智能设备间相对定位方法,所述方法包括:
根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一设备与第二设备的第一距离模型;
根据第二设备多次测量的其接收第一设备发射信号的接收信号强度值,生成第一设备与第二设备的第二距离模型;
根据所述第一距离模型和所述第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数;
在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值,以便基于初始坐标的优化值得到优化后的第一距离模型以及基于第二距离模型参数的优化值得到优化后的第二距离模型;
利用优化后的第一距离模型和优化后的第二距离模型中的至少一个,确定每次测量时第一设备与第二设备之间的距离和方向。
优选地,所述根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一设备与第二设备的第一距离模型包括:
将第一设备的初始坐标确定为原点坐标,基于所述原点坐标,确定第二设备的初始坐标,其中,第一设备和第二设备的初始坐标是第一设备与第二设备在建立近距离通信连接时的坐标;
根据第一设备与第二设备在近距离通信期间每次测量的自身移动的路径长度L和路径方向角度α、第一设备和第二设备的初始坐标,确定每次测量时第一设备和第二设备的坐标;
根据每次测量时第一设备和第二设备的坐标,确定第一设备与第二设备的第一距离模型dc,所述第一距离模型dc是关于L,α,第二设备初始坐标的函数。
优选地,所述第一设备与第二设备的第二距离模型为dr是关于RSSI和第二距离模型参数的函数,其中,RSSI为第二设备每次测量时接收的第一设备发射信号的接收信号强度值。
优选地,所述根据所述第一距离模型和所述第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数包括:
构建包括第一距离模型dc和第二距离模型dr的目标函数f(dc,dr),所述目标函数f(dc,dr)中第一距离模型dc的第二设备初始坐标和第二距离模型的参数为待优化参数。
优选地,所述在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值包括:
在约束条件下,不断优化目标函数的第二设备初始坐标以及第二距离模型参数,并将目标函数f(dc,dr)的函数值最优时的第二设备初始坐标以及第二距离模型参数的数值作为优化值。
优选地,所述约束条件包括以下至少一个:
第二距离模型参数范围约束条件;
第一设备和第二设备在建立近距离通信时的初始坐标范围约束条件;
第一设备和第二设备在近距离通信期间的信号可测量范围约束条件;
第一设备和第二设备在近距离通信期间移动时形成的几何形状约束条件。
优选地,所述第一设备包括一个或多个智能设备,所述第二设备包括可与第一设备近距离通信的一个或多个智能设备。
本发明实施例提供了一种智能设备间相对定位装置,所述装置包括:
第一距离模型建立模块,用于根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一设备与第二设备的第一距离模型;
第二距离模型建立模块,用于根据第二设备多次测量的其接收第一设备发射信号的接收信号强度值,生成第一设备与第二设备的第二距离模型;
目标函数构建模块,用于根据所述第一距离模型和所述第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数;
优化模块,用于在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值,以便基于初始坐标的优化值得到优化后的第一距离模型以及基于第二距离模型参数的优化值得到优化后的第二距离模型;
相对定位模块,用于利用优化后的第一距离模型和优化后的第二距离模型中的至少一个,确定每次测量时第一设备与第二设备之间的距离和方向。
本发明实施例提供了一种智能设备间相对定位系统,所述系统包括:第一设备和第二设备,其中所述第一设备包括上述一种智能设备间相对定位装置。
本发明实施例提供了一种智能设备间相对定位系统,所述系统包括:第一设备、第二设备和服务器,其中所述服务器包括上述一种智能设备间相对定位装置。
本发明基于智能设备标配的功能模块实现多个智能设备间的相对定位,不需要额外定位设备,成本低,安装使用方便快捷,可以应用于需要准确计算人、物、以及彼此之间的相对位置的场景中,人、物可处于运动或静止条件下,相对位置定位不受室内、室外环境限制,通用性强,计算准确性高。
附图说明
图1是本发明提供的智能设备间相对定位方法的流程示意图;
图2a是本发明实施例提供的设备移动的路径长度和路径方向角度的示意图;
图2b是本发明实施例提供的设备间距离和方向角度的示意图;
图3是本发明实施例提供的第j个路径对的示意图;
图4是本发明实施例提供的某测量时间段内两台设备的移动情况示意图;
图5是本发明实施例提供的智能设备间相对定位的系统的示意性结构框图;
图6是本发明实施例提供的第二设备#j2的数据采集模块应用在第j个路径对时的处理流程图;
图7a-图7c是本发明实施例提供的数据传输模块应用在第j个路径对时的处理流程图;
图8是本发明实施例提供的服务器端的数据处理模块的处理流程图;
图9是本发明实施例提供的在广场上进行智能设备间相对定位的应用示意图;
图10是本发明实施例提供的在会议室场地上进行智能设备间相对定位的应用示意图;
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1是本发明提供的智能设备间相对定位方法的流程示意图,如图1所示,所述方法可以包括:
步骤1:根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一设备与第二设备的第一距离模型;
步骤2:根据第二设备多次测量的其接收第一设备发射信号的接收信号强度值,生成第一设备与第二设备的第二距离模型;
