CN115494450A - 一种高精度的超宽带室内定位跟踪与控制方法及装置 - Google Patents

一种高精度的超宽带室内定位跟踪与控制方法及装置 Download PDF

Info

Publication number
CN115494450A
CN115494450A CN202211437273.3A CN202211437273A CN115494450A CN 115494450 A CN115494450 A CN 115494450A CN 202211437273 A CN202211437273 A CN 202211437273A CN 115494450 A CN115494450 A CN 115494450A
Authority
CN
China
Prior art keywords
target
current
estimation
precision
population
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
Application number
CN202211437273.3A
Other languages
English (en)
Other versions
CN115494450B (zh
Inventor
蒋炫佑
李宇
景振海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Chixin Semiconductor Technology Co ltd
Original Assignee
Changsha Chixin Semiconductor Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Chixin Semiconductor Technology Co ltd filed Critical Changsha Chixin Semiconductor Technology Co ltd
Priority to CN202211437273.3A priority Critical patent/CN115494450B/zh
Publication of CN115494450A publication Critical patent/CN115494450A/zh
Application granted granted Critical
Publication of CN115494450B publication Critical patent/CN115494450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S5/04—Position of source determined by a plurality of spaced direction-finders
    • 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
    • G01S5/0205—Details
    • G01S5/021—Calibration, monitoring or correction
    • 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
    • G01S5/0205—Details
    • G01S5/0221—Receivers
    • 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
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/0255—Filters based on statistics
    • H03H17/0257—KALMAN filters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Remote Sensing (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供一种高精度的超宽带室内定位跟踪与控制方法及装置，包括：获取目标当前粗估计位置；根据目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度；若目标当前估计精度满足系统要求，则完成估计上报，若目标当前估计精度不满足系统要求，根据目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群；计算目标适应值确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求。本发明提供的高精度的超宽带室内定位跟踪与控制方法及装置，通过对目标当前粗估计位置进行优化，提升了定位跟踪结果的有效性与可靠性。

Description

一种高精度的超宽带室内定位跟踪与控制方法及装置
技术领域
本发明涉及超宽带技术领域，特别是涉及一种高精度的超宽带室内定位跟踪与控制方法及装置。
背景技术
超宽带（UltraWideband，UWB）技术因其功耗低、安全性高、系统复杂度低和定位精度高的特点，目前已经成为一种室内定位领域的热门研究方案。类似全球定位系统（GlobalPositioning System，GPS）定位之于室外定位，UWB定位系统的真实精度也与信号质量及信道条件息息相关。特别的，UWB信号对视线传输（Line of Sight，LOS）与非视线传输（NotLine of Sight，NLOS）传播十分敏感，NLOS误差对定位精度产生的负面影响往往是系统与用户无法容忍的。
普遍地，在UWB定位系统中无论具体采取到达时间（Time of Arrival，TOA）、到达时间差（Time Difference of Arrival，TDOA）、到达角（Angle of Arrival，AOA）中何种解决方案，均可在通过解析类算法计算出目标位置的初始估计后，而后利用迭代类算法进一步提升初始估计精度。上述方案的前提是UWB定位系统能够获取相对稳定而持续有效的观测值，一旦某基站持续上报NLOS观测值或频繁进出LOS与NLOS观测状态，则解析与迭代类算法性能将受到极大影响或者得到无效解。然而在真实室内环境中，无法避免的存在大量遮挡与复杂的多径状况，并且此类物理遮挡与多径效应还具有时变性，这也意味着UWB基站难以始终保持理想LOS测量状态，先验信道环境估计结果也无法长期作为参考。如何在非理想条件下维持或者提升对目标位置、运动状态的有效估计同样值得关注。
因此，有必要提供一种高精度的超宽带室内定位跟踪与控制方法及装置，以有效解决上述问题。
发明内容
本发明提供一种高精度的超宽带室内定位跟踪与控制方法及装置，通过对目标当前粗估计位置进行优化，提升了定位跟踪结果的有效性与可靠性。
本发明实施例提供一种高精度的超宽带室内定位跟踪与控制方法，包括：
