CN114339989B - 一种基于方位角的多智能体系统分布式定位方法 - Google Patents
一种基于方位角的多智能体系统分布式定位方法 Download PDFInfo
- Publication number
- CN114339989B CN114339989B CN202111616741.9A CN202111616741A CN114339989B CN 114339989 B CN114339989 B CN 114339989B CN 202111616741 A CN202111616741 A CN 202111616741A CN 114339989 B CN114339989 B CN 114339989B
- Authority
- CN
- China
- Prior art keywords
- agent
- estimation
- intelligent
- angle
- direction vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 200
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012937 correction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种基于方位角的多智能体系统分布式定位方法，具体包括以下步骤：S1、获取多智能体系统中智能体的基础信息；S2、根据智能体的基础信息计算智能体的角度估计和位置估计；S3、将角度估计和位置估计进行级联，构建分布式定位整体模型；S4、分布式定位整体模型根据角度估计和位置估计得到分布式定位估计结果，并根据分布式定位估计结果的偏差进行修正，得到智能体的定位结果。与现有技术相比，本发明具有智能体间仅需单向通信，降低多智能体系统传感器网络的能量消耗，且控制算法简单，适用于复杂大规模网络等优点。
Description
技术领域
本发明涉及多智能体系统技术领域，尤其是涉及一种基于方位角的多智能体系统分布式定位方法。
背景技术
随着智能制造和无线通信等技术的快速进步，较低成本的多智能体系统得以发展。多智能体系统广泛地应用于国防军事领域、智能电网和交通系统、智慧农业、环境和生态环境应用等各个领域。在多智能体系统的控制问题中，位置信息经常是智能体所必需的基础信息之一，因为在大多数情况下，位置信息是多智能体系统完成各项任务的前提。
定位智能体的直接方法是利用定位装置如GPS、北斗等进行定位。由于成本、能耗和环境等因素，这类装置只能局部使用，在某些场所的使用会受到限制，如室内环境。而对于大规模的多智能体系统而言，传统的集中式的估计算法已不再适用。由于分布式的算法对网络通信量要求更低，对系统消耗资源更少，因此提升了系统的稳定性、拓展性和计算效率。
多智能体系统分布式定位的方法种类多样，采用基于方位角信息的分布式定位方法能减少智能体需要测量以及感知的信息，但是目前基于方位角信息的分布式定位大部分都是基于全局坐标信息的，少部分考虑局部坐标系的方法要求智能体间的通信拓扑为无向拓扑，加大了智能体的能量消耗且不适用于复杂的网络环境。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于方位角的多智能体系统分布式定位方法，将角度信息的估计和位置信息的估计综合考虑为一个级联系统，能够在更复杂的网络环境中获得精确的定位效果。
本发明的目的可以通过以下技术方案来实现：
一种基于方位角的多智能体系统分布式定位方法，具体包括以下步骤：
S1、获取多智能体系统中智能体的基础信息；
S2、根据智能体的基础信息计算智能体的角度估计和位置估计；
S3、将角度估计和位置估计进行级联，构建分布式定位整体模型；
S4、分布式定位整体模型根据角度估计和位置估计得到分布式定位估计结果，并根据分布式定位估计结果的偏差进行修正，得到智能体的定位结果。
所述分布式定位整体模型的公式如下所示：
其中，
是对第i个智能体的位置估计，
是对第i个智能体位置估计的导数，即本次估计值与上次估计值的偏差，ui(t)是位置估计函数；
是对第i个智能体的角度估计，
对第i个智能体角度估计的导数，即本次估计值与上次估计值的偏差，wi(t)是角度估计函数。
所述智能体的角度估计通过单位方向向量估计间接计算得到。
进一步地，所述单位方向向量估计的计算公式如下所示：
其中，
是根据第i个智能体的角度估计计算得出的旋转矩阵，gjk是单位方向向量，
是投影矩阵，
是智能体i在局部坐标系中测量出的关于智能体j和智能体k之间的单位方向向量，
是智能体i根据接收到的智能体j和智能体k在全局坐标系中的位置估计值得出的智能体j和智能体k之间的单位方向向量，
是智能体i对智能体j和智能体k之间的单位方向向量估计。
进一步地，所述旋转矩阵的公式如下所示：
其中，θi为第i个智能体的偏移角；
投影矩阵的公式如下所示：
单位方向向量的公式如下所示：
