CN115327478B - 基于无线接入点doa估计的设备定位方法及系统 - Google Patents
基于无线接入点doa估计的设备定位方法及系统 Download PDFInfo
- Publication number
- CN115327478B CN115327478B CN202211236778.3A CN202211236778A CN115327478B CN 115327478 B CN115327478 B CN 115327478B CN 202211236778 A CN202211236778 A CN 202211236778A CN 115327478 B CN115327478 B CN 115327478B
- Authority
- CN
- China
- Prior art keywords
- wireless access
- equipment
- reference point
- arrival
- access point
- 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
-
- 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
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/08—Position of single direction-finder fixed by determining direction of a plurality of spaced sources of known location
-
- 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
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
-
- 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
Abstract
本发明涉及无线定位技术领域,具体涉及基于无线接入点DOA估计的设备定位方法及系统。部署若干无线接入点,获取设备与无线接入点的信号强度;根据应用场景进行地图构建,并均匀部署参考点;对所述设备与无线接入点的信号强度进行DOA估计,获取到达角度范围;根据每个无线接入点的所述到达角度范围获取设备定位区域;根据所述设备定位区域与参考点获取第一置信参考点;训练神经网络获取所述设备与无线接入点的信号强度的表征向量,根据表征向量获取设备位置。该方法基于扇形区域可以有效的获取与当前设备接收信号最接近的参考点指纹,避免了与所有计算节点进行度量,可以提高定位速度,同时基于相似度加权,可以获取准确的目标位置。
Description
技术领域
本发明涉及无线定位领域,具体涉及一种基于无线接入点DOA估计的设备定位方法及系统。
背景技术
自从全球定位系统(GPS)问世以及美国联邦通信委员会推出E-911指令以来,定位系统已被用于在室外环境中提供基于位置的服务(LBS)。这种定位系统的主要作用是估计和报告与其用户有关的地理信息,以便管理、增强和个性化服务。LBS在室内环境中具有广泛的个人和商业应用。不幸的是,现有的基于蜂窝的方法无法达到此类室内应用中所需的定位精度水平。此外,GPS系统在室内环境和密集城市区域的覆盖范围有限。有鉴于此,提出了大量的室内定位系统。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于无线接入点DOA估计的设备定位方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于无线接入点DOA估计的设备定位方法,该定位方法包括以下步骤:部署若干无线接入点,获取设备与无线接入点的信号强度;根据应用场景进行地图构建并均匀部署参考点;对所述设备与无线接入点的信号强度利用高斯过程回归模型进行DOA估计,得到到达角度值与到达角度标准差,根据所述到达角度值与所述到达角度标准差得到到达角度范围;根据每个无线接入点的所述到达角度范围与信号距离得到每个无线接入点的定位范围,根据多个无线接入点的所述定位范围获取设备定位区域;根据所述设备定位区域与参考点获取第一置信参考点;训练神经网络获取所述设备与无线接入点的信号强度的表征向量,根据所述设备与无线接入点的信号强度的表征向量与所述第一置信参考点的表征向量进行计算以获取设备位置。
进一步,对所述设备与无线接入点的信号强度利用高斯过程回归模型进行DOA估计,得到到达角度值与到达角度标准差,根据所述到达角度值与所述到达角度标准差得到到达角度范围,包括:首先采集训练样本,基于场景中布置的Ap,将设备布置在场景中的任意一点,然后测量设备与各个Ap的DOA角度,并获取设备与各个Ap的信号;所述设备与各个Ap的信号作为高斯过程回归模型的输入,设备与Ap的测量DOA角度为高斯过程回归模型的输出,进行拟合,得到拟合后的高斯过程回归模型;所述高斯过程回归模型中的内核添加高斯白噪声;每次预测都获取预测的到达角度值,以及预测的到达角度标准差;获取到达角度范围:
