CN115683121A - 一种基于实测轨迹生成多源泛在定位指纹的方法 - Google Patents
一种基于实测轨迹生成多源泛在定位指纹的方法 Download PDFInfo
- Publication number
- CN115683121A CN115683121A CN202211715238.3A CN202211715238A CN115683121A CN 115683121 A CN115683121 A CN 115683121A CN 202211715238 A CN202211715238 A CN 202211715238A CN 115683121 A CN115683121 A CN 115683121A
- Authority
- CN
- China
- Prior art keywords
- ubiquitous
- measured
- generating
- fingerprints
- fingerprint data
- 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
Links
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
Abstract
本发明公开了一种基于实测轨迹生成多源泛在定位指纹的方法，包括确定泛在定位指纹的位置不确定值阀值范围的最大值，基于给定AP点与实测轨迹位置点生成其所对应的LF测量值，在实测轨迹位置点上添加位置不确定度，结合上述两点生成各种类型的指纹数据，指纹数据包括但不限于获得由机器人、专人采集的高精度、低密度的专业指纹，以及基于众包轨迹、语义轨迹等方式获取的低成本、广覆盖、频更新的消费者指纹。通过本发明技术方案能够基于实测轨迹生成多源泛在定位指纹数据，生成的数据有效的隔离了指纹LF测量值精度的影响，为用户提供了准确的定位参考真值，克服了对于高精度指纹难以获取更高精度参考轨迹的问题，非常适用室内定位领域。
Description
技术领域
本发明提出了一种基于实测轨迹生成多源泛在定位指纹的方法，属于室内定位领域。
背景技术
室内定位在室内定位跟踪、室内路径导航、导览、行为模式分析、群众疏导与救援、军事等方面具有十分重要的意义。指纹识别（FP）是当前室内定位的主流方法之一。FP定位算法分为两步：训练（即数据库生成）和预测（即通过实时LF测量值和数据库来定位）。数据库训练的目的是生成包含一系列[LF值，RP位置]对的数据库，为后续位置估计提供数据支持。取决于应用，定位指纹信号（LF）可能为无线信号强度、磁场强度、光强等。位置估计即通过实时LF测量值和数据库来估计待定位用户的位置，为用户提供精准的定位位置信息。
定位指纹数据是构建室内数据库的重要来源，其在室内定位中发挥着重要的作用。为充分满足不同的定位场景的定位需求，则需要使用不同的指纹数据来实现定位，而选择合适准确指纹数据则需要在相同场景中进行实验测试。但是由于指纹数据在采集的过程中比较费时费力，且其在采集的过程中容易受环境变化所产生的多径或遮挡等因素的影响会有导致现有采集数据有延迟、丢失，从而造成测量所得指纹数据的LF值不精准，进而降低了LF数据的可靠性，导致无法调整参数进行实验测试。而在定位的过程中，采集的机器人、行人等高精度指纹由于高精度指纹轨迹的位置不确定度较低，难以获取准确的高精度的定位参考真值，使用高精度指纹进行定位所获得的定位结果难以有真实的值与其进行对比，导致无法验证定位的准确性。
发明内容
本发明利用无线信号传输衰减公式，提出了一种基于实测轨迹生成多源泛在定位指纹方法。
本发明的技术方案为一种基于实测轨迹生成多源泛在定位指纹方法，包括以下步骤：
步骤1，计算泛在定位指纹数据的位置所对应的位置不确定度阀值范围的最大值，包括以下子步骤，
步骤1.1，基于所设置的参考运动轨迹，分别完成多种采集设备、多条正反方向采集路线的泛在定位指纹数据的实地采集工作；
步骤1.2，计算泛在定位指纹的位置点与参考运动轨迹的位置点之间的位置差值，基于位置差值统计计算得到泛在定位指纹所对应的标准差值α 1；
步骤1.3，根据正向采集方向，构建距离位置精度衰减因子函数，获得σ f ，根据反向采集方向构建距离位置精度衰减因子函数，获得σ b ，加权平均计算σ f 与σ b 两个值，记做α 2；
步骤1.4，加权平均计算α 1和α 2，并将其值作为泛在定位指纹的位置不确定度阀值范围的最大值α；
步骤2，采集运动轨迹，获取高精度实测运动轨迹，包括实测运动轨迹上的位置点；