其中，pj为智能体i接收到的智能体j的位置信息，pk为智能体i接收到的智能体k的位置信息。
角度估计采用间接估计的方法，获取角度信息主要是为了获取智能体局部坐标系和全局坐标系之间的偏移信息，根据偏移信息可以计算得出旋转矩阵。旋转矩阵R(θi)与偏移角θi具有一一对应的映射关系，因此通过使R(θi)的估计值收敛于真实值即可达到定位的要求。
所述智能体的位置估计的计算公式如下所示：
其中，
是对第i个智能体的位置估计，
和
是智能体i接收到的智能体j和智能体k的位置估计，
和
为投影矩阵，
和
是智能体i在本地坐标系下对智能体j和智能体k的位置信息进行测量得出的单位方向向量。
进一步地，所述智能体i在本地坐标系下对智能体j测量得出的单位方向向量满足以下公式：
其中，
是智能体i根据接收到的智能体j和智能体i在全局坐标系中的位置估计得出的智能体j和智能体i之间的单位方向向量。
进一步地，所述智能体i在本地坐标系下对智能体k测量得出的单位方向向量满足以下公式：
其中，
是智能体i根据接收到的智能体k和智能体i在全局坐标系中的位置估计得出的智能体k和智能体i之间的单位方向向量。
智能体i的位置信息估计准确必须要依赖于邻居节点的位置估计信息
和
收敛到真实位置，同时需要依赖于智能体i的角度信息
估计精确。
所述步骤S3中包括将角度的估计和对位置的估计综合成一个级联系统，对角度估计和位置估计进行同时修正从而达到定位的准确性，级联系统的公式具体如下所示：
其中，λ代表对旋转矩阵的估计，用于代替角度信息，
代表对位置信息的估计。
所述多智能体系统包括锚节点和非锚节点，以n个智能体组成的多智能体系统为例，共有n-2个节点需要进行定位，节点1和节点2是锚节点，节点3—节点n是非锚节点。
进一步地，所述步骤S4中根据分布式定位估计结果的偏差进行修正的过程具体如下：
S41、多智能体系统中所有非锚节点(节点3—节点n)计算得到角度估计，根据角度估计计算得出旋转矩阵；
S42、多智能体系统中所有非锚节点(节点3—节点n)计算得到位置估计；
S43、旋转矩阵左乘智能体在局部坐标系下对邻居节点间的单位方向向量的测量值，得出邻居节点间的单位方向向量的全局估计值；
S44、第一个非锚节点的角度估计通过单位方向向量估计和由节点间通信获取的锚节点间实际单位方向向量的偏差进行修正，得出角度修正估计；
S45、第一个非锚节点的位置估计通过偏差修正公式进行修正
得出位置修正估计；
S46、剩余非锚节点根据邻居节点的位置估计更新当前非锚节点的角度估计，根据更新后的角度估计更新当前非锚节点的位置估计，判断分布式定位整体模型是否收敛，若是则将此时锚节点和非锚节点的角度估计和位置估计作为多智能体系统中智能体的定位结果。
与现有技术相比，本发明具有以下有益效果：
1.本发明考虑了多智能体系统的分布式定位，基于方位角进行设计，同时引入旋转矩阵和投影矩阵对角度估计和位置估计进行计算，使得定位算法的设计过程更加简洁，并且有效提高了多智能体系统中智能体的定位结果的准确性。
2.本发明考虑了无共同朝向下的分布式定位，更切合实际应用场景，且通过引入旋转矩阵和投影矩阵，使智能体之间的通信仅要求单向，能够有效节省智能体的能量消耗。
3.本发明考虑了多智能体算法基于级联系统构型的分布式定位，适用于大规模的复杂网络，实现对大规模智能体系统的精确定位，具有较高的适应性和灵活性。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例中10个智能体的定位估计轨迹图；
图3为本发明实施例中10个智能体的角度估计误差图；
图4为本发明实施例中10个智能体的位置估计误差图；
图5为本发明实施例中18个智能体的定位估计轨迹图；
图6为本发明实施例中18个智能体的角度估计误差图；
图7为本发明实施例中18个智能体的位置估计误差图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，一种基于方位角的多智能体系统分布式定位方法，具体包括以下步骤：
S1、获取多智能体系统中智能体的基础信息；
S2、根据智能体的基础信息计算智能体的角度估计和位置估计；
S3、将角度估计和位置估计进行级联，构建分布式定位整体模型；
S4、分布式定位整体模型根据角度估计和位置估计得到分布式定位估计结果，并根据分布式定位估计结果的偏差进行修正，得到智能体的定位结果。
分布式定位整体模型的公式如下所示：
其中，
是对第i个智能体的位置估计，
是对第i个智能体位置估计的导数，即本次估计值与上次估计值的偏差，ui(t)是位置估计函数；
是对第i个智能体的角度估计，
对第i个智能体角度估计的导数，即本次估计值与上次估计值的偏差，wi(t)是角度估计函数。
智能体的角度估计通过单位方向向量估计间接计算得到。
单位方向向量估计的计算公式如下所示：
其中，
是根据第i个智能体的角度估计计算得出的旋转矩阵，gjk是单位方向向量，
是投影矩阵，
是智能体i在局部坐标系中测量出的关于智能体j和智能体k之间的单位方向向量，
