CN116567531A - 基于粒子滤波算法的传感器融合室内定位方法及系统 - Google Patents
基于粒子滤波算法的传感器融合室内定位方法及系统 Download PDFInfo
- Publication number
- CN116567531A CN116567531A CN202310364181.5A CN202310364181A CN116567531A CN 116567531 A CN116567531 A CN 116567531A CN 202310364181 A CN202310364181 A CN 202310364181A CN 116567531 A CN116567531 A CN 116567531A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- uwb
- positioning
- fusion
- information
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 147
- 239000002245 particle Substances 0.000 title claims abstract description 95
- 230000004927 fusion Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000006073 displacement reaction Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 34
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 13
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于粒子滤波算法的传感器融合室内定位方法及系统,应用于云服务器,该方法包括:通过UWB收发器测量得到各个基站与移动智能终端的距离;在移动的过程中,通过惯性传感器单元,计算得到用户在移动过程中产生的位移矢量;接下来,利用UWB信号的信道响应信息得到有效测距基站的数目;最后,将目前计算得到的所有数据作为粒子滤波融合算法的输入,利用融合算法完成数据融合,得到所属移动智能终端的位置信息。本发明充分考虑了室内复杂环境对于UWB信道的影响,设计了一种融合定位方法,相较于单一信源定位而言,对外界环境变化的鲁棒性更强、定位精度更高、实用性更强;相较于传统的多源融合算法而言,灵活性和可移植性更强。
Description
技术领域
本申请涉及信号检测和无线定位技术领域,具体涉及一种基于粒子滤波算法的传感器融合室内定位方法及系统。
背景技术
室内定位技术在特定场合受到了广泛关注。在室内环境中,卫星信号衰落严重,GPS几乎无法使用,因此需要特别研究室内定位技术。近年来,移动智能终端高速普及,基于移动智能终端的室内定位技术,由于其较强的实用性和易推广性,更是成为研究的热点。
室内定位的技术分为基于外置信源的定位技术和基于天然信源的定位技术。基于外置信源的技术依赖外置信源,会主动布设基站标签等信息,利用系统主动的信息交互完成定位;基于天然信源的技术仅依靠终端传感器,利用周围环境可采集到的信息即可完成定位。
现有基于外置信源的定位技术采用的信号形式主要有WiFi、蓝牙、超宽带(UltraWide Band,UWB)、声波等。基于WiFi的定位系统多数采用接收信号强度(Received SignalStrength Indication,RSSI)指纹法。在某个位置接收到的多个WiFi接入点的RSSI作为位置指纹,首先采集多个已知位置的指纹构建指纹库,当需要定位时,把当前获得的位置指纹和指纹库匹配,选取指纹库中与当前指纹最接近的作为定位结果。指纹库的构建过程较为复杂,并且其可移植性较差,通常为一个新的环境就需要构建一套新的位置指纹库,增加了很多不必要的人力物力成本。基于蓝牙的定位系统建立蓝牙RSSI和传播距离的路径损耗模型,通过RSSI测距法进行定位。然而,蓝牙通信距离较短,定位系统需要密集部署蓝牙节点,系统部署复杂、实用性差。基于声波的定位系统多数采用声波到达时间或者到达时间差进行定位,基站定时发射声信号,利用移动终端获取声信号的到达时间,通过几何关系完成定位。该方法基站发射声信号会被周围的人听到,从而造成声波的污染,并且在较为嘈杂的地方也容易受到周围环境噪声的影响。基于UWB的定位系统通常采用双程测距(Two WayRanging,TWR)测量信号从预先部署在特定环境中的基站到移动终端的飞行时间,随后建立移动终端与基站之间的位置几何关系,从而解算出移动节点位置,其定位精度可达到厘米级。然而,UWB基站系统部署成本较为昂贵,为保证定位精度,系统一般需要大量部署定位基站,这导致了系统成本的进一步增加,从而限制了该方法的推广。
现有基于天然信源的定位技术,包括地磁导航、惯性导航等。地磁导航是采用指纹匹配的方法,通过事先采集并精确的构建地磁指纹数据库,利用传感器获取定位目标当前位置的磁场数据,将实时数据与地磁指纹库基准数据精确匹配得到定位目标当前的位置。利用位置指纹进行匹配的定位方法,构建指纹库需要大量人力物力成本,并且指纹库的泛用性较差,新的环境需要构建新的指纹库才可完成定位。惯性导航技术是利用惯性传感器对于待定位目标的运动状态进行检测,利用相关的算法对前一个时刻的位置信息进行处理,得到当前时刻的相对位置。利用该技术进行定位,具备较强的自主性,并且短时间内的定位精度和连续性非常高;但是定位误差会随着时间累计,长时间进行定位会产生较大的定位误差。