步骤3，生成实测轨迹所对应的LF测量值；
步骤4，结合位置不确定度阀值范围的最大值α和LF测量值生成泛在定位指纹数据。
进一步的，所述泛在定位指纹数据包括机器人指纹、行人指纹、众包指纹和语义指纹。
进一步的，距离位置精度衰减因子函数的表达式如下；
σ=ad2+bd+c式一
其中a,b,c是距离位置精度衰减因子函数的系数，d则为采集所移动的距离，其中设置正向移动则距离则为d f ，反向移动则距离则为d b 。
进一步的，步骤2中，使用IMU设备采集运动轨迹，并使用双向平滑的方法对导航结果进行处理得到高精度实测运动轨迹。
进一步的，步骤3的具体实现方式如下；
步骤3.1，在步骤2所采集运动轨迹的区域内设置n个AP点坐标及其对应信号传播参数；
步骤3.2，通过无线信号传输衰减公式生成步骤2中实测运动轨迹每个位置点所对应的LF测量值，如下式二所示：
其中
为在实测轨迹上第i点处测量得到的第j个AP点的LF指纹信号强度，
为实测轨迹第i个点与第j个AP点之间的距离，
和
分别为第j个AP的信号传播
参数，分别为AP点与设备标准距离的信号强度和信号衰减因子。
进一步的，步骤4的具体实现方式如下；
步骤4.1，根据泛在定位指纹数据所对应的位置不确定度阀值范围的最大值α，结合高斯分布的概率密度函数生成泛在定位指纹数据的位置误差，如下式三所示，
其中μ为概率分布的均值，σ则为分布的标准差，即位置不确定度的阀值范围的最大值α；
步骤4.2，在步骤2实测运动轨迹上的位置点的基础上添加步骤4.1所生成的位置误差，生成泛在定位指纹数据的位置；
步骤4.3，将步骤4.2中泛在定位指纹数据的位置与步骤3中的LF测量值相结合，生成泛在定位指纹数据。
进一步的，步骤2中的运动轨迹是使用采样率为200 Hz，陀螺和加速度计的零偏值
分别为10°/h和0.2mg ，角速度和加速度白噪声分别为
和0.2mg的IMU所采集的。
进一步的，步骤3.2中，
和
分别设置为[-60 dBm, -40 dBm]的均匀分布和
[2, 3.5]的均匀分布。
本发明的优势在于：提出了一种基于实测轨迹生成多源泛在定位指纹方法，基于实测轨迹生成多源泛在定位指纹数据，生成的数据有效的隔离了指纹数据LF测量值精度的影响，为用户提供了准确的定位参考真值，克服了对于高精度指纹难以获取更高精度参考轨迹的问题，非常适用室内定位领域。
附图说明
图1为本发明实施例的多源泛在定位指纹生成流程图。
图2为本发明实施例的机器人泛在定位指纹轨迹图。
图3为本发明实施例的行人泛在定位指纹轨迹图。
图4为本发明实施例的众包泛在定位指纹轨迹图。
图5为本发明实施例的语义泛在定位指纹轨迹图。
具体实施方式
本发明的关键在于基于实测轨迹生成多源泛在定位指纹数据，为高精度的指纹提供高精度的参考轨迹，避免了指纹数据中LF测量值精度对指纹的影响，为相应实验提供了有效的数据支撑。
本发明提供的方法能够用计算机软件技术实现流程。参见图1，本实例以最广泛使
用的WiFi RSS为例，其所使用的IMU数据是使用采样率为200 Hz，陀螺和加速度计的零偏值
分别为10°/h和0.2mg ，角速度和加速度白噪声分别为
和0.2mg的IMU所采集的，通
过双向平滑的方法对IMU采集结果进行处理得到高精度实测运动轨迹的精度达到分米级。
具体流程如下，
步骤1，计算机器人、行人、众包、语义等泛在定位指纹数据的位置所对应的位置不确定度的阀值范围的最大值，其中确定位置不确定度的阀值范围的最大值原因：（1）.同一条路线，每个指纹采集所得到的位置点与这条路线真实位置点之间存在位置误差，针对不同的指纹数据，其位置误差是不同的但都在一个阀值范围内，例如机器人的位置误差和真实值的差距大约小于等于0.5m左右，所以仿真生成机器人指纹的位置时，其和真实值的位置差值不能超过0.5m，这个0.5m则为此处的位置不确定度的阀值范围的最大值。（2）.由于位置误差符合高斯分布，设置位置不确定度的阀值范围的最大值具体的作用是为了高斯仿真生成泛在指纹数据位置点的位置误差时所设置的参数值，即高斯分布的概率密度函数中的标准差σ。
步骤1的具体实现包括以下子步骤，
步骤1.1，基于所设置的参考运动轨迹，分别完成多种采集设备、多条正反方向采集路线的机器人、行人、众包、语义泛在定位指纹数据的实地采集工作；
步骤1.2，计算机器人泛在定位指纹的位置点与参考运动轨迹的位置点之间的位置差值，基于位置差值统计计算得到机器人泛在定位指纹所对应的标准差值α1；
步骤1.3，分别重复步骤1.2，得到行人、众包、语义泛在定位指纹所对应的标准差值，分别为β 1、γ 1、ψ 1；