是智能体i根据接收到的智能体j和智能体k在全局坐标系中的位置估计值得出的智能体j和智能体k之间的单位方向向量，
是智能体i对智能体j和智能体k之间的单位方向向量估计。
旋转矩阵的公式如下所示：
其中，θi为第i个智能体的偏移角；
投影矩阵的公式如下所示：
单位方向向量的公式如下所示：
其中，pj为智能体i接收到的智能体j的位置信息，pk为智能体i接收到的智能体k的位置信息。
角度估计采用间接估计的方法，获取角度信息主要是为了获取智能体局部坐标系和全局坐标系之间的偏移信息，根据偏移信息可以计算得出旋转矩阵。旋转矩阵R(θi)与偏移角θi具有一一对应的映射关系，因此通过使R(θi)的估计值收敛于真实值即可达到定位的要求。本实施例中，通过对
估计值的更新修正，使智能体的角度估计值收敛于真实的角度值，同时对邻居节点间单位方向向量的估计值也收敛于真实值。
智能体的位置估计的计算公式如下所示：
其中，
是对第i个智能体的位置估计，
和
是智能体i接收到的智能体j和智能体k的位置估计，
和
为投影矩阵，
和
是智能体i在本地坐标系下对智能体j和智能体k的位置信息进行测量得出的单位方向向量。
智能体i在本地坐标系下对智能体j测量得出的单位方向向量满足以下公式：
其中，
是智能体i根据接收到的智能体j和智能体i在全局坐标系中的位置估计得出的智能体j和智能体i之间的单位方向向量。
智能体i在本地坐标系下对智能体k测量得出的单位方向向量满足以下公式：
其中，
是智能体i根据接收到的智能体k和智能体i在全局坐标系中的位置估计得出的智能体k和智能体i之间的单位方向向量。
智能体i的位置信息估计准确必须要依赖于邻居节点的位置估计信息
和
收敛到真实位置，同时需要依赖于智能体i的角度信息
估计精确。
步骤S3中包括将角度的估计和对位置的估计综合成一个级联系统，对角度估计和位置估计进行同时修正从而达到定位的准确性，级联系统的公式具体如下所示：
其中，λ代表对旋转矩阵的估计，用于代替角度信息，
代表对位置信息的估计。
多智能体系统包括锚节点和非锚节点，以n个智能体组成的多智能体系统为例，共有n-2个节点需要进行定位，节点1和节点2是锚节点，节点3—节点n是非锚节点。
步骤S4中根据分布式定位估计结果的偏差进行修正的过程具体如下：
S41、多智能体系统中所有非锚节点(节点3—节点n)计算得到角度估计，根据角度估计计算得出旋转矩阵；
S42、多智能体系统中所有非锚节点(节点3—节点n)计算得到位置估计；
S43、旋转矩阵左乘智能体在局部坐标系下对邻居节点间的单位方向向量的测量值，得出邻居节点间的单位方向向量的全局估计值；
S44、第一个非锚节点的角度估计通过单位方向向量估计和由节点间通信获取的锚节点间实际单位方向向量的偏差进行修正，得出角度修正估计；
S45、第一个非锚节点的位置估计通过偏差修正公式进行修正
得出位置修正估计；
S46、剩余非锚节点根据邻居节点的位置估计更新当前非锚节点的角度估计，根据更新后的角度估计更新当前非锚节点的位置估计，判断分布式定位整体模型是否收敛，若是则将此时锚节点和非锚节点的角度估计和位置估计作为多智能体系统中智能体的定位结果。
具体实施时，对上述多智能体系统基于方位角的分布式定位进行仿真实验可得：如图2所示是对10个智能体组成的多智能体系统定位的估计轨迹，圆点是真实位置，三角形是初始估计位置，实线是收敛轨迹；图3是角度估计误差的收敛图；图4是位置估计误差的收敛图。如图5所示是对18个智能体组成的智能体系统定位的估计轨迹，图6是角度估计误差收敛图，图7是位置估计误差收敛图。从中可以看出，本发明的定位方法能够实现多智能体系统的精确定位，且对于复杂网络依然能保证精确有效的定位结果。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (4)
1.一种基于方位角的多智能体系统分布式定位方法，其特征在于，具体包括以下步骤：
S1、获取多智能体系统中智能体的基础信息；
S2、根据智能体的基础信息计算智能体的角度估计和位置估计；
S3、将角度估计和位置估计进行级联，构建分布式定位整体模型；
S4、分布式定位整体模型根据角度估计和位置估计得到分布式定位估计结果，并根据分布式定位估计结果的偏差进行修正，得到智能体的定位结果；
所述智能体的角度估计通过单位方向向量估计间接计算得到；
所述单位方向向量估计的计算公式如下所示：
其中，
是根据第i个智能体的角度估计计算得出的旋转矩阵，gjk是单位方向向量，Pgjk是投影矩阵，
是智能体i在局部坐标系中测量出的关于智能体j和智能体k之间的单位方向向量，
是智能体i根据接收到的智能体j和智能体k在全局坐标系中的位置估计值得出的智能体j和智能体k之间的单位方向向量，
是智能体i对智能体j和智能体k之间的单位方向向量估计；
所述旋转矩阵的公式如下所示：
其中，θi为第i个智能体的偏移角；
投影矩阵的公式如下所示：
Pgjk＝I-gjkgjk T
单位方向向量的公式如下所示：
其中，pj为智能体i接收到的智能体j的位置信息，pk为智能体i接收到的智能体k的位置信息；
所述智能体的位置估计的计算公式如下所示：
