CN113068118A - 一种NB-IoT定位精度提升方法及系统 - Google Patents
一种NB-IoT定位精度提升方法及系统 Download PDFInfo
- Publication number
- CN113068118A CN113068118A CN202110300251.1A CN202110300251A CN113068118A CN 113068118 A CN113068118 A CN 113068118A CN 202110300251 A CN202110300251 A CN 202110300251A CN 113068118 A CN113068118 A CN 113068118A
- Authority
- CN
- China
- Prior art keywords
- positioning
- base station
- time difference
- node
- estimation
- 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
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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种NB‑IoT定位精度提升方法及系统,所述方法包括:S1:确定定位参考节点与各个基站之间的定位时间差信号;S2:将所述定位时间差信号发送至定位服务器;S3:采用双曲线交点法估计定位参考节点的位置;S4:重复步骤S1‑S3得到所有定位参考节点的多个位置估计;S5:定位服务器利用多个定位参考节点的多个位置估计作为误差模型样本输入,并利用多个定位参考点的实际已知位置作为误差模型的目标,对误差模型进行最佳参数估计,获得最佳误差估计模型;S6:采用所述最佳误差估计模型对移动节点的位置进行校正。本发明中的上述方法能够提高移动节点的定位精度。
Description
技术领域
本发明涉及定位领域,特别是涉及一种NB-IoT定位精度提升方法及系统。
背景技术
NB-IoT是第三代合作项目(3GPP)开发的一种在5G网络上的低功耗广域网协议,允许在蜂窝网络上进行大规模的机器类型通信(mMTC)。与LTE相比,NB-IoT主要是通过将信号带宽限制为180KHz,通过允许多毫秒的重复传输来扩展覆盖范围。
NB-IoT在release-14版本引入了对蜂窝OTDOA定位的支持。然而,窄信号带宽、支持扩展覆盖的苛刻以及低成本物联网设备要求,对NB-IoT系统设计都是挑战。本项目是设计一个基于支持OTDOA的NB-IoT单芯片调制解调器系统芯片(SOC)的新型系统算法模型,对单纯依靠NB-IoT规范所能达到的定位精度实现大幅提高,同时保持较低的硬件成本。
基于卫星的定位系统,例如GPS或北斗系统,在室外定位的商用领域已被广泛应用,不过它有一个明显缺陷是很难用于室内定位,而且一般民用的精度也不够高(10米左右),相对于室内导航的要求(1米左右)还有一段距离。而且成本和功耗相对较大,不适用大批量可抛IOT设备。
基于UWB的定位系统,解决了室内定位的问题和定位精度的一般要求,但是成本和功耗仍然限制了它在低成本IOT领域的使用。
OTDOA定位标准在NB-IoT规范中的引入,为室内定位很好地找到了一个成本、功耗和精度的折中。但是,仅仅依靠NB-IoT标准中的规范实现的定位精度,大约50米,相对较低,大大局限了在室内的使用。这个明显的误差很大程度来源于室内射频传播路径的复杂性和时变性。
发明内容
本发明的目的是提供一种NB-IoT定位精度提升方法及系统,提高定位精度。
为实现上述目的,本发明提供了如下方案:
一种NB-IoT定位精度提升方法,所述方法包括:
S1:确定定位参考节点与各个基站之间的定位时间差信号;
S2:将所述定位时间差信号发送至定位服务器;
S3:采用双曲线交点法估计定位参考节点的位置;
S4:重复步骤S1-S3得到所有定位参考节点的多个位置估计;
S5:定位服务器利用多个定位参考节点的多个位置估计作为误差模型样本输入,并利用多个定位参考节点的实际已知位置作为误差模型的目标,对误差模型进行最佳参数估计,获得最佳误差估计模型;
S6:采用所述最佳误差估计模型对移动节点进行位置校正。
可选的,所述确定定位参考节点与各个基站之间的定位时间差信号具体采用以下公式:
RSTDi=τi-τc
其中, NFFT为OFDM调制的FFT长度,Nsymb为一个子帧内参考信号的OFDM符号个数,NCP,l为第l个OFDM符号的循环前缀的采样点数,nSF为一致性相关计算的子帧的个数,RSTDi为定位时间差信号,τi为参考定位节点接收到的第i个基站定位参考信号的传输时间估计,τc为参考定位节点接收到的参考基站定位参考信号的传输时间估计,Rmi(τ)为参考定位节点接收到的第i个基站的定位参考信号的相关函数,Rmc(τ)为参考定位节点接收到的参考基站的定位参考信号的相关函数。
可选的,所述采用双曲线交点法估计定位参考节点的位置具体采用以下公式:
其中,(xi,yi)为已知的第i个基站的位置坐标,(xc,yc)为参考基站的位置坐标,(xt,yt)为要估计的参考定位节点的位置坐标,(Ti-Tc)为已知的第i个基站和参考基站的定位参考信号发送时间差,c为光的传播速度。
可选的,采用所述最佳误差估计模型对移动节点进行位置校正具体包括:
S601:确定移动节点与各个基站之间的定位时间差信号;
S602:将S601中得到的定位时间差信号发送到定位服务器;
S603:采用双曲线估计移动节点的位置;
S604:将移动节点位置估计值输入至所述最佳误差估计模型,输出校正后的移动节点的位置。
本发明另外提供一种NB-IoT定位精度提升系统,所述系统包括:
定位时间差信号确定模块,用于确定定位参考节点与各个基站之间的定位时间差信号;
信息传递模块,用于将所述定位时间差信号发送至定位服务器;
位置估计模块,用于采用双曲线交点法估计定位参考节点的位置;
循环模块,用于重复定位时间差信号确定模块~位置估计模块得到所有定位参考节点的多个位置估计;
最佳误差估计模型确定模块,用于定位服务器利用多个定位参考节点的多个位置估计作为误差模型样本输入,并利用多个定位参考节点的实际已知位置作为误差模型的目标,对误差模型进行最佳参数估计,获得最佳误差估计模型;
位置校正模块,用于采用所述最佳误差估计模型对移动节点进行位置校正。
可选的,所述定位时间差信号确定模块具体采用以下公式:
RSTDi=τi-τc
其中, NFFT为OFDM调制的FFT长度,Nsymb为一个子帧内参考信号的OFDM符号个数,NCP,l为第l个OFDM符号的循环前缀的采样点数,nSF为一致性相关计算的子帧的个数,RSTDi为定位时间差信号,τi为参考定位节点接收到的第i个基站定位参考信号的传输时间估计,τc为参考定位节点接收到的参考基站定位参考信号的传输时间估计,Rmi(τ)为参考定位节点接收到的第i个基站的定位参考信号的相关函数,Rmc(τ)为参考定位节点接收到的参考基站的定位参考信号的相关函数。
可选的,所述位置估计模块具体采用以下公式:
其中,(xi,yi)为已知的第i个基站的位置坐标,(xc,yc)为参考基站的位置坐标,(xt,yt)为要估计的参考定位节点的位置坐标,(Ti-Tc)为已知的第i个基站和参考基站的定位参考信号发送时间差,c为光的传播速度。
可选的,位置校正模块具体包括:
定位时间差信号确定单元,用于确定移动节点与各个基站之间的定位时间差信号;
信息传递单元,用于将定位时间差信号确定单元中得到的定位时间差信号发送到定位服务器;
位置估计单元,用于采用双曲线估计移动节点的位置;
位置校正单元,用于将移动节点位置估计值输入至所述最佳误差估计模型,输出校正后的移动节点的位置。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明是对现有NB-IoT定位规范的一个扩展,它既保留了NB-IoT射频通讯的优点、克服其他定位技术的局限,又提高了NB-IoT定位的可用性。而且它允许在系统定位精度和新增成本之间作很大程度的权衡。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种NB-IoT定位精度提升方法流程图;
图2为本发明实施例简化的整个定位系统的构成图;
图3为本发明实施例一般NB-IoT定位系统的定位流程图;
图4为本发明实施例最佳误差模型的建立流程图;
图5为本发明实施例利用最佳误差模型提高定位精度的流程图;
图6为本发明实施例第二种最佳误差模型的建立流程图;
图7为本发明实施例利用第二种最佳误差模型提高定位精度的流程图;
图8为本发明实施例神经元网络作为一种可能的最佳误差模型的形式示意图;
图9为本发明实施例一种NB-IoT定位精度提升系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种NB-IoT定位精度提升方法及系统,提高定位精度。
为使本发明的上述目的、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发明作进一步详细的说明。
在本发明中,新增加的定位参考节点(RE)和将被定位的移动节点(UE)在地理上处于一个定位区域,如图2所示,能够接收到相同的NB-IoT基站组的定位信号,而且它们的位置信息预先已知。所有的有关定位的消息发送到定位服务器,而定位服务器负责信息的汇总,计算和修正,然后给出最终移动节点的位置估计。
在不利用定位参考点的情况下,每个移动节点UE将它收到并计算出的定位距离差信息发送给定位服务器,定位服务器使用直接的双曲线定位法,结合各个基站的已知地理位置,用几何方法计算移动节点的坐标位置,如图2所示。这种原本的NB-IoT定位方法会直接受到射频传播误差和时间测量误差的影响,而导致明显定位误差。
在引入定位参考点后,定位计算分为两个阶段:训练阶段和估计阶段。在训练阶段,如图4所示,各个定位参考点周期性地把它们的定位距离差信息发送到定位服务器,定位服务器使用该信息做定位参考点的位置估计,然后这些位置估计,包括各个定位参考点在各个时间点上的位置估计,作为误差模型观察输入,而定位参考点的已知实际位置作为目标值,对误差模型进行优化,搜索其最佳模型参数。