进一步的,根据每个无线接入点的所述到达角度范围与信号距离得到每个无线接入点的定位范围,根据多个无线接入点的所述定位范围获取设备定位区域,包括:获取每个Ap与设备的接收信号强度,基于接收信号强度获取Ap与设备的距离;以Ap与设备的距离为半径,以到达角度范围作为扇形的弧度,形成每个Ap的空间扇形,所述每个Ap的空间扇形区域即为每个无线接入点的定位范围;然后将多个无线接入点的定位范围与地图进行交集运算,得到设备定位区域。
进一步的,所述第一置信参考点的获取方法为:将所述设备定位区域中包含的地图中的参考点作为第一置信参考点。
进一步的,所述神经网络的训练方法为:神经网络具体为一维卷积网络和全连接层,网络输入为所有Ap与设备的信号数据;输出为特征向量,然后经过全连接网络进行特征拟合、分类;网络训练方法是使用度量学习损失函数进行分类训练,把训练好的网络去掉最后一层分类层,选取最后一个隐藏层输出作为一个数据的特征,称为表征向量。
进一步的,根据所述设备与无线接入点的信号强度的表征向量与所述第一置信参考点的表征向量进行计算以获取设备位置,包括:构建离线的参考点表征向量数据库;获取所述参考点表征向量数据库中第一置信参考点表征向量;根据所述当前设备与无线接入点的信号获取表征向量;根据所述表征向量与第一置信参考点表征向量进行在线匹配,获取设备的位置。
进一步的,所述参考点表征向量数据库的获取方法为:在参考点部署一个固定设备;获取每个无线接入点与该参考点处固定设备的信号强度;将多个无线接入点与该参考点处固定设备的信号强度输入神经网络,获取该参考点的表征向量;然后遍历地图中任一个参考点位置,都通过上述方法获取参考点的表征向量;将所有参考点表征向量作为离线的参考点表征向量数据库。
第二方面,本发明另一个实施例提供了一种基于无线接入点DOA估计的设备定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明实施例通过到达角度范围来实现定位,可以避免由于环境、噪声等导致DOA信息和距离信息出现偏差,使得基于TOA、AOA的定位方法出现较大误差。基于扇形区域可以有效的获取与当前设备接收信号最接近的参考点指纹,避免了与所有计算节点进行度量,可以提高计算速度,同时基于相似度加权,可以获取准确的目标位置。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于无线接入点DOA估计的设备定位方法流程图。
图2为本发明一个实施例所提供的一种基于无线接入点DOA估计的设备定位方法的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于无线接入点DOA估计的设备定位方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于无线接入点DOA估计的设备定位方法及系统的具体方案。
请参阅图1,其示出了本发明一种基于无线接入点DOA估计的设备定位方法,该方法包括以下步骤:
步骤一,部署若干无线接入点,获取设备与无线接入点的信号强度;
无线接入点是一个无线网络的接入点,俗称“热点”,也称AP。主要有路由交换接入一体设备和纯接入点设备,一体设备执行接入和路由工作,纯接入设备只负责无线客户端的接入,纯接入设备通常作为无线网络扩展使用,与其他AP或者主AP连接,以扩大无线覆盖范围,而一体设备一般是无线网络的核心。
基于802.11b/g的无线AP是组建小型无线局域网最常用的设备,它在介质访问控制子层MAC中扮演无线工作站及有线局域网络的桥梁,最大连接距离可达300英尺。
本发明首先在场景中部署无线AP,然后无线Ap接收来自设备的信号。
步骤二,根据应用场景进行地图构建并均匀部署参考点;
进一步的,基于应用场景进行场景地图的构建,所述场景地图是基于实际环境进行构建的,该场景地图与实际环境具有一定的比例关系。然后部署参考点,本发明假设场景为一个矩形平面房间,总共有4个Ap,分别处在4个角处。经验划分1米一个参考点。
步骤三,对所述设备与无线接入点的信号强度利用高斯过程回归模型进行DOA估计,得到到达角度值与到达角度标准差,根据所述到达角度值与所述到达角度标准差得到到达角度范围;
对接收的信号进行DOA估计,DOA估计即波达方向(Direction Of Arrival)估计,又称为角谱估计(Angle spectral estimation)、波达角(Angle Of Arrival)估计。一个信源有很多可能的传播路径和到达角,目的是估计出哪个发射机在工作以及发射机所处的方向。
DOA估计最常见的算法为Capon算法和MUSIC算法,当信噪比(SNR)足够大时,Capon算法和MUSIC算法的空间谱非常相似,因此在SNR比较大时它们的性能几乎一样;MUSIC和Capon算法的抗多径能力都不好,原因是:多径会使得协方差矩阵秩损(不满秩),从而导致两种算法性能下降甚至算法完全失效。在存在多径的情况下,一般使用空间平滑等算法,重新构造满秩的协方差矩阵,其缺点在于损失了一部分自由度。