采用外置信源的定位技术有其固有的缺陷,如预设基站与定位目标之间完成信息交换时的信号传播过程中容易受到外部环境的噪声影响,导致信号传播时间的不准确,甚至会产生部分基站信息确实的情况,最终影响定位的精度。采用天然信源的定位技术则对于外界噪声有较强的鲁棒性,然而两种采用天然信源的定位技术也各有其缺陷。因此,单独使用天然信源和外置信源两种技术定位均无法满足室内定位的需求。
发明内容
本申请实施例的目的是提供一种基于粒子滤波算法的传感器融合室内定位方法及系统,以解决传统定位方法中,单一信源定位由于自身的性能缺陷导致无法满足室内定位需求的问题。
根据本申请实施例的第一方面,提供一种基于粒子滤波算法的传感器融合室内定位方法,应用于云服务器,包括:
S1:控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量;
S2:从移动智能终端获取到用户在一段时间内产生的相对位移矢量;
S3:利用所述各基站与智能终端的距离,构建三边定位模型,通过最小二乘法解算所述三边定位模型,得到用户当前时刻的UWB定位结果;
S4:根据所述当前时刻的UWB定位结果、之前一个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量一;
S5:根据之前两个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量二;
S6:利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤;
S7:利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重;
S8:利用所述粒子的权重,得到当前时刻粒子的分布结果,并计算在当前粒子分布的期望作为融合滤波算法的定位结果。
进一步地,控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量,包括:
智能终端每隔固定时间向云服务器发送信息交换的请求,再由云服务器向各UWB基站分配工作时隙;
各UWB基站按照各自编号在自己的工作时隙,依次向智能终端发送UWB测距信号;
UWB基站与智能终端将完成信息交换,信息交换完成之后,智能终端获取到UWB测距的时间戳数据,以及UWB基站物理层的信道脉冲响应信息;
智能终端根据信息交换获得的所述UWB测距的时间戳数据,利用双边双程测距算法,计算各UWB基站与智能终端的距离;
根据所述UWB基站物理层的信道脉冲响应信息,进行LOS和NLOS的鉴别,确定用于融合定位算法的有效基站数量。
进一步地,从移动智能终端获取到用户在一段时间内产生的相对位移矢量,包括:
利用行人航位推算算法对惯性传感器单元中的加速度计所采集数据进行峰值检测,以判断行人是否走过一步;
利用惯性传感器单元中的陀螺仪、磁力计这两个传感器所采集到的数据判断行人的航向;
判断行人走过一步之后,利用钟摆模型计算行人的步长信息,并且记录当时行人的航向信息;
将行人走过一步的之后所得到的步长信息和航向信息进行计算,计算得到行人走过一步之后的坐标变换,该坐标变换即为所述相对位移矢量;
进一步地,利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤,包括:
利用所述相对位移矢量确定当前用户的行走状态;
判断当前行走状态是否发生突变,若发生突变,则直接采用所述输入量一作为时间更新的输入量;否则进行下一步;
设置固定的时间窗口,利用固定时间窗口内的所述相对位移矢量和所述UWB定位结果,共同确定时间更新的输入量。
进一步地,利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重,包括:
利用所述UWB基站与移动智能终端的距离测量结果,计算在当前粒子分布的先验条件下,得到所述UWB基站与移动智能终端的距离的条件概率;
利用所述位移矢量,计算当前粒子分布的先验条件下,得到所述位移矢量的条件概率;
利用有效基站数量,以及之前时刻的历史测量记录的反馈信息,通过权重自适应更新算法,得到所述UWB基站与移动智能终端的距离的条件概率和所述位移矢量的条件概率在粒子更新中所占的比重,并计算当前测量情况的条件概率;
利用所述粒子分布的先验条件,以及所述当前测量情况的条件概率,根据贝叶斯理论,计算粒子分布情况的后验概率。
根据本申请实施例的第二方面,提供一种基于粒子滤波算法的传感器融合室内定位系统,应用于云服务器,包括:
控制获取模块,用于控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量;
获取模块,用于从移动智能终端获取到用户在一段时间内产生的相对位移矢量;
建模解算模块,用于利用所述各基站与智能终端的距离,构建三边定位模型,通过最小二乘法解算所述三边定位模型,得到用户当前时刻的UWB定位结果;
第一计算模块,用于根据所述当前时刻的UWB定位结果、之前一个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量一;
第二计算模块,用于根据之前两个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量二;
更新模块,用于利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤;
权重计算模块,用于利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重;