在估计阶段,误差模型已经可用。移动节点的定位距离差信息被定位服务器处理,计算出位置预估计,然后送到最佳误差模型做进一步修正,从而得到最终位置估计,如图5所示。
另外一种误差模型方式是将模型用于定位距离差信息,如图6所示。在这种工作方式下,来自于定位参考点和移动节点的定位距离差信息先经过误差模型的修正之后,再进行定位计算,如图7所示。
对于误差模型的形式,可以有多种选择。如图8所示,这是一种多层神经网络模型。它既可以直接作用于位置信息(第一种误差模型方式),也可以用于定位距离差信息(第二种误差模型方式)。
图1为本发明实施例一种NB-IoT定位精度提升方法流程图,如图1所示,所述方法包括:
S1:确定定位参考节点与各个基站之间的定位时间差信号。
定位参考节点(RE)测量和计算它与各个基站之间的定位时间差信号。定位参考节点收到N个基站i=1,2,…,N及参考基站发送的定位参考伪随机序列{yl(n)}信号后,将其与本地产生的序列信号{sl(n)}做相关Rm(τ)的计算,然后在搜索窗口内搜索极大相关值对应的时间偏移,这个偏移便是基站到定位参考节点的到达时间(TOA),如下公式所示。对每个有效基站i利用上述过程计算其相应TOAτi和定位时间差信号RSTDi。
具体公式为:
RSTDi=τi-τc
其中, NFFT为OFDM调制的FFT长度,Nsymb为一个子帧内参考信号的OFDM符号个数,NCP,l为第l个OFDM符号的循环前缀的采样点数,nSF为一致性相关计算的子帧的个数,RSTDi为定位时间差信号,τi为参考定位节点接收到的第i个基站定位参考信号的传输时间估计,τc为参考定位节点接收到的参考基站定位参考信号的传输时间估计,Rmi(τ)为参考定位节点接收到的第i个基站的定位参考信号的相关函数,Rmc(τ)为参考定位节点接收到的参考基站的定位参考信号的相关函数。
S2:将所述定位时间差信号发送至定位服务器。
S3:采用双曲线交点法估计定位参考节点的位置。
定位服务器收到步骤2发送的定位信号,使用双曲线交点法估计定位参考节点的位置。具体如下公式所示,利用最小平方误差最优化,对N个等式i=1,2,…,N做最佳估计,以获得定位参考节点的位置估计(xt,yt)。
具体公式为:
其中,(xi,yi)为已知的第i个基站的位置坐标,(xc,yc)为参考基站的位置坐标,(xt,yt)为要估计的参考定位节点的位置坐标,(Ti-Tc)为已知的第i个基站和参考基站的定位参考信号发送时间差,c为光的传播速度。
S4:重复步骤S1-S3得到所有定位参考节点的多个位置估计。
对所有定位参考节点使用步骤1-3,定位服务器获得所有定位参考节点的多个位置估计。实际使用中,位置估计的个数需要根据应用场景的情况和定位精度要求,以及定位更新速度决定,一般要大于256。
S5:定位服务器利用多个定位参考节点的多个位置估计作为误差模型样本输入,并利用多个定位参考点的实际已知位置作为误差模型的目标,对误差模型进行最佳参数估计,获得最佳误差估计模型。
误差模型可以采用2输入2输出多层神经元网络,隐藏层数随应用场景的复杂性而定,一般可以在1,2或3中选择。步骤S4中获得的定位参考节点的坐标位置估计作为神经元网络的输入,定位参考节点的实际已知坐标位置作为神经元网络的输出。所有的定位参考节点的位置估计构成神经元模型的样本数据。利用标准神经元网络学习训练得到模型的最佳参数。
S6:采用所述最佳误差估计模型进行位置校正。
具体包括:
步骤601:移动节点(UE)测量和计算它与各个基站之间的定位时间差信号。这个步骤的计算与步骤S1相同。
步骤602:移动节点(UE)把步骤601中得到的定位时间差信号发送到定位服务器。
步骤603:定位服务器收到步骤602发送的定位信号,使用双曲线(或其他方法)估计移动节点的位置。这个步骤的计算与步骤S3相同
步骤604:定位服务器将步骤603中得到的移动节点(UE)的位置估计值用于步骤S5得到的神经元网络误差模型的输入,代入其最佳参数,经过计算,误差模型的输出即为校正后的移动节点的位置,做为最终移动节点的位置结果。
如图2所示,在一个能同时从多个基站收到定位信号的区域内141,存在一个或多个已知位置的定位参考节点RE111和一个或多个需要定位的移动节点UE121。RE和UE同时把收到的定位信号,即它们到各个基站101,102,103的射频传播时间差,发送到定位服务器131。定位服务器会根据这些信息计算出各个移动节点的位置。
如图3所示,在没有参考定位点的情况下,定位服务器会根据移动节点的距离差信息201,辅之于各基站的位置信息202,利用双曲线几何定位法估计移动节点的位置。
在图4中,当各个定位参考点的距离差信息301,308被传送到定位服务器后,通过定位计算303,310,得到它们的估计位置。这些估计位置和它们的已知标准位置305,311一同提供给误差模型306进行训练,估计出最佳模型参数。这个模型参数估计按照一定周期对在一定时间窗口的所有定位参考点的上传定位信息进行处理,从而保证其实时性,使误差模型能够跟踪环境的变化。