步骤3:根据所述第一距离模型和所述第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数;
步骤4:在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值,以便基于初始坐标的优化值得到优化后的第一距离模型以及基于第二距离模型参数的优化值得到优化后的第二距离模型;
步骤5:利用优化后的第一距离模型和优化后的第二距离模型中的至少一个,确定每次测量时第一设备与第二设备之间的距离和方向。
当利用优化后的第一和第二距离模型,确定每次测量时第一设备与第二设备之间的距离和方向时,可以分别利用优化后的第一和第二距离模型确定每次测量时第一设备与第二设备之间的距离和方向,然后对利用优化后的第一和第二距离模型确定出的结果进行加权平均处理,得到每次测量时第一设备与第二设备之间的距离和方向。
现有的智能设备除了内置无线近距离通信模块外,通常还具备方向传感器、加速度计、磁力计和陀螺仪等惯性测量单元(Inertial Measurement Unit,IMU),可以利用步行者航位推算技术(Pedestrian Dead Reckoning,PDR)测量设备自身的移动方向和移动距离,基于此,本发明采用PDR和RSSI协同实现相对定位,提高测量的精确度。具体地说,结合智能设备内置的无线近距离通信模块和惯性测量单元,同步完成距离模型建立和设备间相对定位两项任务,无需预先建立或训练RSSI距离模型,从而在未知的场景中,无论室内还是室外,均能够精确实现智能设备间的相对定位。
其中,上述步骤1可以包括:将第一设备的初始坐标确定为原点坐标,基于所述原点坐标,确定第二设备的初始坐标,其中,第一设备和第二设备的初始坐标是第一设备与第二设备在建立近距离通信连接时的坐标;根据第一设备与第二设备在近距离通信期间每次测量的自身移动的路径长度L和路径方向角度α、第一设备和第二设备的初始坐标,确定每次测量时第一设备和第二设备的坐标;根据每次测量时第一设备和第二设备的坐标,确定第一设备与第二设备的第一距离模型dc,所述第一距离模型dc是关于L,α,第二设备初始坐标的函数。此时,所述第一距离模型dc中第二设备初始坐标为需要优化的参数。需要说明的是,如果应用于二维,则该距离模型中第二设备初始坐标可以记作(Δx,Δy),如果应用于三维,则该距离模型中第二设备初始坐标可以记作(Δx,Δy,Δz)。
其中,上述步骤2中的所述第一设备与第二设备的第二距离模型为dr是关于RSSI和第二距离模型参数的函数,其中,RSSI为第二设备每次测量时接收的第一设备发射信号的接收信号强度值。需要说明的是,第二距离模型参数可以是一组参数,当选取的模型不同时,该组参数中的参数数量也可能不同,例如采用对数距离路径损耗模型时,所述一组参数包括参考距离处的RSSI值A以及路径损耗指数n。
其中,上述步骤3可以包括:构建包括第一距离模型dc和第二距离模型dr的目标函数f(dc,dr),所述目标函数f(dc,dr)中第一距离模型dc的第二设备初始坐标和第二距离模型的参数为待优化参数。
其中,函数f可以是最小二乘函数,也可以是加权最小二乘函数,梯度下降函数等其他类型的函数。
其中,上述步骤4可以包括:在约束条件下,不断优化目标函数的第二设备初始坐标以及第二距离模型参数,并将目标函数f(dc,dr)的函数值最优时的第二设备初始坐标以及第二距离模型参数的数值作为优化值。
其中,上述步骤4的约束条件包括以下至少一个:第二距离模型参数范围约束条件;第一设备和第二设备在建立近距离通信时的初始坐标范围约束条件;第一设备和第二设备在近距离通信期间的信号可测量范围约束条件;第一设备和第二设备在近距离通信期间移动时形成的几何形状约束条件。
其中,上述第一设备包括一个或多个智能设备,上述第二设备包括可与第一设备近距离通信的一个或多个智能设备。
本发明通过建立最优化模型(即优化问题的目标函数),实现RSSI距离模型建立和测距计算一步完成,避免了求解基于几何的方程组时出现无实数解或无唯一实数解的情况。同时,也避免了未知场景中模型参数与默认值不一致而导致的精度不高的问题。
实施例2
相应地,本发明还提供了一种实现上述智能设备间相对定位方法的智能设备间相对定位装置,所述装置可以包括:
第一距离模型建立模块,用于根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一设备与第二设备的第一距离模型;
第二距离模型建立模块,用于根据第二设备多次测量的其接收第一设备发射信号的接收信号强度值,生成第一设备与第二设备的第二距离模型;
目标函数构建模块,用于根据所述第一距离模型和所述第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数;
优化模块,用于在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值,以便基于初始坐标的优化值得到优化后的第一距离模型以及基于第二距离模型参数的优化值得到优化后的第二距离模型;
相对定位模块,用于利用优化后的第一距离模型和优化后的第二距离模型中的至少一个,确定每次测量时第一设备与第二设备之间的距离和方向。
本发明的装置可以应用于智能设备,也可以应用于服务器。
本发明无需提前部署无线传感器网络,无论场景内是否具有信号发射装置,均可进行智能设备之间的相对定位,扩展了适用范围。
实施例3
相应地,本发明还提供了一种智能设备间相对定位系统,在一个实施方式中,所述系统包括第一设备和第二设备,其中所述第一设备包括上述智能设备间相对定位装置。在另一个实施方式中,所述系统包括第一设备、第二设备和服务器,其中所述服务器包括上述的一种智能设备间相对定位装置。
本发明结合智能设备内置的无线近距离通信模块和惯性测量单元,提高了计算精度,平均计算误差在分米级(室外0.1米左右;室内0.3米左右);无须事先拟合或训练RSSI距离模型,通过建立最优化模型,实现RSSI距离模型建立和测距计算一步完成,扩展了适用范围。
下面以应用于二维平面为例,结合图3至图8,详细说明本发明的智能设备间相对定位的方法和系统。
实施例4.