获取目标当前粗估计位置；
根据所述目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度；
评价目标当前估计精度，若所述目标当前估计精度满足系统要求，则完成估计上报，若所述目标当前估计精度不满足系统要求，则对所述目标当前粗估计位置进行优化；
根据所述目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群；
计算目标适应值以确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求。
优选地，所述评价目标当前估计精度包括当接收信号能量与测距信息置信度低于第一阈值时，则所述目标当前估计精度不满足系统要求。
优选地，所述评价目标当前估计精度包括当所述目标当前粗估计位置和目标前时刻粗估计位置的欧氏距离大于第二阈值时或当所述目标当前粗估计位置和目标前时段所在轨迹的马氏距离大于第三阈值时，则所述目标当前估计精度不满足系统要求。
优选地，所述欧氏距离经旋转缩放后得到所述马氏距离，所述马氏距离具体通过以下公式进行计算：
对于
Figure 358715DEST_PATH_IMAGE001
维向量
Figure 151222DEST_PATH_IMAGE002
按照主成分进行旋转变换
Figure 304860DEST_PATH_IMAGE003
，则样本均值
Figure 841015DEST_PATH_IMAGE004
。
因变换后各维度间线性无关，各维度方差即为自身特征值，从而有：
Figure 61912DEST_PATH_IMAGE005
式中，
Figure 732977DEST_PATH_IMAGE006
为多维随机变量的协方差矩阵；
从而有马氏距离
Figure 373911DEST_PATH_IMAGE007
：
Figure 713757DEST_PATH_IMAGE008
若上述协方差矩阵为单位矩阵，则向量
Figure 523581DEST_PATH_IMAGE009
各维度独立同分布。
优选地，当所述目标当前估计瞬时速度大于第四阈值时，则所述目标当前估计精度不满足系统要求。
优选地，所述根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群包括使用麻雀搜索算法，具体通过以下公式进行计算：
Figure 156426DEST_PATH_IMAGE010
其中，
Figure 520542DEST_PATH_IMAGE011
代表当前迭代数，常数
Figure 631455DEST_PATH_IMAGE012
为最大迭代次数，
Figure 561365DEST_PATH_IMAGE013
表示第
Figure 382689DEST_PATH_IMAGE014
个麻雀在第
Figure 234101DEST_PATH_IMAGE015
维中的位置信息，
Figure 148705DEST_PATH_IMAGE016
，随机数
Figure 933122DEST_PATH_IMAGE017
，
Figure 642190DEST_PATH_IMAGE018
和
Figure 777636DEST_PATH_IMAGE019
分别表示预警值和安全值，随机数
Figure 699193DEST_PATH_IMAGE020
服从正态分布，
Figure 338116DEST_PATH_IMAGE021
表示一个
Figure 755103DEST_PATH_IMAGE022
的全1矩阵。
优选地，所述计算目标适应值确定最优位置和最差位置具体通过以下公式进行计算：
Figure 846687DEST_PATH_IMAGE023
其中，
Figure 870138DEST_PATH_IMAGE024
与
Figure 596523DEST_PATH_IMAGE025
分别是目前迭代轮次中发现者所占据的最优位置与全局最差位置，
Figure 680017DEST_PATH_IMAGE026
表示一个元素随机赋值为
Figure 757432DEST_PATH_IMAGE027
的
Figure 318994DEST_PATH_IMAGE022
矩阵，且
Figure 696624DEST_PATH_IMAGE028
，随机数
Figure 951019DEST_PATH_IMAGE029
服从正态分布，
Figure 509871DEST_PATH_IMAGE021
表示一个
Figure 140703DEST_PATH_IMAGE022
的全1矩阵。
优选地，所述根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群包括使用哈里斯鹰优化算法，所述哈里斯鹰优化算法包括探索阶段和开发阶段，所述探索阶段具体通过以下公式进行计算：
Figure 343146DEST_PATH_IMAGE030
其中，
Figure 266977DEST_PATH_IMAGE031
与
Figure 820449DEST_PATH_IMAGE032
分别为当前时刻种群中随机选择个体和最优个体，
Figure 487929DEST_PATH_IMAGE033
为种群平均位置，随机数
Figure 76036DEST_PATH_IMAGE034
，
Figure 406654DEST_PATH_IMAGE035
与
Figure 945958DEST_PATH_IMAGE036
分别为种群的上下边界。
优选地，所述开发阶段具体通过以下公式进行计算：
Figure 653014DEST_PATH_IMAGE037
其中，
Figure 865601DEST_PATH_IMAGE038
代表控制算法全局搜索和局部开发的逃逸能量因子；随机数
Figure 367121DEST_PATH_IMAGE039
，
Figure 393720DEST_PATH_IMAGE040
与
Figure 170047DEST_PATH_IMAGE041
分别为当前迭代次数与最大迭代次数。
本发明实施例还提供一种高精度的超宽带室内定位跟踪与控制装置，包括：
当前粗估计位置获取模块，其用于获取目标当前粗估计位置；
当前估计瞬时速度计算模块，其用于根据所述目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度；
当前估计精度评价模块，其用于评价目标当前估计精度，若所述目标当前估计精度满足系统要求，则完成估计上报，若所述目标当前估计精度不满足系统要求，则对所述目标当前粗估计位置进行优化；
当前粗估计位置优化模块，其用于根据所述目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群；