如图5所示,在误差模型参数405得到最佳估计后,移动节点的常规位置估计404就可以进一步经过误差模型405的校正,实现更精确的位置估计406。
在图6中,实现了另外一种误差模型,即预处理模型502,512。这种误差模型直作用在距离差定位信息501,511上,而非作用在位置上。其他处理与图4方法相同。
图7表示移动节点的距离差定位信息601首先经过预处理误差模型603进行预处理602,然后再进行定位计算604。
图8表示一种可能的误差模型。它是一个多层神经网络系统,对位置信息的预估计进行进一步的精确化。这个模型是利用定位参考点作为训练样本。
图9为本发明实施例一种NB-IoT定位精度提升系统结构示意图,如图9所示,所述系统包括:
定位时间差信号确定模块201,用于确定定位参考节点与各个基站之间的定位时间差信号;
信息传递模块202,用于将所述定位时间差信号发送至定位服务器;
位置估计模块203,用于采用双曲线交点法估计定位参考节点的位置;
循环模块204,用于重复定位时间差信号确定模块~位置估计模块得到所有定位参考节点的多个位置估计;
最佳误差估计模型确定模块205,用于定位服务器利用多个定位参考节点的多个位置估计作为误差模型样本输入,并利用多个定位参考点的实际已知位置作为误差模型的目标,对误差模型进行最佳参数估计,获得最佳误差估计模型;
位置校正模块206,用于采用所述最佳误差估计模型对移动节点的位置进行校正。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种NB-IoT定位精度提升方法,其特征在于,所述方法包括:
S1:确定定位参考节点与各个基站之间的定位时间差信号;
S2:将所述定位时间差信号发送至定位服务器;
S3:采用双曲线交点法估计定位参考节点的位置;
S4:重复步骤S1-S3得到所有定位参考节点的多个位置估计;
S5:定位服务器利用多个定位参考节点的多个位置估计作为误差模型样本输入,并利用多个定位参考节点的实际已知位置作为误差模型的目标,对误差模型进行最佳参数估计,获得最佳误差估计模型;
S6:采用所述最佳误差估计模型对移动节点进行位置校正。
2.根据权利要求1所述的NB-IoT定位精度提升方法,其特征在于,所述确定定位参考节点与各个基站之间的定位时间差信号具体采用以下公式:
RSTDi=τi-τc
4.根据权利要求1所述的NB-IoT定位精度提升方法,其特征在于,采用所述最佳误差估计模型进行对移动节点位置校正,具体包括:
S601:确定移动节点与各个基站之间的定位时间差信号;
S602:将S601中得到的定位时间差信号发送到定位服务器;
S603:采用双曲线估计移动节点的位置;
S604:将移动节点位置估计值输入至所述最佳误差估计模型,输出校正后的移动节点的位置。
5.一种NB-IoT定位精度提升系统,其特征在于,所述系统包括:
定位时间差信号确定模块,用于确定定位参考节点与各个基站之间的定位时间差信号;
信息传递模块,用于将所述定位时间差信号发送至定位服务器;
位置估计模块,用于采用双曲线交点法估计定位参考节点的位置;
循环模块,用于重复定位时间差信号确定模块~位置估计模块得到所有定位参考节点的多个位置估计;
最佳误差估计模型确定模块,用于定位服务器利用多个定位参考节点的多个位置估计作为误差模型样本输入,并利用多个定位参考节点的实际已知位置作为误差模型的目标,对误差模型进行最佳参数估计,获得最佳误差估计模型;
位置校正模块,用于采用所述最佳误差估计模型对移动节点进行位置校正。
6.根据权利要求5所述的NB-IoT定位精度提升系统,其特征在于,所述定位时间差信号确定模块具体采用以下公式:
RSTDi=τi-τc
8.根据权利要求5所述的NB-IoT定位精度提升系统,其特征在于,位置校正模块具体包括:
定位时间差信号确定单元,用于确定移动节点与各个基站之间的定位时间差信号;
信息传递单元,用于将定位时间差信号确定单元中得到的定位时间差信号发送到定位服务器;
位置估计单元,用于采用双曲线估计移动节点的位置;
位置校正单元,用于将移动节点位置估计值输入至所述最佳误差估计模型,输出校正后的移动节点的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300251.1A CN113068118A (zh) | 2021-03-22 | 2021-03-22 | 一种NB-IoT定位精度提升方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300251.1A CN113068118A (zh) | 2021-03-22 | 2021-03-22 | 一种NB-IoT定位精度提升方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113068118A true CN113068118A (zh) | 2021-07-02 |
Family