其中，
是对第i个智能体的位置估计，
和
是智能体i接收到的智能体j和智能体k的位置估计，
和
为投影矩阵，
和
是智能体i在本地坐标系下对智能体j和智能体k的位置信息进行测量得出的单位方向向量；
所述智能体i在本地坐标系下对智能体j测量得出的单位方向向量满足以下公式：
其中，
是智能体i根据接收到的智能体j和智能体i在全局坐标系中的位置估计得出的智能体j和智能体i之间的单位方向向量；
所述智能体i在本地坐标系下对智能体k测量得出的单位方向向量满足以下公式：
其中，
是智能体i根据接收到的智能体k和智能体i在全局坐标系中的位置估计得出的智能体k和智能体i之间的单位方向向量。
2.根据权利要求1所述的一种基于方位角的多智能体系统分布式定位方法，其特征在于，所述分布式定位整体模型的公式如下所示：
其中，
是对第i个智能体的位置估计，
是对第i个智能体位置估计的导数，即本次估计值与上次估计值的偏差，ui(t)是位置估计函数；
是对第i个智能体的角度估计，
对第i个智能体角度估计的导数，即本次估计值与上次估计值的偏差，wi(t)是角度估计函数。
3.根据权利要求1所述的一种基于方位角的多智能体系统分布式定位方法，其特征在于，所述多智能体系统包括锚节点和非锚节点。
4.根据权利要求3所述的一种基于方位角的多智能体系统分布式定位方法，其特征在于，所述步骤S4中根据分布式定位估计结果的偏差进行修正的过程具体如下：
S41、多智能体系统中所有非锚节点计算得到角度估计，根据角度估计计算得出旋转矩阵；
S42、多智能体系统中所有非锚节点计算得到位置估计；
S43、旋转矩阵左乘智能体在局部坐标系下对邻居节点间的单位方向向量的测量值，得出邻居节点间的单位方向向量的全局估计值；
S44、第一个非锚节点的角度估计通过单位方向向量估计和由节点间通信获取的锚节点间实际单位方向向量的偏差进行修正，得出角度修正估计；
S45、第一个非锚节点的位置估计通过偏差修正公式进行修正
得出位置修正估计；
S46、剩余非锚节点根据邻居节点的位置估计更新当前非锚节点的角度估计，根据更新后的角度估计更新当前非锚节点的位置估计，判断分布式定位整体模型是否收敛，若是则将此时锚节点和非锚节点的角度估计和位置估计作为多智能体系统中智能体的定位结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111616741.9A CN114339989B (zh) | 2021-12-27 | 2021-12-27 | 一种基于方位角的多智能体系统分布式定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111616741.9A CN114339989B (zh) | 2021-12-27 | 2021-12-27 | 一种基于方位角的多智能体系统分布式定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114339989A CN114339989A (zh) | 2022-04-12 |
| CN114339989B true CN114339989B (zh) | 2023-04-28 |
Family
ID=81015251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111616741.9A Active CN114339989B (zh) | 2021-12-27 | 2021-12-27 | 一种基于方位角的多智能体系统分布式定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114339989B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111243016A (zh) * | 2018-11-28 | 2020-06-05 | 周口师范学院 | 一种集装箱自动识别与定位方法 |
| CN113419235A (zh) * | 2021-05-28 | 2021-09-21 | 同济大学 | 一种基于毫米波雷达的无人机定位方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103047982B (zh) * | 2013-01-07 | 2015-05-13 | 哈尔滨工业大学 | 基于角度信息的目标自适应跟踪方法 |
| US20200348135A1 (en) * | 2017-10-26 | 2020-11-05 | Sony Semiconductor Solutions Corporation | Orientation determination device and method, rendering device and method |
| US12072429B2 (en) * | 2018-10-09 | 2024-08-27 | Nokia Solutions And Networks Oy | Location estimation |