在某一场景下,一段时间内共有s台设备进入该场景,s为大于或等于2的整数,即s≥2,此时共可以采集到m个路径对的数据,m为大于或等于2的整数,即m≥2。本实施例所述场景中,任意两台设备之间均有数据交互,本实施例将两台设备的移动路径称为一个路径对。例如,对于对应设备编号分别为第一设备#j1和第二设备#j2的第j个路径对,j1<j2,j1=1,2,...,s,j2=1,2,...,s),共采集到nj+1个时刻的数据,本实施例中将从起点时刻到终点时刻的各个时刻分别记为其中,时刻t的第一下标j为路径对编号,第二下标,例如i,为该路径对的时刻编号),每个时刻的数据均包括第一设备#j1移动的路径长度第二设备#j2移动的路径长度第一设备#j1移动的路径方向角度第二设备#j2移动的路径方向角度第二设备#j2的RSSI值Rj,i,其中,路径长度均第一下标j1为第一设备#j1编号,第二下标i为该路径对的时刻编号;路径长度的第一下标j2为第二设备#j2编号,第二下标i为该路径对的时刻编号;路径方向角度的第一下标j1为第一设备#j1编号,第二下标i为该路径对的时刻编号;路径方向角度的第一下标j2为第二设备#j2编号,第二下标i为该路径对的时刻编号。这样,就可以得到所有路径对在所有时刻的任意两台设备间距离以及任意两台设备间方向其中,设备间距离指两台设备之间的直线距离,距离d的第一下标,例如j,为路径对编号,第二下标,例如i,为该路径对的时刻编号,设备间方向指第二设备相对于第一设备的方向角度,方向β的第一下标,例如j,为路径对编号,第二下标,例如i,为该路径对的时刻编号。
对于L,α,d和β的定义如下图2a和2b所示。图2a中,L为路径长度,即设备从第一时刻t1到第二时刻t2所移动的直线距离,L≥0;α为路径方向角度,即设备从第一时刻t1到第二时刻t2所移动的直线方向,该方向角度定义为以+y方向为起点,以顺时针方向为正方向,+y轴与移动方向之间的夹角,依据该定义可知,+y方向为0°,+x方向为90°,-y方向为180°,-x方向为270°,α的取值范围设定为0≤α<360。类似地,任意两台设备间定位也可以用距离和方向来表示,在图2b中,d为设备间距离,即第一设备#j1与第二设备#j2之间的直线距离,d>0;β为设备间方向,即第一设备#j1与第二设备#j2之间的直线方向,该方向角度定义为以+y方向为起点,以顺时针方向为正方向,+y轴与移动方向之间的夹角,依据该定义可知,+y方向为0°,+x方向为90°,-y方向为180°,-x方向为270°,β的取值范围设定为0≤β<360。
在进行设备间相对定位时,执行以下步骤:
步骤一,利用坐标值计算任意两台设备间的距离
假设设备在第一测量时刻和第二测量时刻之间的时间段内沿一条直线移动,那么就可以将这段移动路径视作一个向量,该向量的长度和角度可以利用设备自身的惯性测量单元获取。假设共记录了n个测量时间段,那么这个设备的移动路径就由n个向量组成。因此,如果确定了第一个向量的起点坐标值,那么就可以计算出全部n个向量的起点和终点的坐标值,即可以确定该设备的移动路径。
针对前述场景中的第j个路径对,共采集到nj+1个时刻的数据,如图3所示,#j1设备从起点坐标移动到终点坐标#j2设备从起点坐标移动到终点坐标对于#j1设备的任意一个向量,以#j1设备的第i个向量为例,即从tj,i-1时刻移动到tj,i时刻的路径,#j1设备从坐标移动到坐标#j1设备的第i个向量可表示为其中,为该向量的路径长度值,为该向量的路径方向角度值;类似的,对于#j2设备的任意一个向量,以#j2设备的第i个向量为例,即从tj,i-1时刻移动到tj,i时刻的路径),#j2设备从坐标移动到坐标#j2设备的第i个向量可表示为 为该向量的路径长度值,为该向量的路径方向角度值。
如图3所示,根据坐标间距离的公式可知,在tj,i时刻#j1设备和#j2设备的间距dj,i:
假设#j2设备在#j1设备坐标系中的起点时刻坐标为(Δtj,Δyj),即
那么,#j1设备和#j2设备在起点时刻的间距dj,0可以写作
因此,#j1设备和#j2设备在tj,i时刻的间距dj,i可以写作
因此,间距dj,i是关于Lj,i,αj,i,Δxj和Δyj的函数,即
dj,i=h(Lj,i,αj,i,Δxj,Δyj)
这样,利用坐标值计算两台设备间距离的通用表达式可以写作d=h(L,α,Δx,Δy),其中,L和α是已知的测量值,Δx和Δy是待定参数。
步骤二,利用RSSI距离模型计算两台设备间距离
RSSI距离模型主要分为两种,即,基于Friss自由传播公式的经验模型以及基于人工智能神经网络的训练模型。训练模型需要提前在场景中部署节点设备、采集样本和训练,不属于本发明的范畴,本发明采用经验模型,经验模型一般采用自由空间传播模型、对数-正态分布模型、对数距离路径损耗模型这三种模型进行距离计算,其中,在研究文献中最常采用的是对数距离路径损耗模型,其计算公式为:
那么,由RSSI计算间距d的公式可以写作:
其中,d0为参考距离,单位为m,通常定义d0=1。A为参考距离处的RSSI值,n为路径损耗指数(path Ioss exponent),无量纲,ε为误差修正项,服从以0为均值的正态分布。
可以看出,利用RSSI距离模型计算两台设备间距离的通用表达式可以写作:
d=g(RSSI,c)
其中,c=(c1,c2,...,ck)是所选模型的参数。
假设所选模型为对数距离路径损耗模型,并设定d0=1,ε=0,那么间距d的计算公式可以写作:
在所选模型为对数距离路径损耗模型时,c=(c1,c2),模型参数c1=A,c2=n,此时间距d是RSSI,A,n的函数,函数表达式可以写作:
d=g(RSSI,A,n)=g(RSSI,c)
步骤三,优化问题的目标函数
为了在多设备场景下实现任意两台设备之间的相对位置定位,本实施例引入路径对数据矩阵Q:
Q=(Q1,Q2,...Qj,...,Qm)
其中,矩阵Q中的每个元素表示一个路径对所采集的全部数据,例如Qj,表示前述对应设备编号分别为第一设备#j1和第二设备#j2的第j个路径对所采集到的全部数据,包括第一设备#j1和第二设备#j2各自的移动距离(即移动的路径长度)、第一设备#j1和第二设备#j2各自的移动方向(即移动的路径方向角度)和各时刻点的RSSI值(即#j2的RSSI值),具体如下:
假设各个路径对中第一设备的起点时刻坐标为原点坐标,则各个路径对中的第二设备相对于第一设备的起点时刻坐标可以为:
Δx=(Δx1,…,Δxj,…,Δxm)
Δy=(Δy1,…,Δyj,…,Δym)
这样,基于前述步骤一,利用坐标值计算任意两台设备间距离的通用表达式可以写作
dc=h(Q,Δx,Δy)
基于前述步骤二,利用RSSI距离模型计算任意两台设备间距离的通用表达式可以写作:
dr=g(Q,c)
因此,优化问题目标函数是关于距离的函数:
min f(dc,dr)
即
其中,Q为已知量。优化变量包括:RSSI距离模型的参数值c和各路径对中第二设备的起点时刻坐标值Δx,Δy。
优化问题是求解最优化的变量值,使得目标函数f的函数值最优。本实施例中,函数f采用最小二乘函数,即
因此,目标函数可以写作:
带入dc和dr的表达式,得到目标函数:
步骤四,优化问题的约束条件
需要优化确定的变量是RSSI距离模型中的参数值c和起点时刻坐标值Δx,Δy,这些变量的定义域应视具体场景设定。
除了优化变量的定义域可作为约束条件,还可以包括信号可测范围约束、运动轨迹和间隔距离所构成的几何形状约束、以及其他与特定应用场景相关的约束。
具体地说,约束条件包括但不限定于以下方面:
1、RSSI距离模型中的参数c的定义域可表示为:
cmin≤c≤cmax
其中,cmin为该参数最小可能的取值,cmax为该参数最大可能的取值。如果采用对数距离路径损耗模型,则有c1=A,c2=n。A为距离1m处的信号强度值,与发射端设备的信号发射功率和接收端设备的射频电路有关。经查阅资料并结合实际测量,A值在40~80的范围内。另外,经查阅文献资料,路径损耗指数n的取值范围描述如下:对室外环境,n一般设为2,可认为在1.5~2.5的范围内;对室内环境,不同环境下的n值变化较大,比如办公室中n一般设为2.5,工厂车间中n一般设为3.3,可认为在2.0~4.5的范围内。所以上述不等式约束条件可以写作:
c1-40≥0
80-c1≥0
c2-1.5≥0
4.5-c2≥0
其通用表达式可以写作:
C1(c1,c2,...,ck)≥0
2、设备移动路径的相对起始坐标(Δx,Δy)的定义域可表示为:
Δxmin≤Δx≤Δxmax
Δymin≤Δy≤Δymax
(Δx,Δy)表示两台设备建立连接时刻(即起点时刻)的相对位置坐标,以蓝牙信号为例,蓝牙信号可探测的范围大概在100米以内,因此可设定:
Δxmin=-100,Δxmax=100
Δymin=-100,Δymax=100
所以上述不等式约束条件可以写作:
Δx+100≥0
100-Δx≥0
Δy+100≥0
100-Δy≥0
其通用表达式可以写作:
C2(Δx,Δy)≥0
3、信号可测范围约束可表示为:
dmmin≤d≤dmax
其中,d为某时刻两台设备的间距,dmin为两台设备之间最小可能的间距,以计算传染病传播风险为例,可以设定两人之间的最小可能接触距离为0.1米,即dmin=0.1;另外,当两人相距10米以上时,传染风险很低,所以可以设定两人之间的最大可能接触距离为10米,即dmax=10。此时,约束条件可以写作:
h(Q,Δx,Δy)-0.1≥0
10-h(Q,Δx,Δy)≥0
其通用表达式可以写作:
C3(Q,Δx,Δy)≥0
4、移动路径和间隔距离所构成的几何形状约束:
图4为某测量时间段内两台设备的移动情况示意图,第一设备#j1从A点移动到B点,第二设备#j2从C点移动到D点。
根据正弦定理可得,包括但不限定于以下方程:
根据三点共线关系可得,包括但不限定于以下方程:
AB+BP=AP
根据三角形顶角关系可得,包括但不限定于以下方程:
∠BAC+∠BCA=∠PBC
根据三角形三边关系可得,包括但不限定于以下方程:
AB+AC>BC
以上方程中的线段长度和角度均可由已知量(L;α)或待定参数(Δx,Δy)表达,所以上述等式约束和不等式约束条件可以分别写作:
u1(Q,Δx,Δy)=0
u2(Q,Δx,Δy)=0
u3(Q,Δx,Δy)=0
u4(Q,Δx,Δy)=0
u5(Q,Δx,Δy)>0
其通用表达式可以写作:
C4(Q,Δx,Δy)=0
C5(Q,Δx,Δy)>0
综上,基于上述约束条件,该优化问题可以描述为
s.t.