基于上述算法缺点,本发明采用高斯过程回归预测DOA估计角度。
对于高斯过程回归:
首先采集训练样本,基于场景中布置的Ap,将设备布置在场景中的任意一点,然后人为测量设备与各个Ap的DOA角度,并获取设备与各个Ap的接收信号强度;所述设备为一个具备接收和发送信号功能的设备,如蓝牙终端。
所述设备与每个Ap的接收信号强度作为高斯过程回归模型的输入,设备与Ap的测量DOA角度为高斯过程回归模型的输出,进行拟合,得到拟合后的高斯过程回归模型;所述高斯过程回归模型中的内核添加高斯白噪声。
得到拟合后的高斯过程回归模型后,每次使用高斯过程回归模型预测都可以获取预测的到达角度值,以及预测的到达角度标准差;
获取到达角度范围:
对于到达角度范围,当到达角度标准差过小时,会导致后续空间扇形形成过小或没有,因此为了使定位算法有效,设置最小到达角度范围约束,即到达角度范围最小要在经验值5°。
至此,对于每次的接收到的信号,每个Ap都能给出一个角度范围。
步骤四,根据每个无线接入点的所述到达角度范围与信号距离得到每个无线接入点的定位范围,根据多个无线接入点的所述定位范围获取设备定位区域;
然后对于每个Ap接收到的角度范围进行空间扇形的形成:
获取每个Ap与设备的接收信号强度(RSSI),基于接收信号强度获取Ap与设备的距离。所述接收信号强度与距离具有数学映射关系,通过下述模型获取:
为了计算方便通常取1m,A值表示接收节点与发送节点之间距离为1m时接收节点接收到的信号强度值。n为环境衰减指数值,与当前环境的复杂程度有关,通常人为评测得到。RSSI表示接收信号强度,d为Ap与设备之间的距离。
以Ap与设备的距离为半径,以角度范围作为扇形的弧度,形成每个Ap的空间扇形,所述每个Ap的空间扇形区域即为每个无线接入点的定位范围。采用扇形可以很好的反映目标位置的关系,表示目标很可能存在于此空间扇形区域中。
形成所有Ap的空间扇形,然后求取Ap空间扇形与地图的交集。所述空间扇形与地图的交集为设备定位区域。所述空间扇形交集的地方,代表该区域越可能存在待定位目标。本发明以场景中部署4个Ap为例,获取四个空间扇形与地图的交集,称为设备定位区域。
步骤五,根据所述设备定位区域与参考点获取第一置信参考点;
将所述设备定位区域中包含的地图中的参考点作为第一置信参考点。
步骤六,训练神经网络获取所述设备与无线接入点的信号强度的表征向量,根据所述设备与无线接入点的信号强度的表征向量与所述第一置信参考点的表征向量进行计算以获取设备位置。
所述神经网络采用基于度量学习的方法,神经网络具体为一维卷积网络和全连接层,网络输入为所有Ap与设备的信号数据,输出为表征向量。网络训练方法是使用度量学习损失函数进行分类训练,把训练好的网络去掉最后一层分类层,选取最后一个隐藏层输出作为一个数据的特征。两个数据特征使用余弦相似度进行计算。度量学习损失函数如AM-softmax、CosFace、ArcFace等,实施者可自由选取,最终以余弦相似度进行度量。
训练完毕后,对于该网络的推理,只需要一维卷积网络及不含分类层的全连接网络,最终对Ap与设备的信号数据推理都可以获得一个表征向量。该表征向量经验维数为64维。
定位算法分为离线数据库构建和在线匹配两个步骤。
首先构建离线的参考点表征向量数据库,对于离线数据库构建:
在参考点部署一个固定设备;获取每个无线接入点与该参考点处固定设备的信号强度;将多个无线接入点与该参考点处固定设备的信号强度输入神经网络,获取该参考点的表征向量;然后遍历地图中任一个参考点位置,都通过上述方法获取参考点的表征向量;将所有参考点表征向量作为离线的参考点表征向量数据库。所述固定设备为一个具备接收和发送信号功能的设备,如蓝牙终端。
获取所述参考点表征向量数据库中第一置信参考点表征向量;根据所述当前设备与无线接入点的信号获取表征向量;根据所述表征向量与第一置信参考点表征向量进行在线匹配,获取设备的位置。
在线匹配的过程如下:
1、利用该神经网络进行推理,输入多个Ap与设备的信号数据,得到一个表征向量。
2、然后获取每一个第一置信参考点的表征向量。
3、将表征向量与每一个第一置信参考点的表征向量进行余弦相似度计算,得到相似度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于无线接入点DOA估计的设备定位方法,其特征在于,该定位方法包括以下步骤:
部署若干无线接入点,获取设备与无线接入点的信号强度;
根据应用场景进行地图构建并均匀部署参考点;
对所述设备与无线接入点的信号强度利用高斯过程回归模型进行DOA估计,得到到达角度值与到达角度标准差,根据所述到达角度值与所述到达角度标准差得到到达角度范围;
根据每个无线接入点的所述到达角度范围与信号距离得到每个无线接入点的定位范围,根据多个无线接入点的所述定位范围获取设备定位区域;
根据所述设备定位区域与参考点获取第一置信参考点;