| CN110058202B (zh) * | 2019-05-17 | 2023-10-31 | 山东大学 | 一种基于角度和信号到达时间差估计的高性能混合定位方法及其实现装置 |
-
2021
- 2021-12-27 CN CN202111616741.9A patent/CN114339989B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111243016A (zh) * | 2018-11-28 | 2020-06-05 | 周口师范学院 | 一种集装箱自动识别与定位方法 |
| CN113419235A (zh) * | 2021-05-28 | 2021-09-21 | 同济大学 | 一种基于毫米波雷达的无人机定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114339989A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110109351A (zh) | 一种基于指定性能的多智能体一致性控制方法 | |
| Kaplan | Local node selection for localization in a distributed sensor network | |
| CN109141427B (zh) | 在非视距环境下基于距离和角度概率模型的ekf定位方法 | |
| CN111522341A (zh) | 网络异构机器人系统的多时变编队跟踪控制方法及系统 | |
| CN107659989B (zh) | 无线传感器网络节点分布式测量休眠和目标跟踪方法 | |
| Cai et al. | An integrated localization and control framework for multi-agent formation | |
| CN108459298A (zh) | 一种基于LoRa技术的室外定位方法 | |
| CN110278571B (zh) | 一种基于简单预测-校正环节的分布式信号跟踪方法 | |
| CN112097774B (zh) | 基于自适应卡尔曼滤波与平均跟踪的分布式地图融合方法 | |
| CN112469117A (zh) | 一种改进的不规则无线传感器网络DV-hop定位方法 | |
| CN113324544A (zh) | 一种基于图优化的uwb/imu的室内移动机器人协同定位方法 | |
| CN104535963B (zh) | 基于距离测量的多移动节点实现协同目标定位的方法 | |
| CN114339989B (zh) | 一种基于方位角的多智能体系统分布式定位方法 | |
| CN112484733B (zh) | 一种基于拓扑图的强化学习室内导航方法 | |
| CN111397607B (zh) | 一种采用并行融合机制的信息滤波方法 | |
| CN109470251A (zh) | 一种用于组合导航系统中的部分反馈滤波方法 | |
| Nayebi-Astaneh et al. | Adaptive node scheduling under accuracy constraint forwireless sensor nodes with multiple bearings-only sensing units | |
| CN116528148A (zh) | 一种基于自适应逆优化机制的改进DV-Hop定位方法 | |
| CN112800889B (zh) | 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法 | |
| CN107966697B (zh) | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 | |
| CN111929642B (zh) | 混合los/nlos场景下的lp范数定位方法 | |
| Zhang et al. | A new location sensing algorithm based on DV-hop and quantum-behaved particle swarm optimization in WSN | |
| CN110856101B (zh) | 一种基于曲线拟合的无线传感器网络节点定位方法 | |
| Wen et al. | Research on MDS-MAP Location Algorithm Based on Floyd's Shortest Path | |
| CN113916232B (zh) | 一种改进图优化的地图构建方法及系统 |
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 |