最优位置和最差位置计算模块，其用于计算目标适应值确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明实施例提供的一种高精度的超宽带室内定位跟踪与控制方法及装置，获取目标当前粗估计位置；根据所述目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度；评价目标当前估计精度，若所述目标当前估计精度满足系统要求，则完成估计上报，若所述目标当前估计精度不满足系统要求，则对所述目标当前粗估计位置进行优化；根据所述目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群；计算目标适应值以确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求，通过对目标当前粗估计位置进行优化，提升了定位跟踪结果的有效性与可靠性；
进一步地，通过使用麻雀搜索算法或哈里斯鹰优化算法，在应用层面上提升了超宽带定位系统的稳定性与可行性，且设计巧妙，计算简单，市场前景广阔。
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，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例提供的一种高精度的超宽带室内定位跟踪与控制方法的流程示意图；
图2为本发明的一个实施例提供的一种高精度的超宽带室内定位跟踪与控制装置的模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
基于现有技术存在的问题，本发明实施例提供一种高精度的超宽带室内定位跟踪与控制方法及装置，通过对目标当前粗估计位置进行优化，提升了定位跟踪结果的有效性与可靠性。
图1为本发明的一个实施例提供的一种高精度的超宽带室内定位跟踪与控制方法的流程示意图，请参看图1，提供一种高精度的超宽带室内定位跟踪与控制方法，包括：
步骤S101：获取目标当前粗估计位置。
在具体实施中，各UWB基站按定位方案需求完成空间分布、上电启动、时钟同步等准备过程。
依据IEEE 802.10.4协议与实际定位方案，各UWB基站开始与标签进行对应测距过程：如TOA定位方案则执行DS-TWR测距过程；TDOA方案则按UpTDOA或者DownloadTDOA需求执行标准测距过程；如基站支持多天线，则在测距同时进行UWB信号相位差测量、转化为信号入射角并完成上报。同时，上报帧中所包含的信号质量、测距（角）信息置信度与系统刷新率等信息将对后续步骤的控制与计算起到一定的辅助和支撑作用。
解析算法器进行目标位置粗估计，通过卡尔曼滤波器消除UWB上报测距（角）信息中的部分高斯噪声，并使用解析类方法求出目标位置粗估计，卡尔曼滤波器系统方程基本一致，观测方程与粗估计解析形式一般受实际定位方案不同而有所不同。
对常见的室内定位系统，考虑如下非线性离散时间系统模型：
Figure 106647DEST_PATH_IMAGE042
式中，状态向量
Figure 44648DEST_PATH_IMAGE043
，观测向量
Figure 292964DEST_PATH_IMAGE044
；
Figure 607402DEST_PATH_IMAGE045
与
Figure 478404DEST_PATH_IMAGE046
为相互独立的零均值系统高斯白噪声和观测白噪声，方差分别为
Figure 587306DEST_PATH_IMAGE047
和
Figure 526181DEST_PATH_IMAGE048
；
Figure 847572DEST_PATH_IMAGE049
与
Figure 352240DEST_PATH_IMAGE050
分别为系统的状态转移方程与观测方程。
该模型下卡尔曼滤波器满足如下更新方程：
时间更新过程：
Figure 632043DEST_PATH_IMAGE051
观测更新过程：
Figure 120531DEST_PATH_IMAGE052
式中，
Figure 511192DEST_PATH_IMAGE053
为系统状态转移矩阵；
Figure 637411DEST_PATH_IMAGE054
为预测状态协方差矩阵；
Figure 592509DEST_PATH_IMAGE055
和
Figure 804179DEST_PATH_IMAGE056
分别为系统在k-1与k时刻的状态估计量；
Figure 762645DEST_PATH_IMAGE057
为卡尔曼滤波增益矩阵；
Figure 743371DEST_PATH_IMAGE058
为状态向量与观测向量之间的传递矩阵；
Figure 863511DEST_PATH_IMAGE059
为单位矩阵。
以二维定位场景为例，已知
Figure 562477DEST_PATH_IMAGE060
个参考基站坐标为
Figure 560520DEST_PATH_IMAGE061
，对于低速弱机动待测目标
Figure 894287DEST_PATH_IMAGE062
，可认为目标在采样周期
Figure 686794DEST_PATH_IMAGE063
内进行平面匀速直线运动，系统状态向量
Figure 365732DEST_PATH_IMAGE064
为关于时间
Figure 167465DEST_PATH_IMAGE065
的包含位置、速度信息的矢量，则系统状态转移函数满足
Figure 355739DEST_PATH_IMAGE066
，故系统状态转移矩阵：
Figure 584726DEST_PATH_IMAGE067
不同的定位方案分别具有观测方程如下：
Figure 258284DEST_PATH_IMAGE068
对上述观测方程均可利用TS-WLS算法进行解析解的计算。
首先可由LS估计理论，得到关于待测目标位置的最小二乘解作为下一步估计的初始值：
Figure 831086DEST_PATH_IMAGE069
由于观测量个数超过标签位置变量个数，将噪声未知量引入定位模型，因此各基站
Figure 640910DEST_PATH_IMAGE070
和目标
Figure 539333DEST_PATH_IMAGE071
之间的真实距离值
Figure 434608DEST_PATH_IMAGE072
应表示为：
Figure 578145DEST_PATH_IMAGE073
式中，
Figure 746870DEST_PATH_IMAGE074
为TOA时间观测误差引起的距离误差量，假设观测误差
Figure 317660DEST_PATH_IMAGE074
是相互独立且共同服从于零均值，方差为
Figure 933187DEST_PATH_IMAGE075
的高斯分布。
令
Figure 880414DEST_PATH_IMAGE076
，则有如下矢量表达式：
Figure 163366DEST_PATH_IMAGE077
式中，测量误差矢量
Figure 639477DEST_PATH_IMAGE078
，其协方差矩阵表示为
Figure 509344DEST_PATH_IMAGE079
。
将
Figure 227639DEST_PATH_IMAGE080
带入式观测方程，两边取平方，得：