步骤1.4，根据正向采集方向，构建距离位置精度衰减因子函数，获得σ f ，根据反向采集方向构建距离位置精度衰减因子函数，获得σ b ，加权平均计算σ f 与σ b 两个值，记做α 2；
距离位置精度衰减因子函数的表达式如下；
σ=ad2+bd+c式一
其中a,b,c是距离位置精度衰减因子函数的系数，d则为采集所移动的距离，其中设置正向移动则距离则为d f ，反向移动则距离则为d b 。
步骤1.5，分别重复步骤1.4，得到行人、众包、语义泛在定位指纹所对应的标准差值，分别为β 2、γ 2、ψ 2；
步骤1.6，加权平均计算α 1和α 2，并将其值作为泛在定位指纹的位置不确定度阀值范围的最大值α；
步骤1.7，分别重复步骤1.6，得到行人、众包、语义泛在定位指纹所对应的位置不确定度阀值范围的最大值，分别为β、γ、ψ；
步骤2，使用IMU设备采集运动轨迹，并使用双向平滑的方法对导航结果进行处理得到高精度实测运动轨迹，即可获得实测运动轨迹上的位置；
步骤3，生成实测轨迹所对应的LF测量值，包括以下子步骤，
步骤3.1，在步骤2所采集运动轨迹的区域内设置5个AP点坐标，AP（access point）接入点，这个为各个信号发出设备所在的点，一个AP对应一个LF测量值向量中的一个值，即LF测量值（rss1、rss2、rss3、rss4、rss5）；
步骤3.2，通过无线信号传输衰减公式生成步骤2中实测运动轨迹每个位置点所对应的LF测量值，如下式二所示
其中
为在实测轨迹上第i点处测量得到的第j个AP点的LF指纹信号强度，
为实测轨迹第i个点与第j个AP点之间的距离，
和
分别为第j个AP的信号传播
参数，分别为WiFi Ap点与设备距离为d_0（例如1m）处的RSS值和信号衰减因子。实例中
和
分别设置为[-60 dBm, -40 dBm]的均匀分布和[2, 3.5]的均匀分布。
步骤4，生成机器人、行人、众包、语义等泛在定位指纹数据，包括以下子步骤，
步骤4.1，根据机器人泛在定位指纹数据所对应的位置不确定度阀值范围的最大值α，结合高斯分布的概率密度函数生成机器人泛在定位指纹数据的位置误差，如下式三所示，
其中μ为概率分布的均值，本次实例设置为0，σ则为位置误差标准差的最大值，基于步骤1所获得的位置不确定度的阀值范围的最大值α，其对应的则为式三公式中机器人指纹的位置误差标准差σ大致设置为0.4米左右，如图2所示。
步骤4.2，在步骤2实测运动轨迹上的位置点的基础上添加步骤4.1所生成的位置误差，生成泛在定位指纹数据的位置；
步骤4.3，将步骤4.2中泛在定位指纹数据的位置与步骤3中的LF测量值相结合，生成泛在指纹数据；
步骤4.4，分别重复步骤4.1-步骤4.3，完成行人、众包、语义泛在定位指纹的生成。
将行人指纹的位置误差标准差σ根据其步骤1所获得的位置不确定度阀值范围的最大值β大致设置为1米左右，如图3所示；众包指纹的位置误差标准差σ根据其步骤1所获得的位置不确定度阀值范围的最大值γ大致设置为10米左右，如图4所示；语义指纹的位置误差标准差σ根据其步骤1所获得的位置不确定度阀值范围的最大值ψ大致设置为20米左右，如图5所示，至此完成各种类型泛在定位指纹数据的生成。
上述实施例描述仅为了清楚说明本发明的基本技术方案，但本发明并不仅限于上述实施例；本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围；凡是依据本发明的技术实质上实施例所作的任何简单修改、等同变化与修饰，均落入本发明的技术方案的保护范围之内。
Claims (8)
1.一种基于实测轨迹生成多源泛在定位指纹的方法，其特征在于：包括以下步骤，
步骤1，计算泛在定位指纹数据的位置所对应的位置不确定度阀值范围的最大值，包括以下子步骤，
步骤1.1，基于所设置的参考运动轨迹，分别完成多种采集设备、多条正反方向采集路线的泛在定位指纹数据的实地采集工作；
步骤1.2，计算泛在定位指纹的位置点与参考运动轨迹的位置点之间的位置差值，基于位置差值统计计算得到泛在定位指纹所对应的标准差值α 1；
步骤1.3，根据正向采集方向，构建距离位置精度衰减因子函数，获得σ f ，根据反向采集方向构建距离位置精度衰减因子函数，获得σ b ，加权平均计算σ f 与σ b 两个值，记做α 2；
步骤1.4，加权平均计算α 1和α 2，并将其值作为泛在定位指纹的位置不确定度阀值范围的最大值α；
步骤2，采集运动轨迹，获取高精度实测运动轨迹，包括实测运动轨迹上的位置点；
步骤3，生成实测轨迹所对应的LF测量值；
