CN112887903B - 一种基于软信息融合的通信定位感知一体化方法 - Google Patents
一种基于软信息融合的通信定位感知一体化方法 Download PDFInfo
- Publication number
- CN112887903B CN112887903B CN202110101725.XA CN202110101725A CN112887903B CN 112887903 B CN112887903 B CN 112887903B CN 202110101725 A CN202110101725 A CN 202110101725A CN 112887903 B CN112887903 B CN 112887903B
- Authority
- CN
- China
- Prior art keywords
- base station
- information
- user
- map
- electromagnetic environment
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/60—Positioning; Navigation
-
- 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
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于软信息融合的通信定位感知一体化方法,包括以下步骤:用户从收到的射频信号、传感信号和图像信号中提取相应的软信息,进行融合处理,得到对自身位置和状态的估计,以及对周围环境特征的估计;多个用户通过众包的方式将各自估计的环境特征软信息反馈至基站端或云端,基站端或云端对其进行融合,构建电磁环境地图;各用户从基站端或云端下载电磁环境地图,基站和用户利用电磁环境地图作为先验信息,制定通信策略,提升软信息获取的精度和效率,从而提升通信、定位和感知的性能;基站端或云端不断接收用户反馈的环境感知信息,更新电磁环境地图。本发明以低开销和算法复杂度实现高精度定位和环境感知。
Description
技术领域
本发明涉及一种基于软信息融合的通信定位感知一体化方法,属于无线通信和定位、感知技术的交叉领域。
背景技术
无线通信系统从1G到5G不断演进,不仅带来了通信能力质的飞跃,其感知精度也逐步增强,无线通信与感知正在不断交叉、相互促进。随着大规模天线阵列、超密集组网、新型多址接入、全频谱等技术进一步发展,以及可重构智能超表面和人工智能等技术的使能,无线通信与感知一体化已成为无线通信和感知领域发展的引领方向。
无线通信与感知一体化技术是通过共用无线通信系统基础设施和时-频-空资源,以降低硬件成本,对通信和感知领域先进技术在硬件架构和算法层面上高度融合,利用高速率、低时延无线通信系统的信息交互能力,实现通信与感知的协同,打破传统各自为营格局,实现通信和感知的联合设计,达成无线通信与感知一体化系统超高速率、超低时延、超强可靠性等通信需求,延伸其厘米级精度定位和超高细粒度感知的能力。
目前,无线通信与感知一体化技术的应用在车联网、智能交通和工业网络系统等领域不断涌现,未来无线通信与感知一体化技术将进一步成为通信系统演进、产业技术变革、智慧社会升级的新动能。然而,该技术尚处于起步阶段,围绕构建多层次、多功能、智能化的通信定位感知一体化网络,还有很多关键技术问题亟待解决,包括如何设计适用于高维度、大规模、超异构的信息融合和资源协同的新技术,如何同步提升系统在通信和感知方面的整体性能,如何建立高动态移动性场景下通信与感知的交互耦合、协作互助机制等。
综上所述,如何将定位、感知与通信系统相融合,成为移动通信系统亟待突破的难题之一。
发明内容
发明目的:为解决上述问题,本发明提供一种基于软信息融合的通信定位感知一体化方法,旨在以低开销和算法复杂度实现高精度定位和环境感知。
技术方案:为了实现上述目的,本发明采用以下技术方案:
一种基于软信息融合的通信定位感知一体化方法,包括以下步骤:
步骤1.用户从收到的射频信号、传感信号和图像信号中提取相应的软信息,进行融合处理,得到对自身位置和状态的估计,以及对周围环境特征的估计;
步骤2.多个用户通过众包的方式将各自估计的环境特征软信息反馈至基站端或云端,基站端或云端对其进行融合,构建电磁环境地图;
步骤3.各用户从基站端或云端下载电磁环境地图,基站和用户利用电磁环境地图作为先验信息,制定通信策略,提升软信息获取的精度和效率,从而提升通信、定位和感知的性能;
步骤4.基站端或云端不断接收用户反馈的环境感知信息,更新电磁环境地图。
作为本发明的进一步技术方案,步骤1所述用户包括但不限于:蜂窝移动用户、智能汽车、机器人、物联网设备。
作为本发明的进一步技术方案,步骤1所述射频信号包括:蜂窝信号、Wi-Fi信号、雷达信号通过射频传输的信号;
所述传感信号包括但不限于:从加速计、陀螺仪、光学传感器、声学传感器中提取的信号;
所述图像信号包括但不限于:从摄像头中提取的信号,包括深度信息。
作为本发明的进一步技术方案,步骤1所述提取相应的软信息具体步骤包括:
1)提取软信息包括但不限于射频信号中提取到达角信息、时延信息、多普勒信息、接收信号强度信息,从传感信号中提取的步长信息、转向信息,从图像信号中提取的深度信息;