Figure 132142DEST_PATH_IMAGE081
式中，由于
Figure 295268DEST_PATH_IMAGE082
与
Figure 855693DEST_PATH_IMAGE083
相比非常小，因此可忽略二阶误差项
Figure 377679DEST_PATH_IMAGE084
。令
Figure 871109DEST_PATH_IMAGE085
，假设
Figure 187558DEST_PATH_IMAGE086
中
Figure 32018DEST_PATH_IMAGE087
与
Figure 826536DEST_PATH_IMAGE088
相互独立，则有关于
Figure 705630DEST_PATH_IMAGE086
的线性方程：
Figure 694446DEST_PATH_IMAGE089
式中，
Figure 265017DEST_PATH_IMAGE090
。
此外，根据误差量
Figure 630270DEST_PATH_IMAGE091
的定义，有：
Figure 596827DEST_PATH_IMAGE092
式中，
Figure 22123DEST_PATH_IMAGE093
。
根据加权最小二乘理论可得
Figure 74130DEST_PATH_IMAGE086
的代价函数为：
Figure 977495DEST_PATH_IMAGE094
式中，加权矩阵
Figure 300023DEST_PATH_IMAGE095
，结合误差量
Figure 394756DEST_PATH_IMAGE096
的定义可知：
Figure 701104DEST_PATH_IMAGE097
其中，
Figure 635256DEST_PATH_IMAGE086
的协方差矩阵可表示为：
Figure 77870DEST_PATH_IMAGE098
至此，第一次WLS已经完成并得到了
Figure 343504DEST_PATH_IMAGE087
的粗略估计值
Figure 871569DEST_PATH_IMAGE086
。但在中
Figure 116736DEST_PATH_IMAGE087
与
Figure 912392DEST_PATH_IMAGE088
并非互相独立，所以此粗略估计值
Figure 850392DEST_PATH_IMAGE086
并不准确，接下来可以在此粗略解基础上再进行一次WLS估计即为TS-WLS方法。
记
Figure 364287DEST_PATH_IMAGE086
的估计误差为
Figure 678725DEST_PATH_IMAGE100
，则：
Figure 334747DEST_PATH_IMAGE102
Figure 709227DEST_PATH_IMAGE104
式中，符号
Figure 946305DEST_PATH_IMAGE106
为矩阵的哈达玛积，误差项的二阶量
Figure 31810DEST_PATH_IMAGE108
同样忽略不计，则：
Figure 303523DEST_PATH_IMAGE110
式中，
Figure 81860DEST_PATH_IMAGE111
。
上式可认为是关于
Figure 71813DEST_PATH_IMAGE112
的线性表达式，因此有WLS解为：
Figure 961010DEST_PATH_IMAGE113
式中，加权矩阵
Figure 87228DEST_PATH_IMAGE115
。
从而可以得到TS-WLS的最终解为：
Figure 803512DEST_PATH_IMAGE116
步骤S102：根据所述目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度。
步骤S103：评价目标当前估计精度，若所述目标当前估计精度满足系统要求，则完成估计上报，若所述目标当前估计精度不满足系统要求，则对所述目标当前粗估计位置进行优化。
在具体实施中，所述评价目标当前估计精度包括当接收信号能量与测距信息置信度低于第一阈值时，则所述目标当前估计精度不满足系统要求。本领域技术人员可以根据系统需要设置第一阈值，在此不再赘述。具体地，考虑UWB基站上报信道环境优劣、接收信号强度(Received Signal Strength，RSS)与品质因数(Figureof Merit，FoM)，如果存在某一基站信道环境明显改变或者RSS与FoM显著降低，均可认为此基站与标签测量环境发生变化，当前时刻上报测距值中含有非高斯的噪声分量，即使在解析算法器中使用卡尔曼滤波器与TS-WLS算法降低了部分异常测距引入的额外定位误差，但此时对目标的位置粗估计结果仍不足以直接作为准确结果进行输出。
在具体实施中，所述评价目标当前估计精度包括当所述目标当前粗估计位置和目标前时刻粗估计位置的欧氏距离(Euclidean Distance)大于第二阈值时或当所述目标当前粗估计位置和目标前时段所在轨迹的马氏距离(Mahalanobis Distance)大于第三阈值时，则所述目标当前估计精度不满足系统要求。本领域技术人员可以根据系统需要设置第二阈值和第三阈值，在此不再赘述。具体地，基于对目标运动状态的先验信息，对此估计的质量加以分析并输出评价结果。结合系统刷新率和目标基本运动属性，可通过目标当前时刻粗估计与前时刻所在位置欧氏距离、目标当前时刻粗估计与前时段所在轨迹的马氏距离以及目标当前时刻的瞬时速度三个维度进行分析与评判，若存在位置抖动过大、轨迹偏差较多或者瞬时速度超出理论极限速度均可认为粗估计质量低。
在具体实施中，当所述目标当前估计瞬时速度大于第四阈值时，则所述目标当前估计精度不满足系统要求。本领域技术人员可以根据系统需要设置第四阈值，在此不再赘述。
在具体实施中，所述欧氏距离经旋转缩放后得到所述马氏距离，所述马氏距离具体通过以下公式进行计算：
Figure 531295DEST_PATH_IMAGE117
其中，
Figure 725647DEST_PATH_IMAGE118
为马氏距离，
Figure 204907DEST_PATH_IMAGE119
为样本均值，
Figure 826513DEST_PATH_IMAGE120
为多维随机变量的协方差矩阵，所述若协方差矩阵为单位矩阵，则各维度独立同分布。
引入马氏距离的意义是消除不同坐标维度上信息的相关性，以更准确地检测出离群点，从而有效评估粗估计的质量。
步骤S104：根据所述目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群。
步骤S105：计算目标适应值以确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求。
在具体实施中，针对观测信息不稳定或者长期质量较差的情况，可以使用确定所需引入改进群智能算法，包括但不限于粒子群优化算法(Particle Swarm Optimization，PSO)、灰狼优化算法(Grey Wolf Optimizer，GWO)、鲸鱼优化算法(Whale OptimizationAlgorithm，WOA)、哈里斯鹰优化算法(Harris Hawks Optimization，HHO)、麻雀搜索算法(Sparrow Search Algorithm，SSA)及上述优化的改进算法进行实施。