步骤4，结合位置不确定度阀值范围的最大值α和LF测量值生成泛在定位指纹数据。
2.如权利要求1所述的一种基于实测轨迹生成多源泛在定位指纹的方法，其特征在于：所述泛在定位指纹数据包括机器人指纹、行人指纹、众包指纹和语义指纹。
3.如权利要求1所述的一种基于实测轨迹生成多源泛在定位指纹的方法，其特征在于：距离位置精度衰减因子函数的表达式如下；
σ=ad2+bd+c式一
其中a,b,c是距离位置精度衰减因子函数的系数，d则为采集所移动的距离，其中设置正向移动则距离则为d f ，反向移动则距离则为d b 。
4.如权利要求1所述的一种基于实测轨迹生成多源泛在定位指纹的方法，其特征在于：步骤2中，使用IMU设备采集运动轨迹，并使用双向平滑的方法对导航结果进行处理得到高精度实测运动轨迹。
5.如权利要求1所述的一种基于实测轨迹生成多源泛在定位指纹的方法，其特征在于：步骤3的具体实现方式如下；
步骤3.1，在步骤2所采集运动轨迹的区域内设置n个AP点坐标及其对应信号传播参数；
步骤3.2，通过无线信号传输衰减公式生成步骤2中实测运动轨迹每个位置点所对应的LF测量值，如下式二所示：
其中
为在实测轨迹上第i点处测量得到的第j个AP点的LF指纹信号强度，
为实测轨迹第i个点与第j个AP点之间的距离，
和
分别为第j个AP的信号传播参数，分
别为AP点与设备标准距离的信号强度和信号衰减因子。
6.如权利要求1所述的一种基于实测轨迹生成多源泛在定位指纹的方法，其特征在于：步骤4的具体实现方式如下；
步骤4.1，根据泛在定位指纹数据所对应的位置不确定度阀值范围的最大值α，结合高斯分布的概率密度函数生成泛在定位指纹数据的位置误差，如下式三所示，
其中μ为概率分布的均值，σ则为分布的标准差，即位置不确定度的阀值范围的最大值α；
步骤4.2，在步骤2实测运动轨迹上的位置点的基础上添加步骤4.1所生成的位置误差，生成泛在定位指纹数据的位置；
步骤4.3，将步骤4.2中泛在定位指纹数据的位置与步骤3中的LF测量值相结合，生成泛在定位指纹数据。
7.如权利要求4所述的一种基于实测轨迹生成多源泛在定位指纹的方法，其特征在于：
步骤2中的运动轨迹是使用采样率为200 Hz，陀螺和加速度计的零偏值分别为10°/h和
0.2mg ，角速度和加速度白噪声分别为
和0.2mg的IMU所采集的。
8.如权利要求5所述的一种基于实测轨迹生成多源泛在定位指纹的方法，其特征在于：
步骤3.2中，
和
分别设置为[-60 dBm, -40 dBm]的均匀分布和[2, 3.5]的均匀分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211715238.3A CN115683121B (zh) | 2022-12-30 | 2022-12-30 | 一种基于实测轨迹生成多源泛在定位指纹的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211715238.3A CN115683121B (zh) | 2022-12-30 | 2022-12-30 | 一种基于实测轨迹生成多源泛在定位指纹的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115683121A true CN115683121A (zh) | 2023-02-03 |
| CN115683121B CN115683121B (zh) | 2023-03-17 |
Family
ID=85057220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211715238.3A Active CN115683121B (zh) | 2022-12-30 | 2022-12-30 | 一种基于实测轨迹生成多源泛在定位指纹的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115683121B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2725250A1 (en) * | 2010-12-13 | 2012-06-13 | Shahrokh Valaee | System, method and computer program for anonymous localization |