训练神经网络获取所述设备与无线接入点的信号强度的表征向量,根据所述设备与无线接入点的信号强度的表征向量与所述第一置信参考点的表征向量进行计算以获取设备位置。
2.根据权利要求1所述的一种基于无线接入点DOA估计的设备定位方法,其特征在于,对所述设备与无线接入点的信号强度利用高斯过程回归模型进行DOA估计,得到到达角度值与到达角度标准差,根据所述到达角度值与所述到达角度标准差得到到达角度范围,包括:
首先采集训练样本,基于场景中布置的Ap,将设备布置在场景中的任意一点,然后测量设备与各个Ap的DOA角度,并获取设备与各个Ap的信号;
所述设备与各个Ap的信号作为高斯过程回归模型的输入,设备与Ap的测量DOA角度为高斯过程回归模型的输出,进行拟合,得到拟合后的高斯过程回归模型;所述高斯过程回归模型中的内核添加高斯白噪声;
每次预测都获取预测的到达角度值,以及预测的到达角度标准差;
获取到达角度范围:
3.根据权利要求1所述的一种基于无线接入点DOA估计的设备定位方法,其特征在于,根据每个无线接入点的所述到达角度范围与信号距离得到每个无线接入点的定位范围,根据多个无线接入点的所述定位范围获取设备定位区域,包括:
获取每个Ap与设备的接收信号强度,基于接收信号强度获取Ap与设备的距离;
以Ap与设备的距离为半径,以到达角度范围作为扇形的弧度,形成每个Ap的空间扇形,所述每个Ap的空间扇形区域即为每个无线接入点的定位范围;
然后将多个无线接入点的定位范围与地图进行交集运算,得到设备定位区域。
4.根据权利要求1所述的一种基于无线接入点DOA估计的设备定位方法,其特征在于,所述第一置信参考点的获取方法为:将所述设备定位区域中包含的地图中的参考点作为第一置信参考点。
5.根据权利要求1所述的一种基于无线接入点DOA估计的设备定位方法,其特征在于,所述神经网络的训练方法为:
神经网络具体为一维卷积网络和全连接层,网络输入为所有Ap与设备的信号数据;输出为特征向量,然后经过全连接网络进行特征拟合、分类;网络训练方法是使用度量学习损失函数进行分类训练,把训练好的网络去掉最后一层分类层,选取最后一个隐藏层输出作为一个数据的特征,称为表征向量。
6.根据权利要求1所述的一种基于无线接入点DOA估计的设备定位方法,其特征在于,根据所述设备与无线接入点的信号强度的表征向量与所述第一置信参考点的表征向量进行计算以获取设备位置,包括:
构建离线的参考点表征向量数据库;
获取所述参考点表征向量数据库中第一置信参考点表征向量;
根据当前设备与无线接入点的信号获取表征向量;
根据所述表征向量与第一置信参考点表征向量进行在线匹配,获取设备的位置。
7.根据权利要求6所述的一种基于无线接入点DOA估计的设备定位方法,其特征在于,所述参考点表征向量数据库的获取方法为:
在参考点部署一个固定设备;
获取每个无线接入点与该参考点处固定设备的信号强度;
将多个无线接入点与该参考点处固定设备的信号强度输入神经网络,获取该参考点的表征向量;
然后遍历地图中任一个参考点位置,都通过上述方法获取参考点的表征向量;
将所有参考点表征向量作为离线的参考点表征向量数据库。
9.一种基于无线接入点DOA估计的设备定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211236778.3A CN115327478B (zh) | 2022-10-10 | 2022-10-10 | 基于无线接入点doa估计的设备定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211236778.3A CN115327478B (zh) | 2022-10-10 | 2022-10-10 | 基于无线接入点doa估计的设备定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115327478A CN115327478A (zh) | 2022-11-11 |
CN115327478B true CN115327478B (zh) | 2023-01-03 |
Family
ID=83914015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211236778.3A Active CN115327478B (zh) | 2022-10-10 | 2022-10-10 | 基于无线接入点doa估计的设备定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327478B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101815308A (zh) * | 2009-11-20 | 2010-08-25 | 哈尔滨工业大学 | 神经网络区域训练的wlan室内定位方法 |
CN102802118A (zh) * | 2012-07-11 | 2012-11-28 | 北京邮电大学 | 基于ap权重自适应调整的位置指纹定位方法 |