考虑由种群，则种群状态可表示为如下形式：
Figure 758434DEST_PATH_IMAGE121
其中，
Figure 22057DEST_PATH_IMAGE122
表示待优化问题变量的维数，
Figure 857289DEST_PATH_IMAGE123
为种群个体数量。那么，所有个体的适应度值可以表示为如下形式：
Figure 148330DEST_PATH_IMAGE124
其中，
Figure 334592DEST_PATH_IMAGE125
表示适应度函数。
在具体实施中，所述根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群包括使用麻雀搜索算法，首先初始化麻雀种群，计算个体的适应度值并排序，找到最佳和最差适应度的个体，依次更新发现者、加入者、警戒者位置，不断迭代更新，直至满足算法终止条件算法终止。在SSA中，具有较好适应度值的发现者约占种群数量的10％～20％，在每次迭代过程中，发现者的位置更新描述如下：
Figure 640721DEST_PATH_IMAGE126
其中，
Figure 330459DEST_PATH_IMAGE011
代表当前迭代数，常数
Figure 559446DEST_PATH_IMAGE012
为最大迭代次数，
Figure 465960DEST_PATH_IMAGE013
表示第
Figure 805806DEST_PATH_IMAGE127
个麻雀在第
Figure 114165DEST_PATH_IMAGE015
维中的位置信息，
Figure 514053DEST_PATH_IMAGE016
，随机数
Figure 642284DEST_PATH_IMAGE017
，
Figure 51400DEST_PATH_IMAGE018
和
Figure 715731DEST_PATH_IMAGE019
分别表示预警值和安全值，随机数
Figure 513617DEST_PATH_IMAGE020
服从正态分布，
Figure 896188DEST_PATH_IMAGE021
表示一个
Figure 341950DEST_PATH_IMAGE022
的全1矩阵。
在每次迭代过程中，发现者之外均视为加入者，所述计算目标适应值确定最优位置和最差位置具体通过以下公式进行计算：
Figure 860788DEST_PATH_IMAGE128
其中，
Figure 101014DEST_PATH_IMAGE024
与
Figure 705302DEST_PATH_IMAGE025
分别是目前迭代轮次中发现者所占据的最优位置与全局最差位置，
Figure 190641DEST_PATH_IMAGE129
表示第
Figure 593678DEST_PATH_IMAGE130
个麻雀在第
Figure 240691DEST_PATH_IMAGE131
维中的位置信息，
Figure 102249DEST_PATH_IMAGE026
表示一个元素随机赋值为
Figure 391279DEST_PATH_IMAGE027
的
Figure 884708DEST_PATH_IMAGE022
矩阵，且
Figure 201158DEST_PATH_IMAGE028
，随机数
Figure 780038DEST_PATH_IMAGE029
服从正态分布，
Figure 105715DEST_PATH_IMAGE021
表示一个
Figure 719230DEST_PATH_IMAGE022
的全1矩阵。
修改上式如下：
Figure 472160DEST_PATH_IMAGE132
此外，种群中还存在侦察预警的麻雀，一般占到种群数量的10％～20％，侦察者随机产生，其位置更新描述如下：
Figure 538336DEST_PATH_IMAGE133
其中，
Figure 903589DEST_PATH_IMAGE024
是当前全局最优位置。步长控制参数
Figure 887724DEST_PATH_IMAGE134
，随机数
Figure 313020DEST_PATH_IMAGE135
；
Figure 99449DEST_PATH_IMAGE136
则是当前麻雀个体的适应度值，
Figure 533972DEST_PATH_IMAGE136
和
Figure 355035DEST_PATH_IMAGE137
分别是当前全局最佳和最差的适应度值；引入极小常数
Figure 951233DEST_PATH_IMAGE138
以避免分母为零。
其改进方法主要有引入Logistic映射、Tent映射、Cubic映射等以增强初始种群随机性从而提升求解精度；引入反向学习策略、高斯变异、柯西变异等加快收敛速度，并提升算法鲁棒性；引入Lévy飞行机制或强化飞行机制以提升求解精度；以及引入自适应因子等等其他方向。
在具体实施中，所述根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群包括使用哈里斯鹰优化算法，所述哈里斯鹰优化算法包括探索阶段和开发阶段，所述探索阶段具体通过以下公式进行计算：
Figure 992001DEST_PATH_IMAGE139
其中，
Figure 197592DEST_PATH_IMAGE031
与
Figure 640206DEST_PATH_IMAGE032
分别为当前时刻种群中随机选择个体和最优个体，
Figure 911699DEST_PATH_IMAGE033
为种群平均位置，随机数
Figure 174185DEST_PATH_IMAGE034
，
Figure 183467DEST_PATH_IMAGE035
与
Figure 746166DEST_PATH_IMAGE036
分别为种群的上下边界。
在具体实施中，所述开发阶段具体通过以下公式进行计算：
Figure 684166DEST_PATH_IMAGE140
其中，
Figure 932483DEST_PATH_IMAGE141
代表控制算法全局搜索和局部开发的逃逸能量因子；随机数
Figure 981341DEST_PATH_IMAGE142
，
Figure 897083DEST_PATH_IMAGE143
与
Figure 740405DEST_PATH_IMAGE144
分别为当前迭代次数与最大迭代次数。
开发阶段更新公式包括软、硬包围与渐进软、硬包围。
其中，软包围更新公式为：
Figure 470158DEST_PATH_IMAGE145
硬包围更新公式为：
Figure 588287DEST_PATH_IMAGE146
渐进软包围更新公式为：
Figure 859999DEST_PATH_IMAGE147
式中，
Figure 638337DEST_PATH_IMAGE148