| WO2013149378A1 (en) * | 2012-04-05 | 2013-10-10 | Telefonaktiebolaget L M Ericsson (Publ) | Positioning accuracy estimation |
| CN105044668A (zh) * | 2015-08-25 | 2015-11-11 | 武汉易得路位置科技有限公司 | 一种基于多传感器装置的wifi指纹数据库构建方法 |
| CN106792465A (zh) * | 2016-12-26 | 2017-05-31 | 华中科技大学 | 一种基于众包指纹的室内指纹地图构建方法 |
| CN108534779A (zh) * | 2018-03-09 | 2018-09-14 | 华中科技大学 | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 |
| CN110933596A (zh) * | 2019-12-04 | 2020-03-27 | 哈尔滨工业大学 | 一种基于度量学习的指纹定位方法 |
| CN111277946A (zh) * | 2018-12-04 | 2020-06-12 | 重庆邮电大学 | 一种蓝牙室内定位系统中指纹库自适应更新方法 |
| CN111818446A (zh) * | 2020-06-02 | 2020-10-23 | 南京邮电大学 | 一种基于位置指纹的室内定位优化方法及系统 |
-
2022
- 2022-12-30 CN CN202211715238.3A patent/CN115683121B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2725250A1 (en) * | 2010-12-13 | 2012-06-13 | Shahrokh Valaee | System, method and computer program for anonymous localization |
| WO2013149378A1 (en) * | 2012-04-05 | 2013-10-10 | Telefonaktiebolaget L M Ericsson (Publ) | Positioning accuracy estimation |
| CN105044668A (zh) * | 2015-08-25 | 2015-11-11 | 武汉易得路位置科技有限公司 | 一种基于多传感器装置的wifi指纹数据库构建方法 |
| CN106792465A (zh) * | 2016-12-26 | 2017-05-31 | 华中科技大学 | 一种基于众包指纹的室内指纹地图构建方法 |
| CN108534779A (zh) * | 2018-03-09 | 2018-09-14 | 华中科技大学 | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 |
| CN111277946A (zh) * | 2018-12-04 | 2020-06-12 | 重庆邮电大学 | 一种蓝牙室内定位系统中指纹库自适应更新方法 |
| CN110933596A (zh) * | 2019-12-04 | 2020-03-27 | 哈尔滨工业大学 | 一种基于度量学习的指纹定位方法 |
| CN111818446A (zh) * | 2020-06-02 | 2020-10-23 | 南京邮电大学 | 一种基于位置指纹的室内定位优化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张鹏;赵齐乐;李由;牛小骥;刘经南;: "基于PDR、WiFi指纹识别、磁场匹配组合的室内行人导航定位" * |
| 陈晨;杨艳丽;: "一种基于轨迹指纹优化的室内定位算法" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115683121B (zh) | 2023-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Activity sequence-based indoor pedestrian localization using smartphones | |
| CN106714110B (zh) | 一种Wi-Fi位置指纹地图自动构建方法及系统 | |