C1(c1,c2,...,ck)≥0
C2(Δx,Δy)≥0
C3(Q,Δx,Δy)≥0
C4(Q,Δx,Δy)=0
C5(Q,Δx,Δy)>0
简而言之,目标函数的值与所有路径对所有时刻的设备间距离有关,本实施例在步骤四的约束条件下,通过不断调整Δx,Δy,c,得到能够使步骤三目标函数值最优的参数Δx,Δy,c,并将使目标函数值最优的参数Δx,Δy,c作为优化后的参数数据,基于优化后的参数数据确定任意两台设备间的距离。
步骤五,利用坐标值计算两台设备间方向
因此,βj,i可以通过求解该方程组得到。
本发明结合智能设备内置的功能模块,例如无线近距离通信模块和惯性测量单元,通过建立最优化模型,同步完成RSSI距离模型建立和智能设备间相对定位,无需预先建立或训练RSSI距离模型,从而在未知的场景中,无论室内还是室外,均能够精确地实现智能设备间的相对定位。
需要指出的是,本发明不仅仅适用于二维平面内的设备间相对定位,还适用于二维以上,例如三维空间内的设备间相对定位。
实施例5.
本发明提供了一种智能设备间相对定位的系统,在一个实施方式中,所述系统可以由多个智能设备组成,每个智能设备均包括图5所示的数据采集模块、数据传输模块和数据处理模块,此时,一个终端与其他设备可以通过近距离通信,交互各自在近距离通信期间每个时刻采集的自身移动的路径长度和路径方向角度,所述一个设备可以基于数据采集模块采集的这些数据,采用实施例1或4的方法,确定与其他设备间的距离和方向。这种方式可以在需要严格的隐私保密的情况下应用。
在另一实施方式中,所述系统可以包括多组智能设备和服务器,每组智能设备中的智能设备各自通过近距离通信,每个智能设备可以包括数据采集模块和数据传输模块;所述服务器可以包括数据处理模块。此时,针对每组智能设备,服务器的数据处理模块可以基于该组智能设备采集的数据,采用实施例1或4的方法,确定该组智能设备中任意两个设备间的距离和方向。这种方式可以在不需要严格的隐私保密的情况下应用。需要指出的是,在本实施方式中,智能设备也可以包括数据处理模块,这样,可以根据场景进行切换,例如,当终端能够连接服务器时,利用服务器的计算能力确定一设备与周围设备的相对位置关系,当终端无法连接服务器时,终端也可以利用自身的计算能力确定与周围设备的相对位置关系。
所述智能设备的数据采集模块用于采集相对定位所需要的数据,包括各段路径长度、各段路径方向角度和各时刻的RSSI值。对于对应设备编号分别为第一设备#j1和第二设备#j2的第j个路径对,j1<j2,j1=1,2,...,s,j2=1,2,...,s,第一设备#j1和第二设备#j2分别采集到nj+1个时刻的数据。以第二设备#j2为例,第二设备#j2的数据采集模块应用在所述第j个路径对时的处理流程如图6所示,具体包括:首先,第二设备#j2向第一设备#j1发送连接请求,以与第一设备#j1建立近距离通信连接,第二设备#j2判断是否已与第一设备#j1建立连接,若未建立连接,则重复向第一设备#j1发送连接请求,直至与第一设备#j1建立连接,本实施例中,将建立连接的时刻作为数据采集、数据交互的起点时刻tj,0。其次,第二设备#j2从起点时刻tj,0开始,在与第一设备#j1保持连接状态期间,不断采集数据,直至第二设备#j2与第一设备#j1断开连接,假设断开连接的时刻为将第二设备#j2在与第一设备#j1连接期间的各个时刻分别记为第二设备#j2在每个采样时刻可以确定自身移动的路径长度和路径方向角,并将自身移动的路径长度和路径方向角发送至第一设备#j1。
所述智能设备的数据传输模块用于将数据采集模块采集到的数据传输给数据处理模块,从起点时刻tj,0开始启动传输,到终点时刻结束最后一次传输。仍以第二设备#j2为例,对于对应设备编号分别为第一设备#j1和第二设备#j2的第j个路径对,j1<j2,j1=1,2,...,s,j2=1,2,...,s,第二设备#j2从起点时刻tj,0到终点时刻共采集到nj+1个时刻的数据,例如,如图7a-图7c所示,第一设备#j1和第二设备#j2建立连接的时刻,即起点时刻tj,0,向数据处理模块传输第一设备#j1的移动距离和移动方向第二设备#j2的移动距离移动方向和RSSI值Rj,0;第一设备#j1和第二设备#j2保持连接的时刻,例如tj,i,向数据处理模块传输第一设备#j1的移动距离和移动方向第二设备#j2的移动距离移动方向和RSSI值Rj,i;第一设备#j1和第二设备#j2断开连接的时刻,即终点时刻向数据处理模块传输第一设备#j1的移动距离和移动方向第二设备#j2的移动距离移动方向和RSSI值需要指出的是,终点时刻实际上是设备间终止连接前的最后一个时刻。
所述数据处理模块用于将数据传输模块传输来的数据作为输入参数,经优化模型计算、求解优化问题,最终输出结果,即所有路径对所有时刻的设备间距离,如图8所示。如上所述,数据处理模块可以部署在智能终端和/或服务器端。如果部署在智能终端,每个智能终端的数据仅存在该智能终端上和其它与之相连的智能终端上,这样部署有利于每个智能终端用户保护隐私,但由于数据处理模块仅处理单个智能终端采集到的数据和与之相连的智能终端传输过来的数据,能建立的相对位置图只是以相应智能终端为核心的局部相对位置图。如果部署在服务器端,则数据处理模块处理可以处理所有智能终端传输过来的数据,这样能够建立所有智能终端的全局相对位置图。对于两种部署方式,数据处理模块的处理流程基本相同,主要区别在于处理的路径对数量的差别。
应用实例1
1、室外试验方法
在空旷场地上指定若干测试点,如图9所示,编号依次为A、B、C、……M,设计两台可移动设备的移动路径(如A→B等)。两名参试者各持一台设备沿已设计好的路径行走,在每对测量点测量两设备间的真实距离、方向角度和信号强度。采用本发明的方法计算距离,并对比计算距离和真实距离,确定本发明的相对定位方法在室外环境下的测量精确度。
2、试验场地、仪器及材料
(1)场地:小广场,铺有方形砖,每个方格边长约为0.5m,便于安放标记点;
(2)仪器及材料:具有蓝牙信号强度模块的智能手机两部(设备#1型号:iPhoneXS;设备#2型号:Samsung Note10)、位置标签13个、卷尺1个;
(3)场地及标记点布置如图9所示,每个小格边长约为0.5m。
3、试验步骤
(1)如图9所示,在场地上的各标记点贴好位置标签A、B、…、M;
(2)按照表1中的设计路径,参试者手持设备从起点行走至终点,在表1中记录真实距离数值,然后根据每个时刻的采集数据,将按照本发明的相对定位方法计算得到的距离填写在表1中。