CN105898713A (zh) * | 2016-06-17 | 2016-08-24 | 东华大学 | 一种基于加权余弦相似度的WiFi指纹室内定位方法 |
CN107087276A (zh) * | 2017-03-17 | 2017-08-22 | 上海斐讯数据通信技术有限公司 | 一种基于WiFi室内定位的指纹库建立方法及装置 |
CN108717175A (zh) * | 2018-04-18 | 2018-10-30 | 同济大学 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
CN108989986A (zh) * | 2018-09-06 | 2018-12-11 | 西安电子科技大学 | 基于迭代分割空间法的Wi-Fi室内定位方法 |
CN109379711A (zh) * | 2018-12-19 | 2019-02-22 | 香港中文大学(深圳) | 一种定位方法 |
CN109889977A (zh) * | 2019-02-25 | 2019-06-14 | 广州市香港科大霍英东研究院 | 一种基于高斯回归的蓝牙定位方法、装置、设备和系统 |
CN113259837A (zh) * | 2021-04-29 | 2021-08-13 | 西安电子科技大学 | 基于角度估计和指纹定位算法的室内定位方法 |
CN113395708A (zh) * | 2021-07-13 | 2021-09-14 | 东南大学 | 基于全局环境预测的多自主体集中式区域覆盖方法与系统 |
CN114092790A (zh) * | 2021-11-18 | 2022-02-25 | 袁飞 | 一种基于接收信号强度的doa估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201704216D0 (en) * | 2017-03-16 | 2017-05-03 | Ranplan Wireless Network Design Ltd | WIFI multi-band fingerprint-based indoor positioning |
-
2022
- 2022-10-10 CN CN202211236778.3A patent/CN115327478B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101815308A (zh) * | 2009-11-20 | 2010-08-25 | 哈尔滨工业大学 | 神经网络区域训练的wlan室内定位方法 |
CN102802118A (zh) * | 2012-07-11 | 2012-11-28 | 北京邮电大学 | 基于ap权重自适应调整的位置指纹定位方法 |
CN105898713A (zh) * | 2016-06-17 | 2016-08-24 | 东华大学 | 一种基于加权余弦相似度的WiFi指纹室内定位方法 |
CN107087276A (zh) * | 2017-03-17 | 2017-08-22 | 上海斐讯数据通信技术有限公司 | 一种基于WiFi室内定位的指纹库建立方法及装置 |
CN108717175A (zh) * | 2018-04-18 | 2018-10-30 | 同济大学 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
CN108989986A (zh) * | 2018-09-06 | 2018-12-11 | 西安电子科技大学 | 基于迭代分割空间法的Wi-Fi室内定位方法 |
CN109379711A (zh) * | 2018-12-19 | 2019-02-22 | 香港中文大学(深圳) | 一种定位方法 |
CN109889977A (zh) * | 2019-02-25 | 2019-06-14 | 广州市香港科大霍英东研究院 | 一种基于高斯回归的蓝牙定位方法、装置、设备和系统 |
CN113259837A (zh) * | 2021-04-29 | 2021-08-13 | 西安电子科技大学 | 基于角度估计和指纹定位算法的室内定位方法 |
CN113395708A (zh) * | 2021-07-13 | 2021-09-14 | 东南大学 | 基于全局环境预测的多自主体集中式区域覆盖方法与系统 |
CN114092790A (zh) * | 2021-11-18 | 2022-02-25 | 袁飞 | 一种基于接收信号强度的doa估计方法 |
Non-Patent Citations (1)
Title |
---|
基于到达角信息的无源定位算法研究;任叶童;《CNKI》;20161001;1-79 * |
Also Published As
Publication number | Publication date |
---|---|