第三计算模块,用于利用所述粒子的权重,得到当前时刻粒子的分布结果,并计算在当前粒子分布的期望作为融合滤波算法的定位结果。
根据本申请实施例的第三方面,提供一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的方法。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
(1)本申请采用一种天然信源和一种外置信源信息融合的方式进行室内定位,克服采用单一外部信源易受到外部环境噪声,单独采用惯性传感器进行定位误差随时间积累的问题,进而使得定位的结果更加精确,且对于外界干扰的鲁棒性更强。
(2)本申请采用速度选择算法在两种时间更新控制输入量中选择一种进行时间更新,克服了UWB定位结果受环境噪声干扰而产生较大定位误差的问题,同时也解决了只利用历史定位信息完成时间状态更新,在遇到行人行走状态突变时,定位误差增大的问题,进而使得本申请的算法对于行人行走状态以及环境噪声干扰均具有较大的鲁棒性更强。
(3)本申请采用UWB物理层信道脉冲响应进行LOS和NLOS鉴别,并将鉴别的结果应用到融合定位算法中,使得本申请的融合定位算法对于信号的非视距传播造成的定位误差具有较强的抗性;
(4)本申请采用权重更新算法计算位移矢量和UWB距离测量在粒子权重计算中的比重,使得本申请的融合算法具有更强的可移植性和可扩展性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种基于粒子滤波算法的传感器融合室内定位方法的流程图。
图2是根据一示例性实施例示出的根据DS-TWR算法计算信号飞行时间的原理图。
图3是根据一示例性实施例示出的一种基于粒子滤波算法的传感器融合室内定位方法涉及到的硬件的结构框图。
图4是根据一示例性实施例示出的一种基于粒子滤波算法的传感器融合室内定位方法的原理图。
图5是根据一示例性实施例示出的一种基于自适应粒子滤波算法的传感器融合室内定位系统的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是根据一示例性实施例示出的一种基于自适应粒子滤波算法的传感器室内定位方法的流程图,如图1所示,该方法应用于终端中,可以包括以下步骤:
步骤S1:控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量;
步骤S2:从移动智能终端获取到用户在一段时间内产生的相对位移矢量;
步骤S3:利用所述各基站与智能终端的距离,构建三边定位模型,通过最小二乘法解算所述三边定位模型,得到用户当前时刻的UWB定位结果;
步骤S4:根据所述当前时刻的UWB定位结果、之前一个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量一;
步骤S5:根据之前两个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量二;
步骤S6:利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤;
步骤S7:利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重;
步骤S8:利用所述粒子的权重,得到当前时刻粒子的分布结果,并计算在当前粒子分布的期望作为融合滤波算法的定位结果。
本申请采用一种天然信源和一种外置信源信息融合的方式进行室内定位,克服采用单一外部信源易受到外部环境噪声,单独采用惯性传感器进行定位误差随时间积累的问题,进而使得定位的结果更加精确,且对于外界干扰的鲁棒性更强。
本申请采用速度选择算法在两种时间更新控制输入量中选择一种进行时间更新,克服了UWB定位结果受环境噪声干扰而产生较大定位误差的问题,同时也解决了只利用历史定位信息完成时间状态更新,在遇到行人行走状态突变时,定位误差增大的问题,进而使得本申请的算法对于行人行走状态以及环境噪声干扰均具有较大的鲁棒性更强。
本申请采用UWB物理层信道脉冲响应进行LOS和NLOS鉴别,并将鉴别的结果应用到融合定位算法中,使得本申请的融合定位算法对于信号的非视距传播造成的定位误差具有较强的抗性;
本申请采用权重更新算法计算位移矢量和UWB距离测量在粒子权重计算中的比重,使得本申请的融合算法具有更强的可移植性和可扩展性。
上述步骤S1中控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量;该步骤可以包括以下子步骤:
S11:智能终端每隔固定时间向云服务器发送信息交换的请求,再由云服务器向各UWB基站分配工作时隙;
具体地,移动智能终端向云服务器的云控制中心发送测距请求,当云控制中心接收到定位请求之后,按照UWB基站的编号为UWB定位基站分配工作时隙。根据UWB基站模块处理信息的速度,选择20ms为一个工作时隙。这样做可以避免不同UWB基站模块同时进行发送测距信息造成信号冲突的问题,且可以在较短的时间内完成测距。
S12:各UWB基站按照各自编号在自己的工作时隙,依次向智能终端发送UWB测距信号;
具体地,各UWB基站在没有测距任务之时处于低功耗模式。UWB基站在各自的工作时隙中,首先,唤醒各自的UWB收发器模块;然后,向移动智能终端发送UWB测距信号;当测距完成之后,各UWB定位基站工作在低功耗模式,可降低基站工作时的功耗。
S13:UWB基站与智能终端将完成信息交换,信息交换完成之后,智能终端获取到UWB测距的时间戳数据,以及UWB基站物理层的信道脉冲响应信息;