4、试验结果:
如表1所示,室外试验的距离误差的平均值为0.10m,标准差为0.77m。
表1
应用实例2
1、室内试验方法
选择一公共室内场地,比如小型会议室,如图10所示。在会议室场地上指定若干测试点,编号依次为O、A、B、…、I、M1、M2…、M6,设计可移动设备的移动路径(如O→M1→A等)。两名参试者各持一台设备沿已设计好的路径行走,在每对测量点测量两设备间的真实距离、方向角度和信号强度。采用本发明的方法计算距离,并对比计算距离和真实距离,确定本发明的相对定位方法在室内环境下的测量精确度。
2、试验场地、仪器及材料
(1)场地:小型会议室,可以利用桌椅、屏幕、电脑、书本、水瓶、门等作为固定障碍物,墙体作为反射介质,充分测试本发明的可行性。可利用激光测距仪和卷尺,确定标记点之间真实的位置关系;
(2)仪器及材料:具有蓝牙信号强度模块的智能手机两部(设备#1型号:iPhoneXS;设备#2型号:SamsungNote10)、激光测距仪、标记标签16个、卷尺、指南针模块、桌椅、屏幕、电脑、书本、水瓶;
(3)场地及标记点布置如图10所示,中间方框为桌子,外围方框为墙体,右下角为门。
3、试验步骤
(1)如图10所示,在场地上的各标记点贴好位置标签O、A、B、…、M1、…、M6;
(2)参试者#1将智能设备#1放置在I点处,并保证处于正常工作状态;
(3)按照表2中的设计路径,参试者#2手持智能设备#2从起点行走至终点,在表2中记录真实距离数值,然后根据每个时刻的采集数据,将按照本发明的相对定位方法计算得到的距离填写在表2中。
4、试验结果:
如表2所示,室内试验的距离误差的平均值为-0.31m,标准差为1.19m。
表2
本发明适用于各种需要相对定位的场景。例如,在自动驾驶场景,可以利用车辆自身的惯性测量单元,如轮速计、方向盘转角传感器、陀螺仪、加速度计等,结合无线近距离通信模块(比如车载WiFi信号或路旁5G信号),在GPS信号较差或能见度较差的环境中进行车辆之间的相对定位,得到本车与周围车辆之间的相对位置,并测量出自车的运动轨迹。在传染病监测场景中,可以利用智能手机设备自身的惯性测量单元,如陀螺仪、加速度计等,以及无线通信模块(比如蓝牙信号、蜂窝信号或5G信号),有效计算人群中人与人的接触距离,从而实现实时监测功能以及追溯过往接触数据的功能,协助流行病学分析。在潜艇编队场景中,可以利用潜艇自身的惯性测量单元,如轮速计、角度传感器、陀螺仪、加速度计等,以及声呐信号等无线通信模块,可以在GPS信号较差或能见度较差的环境中进行潜艇之间的相对定位,即得到本潜艇与周围潜艇之间的相对位置,并得到整个潜艇群的编队状态(即各个潜艇间的相对位置关系)。
本发明能够达到以下技术效果:
1、无须依赖于外部设备
相对定位无需利用GPS等外部定位导航信号,也无需提前部署无线传感器网络,仅利用智能设备内置的功能模块,例如无线近距离通信模块和惯性测量单元;
2、无须事先拟合或训练RSSI距离模型
通过建立最优化模型,同步完成RSSI距离模型建立和设备间相对定位,无需预先建立或训练RSSI距离模型,从而能在未知的场景中,无论室内,还是室外,精确实现智能设备间的相对定位;
3、相对定位的精度高
无论室内还是室外,无论已知场景还是未知场景,均可实现分米级的高精度测距定位。相比而言,室外比室内的精度高,已知场景比未知场景的精度高。在本发明的具体实施例中,对于未知的室外场景,平均计算误差在0.1米左右;对于未知的室内场景,平均计算误差在0.3米左右;
4、适用于大规模复杂情况的计算
利用解析几何方法求解方程组以确定设备间相对距离的方案,只适用于简单的小规模场景,而在设备较多的复杂情况下,很难确保一定可以求解出实数解,而本发明通过建立最优化模型求解优化问题,对于大规模复杂场景,依然可以给出最佳的相对定位结果;
5、可以实现相对定位的任务
利用解析几何方法求解方程组以确定设备间相对距离的方案,无法给出任意设备间的包括距离和角度的相对位置关系,而本发明通过建立最优化模型,同步完成RSSI距离模型建立和设备间相对定位,可以给出包括距离和角度的任意设备间的相对位置关系。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进,均应在本发明的权利范围之内。
Claims (10)
1.一种智能设备间相对定位方法,其特征在于,所述方法包括:
根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一设备与第二设备的第一距离模型;
根据第二设备多次测量的其接收第一设备发射信号的接收信号强度值,生成第一设备与第二设备的第二距离模型;
根据所述第一距离模型和所述第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数;
在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值,以便基于初始坐标的优化值得到优化后的第一距离模型以及基于第二距离模型参数的优化值得到优化后的第二距离模型;
利用优化后的第一距离模型和优化后的第二距离模型中的至少一个,确定每次测量时第一设备与第二设备之间的距离和方向。
2.根据权利要求1所述的方法,其特征在于,所述根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一设备与第二设备的第一距离模型包括:
将第一设备的初始坐标确定为原点坐标,基于所述原点坐标,确定第二设备的初始坐标,其中,第一设备和第二设备的初始坐标是第一设备与第二设备在建立近距离通信连接时的坐标;
根据第一设备与第二设备在近距离通信期间每次测量的自身移动的路径长度L和路径方向角度α、第一设备和第二设备的初始坐标,确定每次测量时第一设备和第二设备的坐标;
根据每次测量时第一设备和第二设备的坐标,确定第一设备与第二设备的第一距离模型dc,所述第一距离模型dc是关于L,α,第二设备初始坐标的函数。
3.根据权利要求2所述的方法,其特征在于,所述第一设备与第二设备的第二距离模型为dr是关于RSSI和第二距离模型参数的函数,其中,RSSI为第二设备每次测量时接收的第一设备发射信号的接收信号强度值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一距离模型和所述第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数包括:
构建包括第一距离模型dc和第二距离模型dr的目标函数f(dc,dr),所述目标函数f(dc,dr)中第一距离模型dc的第二设备初始坐标和第二距离模型的参数为待优化参数。
5.根据权利要求4所述的方法,其特征在于,所述在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值包括:
在约束条件下,不断优化目标函数的第二设备初始坐标以及第二距离模型参数,并将目标函数f(dc,dr)的函数值最优时的第二设备初始坐标以及第二距离模型参数的数值作为优化值。
6.根据权利要求1所述的方法,其特征在于,所述约束条件包括以下至少一个:
第二距离模型参数范围约束条件;
第一设备和第二设备在建立近距离通信时的初始坐标范围约束条件;
第一设备和第二设备在近距离通信期间的信号可测量范围约束条件;
第一设备和第二设备在近距离通信期间移动时形成的几何形状约束条件。
7.根据权利要求1所述的方法,其特征在于,所述第一设备包括一个或多个智能设备,所述第二设备包括可与第一设备近距离通信的一个或多个智能设备。
8.一种智能设备间相对定位装置,其特征在于,所述装置包括:
第一距离模型建立模块,用于根据第一设备与第二设备在建立近距离通信连接时的初始坐标和在近距离通信期间多次测量的自身移动的路径长度和路径方向角度,生成第一设备与第二设备的第一距离模型;
第二距离模型建立模块,用于根据第二设备多次测量的其接收第一设备发射信号的接收信号强度值,生成第一设备与第二设备的第二距离模型;
目标函数构建模块,用于根据所述第一距离模型和所述第二距离模型,构建包含初始坐标和第二距离模型参数的目标函数;
优化模块,用于在约束条件下,确定使目标函数最优的初始坐标和第二距离模型参数的优化值,以便基于初始坐标的优化值得到优化后的第一距离模型以及基于第二距离模型参数的优化值得到优化后的第二距离模型;
相对定位模块,用于利用优化后的第一距离模型和优化后的第二距离模型中的至少一个,确定每次测量时第一设备与第二设备之间的距离和方向。
9.一种智能设备间相对定位系统,其特征在于,所述系统包括第一设备和第二设备,其中所述第一设备包括权利要求8所述的一种智能设备间相对定位装置。
10.一种智能设备间相对定位系统,其特征在于,所述系统包括第一设备、第二设备和服务器,其中所述服务器包括权利要求8所述的一种智能设备间相对定位装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101017.8A CN112261573B (zh) | 2020-10-15 | 2020-10-15 | 一种智能设备间相对定位方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101017.8A CN112261573B (zh) | 2020-10-15 | 2020-10-15 | 一种智能设备间相对定位方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112261573A true CN112261573A (zh) | 2021-01-22 |
CN112261573B CN112261573B (zh) | 2023-04-07 |
Family
ID=74242568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011101017.8A Active CN112261573B (zh) | 2020-10-15 | 2020-10-15 | 一种智能设备间相对定位方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112261573B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113115224A (zh) * | 2021-04-06 | 2021-07-13 | 中移(上海)信息通信科技有限公司 | 室内定位方法和室内定位装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221235A (zh) * | 2008-02-02 | 2008-07-16 | 北京航空航天大学 | 一种基于跳数的无线传感器网络定位求精方法 |
US20130028131A1 (en) * | 2009-03-20 | 2013-01-31 | Buzby Networks, Llc | Real-time network node location system and method |
CN105828435A (zh) * | 2016-05-30 | 2016-08-03 | 天津大学 | 基于接收信号强度优化的距离修正加权质心定位方法 |
CN107371164A (zh) * | 2017-08-02 | 2017-11-21 | 西北大学 | 一种基于传感器数据与信号差值融合定位伪ap的方法 |
CN108449773A (zh) * | 2018-02-12 | 2018-08-24 | 沈阳理工大学 | 一种基于最优方向角的环域通信路由拓扑控制模型 |
CN110824423A (zh) * | 2019-11-26 | 2020-02-21 | 北京壹氢科技有限公司 | 一种多无人车协同导航定位方法及系统 |
CN111770482A (zh) * | 2020-06-12 | 2020-10-13 | 戴建荣 | 一种适用于智能设备的移动测距方法及应用 |
-
2020
- 2020-10-15 CN CN202011101017.8A patent/CN112261573B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221235A (zh) * | 2008-02-02 | 2008-07-16 | 北京航空航天大学 | 一种基于跳数的无线传感器网络定位求精方法 |
US20130028131A1 (en) * | 2009-03-20 | 2013-01-31 | Buzby Networks, Llc | Real-time network node location system and method |