3)在未知基站位置和用户初始位置的情况下,用户利用测量向量zn,通过时间的积累得到1至N时刻的测量软信息向量z1:N,进而得到待估参数的联合后验概率密度函数f(u1:N,v1:N,a1:N,b1:N|z1:N),用于融合处理,式中u1:N为从1至N时刻用户的位置和状态,v1:N为1至N时刻基站和虚拟基站的位置和状态,a1:N和b1:N为1至N时刻的数据相关参数。
所述接收信号强度信息的均值与位置的关系式为
作为本发明的进一步技术方案,步骤1所述自身位置和状态包括:用户的位置、速度、转向、姿态、时钟偏差、路径损耗模型参数;
所述周围环境特征指散射体特征包括散射体的状态、位置、分布密度、材料,通信环境特征包括虚拟基站位置、接收信号强度、可用波束索引、信号中断概率、统计信道状态信息,物理环境特征包括天气、湿度、温度。
作为本发明的进一步技术方案,步骤2所述电磁环境地图包括但不限于:虚拟基站位置地图、接收信号强度地图、信号中断概率地图;
构建电磁环境地图为虚拟基站位置地图,随着时间的积累,用户获得收敛的电磁环境地图,表示为:
第n’时刻的贡献者将自己获得的电磁地图的存在概率同乘以权重因子wn′,得到加权的电磁环境地图:
其中权重因子wn′表示不同用户上传的电磁环境地图的可信度;
作为本发明的进一步技术方案,步骤2所述众包的方式包括:1)将空间划分为不同区域,多个用户在不同区域对环境进行观测,从而得到整个空间的环境信息;2)多个用户工作在不同频段,利用不同频段信号对环境进行观测,从而得到全频谱的环境信息;3)不同用户在不同时刻对环境进行观测,从而得到长时的统计环境信息。
作为本发明的进一步技术方案,步骤3所述通信策略包括波束追踪方案、信道信息反馈机制、资源分配、用户选择、干扰管理。
作为本发明的进一步技术方案,步骤4中所述更新电磁环境地图包括全局电磁地图特征与不同用户提供的局部特征的相关、全局电磁地图特征的剪枝;通过设置随时间不断增加的权重因子,即w1<w2<...<wk′,确保越新的贡献者所贡献的电磁环境地图的可信度越高,通过并集运算更新电磁环境地图;最后根据基站端或云端的存储大小,对电磁环境地图进行剪枝,即减去中权重小的特征。
有益效果:本发明与现有技术相比,有益效果在于:
1、现有的定位和环境感知方案大多依赖大量的先验信息,例如多个基站的位置信息和用户的初始位置信息等。本发明所提的定位和环境感知方案无需知道任何基站位置信息,也无需知道精确的用户初始位置信息,根据基站和虚拟基站位置不变特性,通过时间的积累,利用各类测量值的软信息进行融合,获得对基站、虚拟基站、散射体和用户位置的估计。
2、现有通信定位感知一体化方案大多利用单一种类测量信息,本发明所提方案利用软信息和概率融合算法,可以融合各类测量信息。
3、现有电磁环境地图的构建方式大多利用单一用户的估计结果,本发明所提方案通过利用众包算法,不断融合接入系统中的各个用户的估计结果,提升电磁地图的获取精度和效率。本方案利用概率数据相关算法,有效解决众包方案中常见的重复计数和数据关联问题。
附图说明
图1为本发明实施例提供的一种基于软信息融合的通信定位感知一体化方法的流程图;
图2为本发明实施例提供的一种虚拟基站地图示意图;
图3为本发明实施例提供的一种众包方式示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定的系统结构之类的具体细节,以便透彻理解本发明。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图进行详细描述。本发明实施例提供的一种基于软信息融合的通信定位感知一体化方法,如图1所示,该方法包括:
步骤1、用户从收到的射频信号、传感信号和图像信号中提取相应的软信息,进行融合处理,得到对自身位置和状态的估计,以及对周围环境特征的估计。
上述用户包括但不限于:蜂窝移动用户、智能汽车、机器人、物联网设备等。
射频信号包括:蜂窝信号、Wi-Fi信号、雷达信号等通过射频传输的信号。
传感信号包括但不限于:从加速计、陀螺仪、光学传感器、声学传感器等传感器中提取的信号。
图像信号包括但不限于:从摄像头中提取的信号,包括深度信息等。
参数的软信息指的是参数的一阶矩、二阶矩和概率分布函数。所用软信息包括但不限于从射频信号中提取的角度信息、时延信息、多普勒信息、接收信号强度信息等;从传感信号中提取的步长信息、转向信息等;从图像信号中提取的深度信息等。软信息的提取方法包括基于多径参数的抽取算法,如牛顿正交匹配追踪算法等。软信息的融合方法包括基于消息传递的信息融合算法等。
用户自身位置和状态信息包括:用户的位置、速度、转向、姿态、时钟偏差、路径损耗模型参数等。
周围环境特征信息包括:散射体特征(散射体的状态、位置、分布密度、材料等)、通信环境特征(虚拟基站位置、接收信号强度、可用波束索引、信号中断概率、统计信道状态信息等)、物理环境特征(天气、湿度和温度等)。
在一个示例中,移动用户在第n时刻接收到来自第m个基站的信号表示为:
基站的位置未知,但是基站的位置不随时间发生变化。虚拟基站为基站相对于反射面的镜像。因此虚拟基站包含了环境信息,其位置未知且不随时间发生变化。
在不知道基站位置和用户初始位置的情况下,用户利用时延、到达角和接收信号强度等测量软信息的组合测量向量zn,通过时间的积累得到1至N时刻的测量软信息向量z1:N,待估参数的联合后验概率密度函数为f(u1:N,v1:N,a1:N,b1:N|z1:N),其中u1:N为从1至N时刻用户的位置和状态,v1:N为1至N时刻基站和虚拟基站的位置和状态,a1:N和b1:N为1至N时刻的数据相关参数。利用消息传递的算法从联合后验概率密度函数拆成边缘概率密度函数进行数值计算,获得用户的位置、转向、时钟偏差、路损模型参数、基站和虚拟基站的位置等的估计。