具体地,在获取UWB时间戳的时候,可以获得UWB信号的PHY层的信息,根据PHY层的CIR数据可以鉴别出LOS信道和NLOS信道。具体算法为:UWB接收器通过在PHY层观测到的前导码CIR测量出直达径接收信号强度FSL和多径接收信号的强度RSL。利用在LOS信道中的FSL和RSL的区别较小;在NLOS信道中,由于障碍物的存在导致FSL信号衰减甚至消失,使得二者之间的区别会增加原理,计算RSL和FSL的差值GAP。若GAP>10,则判断为NLOS情况;否则判断平均RSL和RSL的大小,若平均RSL<RSL,则为LOS情况,否则为NLOS情况。剔除掉NLOS信道的测量结果,剩下的为有效数据。利用这种方式完成LOS和NLOS的鉴别,计算过程简单,无需额外的参数计算。
S14:智能终端根据信息交换获得的所述UWB测距的时间戳数据,利用双边双程测距算法,计算各UWB基站与智能终端的距离;
具体地,单个基站测距原理如图2中的(a)所示,由基站向待定位标签发送Initialmsg,待定位标签接收到Initial msg后,在经过一段处理的时间向基站回复Reply msg,基站一侧接收到信息之后,最后进行一次信息回复。分别在发送完信息和接收到信息时标记对应的时间戳,于是在基站一侧和待定位标签一侧均产生了两端时间间隔,根据这两个时间间隔可以得到信号的飞行时间Tf:
多基站的DS-TWR测距原理如图2中的(b)所示,在基站接收到云控制中心发送而来的开始定位指令之后,各基站按照自身的编号,间隔Tp,发送Initial msg的顺序,基站i发送初始定位信号的时间为:
t=(i-1)Tp
S15:根据所述UWB基站物理层的信道脉冲响应信息,进行LOS和NLOS的鉴别,确定用于融合定位算法的有效基站数量。
S2:从移动智能终端获取到用户在一段时间内产生的相对位移矢量;该步骤可以包括以下子步骤:
S21:利用行人航位推算算法对惯性传感器单元中的加速度计所采集数据进行峰值检测,以判断行人是否走过一步;
S22:利用惯性传感器单元中的陀螺仪、磁力计这两个传感器所采集到的数据判断行人的航向;
S23:判断行人走过一步之后,利用钟摆模型计算行人的步长信息,并且记录当时行人的航向信息;
S24:将行人走过一步的之后所得到的步长信息和航向信息进行计算,计算得到行人走过一步之后的坐标变换,该坐标变换即为所述相对位移矢量;
S3:利用所述各基站与智能终端的距离,构建三边定位模型,通过最小二乘法解算所述三边定位模型,得到用户当前时刻的UWB定位结果;
S4:根据所述当前时刻的UWB定位结果、之前一个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量一;
具体地,假设室内定位系统中有一个待定位标签和一组坐标已知的UWB定位基站,令xk=[xk,yk]T,vk=[vx,k,vy,k]T分别表示待定位标签的坐标和速度,下标k表示第k个时刻。首先考虑在动态模型中速度未知的情况,在这种情况中,速度vk通常会被包含在状态向量中。因此,状态向量即为Xk=[xk,yk,vx,k,vy,k]T。此时的动态模型可以表示为:
Xk=FXk-1+Gwk-1
其中,表示状态转移矩阵;,/>表示噪声驱动矩阵,I=diag(1,1);wk-1表示状态转移过程中的噪声向量,其协方差矩阵为Q;ΔT为采样的时间间隔。
上述公式所示的就是室内定位系统所采用的标准粒子滤波器动态模型。然而,将速度也包含在状态向量中会造成一些问题,其中最典型的就是“维度诅咒”的问题,即状态向量维度的增加会导致需要更多的粒子来完成滤波。该问题的一种解决方案是使用Rao-Blackwellized粒子滤波器。该滤波器将状态向量分成非线性状态变量和线性状态变量,即表示状态向量中的非线性部分,/>表示状态向量中的线性部分。此时,动态模型就被分成了两个子模型:
其中:
C=Al=I
An=Gl=ΔT×I
对于上述公式的第一个子模型,可以采用粒子滤波器进行估计;对于第二个子模型,线性变量可以采用例如卡尔曼滤波器等线性估计其进行估计。于是,最终利用粒子滤波器估计的动态模型就变成了:
xk=Fxk-1+Buk-1+Gwk-1
其中,F=diag(1,1),B=diag(ΔT,ΔT)表示控制向量的驱动矩阵,uk-1=vk表示控制向量,
利用位置解算算法首先解算出第k+1个时刻的位置,然后求解出当前时刻的速度作为控制量,即
其中,xuwb,yuwb表示用二次验证算法获得的待定位标签的坐标。由于被估计速度量的协方差可以由噪声传播的性质来决定,使用该方法可以自适应的设置运动过程中的噪声。假设xuwb,k和xuwb,k+1的协方差矩阵分别是Quwb,k和Quwb,k+1,并且它们之间相互独立,则vk的协方差矩阵为
在这种情况下,因为算法已经可以自适应的决定运动过程噪声,所以没必要再去设置运动过程噪声。
S5:根据之前两个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量二;
具体地,将前一刻的速度作为输入控制量,即
其中,表示在采样时刻k的速度估计量,xPF,yPF表示使用粒子滤波器得到的位置估计坐标。在实际计算的时候,需要用第k-1个时刻的速度作为状态输入控制量去完成第k个时刻的状态转移。此时,由于从k=1到k=2的状态转移的输入量未知,需要将速度的初始值设为0。
S6:利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤;该步骤可以包括以下子步骤:
具体地,速度选择算法是在上面提到的两种速度估计算法中选择一个作为粒子滤波时间更新的控制输入量的算法。在不同的场景下,利用计算速度的方法一和方法二计算粒子滤波器的控制输入量所得到的估计结果的误差是不同的。原则上,在计算速度时会选取误差较小的方案作为控制输入量的结果。经研究发现,方法一的估计误差主要和行走的姿态相关;方法二的估计误差和二次验证算法的固有误差相关。因此,在速度选择算法中,利用IMU的解算结果和二次验证算法的误差,选择误差更小的方案。
所述速度选择算法基于人在行走时的以下几条规律上:
xuw,b,k第一,在行走时,会出现模式变换,但是这种模式变换不会在一瞬间完成,而是会有一个例如加速、减速的过渡时期。有以下几个原因:首先人的腿部所提供的动力比较有限,很难在走一步的时间内获得很大加速度;其次,在室内场景中,相比于运动员在跑步时爆发性的加速运动,人更倾向于自然,均匀的行走。在这种情况下,人行走过程中的加速度是不会很大的。
第二,在室内场景中,人在行走时很有可能会发生转向,或者突然的停止。这时会导致某个方向上的加速度发生突然的变化。
由此,在进行速度计算方案选择时,可以利用PDR解算得到的航向角估计结果作为方法一的误差判断依据。
假设利用所述UWB定位结果得到的当前时刻待定位标签的位置xUWB,k;利用IMU通过PDR算法的解算结果为相对位移ΔS,航向角估计ψ;则利用IMU得到的当前时刻的绝对位置为:
在本文所建立的坐标系中,PDR算法解算得到的航向角是和地球磁北方向的夹角,其取值范围为[0,360)。首先,需要得到和上一个时刻相比,航向角的变化量:
Δψ=ψk-ψk-1
假如航向角的变化量在允许误差范围α内接近0,则表明相较于上一个时刻航向没有发生变化;否则表明航向发生了变化。在航向发生变化的情况下,则优先考虑使用方法二进行速度的计算;在航向没有发生变化的情况下,对比二次验证算法的解算结果和IMU解算的绝对位置结果,得到最终的速度计算方法。
首先,设置一个合适的采样时间窗口N,从当前时刻k开始,到k-(N-1)时刻结束,计算时间窗口内的IMU解算结果和二次验证解算结果的距离:
Δxi=||xIMU,k-i-xUWB,k-i||,
i=0,1,2,...,N-1
接下来,需要统计Δx序列的均值和方差δ2。最终,得到的选择结果为:
S61:利用所述相对位移矢量确定当前用户的行走状态;
S62:判断当前行走状态是否发生突变,若发生突变,则直接采用所述输入量一作为时间更新的输入量;否则进行下一步;
S63:设置固定的时间窗口,利用固定时间窗口内的所述相对位移矢量和所述UWB定位结果,共同确定时间更新的输入量。
S7:利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重;该步骤可以包括以下子步骤:
具体地,在粒子滤波算法中,测量更新这个步骤会和当前测量的结果和历史的状态有关:
其中,表示第k个时刻粒子i的权重;yk表示第k个时刻的观测向量。采用IMU的测量结果和UWB的测量结果通过加权计算,共同作为测量更新的依据,则此时的由两部分构成:UWB的测量结果、IMU的测量结果。分别计算和/>
其中,
/>
最终得到的的结果为:
接下来是进行两种测量量的权重计算,假设,UWB在粒子权重计算中的比例为α。经研究可以得到:
其中,N为有效基站的数目;start表示UWB所占比重的起始值;step表示UWB在粒子权重计算中减少的比重;g表示基站数目减少到无法获取准确定位结果的阈值。
S71:利用所述UWB基站与移动智能终端的距离测量结果,计算在当前粒子分布的先验条件下,得到所述UWB基站与移动智能终端的距离的条件概率;
S72:利用所述位移矢量,计算当前粒子分布的先验条件下,得到所述位移矢量的条件概率;
S73:利用有效基站数量,以及之前时刻的历史测量记录的反馈信息,通过权重自适应更新算法,得到所述UWB基站与移动智能终端的距离的条件概率和所述位移矢量的条件概率在粒子更新中所占的比重,并计算当前测量情况的条件概率;
S74:利用所述粒子分布的先验条件,以及所述当前测量情况的条件概率,根据贝叶斯理论,计算粒子分布情况的后验概率。
S8:利用所述粒子的权重,得到当前时刻粒子的分布结果,并计算在当前粒子分布的期望作为融合滤波算法的定位结果。
本发明中,参考图3,所述UWB基站的位置固定且已知,包含UWB收发器和WiFi两个子模块。所述移动智能终端包括UWB收发器、惯性传感器单元和WiFi这三个主要的工作子模块:UWB收发器负责和定位基站进行信息交换,测量基站与移动智能终端之间的距离;惯性传感器单元负责采集用户在移动过程中的数据;WiFi提供一个网络通信的物理接口,利用网络通信协议,在移动智能终端建立TCP客户端,与云控制中心所在的服务端进行信息交换。所述云服务器包括云计算中心和云控制中心两个部分组成:云计算中心负责将采集到的数据,利用相应的算法完成数据的融合和位置的解算;云控制中心负责协调下位机的工作流程,采集到相应的数据,并向云计算中心上报。本发明充分考虑了室内复杂环境对于UWB信道的影响,利用惯性传感器测量获得的位移矢量和UWB的距离测量完成信息融合定位,相较于单一信源定位而言,对外界环境变化的鲁棒性更强、定位精度更高、实用性更强;相较于传统的多源融合算法而言,灵活性和可移植性更强,对于不同噪声环境的适应性也更强。且本发明的核心计算和控制中心云服务器采用分布式技术的设计,使两个子服务器各司其职,相较于单一集中式服务端设计,减少了计算的压力,提升了计算的速度。