CN105828435A (zh) * | 2016-05-30 | 2016-08-03 | 天津大学 | 基于接收信号强度优化的距离修正加权质心定位方法 |
CN107371164A (zh) * | 2017-08-02 | 2017-11-21 | 西北大学 | 一种基于传感器数据与信号差值融合定位伪ap的方法 |
CN108449773A (zh) * | 2018-02-12 | 2018-08-24 | 沈阳理工大学 | 一种基于最优方向角的环域通信路由拓扑控制模型 |
CN110824423A (zh) * | 2019-11-26 | 2020-02-21 | 北京壹氢科技有限公司 | 一种多无人车协同导航定位方法及系统 |
CN111770482A (zh) * | 2020-06-12 | 2020-10-13 | 戴建荣 | 一种适用于智能设备的移动测距方法及应用 |
Non-Patent Citations (1)
Title |
---|
徐丽媛; 何杰; 王然; 王沁: "不依赖于精确初始坐标的车联网相对定位坐标估计算法", 《计算机学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113115224A (zh) * | 2021-04-06 | 2021-07-13 | 中移(上海)信息通信科技有限公司 | 室内定位方法和室内定位装置 |
CN113115224B (zh) * | 2021-04-06 | 2021-11-09 | 中移(上海)信息通信科技有限公司 | 室内定位方法和室内定位装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112261573B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Toward location-enabled IoT (LE-IoT): IoT positioning techniques, error sources, and error mitigation | |
Zhu et al. | Three-dimensional VLC positioning based on angle difference of arrival with arbitrary tilting angle of receiver | |
CN105547305B (zh) | 一种基于无线定位和激光地图匹配的位姿解算方法 | |
CN105393139B (zh) | Gps和wlan混合位置确定 | |
Zhang et al. | A localization database establishment method based on crowdsourcing inertial sensor data and quality assessment criteria | |
CN107094319A (zh) | 一种高精度室内外融合定位系统和方法 | |
CN112533163B (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
CN108445520A (zh) | 一种基于云端的室内外建图方法、装置、电子设备及计算机程序产品 | |
CN105513132A (zh) | 一种实时地图构建系统、方法及其装置 | |
CN111770482A (zh) | 一种适用于智能设备的移动测距方法及应用 | |
CN101995580A (zh) | 可设置集结点的远程和近程的移动的互动定位 | |
CN112261573B (zh) | 一种智能设备间相对定位方法、装置及系统 | |
Zhuang et al. | Autonomous WLAN heading and position for smartphones | |
Bahillo et al. | WAY: seamless positioning using a smart device | |
Elfadil et al. | Indoor navigation algorithm for mobile robot using wireless sensor networks | |
Delamare et al. | Evaluation of an UWB localization system in Static/Dynamic | |
Agrawal et al. | Smart phone based indoor pedestrian localization system | |
Chen et al. | Multisource fusion framework for environment learning–free indoor localization | |
EP3246723A1 (en) | Method for setting up a positioning system | |
CN110798806B (zh) | 一种基于地磁强度的卡尔曼滤波室内轨迹跟踪算法 | |
Ramaneti et al. | IoT based 2D indoor navigation system using BLE beacons and Dijkstra's algorithm | |
Abdellatif et al. | An improved indoor positioning based on crowd-sensing data fusion and particle filter | |
Yu et al. | AP Detector: Crowdsourcing-based approach for self-localization of wi-fi FTM stations | |
Salmasi et al. | Fusion beacon and machine vision based on extended Kalman filter for indoor localization | |
Yoshida et al. | A Survey of Ground Truth Measurement Systems for Indoor Positioning |
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 |