步骤2、多个用户通过众包的方式将各自估计的环境特征软信息反馈至基站端或云端,基站端或云端对其进行融合,构建电磁环境地图。
上述众包方式包括:1)将空间划分为不同区域,多个用户在不同区域对环境进行观测,从而得到整个空间的环境信息;2)多个用户工作在不同频段,利用不同频段信号对环境进行观测,从而得到全频谱的环境信息;3)不同用户在不同时刻对环境进行观测,从而得到长时的统计环境信息。基站端或云端对来自不同用户的环境信息进行融合,其融合过程包括对各用户信息可信度进行判断、对不同用户提供的局部特征进行相关等。其数据相关算法包括但不限于基于概率的消息传递数据相关算法。电磁环境地图包括但不限于:虚拟基站位置地图、接收信号强度地图、信号中断概率地图等。
在一个示例中,电磁环境地图为虚拟基站地图,如图2所示,其中一阶虚拟基站表示基站相对于散射体的像,该散射体为一次镜面反射径对应的散射体。由于基站是固定不动的,因此对应的虚拟基站也是固定不动的。随着时间的积累,用户获得收敛的电磁环境地图,记为:
众包方式如图3所示,第n’时刻的贡献者将自己获得的电磁地图的存在概率同乘以权重因子wn′,得到加权的电磁环境地图:
其中权重因子wn′表示不同用户上传的电磁环境地图的可信度。
步骤3、各用户从基站端或云端下载电磁环境地图,基站和用户利用电磁环境地图作为先验信息,制定通信策略,提升软信息获取的精度和效率,从而提升通信、定位和感知的性能。
上述通信策略包括波束追踪方案、信道信息反馈机制、资源分配、用户选择、干扰管理等。通过环境信息的辅助,可以降低软信息获取的开销或提升软信息获取的精度;用户可以获取更准确的自身位置和状态估计;从而获取更准确的环境感知结果。
在一个示例中,在使用电磁环境地图时,用户直接下载基站端或云端存储的最新电磁环境地图将其中的虚拟基站作为继承基站,与自己获得的测量信息进行数据相关,通过基于概率的消息传递数据相关算法,消除电磁环境地图中的重复特征。
步骤4、基站端或云端不断接收用户反馈的环境感知信息,更新电磁环境地图。
上述基站端或云端的电磁环境地图是全局的、开放式的。通过不断接收用户反馈的感知信息对旧电磁环境地图进行更新,其中更新过程包括全局电磁地图特征与不同用户提供的局部特征的相关、全局电磁地图特征的剪枝等。
在一个示例中,在电磁环境地图的更新过程中,通过设置随时间不断增加的权重因子,即w1<w2<...<wk′,确保越新的贡献者所贡献的电磁环境地图的可信度越高,通过并集运算更新电磁环境地图。最后根据基站端或云端的存储大小,对电磁环境地图进行剪枝,即减去中权重小的特征。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于软信息融合的通信定位感知一体化方法,其特征在于,包括以下步骤:
步骤1.用户从收到的射频信号、传感信号和图像信号中提取相应的软信息,进行融合处理,得到对自身位置和状态的估计,以及对周围环境特征的估计;
步骤2.多个用户通过众包的方式将各自估计的环境特征软信息反馈至基站端或云端,基站端或云端对其进行融合,构建电磁环境地图;
步骤3.各用户从基站端或云端下载电磁环境地图,基站和用户利用电磁环境地图作为先验信息,制定通信策略,提升软信息获取的精度和效率,从而提升通信、定位和感知的性能;
步骤4.基站端或云端不断接收用户反馈的环境感知信息,更新电磁环境地图;
其中,
步骤1所述提取相应的软信息具体步骤包括:
1)提取软信息包括但不限于射频信号中提取到达角信息、时延信息、多普勒信息、接收信号强度信息,从传感信号中提取的步长信息、转向信息,从图像信号中提取的深度信息;
3)在未知基站位置和用户初始位置的情况下,用户利用测量向量zn,通过时间的积累得到1至N时刻的测量软信息向量z1:N,进而得到待估参数的联合后验概率密度函数f(u1:N,v1:N,a1:N,b1:N|z1:N),用于融合处理,式中u1:N为从1至N时刻用户的位置和状态,v1:N为1至N时刻基站和虚拟基站的位置和状态,a1:N和b1:N为1至N时刻的数据相关参数;
所述接收信号强度信息的均值与位置的关系式为
步骤2所述电磁环境地图包括但不限于:虚拟基站位置地图、接收信号强度地图、信号中断概率地图;
构建电磁环境地图为虚拟基站位置地图,随着时间的积累,用户获得收敛的电磁环境地图,表示为:
第n’时刻的贡献者将自己获得的电磁地图的存在概率同乘以权重因子wn′,得到加权的电磁环境地图:
其中权重因子wn′表示不同用户上传的电磁环境地图的可信度;
步骤2所述众包的方式包括:1)将空间划分为不同区域,多个用户在不同区域对环境进行观测,从而得到整个空间的环境信息;2)多个用户工作在不同频段,利用不同频段信号对环境进行观测,从而得到全频谱的环境信息;3)不同用户在不同时刻对环境进行观测,从而得到长时的统计环境信息;
步骤3所述通信策略包括波束追踪方案、信道信息反馈机制、资源分配、用户选择、干扰管理;
2.如权利要求1所述的一种基于软信息融合的通信定位感知一体化方法,其特征在于,步骤1所述用户包括但不限于:蜂窝移动用户、智能汽车、机器人、物联网设备。
3.如权利要求1所述的一种基于软信息融合的通信定位感知一体化方法,其特征在于,步骤1所述射频信号包括:蜂窝信号、Wi-Fi信号、雷达信号通过射频传输的信号;
所述传感信号包括但不限于:从加速计、陀螺仪、光学传感器、声学传感器中提取的信号;
所述图像信号包括但不限于:从摄像头中提取的信号,包括深度信息。