为Lévy飞行函数，且参数
Figure 97131DEST_PATH_IMAGE149
取值为1.5。
渐进硬包围更新公式为：
Figure 251907DEST_PATH_IMAGE150
开发阶段中
Figure 378126DEST_PATH_IMAGE151
为最优个体和当前个体的差值，随机数
Figure 327365DEST_PATH_IMAGE152
；
Figure 273455DEST_PATH_IMAGE153
为
Figure 467808DEST_PATH_IMAGE032
逃跑过程中的跳跃距离，
Figure 952928DEST_PATH_IMAGE154
是问题维度，
Figure 574533DEST_PATH_IMAGE155
是一个
Figure 772034DEST_PATH_IMAGE154
维随机向量。
HHO算法的大致流程为：初始化种群，将适应度最优的个体设置为猎物，根据逃逸能量和生成的随机数执行全局搜索或局部开发中对应的包围策略。计算每个个体的适应度并与猎物适应度比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置，不断迭代直至满足终止条件或达到最大迭代次数算法终止。
其改进方法主要有引入Tent映射、Cubic映射等以增强初始种群随机性从而提升求解精度；引入精英等级策略、反向学习策略、随机游走策略等以缩小解空间从而加快收敛速度，并提升算法鲁棒性；引入最大似然估计改进算法适应度函数以强化对特定优化问题解的精度；以及引入自适应因子、变异因子、非线性逃逸能量因子等等其他方向。
统一的，对SSA和HHO两个算法改进方法中所述Logistic、Tent、Cubic混沌映射可描述为如下分立方程：
Figure 504498DEST_PATH_IMAGE156
引入目的是通过上述混沌映射替代伪随机数生成器，从而在种群初始化过程中获得更好的效果。
最后，在上述输出迭代解的基础上，计算当前时刻迭代估计与前时刻所在位置欧氏距离、当前时刻迭代估计与前时段所在轨迹的马氏距离以及当前时刻迭代估计的瞬时速度三个维度进行分析与评判，若均为合理则可认为迭代解更准确并完成输出。
图2为本发明的一个实施例提供的一种高精度的超宽带室内定位跟踪与控制装置的模块示意图，请参看图2，提供一种高精度的超宽带室内定位跟踪与控制装置，包括：
当前粗估计位置获取模块21，其用于获取目标当前粗估计位置；
当前估计瞬时速度计算模块22，其用于根据所述目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度；
当前估计精度评价模块23，其用于评价目标当前估计精度，若所述目标当前估计精度满足系统要求，则完成估计上报，若所述目标当前估计精度不满足系统要求，则对所述目标当前粗估计位置进行优化；
当前粗估计位置优化模块24，其用于根据所述目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群；
最优位置和最差位置计算模块25，其用于计算目标适应值确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求。
综上所述，本发明实施例的一种高精度的超宽带室内定位跟踪与控制方法及装置，获取目标当前粗估计位置；根据所述目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度；评价目标当前估计精度，若所述目标当前估计精度满足系统要求，则完成估计上报，若所述目标当前估计精度不满足系统要求，则对所述目标当前粗估计位置进行优化；根据所述目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群；计算目标适应值以确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求，通过对目标当前粗估计位置进行优化，提升了定位跟踪结果的有效性与可靠性；
进一步地，通过使用麻雀搜索算法或哈里斯鹰优化算法，在应用层面上提升了超宽带定位系统的稳定性与可行性，且设计巧妙，计算简单，市场前景广阔。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种高精度的超宽带室内定位跟踪与控制方法，其特征在于，包括：
获取目标当前粗估计位置；
根据所述目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度；
评价目标当前估计精度，若所述目标当前估计精度满足系统要求，则完成估计上报，若所述目标当前估计精度不满足系统要求，则对所述目标当前粗估计位置进行优化；
根据所述目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群；
计算目标适应值以确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求。
2.根据权利要求1所述的高精度的超宽带室内定位跟踪与控制方法，其特征在于，所述评价目标当前估计精度包括当接收信号能量与测距信息置信度低于第一阈值时，则所述目标当前估计精度不满足系统要求。
3.根据权利要求1所述的高精度的超宽带室内定位跟踪与控制方法，其特征在于，所述评价目标当前估计精度包括当所述目标当前粗估计位置和目标前时刻粗估计位置的欧氏距离大于第二阈值时或当所述目标当前粗估计位置和目标前时段所在轨迹的马氏距离大于第三阈值时，则所述目标当前估计精度不满足系统要求。
4.根据权利要求3所述的高精度的超宽带室内定位跟踪与控制方法，其特征在于，所述欧氏距离经旋转缩放后得到所述马氏距离，所述马氏距离具体通过以下公式进行计算：
对于
Figure DEST_PATH_IMAGE001
维向量
Figure 135662DEST_PATH_IMAGE002
按照主成分进行旋转变换
Figure DEST_PATH_IMAGE003
，则样本均值
Figure 397010DEST_PATH_IMAGE004
；
因变换后各维度间线性无关，各维度方差即为自身特征值，从而有：
Figure DEST_PATH_IMAGE005
式中，
Figure DEST_PATH_IMAGE007
为多维随机变量的协方差矩阵；
从而有马氏距离
Figure DEST_PATH_IMAGE009
：
Figure DEST_PATH_IMAGE011
若上述协方差矩阵为单位矩阵，则向量
Figure DEST_PATH_IMAGE013
各维度独立同分布。
5.根据权利要求1所述的高精度的超宽带室内定位跟踪与控制方法，其特征在于，当所述目标当前估计瞬时速度大于第四阈值时，则所述目标当前估计精度不满足系统要求。
6.根据权利要求1所述的高精度的超宽带室内定位跟踪与控制方法，其特征在于，所述根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群包括使用麻雀搜索算法，具体通过以下公式进行计算：