图4是根据一示例性实施例示出的一种基于粒子滤波算法的传感器融合室内定位方法的原理图。当用户处于基站信号可覆盖范围内需要定位时,手持智能移动终端点击开始定位按钮,连接云控制中心并每隔固定的时间间隔T向云控制中心发送定位请求,同时移动终端自带的惯性传感器单元开始工作。首次发送定位请求时,无需携带惯性传感器单元采集的数据经行人航位推算获得的位移矢量,进行初始数据标定即可,其余时间均需携带所述位移矢量。云控制中心受到定位请求时,同时所有向UWB定位基站开始定位指令。UWB基站接收到开始定位指令之后,按照基站自身编号与标签进行信息交换,并且进行DS-TWR数据解算,得到UWB基站与智能移动终端之间的距离信息。最后,将信息上报到云控制中心。云控制中心整合当前时刻接收到与定位相关的所有信息,将数据打包上传到云计算中心进行位置解算。当数据结算完成后,更新智能终端和前端显示的用户位置变化。本发明的定位方法克服了传统融合滤波算法架构中灵活性较差的问题,在遇到所述位移矢量偏差较大或者UWB测距受环境影响偏差较大的情况也可以得到很精确的定位结果。此外,本发明的定位方法,想要更换传感器的类型或者想要扩展为更多传感器,十分方便,仅需要单独接入传感器数据,并且改变各传感器权重计算的方法即可。且本发明定位精度高、实用性强、可完成对于行人的实时定位。
与前述的一种基于粒子滤波算法的传感器融合室内定位方法的实施例相对应,本申请还提供了一种基于粒子滤波算法的传感器融合室内定位系统的实施例。
图5是根据一示例性实施例示出的一种基于粒子滤波算法的传感器融合室内定位系统框图。参照图5,该系统应用于云服务器,包括:
控制获取模块1,用于控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量;
获取模块2,用于从移动智能终端获取到用户在一段时间内产生的相对位移矢量;
建模解算模块3,用于利用所述各基站与智能终端的距离,构建三边定位模型,通过最小二乘法解算所述三边定位模型,得到用户当前时刻的UWB定位结果;
第一计算模块4,用于根据所述当前时刻的UWB定位结果、之前一个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量一;
第二计算模块5,用于根据之前两个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量二;
更新模块6,用于利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤;
权重计算模块7,用于利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重;
第三计算模块8,用于利用所述粒子的权重,得到当前时刻粒子的分布结果,并计算在当前粒子分布的期望作为融合滤波算法的定位结果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应的,本申请还提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的一种基于粒子滤波算法的传感器融合室内定位方法。
相应的,本申请还提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如上述的一种基于粒子滤波算法的传感器融合室内定位方法。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于粒子滤波算法的传感器融合室内定位方法,其特征在于,应用于云服务器,包括:
S1:控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量;
S2:从移动智能终端获取到用户在一段时间内产生的相对位移矢量;
S3:利用所述各基站与智能终端的距离,构建三边定位模型,通过最小二乘法解算所述三边定位模型,得到用户当前时刻的UWB定位结果;
S4:根据所述当前时刻的UWB定位结果、之前一个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量一;
S5:根据之前两个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量二;
S6:利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤;
S7:利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重;
S8:利用所述粒子的权重,得到当前时刻粒子的分布结果,并计算在当前粒子分布的期望作为融合滤波算法的定位结果。
2.根据权利要求1所述的方法,其特征在于,控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量,包括:
智能终端每隔固定时间向云服务器发送信息交换的请求,再由云服务器向各UWB基站分配工作时隙;
各UWB基站按照各自编号在自己的工作时隙,依次向智能终端发送UWB测距信号;
UWB基站与智能终端将完成信息交换,信息交换完成之后,智能终端获取到UWB测距的时间戳数据,以及UWB基站物理层的信道脉冲响应信息;
智能终端根据信息交换获得的所述UWB测距的时间戳数据,利用双边双程测距算法,计算各UWB基站与智能终端的距离;
根据所述UWB基站物理层的信道脉冲响应信息,进行LOS和NLOS的鉴别,确定用于融合定位算法的有效基站数量。
3.根据权利要求1所述的方法,其特征在于,从移动智能终端获取到用户在一段时间内产生的相对位移矢量,包括:
利用行人航位推算算法对惯性传感器单元中的加速度计所采集数据进行峰值检测,以判断行人是否走过一步;
利用惯性传感器单元中的陀螺仪、磁力计这两个传感器所采集到的数据判断行人的航向;