4.如权利要求1所述的一种基于软信息融合的通信定位感知一体化方法,其特征在于,步骤1所述自身位置和状态包括:用户的位置、速度、转向、姿态、时钟偏差、路径损耗模型参数;
所述周围环境特征包括:散射体特征、通信环境特征和物理环境特征;其中散射体特征包括散射体的状态、位置、分布密度、材料;通信环境特征包括虚拟基站位置、接收信号强度、可用波束索引、信号中断概率、统计信道状态信息;物理环境特征包括天气、湿度和温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101725.XA CN112887903B (zh) | 2021-01-26 | 2021-01-26 | 一种基于软信息融合的通信定位感知一体化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101725.XA CN112887903B (zh) | 2021-01-26 | 2021-01-26 | 一种基于软信息融合的通信定位感知一体化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112887903A CN112887903A (zh) | 2021-06-01 |
CN112887903B true CN112887903B (zh) | 2022-12-09 |
Family
ID=76051862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101725.XA Active CN112887903B (zh) | 2021-01-26 | 2021-01-26 | 一种基于软信息融合的通信定位感知一体化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887903B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985394B (zh) * | 2021-10-05 | 2024-04-05 | 吉林大学 | 基于nomp的单基地mimo雷达远近场混合目标定位方法 |
CN113891277B (zh) * | 2021-11-09 | 2023-05-12 | 中国联合网络通信集团有限公司 | 通感融合方法及系统 |
CN116390116A (zh) * | 2021-12-22 | 2023-07-04 | 维沃移动通信有限公司 | 感知方法、装置及通信设备 |
CN114609583A (zh) * | 2022-01-21 | 2022-06-10 | 宁波工程学院 | 一种基于RSS-AoA测量的无线传感器网络目标定位方法 |
CN114895111B (zh) * | 2022-07-06 | 2022-10-21 | 中国人民解放军国防科技大学 | 一种基于权重分配构建电磁地图的方法和系统 |
CN116298543B (zh) * | 2023-02-23 | 2024-04-05 | 西安电子科技大学 | 内外场电磁地图绘制自动小车及绘制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341705A (zh) * | 2018-10-16 | 2019-02-15 | 北京工业大学 | 智能探测机器人同时定位与地图构建系统 |
CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
CN109709593A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于“云-端”紧耦合的智能网联汽车车载终端平台 |
CN111089585A (zh) * | 2019-12-30 | 2020-05-01 | 哈尔滨理工大学 | 一种基于传感器信息融合的建图及定位方法 |
CN111935644A (zh) * | 2020-08-10 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种基于融合信息的定位方法、装置及终端设备 |
-
2021
- 2021-01-26 CN CN202110101725.XA patent/CN112887903B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
CN109341705A (zh) * | 2018-10-16 | 2019-02-15 | 北京工业大学 | 智能探测机器人同时定位与地图构建系统 |
CN109709593A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于“云-端”紧耦合的智能网联汽车车载终端平台 |
CN111089585A (zh) * | 2019-12-30 | 2020-05-01 | 哈尔滨理工大学 | 一种基于传感器信息融合的建图及定位方法 |
CN111935644A (zh) * | 2020-08-10 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种基于融合信息的定位方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