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE017
代表当前迭代数，常数
Figure DEST_PATH_IMAGE019
为最大迭代次数，
Figure DEST_PATH_IMAGE021
表示第
Figure DEST_PATH_IMAGE023
个麻雀在第
Figure DEST_PATH_IMAGE025
维中的位置信息，
Figure DEST_PATH_IMAGE027
，随机数
Figure DEST_PATH_IMAGE029
，
Figure DEST_PATH_IMAGE031
和
Figure DEST_PATH_IMAGE033
分别表示预警值和安全值，随机数
Figure DEST_PATH_IMAGE035
服从正态分布，
Figure DEST_PATH_IMAGE037
表示一个
Figure DEST_PATH_IMAGE039
的全1矩阵。
7.根据权利要求6所述的高精度的超宽带室内定位跟踪与控制方法，其特征在于，所述计算目标适应值确定最优位置和最差位置具体通过以下公式进行计算：
Figure DEST_PATH_IMAGE041
其中，
Figure DEST_PATH_IMAGE043
与
Figure DEST_PATH_IMAGE045
分别是目前迭代轮次中发现者所占据的最优位置与全局最差位置，
Figure DEST_PATH_IMAGE047
表示一个元素随机赋值为
Figure DEST_PATH_IMAGE049
的
Figure 553579DEST_PATH_IMAGE039
矩阵，且
Figure DEST_PATH_IMAGE051
，随机数
Figure DEST_PATH_IMAGE053
服从正态分布，
Figure 355313DEST_PATH_IMAGE037
表示一个
Figure 738059DEST_PATH_IMAGE039
的全1矩阵。
8.根据权利要求1所述的高精度的超宽带室内定位跟踪与控制方法，其特征在于，所述根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群包括使用哈里斯鹰优化算法，所述哈里斯鹰优化算法包括探索阶段和开发阶段，所述探索阶段具体通过以下公式进行计算：
Figure DEST_PATH_IMAGE055
其中，
Figure DEST_PATH_IMAGE057
与
Figure DEST_PATH_IMAGE059
分别为当前时刻种群中随机选择个体和最优个体，
Figure DEST_PATH_IMAGE061
为种群平均位置，随机数
Figure DEST_PATH_IMAGE063
，
Figure DEST_PATH_IMAGE065
与
Figure DEST_PATH_IMAGE067
分别为种群的上下边界。
9.根据权利要求8所述的高精度的超宽带室内定位跟踪与控制方法，其特征在于，所述开发阶段具体通过以下公式进行计算：
Figure DEST_PATH_IMAGE069
其中，
Figure DEST_PATH_IMAGE071
代表控制算法全局搜索和局部开发的逃逸能量因子；随机数
Figure DEST_PATH_IMAGE073
，
Figure DEST_PATH_IMAGE075
与
Figure DEST_PATH_IMAGE077
分别为当前迭代次数与最大迭代次数。
10.一种高精度的超宽带室内定位跟踪与控制装置，其特征在于，包括：
当前粗估计位置获取模块，其用于获取目标当前粗估计位置；
当前估计瞬时速度计算模块，其用于根据所述目标当前粗估计位置和目标前时刻粗估计位置计算目标当前估计瞬时速度；
当前估计精度评价模块，其用于评价目标当前估计精度，若所述目标当前估计精度满足系统要求，则完成估计上报，若所述目标当前估计精度不满足系统要求，则对所述目标当前粗估计位置进行优化；
当前粗估计位置优化模块，其用于根据所述目标当前粗估计位置确定种群边界及范围，根据目标当前估计质量配置种群初始化参数，引入映射并生成初始种群；
最优位置和最差位置计算模块，其用于计算目标适应值确定最优位置和最差位置，更新目标位置进行边界判断，直至达到迭代次数，使得目标当前估计精度满足系统要求。
CN202211437273.3A 2022-11-17 2022-11-17 一种高精度的超宽带室内定位跟踪与控制方法及装置 Active CN115494450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211437273.3A CN115494450B (zh) 2022-11-17 2022-11-17 一种高精度的超宽带室内定位跟踪与控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211437273.3A CN115494450B (zh) 2022-11-17 2022-11-17 一种高精度的超宽带室内定位跟踪与控制方法及装置

Publications (2)

Publication Number Publication Date
CN115494450A true CN115494450A (zh) 2022-12-20
CN115494450B CN115494450B (zh) 2023-03-21

Family

ID=85115932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211437273.3A Active CN115494450B (zh) 2022-11-17 2022-11-17 一种高精度的超宽带室内定位跟踪与控制方法及装置

Country Status (1)

Country Link
CN (1) CN115494450B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116182873A (zh) * 2023-05-04 2023-05-30 长沙驰芯半导体科技有限公司 室内定位方法、系统及计算机可读介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018018994A1 (zh) * 2016-07-27 2018-02-01 无锡知谷网络科技有限公司 室内定位方法及定位系统
CN109816071A (zh) * 2019-02-12 2019-05-28 河南工程学院 一种基于rfid的室内目标追踪方法
JP2019086506A (ja) * 2017-11-02 2019-06-06 日本電信電話株式会社 推定装置、推定方法、及びプログラム
CN112738709A (zh) * 2020-12-25 2021-04-30 杭州品铂科技有限公司 一种基于uwb信号的粒子群搜索室内定位方法及系统