判断行人走过一步之后,利用钟摆模型计算行人的步长信息,并且记录当时行人的航向信息;
将行人走过一步的之后所得到的步长信息和航向信息进行计算,计算得到行人走过一步之后的坐标变换,该坐标变换即为所述相对位移矢量。
4.根据权利要求1所述的方法,其特征在于,利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤,包括:
利用所述相对位移矢量确定当前用户的行走状态;
判断当前行走状态是否发生突变,若发生突变,则直接采用所述输入量一作为时间更新的输入量;否则进行下一步;
设置固定的时间窗口,利用固定时间窗口内的所述相对位移矢量和所述UWB定位结果,共同确定时间更新的输入量。
5.根据权利要求1所述的方法,其特征在于,利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重,包括:
利用所述UWB基站与移动智能终端的距离测量结果,计算在当前粒子分布的先验条件下,得到所述UWB基站与移动智能终端的距离的条件概率;
利用所述位移矢量,计算当前粒子分布的先验条件下,得到所述位移矢量的条件概率;
利用有效基站数量,以及之前时刻的历史测量记录的反馈信息,通过权重自适应更新算法,得到所述UWB基站与移动智能终端的距离的条件概率和所述位移矢量的条件概率在粒子更新中所占的比重,并计算当前测量情况的条件概率;
利用所述粒子分布的先验条件,以及所述当前测量情况的条件概率,根据贝叶斯理论,计算粒子分布情况的后验概率。
6.一种基于粒子滤波算法的传感器融合室内定位系统,其特征在于,应用于云服务器,包括:
控制获取模块,用于控制UWB基站与移动智能终端进行信息交换,获取到各UWB基站与移动智能终端之间的距离,可用于融合定位算法的有效基站数量;
获取模块,用于从移动智能终端获取到用户在一段时间内产生的相对位移矢量;
建模解算模块,用于利用所述各基站与智能终端的距离,构建三边定位模型,通过最小二乘法解算所述三边定位模型,得到用户当前时刻的UWB定位结果;
第一计算模块,用于根据所述当前时刻的UWB定位结果、之前一个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量一;
第二计算模块,用于根据之前两个时刻的融合定位结果以及采样的时间间隔信息,计算用户的行走速度信息,将该行走速度信息作为基于粒子滤波算法的自适应融合算法时间更新的输入量二;
更新模块,用于利用所述相对位移矢量、UWB定位结果,根据速度选择算法在所述输入量一和输入量二之间选择一个作为时间更新的输入量,并完成时间更新步骤;
权重计算模块,用于利用所述有效基站的数量,根据自适应权重更新算法,来确定所述基站与智能终端的距离和所述位移矢量在融合滤波算法测量更新中所占的比重,并得到融合算法中粒子的权重;
第三计算模块,用于利用所述粒子的权重,得到当前时刻粒子的分布结果,并计算在当前粒子分布的期望作为融合滤波算法的定位结果。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310364181.5A CN116567531A (zh) | 2023-04-07 | 2023-04-07 | 基于粒子滤波算法的传感器融合室内定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310364181.5A CN116567531A (zh) | 2023-04-07 | 2023-04-07 | 基于粒子滤波算法的传感器融合室内定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116567531A true CN116567531A (zh) | 2023-08-08 |
Family
ID=87499166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310364181.5A Pending CN116567531A (zh) | 2023-04-07 | 2023-04-07 | 基于粒子滤波算法的传感器融合室内定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116567531A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116761254A (zh) * | 2023-08-17 | 2023-09-15 | 中国电信股份有限公司 | 室内定位方法、装置、通信设备和存储介质 |
CN117269885A (zh) * | 2023-11-23 | 2023-12-22 | 中国飞行试验研究院 | 基于机会信号融合的飞行器定位方法及装置 |
CN117858003A (zh) * | 2023-11-30 | 2024-04-09 | 东土科技(宜昌)有限公司 | 化工场景定位方法、系统和存储介质 |
-
2023
- 2023-04-07 CN CN202310364181.5A patent/CN116567531A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116761254A (zh) * | 2023-08-17 | 2023-09-15 | 中国电信股份有限公司 | 室内定位方法、装置、通信设备和存储介质 |
CN116761254B (zh) * | 2023-08-17 | 2023-11-07 | 中国电信股份有限公司 | 室内定位方法、装置、通信设备和存储介质 |