CN115327478A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4421287B2 (ja) | 選択的合成法による無線通信装置の位置決定方法 | |
Roos et al. | A probabilistic approach to WLAN user location estimation | |
US7359718B2 (en) | Location determination and location tracking in wireless networks | |
Diaz et al. | Bluepass: An indoor bluetooth-based localization system for mobile applications | |
WO2017185828A1 (zh) | 指纹定位方法及装置 | |
Khodayari et al. | A RSS-based fingerprinting method for positioning based on historical data | |
Bagosi et al. | Indoor localization by WiFi | |
CN109379711B (zh) | 一种定位方法 | |
He et al. | A novel radio map construction method to reduce collection effort for indoor localization | |
KR20110058896A (ko) | 이동 단말 장치의 방향을 추정하는 장치 및 방법 | |
Redondi | Radio map interpolation using graph signal processing | |
Vashist et al. | Indoor wireless localization using consumer-grade 60 GHz equipment with machine learning for intelligent material handling | |
WO2022214002A1 (zh) | 室内定位方法和室内定位装置 | |
Jaafar et al. | A neural network approach for indoor fingerprinting-based localization | |
Yiu et al. | Locating user equipments and access points using RSSI fingerprints: A Gaussian process approach | |
Xie et al. | BPNN based indoor fingerprinting localization algorithm against environmental fluctuations | |
Pan et al. | Map-aided and UWB-based anchor placement method in indoor localization | |
CN109375163B (zh) | 一种高精度的室内定位方法及终端 | |
Alshami et al. | Automatic WLAN fingerprint radio map generation for accurate indoor positioning based on signal path loss model | |
CN115327478B (zh) | 基于无线接入点doa估计的设备定位方法及系统 | |
Zhang et al. | Towards floor identification and pinpointing position: A multistory localization model with wifi fingerprint | |
Bisio et al. | A smart 2 Gaussian process approach for indoor localization with RSSI fingerprints | |
Gu et al. | The effect of ground truth accuracy on the evaluation of localization systems | |
Assayag et al. | Indoor positioning system using synthetic training and data fusion | |
Xu et al. | Cramer-Rao lower bound analysis of RSS/TDoA joint localization algorithms based on rigid graph theory |
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 |