CN113326912A (zh) * 2021-05-28 2021-08-31 南京邮电大学 一种基于信息共享哈里斯鹰优化的超宽带定位方法
CN113420863A (zh) * 2021-05-19 2021-09-21 南昌大学 一种基于哈里斯鹰算法的储能双向变流器控制参数整定方法
CN113759313A (zh) * 2021-07-23 2021-12-07 哈尔滨工程大学 一种基于混沌麻雀算法的时差/频差定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018018994A1 (zh) * 2016-07-27 2018-02-01 无锡知谷网络科技有限公司 室内定位方法及定位系统
JP2019086506A (ja) * 2017-11-02 2019-06-06 日本電信電話株式会社 推定装置、推定方法、及びプログラム
CN109816071A (zh) * 2019-02-12 2019-05-28 河南工程学院 一种基于rfid的室内目标追踪方法
CN112738709A (zh) * 2020-12-25 2021-04-30 杭州品铂科技有限公司 一种基于uwb信号的粒子群搜索室内定位方法及系统
CN113420863A (zh) * 2021-05-19 2021-09-21 南昌大学 一种基于哈里斯鹰算法的储能双向变流器控制参数整定方法
CN113326912A (zh) * 2021-05-28 2021-08-31 南京邮电大学 一种基于信息共享哈里斯鹰优化的超宽带定位方法
CN113759313A (zh) * 2021-07-23 2021-12-07 哈尔滨工程大学 一种基于混沌麻雀算法的时差/频差定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MARVIN BARAHONA等: ""On the decoding of equiprobable UWB chipless RFID tags using a minimum distance detector"" *
SOMAYYEH CHAMAANIDENG: "\"Time-Domain Design of UWB Vivaldi Antenna Array Using Multiobjective Particle Swarm Optimization\"" *
朱国会: ""基于TDOA/FDOA的运动多站无源定位算法研究"", 《中国优秀硕士学位论文全文数据库 信息技术辑》 *
武志凯: "基于UWB的室内定位技术及系统研究", 《中国优秀硕士学位论文全文数据库 信息技术辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116182873A (zh) * 2023-05-04 2023-05-30 长沙驰芯半导体科技有限公司 室内定位方法、系统及计算机可读介质

Also Published As

Publication number Publication date
CN115494450B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
Ho et al. An accurate algebraic solution for moving source location using TDOA and FDOA measurements
Bae et al. Large-scale indoor positioning using geomagnetic field with deep neural networks
CN110933630A (zh) 基于超宽带通信的室内三维定位方法及装置
Zhang et al. An efficient machine learning approach for indoor localization
WO2016112758A1 (zh) 终端的定位方法及装置
CN109379711B (zh) 一种定位方法
CN110996333A (zh) 一种基于鲸鱼算法的无线传感器网络节点定位方法
CN109298725A (zh) 一种基于phd滤波的群体机器人分布式多目标跟踪方法
CN111722180A (zh) 一种基于卡尔曼滤波的室内行人定位方法、装置及系统
Galov et al. Bayesian filters for ToF and RSS measurements for indoor positioning of a mobile object
CN115494450B (zh) 一种高精度的超宽带室内定位跟踪与控制方法及装置
Wang et al. A linear combination-based weighted least square approach for target localization with noisy range measurements
Atia et al. Dynamic propagation modeling for mobile users' position and heading estimation in wireless local area networks
WO2013096209A1 (en) System and method for probablistic wlan positioning
Garapati Vaishnavi et al. Underwater bearings-only tracking using particle filter
CN115226027A (zh) 一种WiFi室内指纹定位方法及装置
CN114660587A (zh) 基于Jerk模型的跳跃滑翔弹道目标跟踪方法及系统
Ou et al. An improved node localization based on adaptive iterated unscented Kalman filter for WSN
CN114415157A (zh) 一种基于水声传感器网络的水下目标多模型跟踪方法
CN112083410A (zh) 机动目标跟踪方法
CN112241583A (zh) 一种最小化后验距离的传感器路径优化方法
Chen et al. A novel RSS-based indoor positioning algorithm using mobility prediction
Wang et al. An advanced algorithm for Fingerprint Localization based on Kalman Filter
Beuchat et al. Optimization based self-localization for IoT wireless sensor networks

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