ID=76563372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300251.1A Pending CN113068118A (zh) | 2021-03-22 | 2021-03-22 | 一种NB-IoT定位精度提升方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113068118A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023201549A1 (zh) * | 2022-04-19 | 2023-10-26 | Oppo广东移动通信有限公司 | 定位方法、模型生成方法及设备 |
CN117406170A (zh) * | 2023-12-15 | 2024-01-16 | 中科华芯(东莞)科技有限公司 | 一种基于超宽带的定位方法及系统 |
-
2021
- 2021-03-22 CN CN202110300251.1A patent/CN113068118A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023201549A1 (zh) * | 2022-04-19 | 2023-10-26 | Oppo广东移动通信有限公司 | 定位方法、模型生成方法及设备 |
CN117406170A (zh) * | 2023-12-15 | 2024-01-16 | 中科华芯(东莞)科技有限公司 | 一种基于超宽带的定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | An RSSI based DV-hop algorithm for wireless sensor networks | |
CN107466043B (zh) | 一种确定基站天线的方位角的方法和设备 | |
US20210321221A1 (en) | Neural network based line of sight detection for positioning | |
CN110418402A (zh) | 基于星历广播辅助定位的用户随机接入方法及装置 | |
CN108370551B (zh) | 基于到达时间差定位方法、用户设备及网络设备 | |
EP4173385A1 (en) | Passive positioning with sidelink assistance | |
CN110351658B (zh) | 一种基于卷积神经网络的室内定位方法 | |
CN108702585A (zh) | 混合指纹识别/otdoa定位技术和系统 | |
CN113068118A (zh) | 一种NB-IoT定位精度提升方法及系统 | |
EP3861683A1 (en) | System and methods for rapid round-trip-time measurement distribution | |
CN105959914A (zh) | 基于时间差测量的传感网时间同步和定位联合处理方法 | |
CN111586567B (zh) | 基于锚节点的网络协同定位方法 | |
EP4201122A1 (en) | Power and time delay profile report for device positioning | |
TW202207720A (zh) | 在站之間用信令發送用於基於用戶裝備的定位的定時偏移 | |
CN110933595A (zh) | 一种基于LoRa技术的牧场牲畜定位方法及系统 | |
CN103096465B (zh) | 一种环境自适应的多目标直接定位方法 | |
Cho et al. | Improving TDoA based positioning accuracy using machine learning in a LoRaWan environment | |
Terwilliger et al. | A localization system using wireless network sensors: A comparison of two techniques | |
CN115812329A (zh) | 校准波束取向误差以改进定位 | |
CN108810840B (zh) | 协作定位中基于efim和距离协作的节点选择方法 | |
CN110351657A (zh) | 一种无线传感器网络中节点几何定位的方法 | |
CN112954591B (zh) | 一种协同分布式定位方法及系统 | |
TW202232972A (zh) | 存在mbsfn訊號時的定位量測 | |
CN117280238A (zh) | 用于双差定位方案的按需定位参考信号选择 | |
CN110166934B (zh) | 基于动态参考节点选择的移动水声网络自定位方法 |
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 |