CN117269885A (zh) * | 2023-11-23 | 2023-12-22 | 中国飞行试验研究院 | 基于机会信号融合的飞行器定位方法及装置 |
CN117269885B (zh) * | 2023-11-23 | 2024-02-20 | 中国飞行试验研究院 | 基于机会信号融合的飞行器定位方法及装置 |
CN117858003A (zh) * | 2023-11-30 | 2024-04-09 | 东土科技(宜昌)有限公司 | 化工场景定位方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stojanović et al. | Indoor localization and tracking: Methods, technologies and research challenges | |
Tian et al. | A low-cost INS and UWB fusion pedestrian tracking system | |
CN105547305B (zh) | 一种基于无线定位和激光地图匹配的位姿解算方法 | |
CN116567531A (zh) | 基于粒子滤波算法的传感器融合室内定位方法及系统 | |
Tian et al. | An INS and UWB fusion approach with adaptive ranging error mitigation for pedestrian tracking | |
Tian et al. | A resetting approach for INS and UWB sensor fusion using particle filter for pedestrian tracking | |
Liu et al. | Fusing similarity-based sequence and dead reckoning for indoor positioning without training | |
Seitz et al. | A hidden markov model for pedestrian navigation | |
JP2008527394A (ja) | マルチパス信号を用いて位置決めを行うためのシステム及び方法 | |
Choi | Enhanced Wi-Fi RTT ranging: A sensor-aided learning approach | |
Lategahn et al. | Tdoa and rss based extended kalman filter for indoor person localization | |
Aernouts et al. | Combining TDoA and AoA with a particle filter in an outdoor LoRaWAN network | |
Ge et al. | Single-anchor ultra-wideband localization system using wrapped PDoA | |
CN112272782A (zh) | 使用附近的超声信号对移动设备进行临时定位 | |
CN106717083A (zh) | 用于检测移动计算设备的位置的方法和执行该方法的移动计算设备 | |
Jose et al. | Taylor series method in TDOA approach for indoor positioning system. | |
Lategahn et al. | Extended Kalman filter for a low cost TDoA/IMU pedestrian localization system | |
Lategahn et al. | Robust pedestrian localization in indoor environments with an IMU aided TDoA system | |
KR20140119333A (ko) | 위치 정확도 향상을 위한 위치 측위 방법 및 장치 | |
WO2007129939A1 (en) | Increasing the accuracy of location and / or path information of a moving client in a wireless network | |
CN112954591B (zh) | 一种协同分布式定位方法及系统 | |
CN110798806B (zh) | 一种基于地磁强度的卡尔曼滤波室内轨迹跟踪算法 | |
SambathKumar et al. | Arithmetical analysis of WSN based indoor positioning localization systems with Kalman filtering | |
Hu | Wireless industrial indoor localization and its application | |
Lin et al. | ChirpTracker: A Precise-Location-Aware System for Acoustic Tag Using Single Smartphone |
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 |