一种面向大规模感知节点的电磁环境地图快速生成方法;张淞等;《电声技术》;20200930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112887903A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112887903B (zh) | 一种基于软信息融合的通信定位感知一体化方法 | |
Wang et al. | Assistant vehicle localization based on three collaborative base stations via SBL-based robust DOA estimation | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
Bae et al. | Large-scale indoor positioning using geomagnetic field with deep neural networks | |
US11089563B2 (en) | 5G-signal-based DOA fingerprint-based positioning method | |
CN107801195B (zh) | 一种车联网定位中的路边单元优化部署方法 | |
CN111479231B (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
Aranda et al. | Performance analysis of fingerprinting indoor positioning methods with BLE | |
CN113207089A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
Wu et al. | UAV-based target tracking: Integrating sensing into communication signals | |
Shit et al. | AI-enabled fingerprinting and crowdsource-based vehicle localization for resilient and safe transportation systems | |
Mukhtar et al. | Machine learning-enabled localization in 5g using lidar and rss data | |
Yapar et al. | Locunet: Fast urban positioning using radio maps and deep learning | |
Kia et al. | A CNN approach for 5G mm wave positioning using beamformed CSI measurements | |
Yang et al. | 3-D positioning and environment mapping for mmWave communication systems | |
Wisanmongkol et al. | An ensemble approach to deep‐learning‐based wireless indoor localization | |
CN117295090A (zh) | 一种面向无人机通感一体化系统的资源分配方法 | |
Gu et al. | Meta-learning for image-guided millimeter-wave beam selection in unseen environments | |
CN113543017B (zh) | 毫米波车联网的波束切换方法及相关设备 | |
Elbes et al. | Using phase shift fingerprints and inertial measurements in support of precise localization in urban areas | |
Erich | A framework for active learning of beam alignment in vehicular millimeter wave communications by onboard sensors | |
Chen et al. | Multi-satellite tracking for the LEO satellite communication network | |
CN114222242A (zh) | 基于数字相控阵体制的通信定位一体化方法及系统 | |
Mukhtar et al. | Satellite image and received signal-based outdoor localization using deep neural networks | |
Bin et al. | A cost-sensitive method for wireless sensor network min beacon node set construction |
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 |