| EP3019827B1 (en) | Indoor location-finding using magnetic field anomalies | |
| CN105606102B (zh) | 一种基于格网模型的pdr室内定位方法及系统 | |
| US10341982B2 (en) | Technique and system of positioning a mobile terminal indoors | |
| Xue et al. | APs’ virtual positions-based reference point clustering and physical distance-based weighting for indoor Wi-Fi positioning | |
| Yin et al. | Dynam-SLAM: An accurate, robust stereo visual-inertial SLAM method in dynamic environments | |
| CN112533149A (zh) | 一种基于uwb移动节点的移动目标定位算法 | |
| Wang et al. | Error-ellipse-resampling-based particle filtering algorithm for target tracking | |
| Khassanov et al. | Finer-level sequential wifi-based indoor localization | |
| CN114137562B (zh) | 一种基于改进全局最邻近的多目标跟踪方法 | |
| Yang et al. | Deepwipos: a deep learning-based wireless positioning framework to address fingerprint instability | |
| Wang et al. | A hierarchical LSTM-based indoor geomagnetic localization algorithm | |
| Qin et al. | Compensating the NLoS occlusion errors of UWB for pedestrian localization with MIMU | |
| Zhuang et al. | Autonomous WLAN heading and position for smartphones | |
| Wendlandt et al. | Continuous location and direction estimation with multiple sensors using particle filtering | |
| CN115683121B (zh) | 一种基于实测轨迹生成多源泛在定位指纹的方法 | |
| Lee et al. | An adaptive sensor fusion framework for pedestrian indoor navigation in dynamic environments | |
| Madray et al. | Relative angle correction for distance estimation using K-nearest neighbors | |
| CN115638795B (zh) | 一种室内多源泛在定位指纹数据库的生成与定位方法 | |
| Lin et al. | A Cnn-Speed-Based Gnss/Pdr Integrated System For Smartwatch | |
| Huang et al. | A Directional Particle Filter-Based Multi-Floor Indoor Positioning System | |
| Han et al. | Research on indoor positioning based on fusion of Wi-Fi/PDR | |
| CN115696572B (zh) | 一种定位数据的生成方法、装置及相关设备 | |
| CN116736327B (zh) | 定位数据优化方法、装置、电子设备和可读存储介质 |
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 |