基于地标点匹配的高精度室内定位算法

针对基于惯导的行人室内定位算法定位误差大的问题,提出了一种基于地标点匹配的行人高精度三维室内定位算法。该算法仅使用惯性测量单元(IMU)这一单一传感器,包含速度约束、航向角约束、水平位置约束和高度约束四个模块。水平位置约束模块可根据航向角变化实时检测并建立地标点,并设计了一种地标点匹配度函数,提高了地标匹配的准确度。多楼层行走实验表明所提算法能够提升行人室内定位精度,其终点误差为0.3421 m,相较于ZUPT算法和ZUPT+HDE算法分别减小了82.6%和68.3%,具有一定的工程应用价值.

基于双自由度转台的全向空间单目视觉室内定位测量方法

针对传统单目视觉测量系统测量视场有限的问题,本文提出一种基于双自由度旋转平台的全向空间单目视觉测量方法。首先,对双自由度旋转平台的转轴参数进行标定,用副相机拍摄固定在双自由度转台上的棋盘格标定板,提取棋盘格角点的位置坐标,并将其转化到同一相机坐标系下。利用PCA(主成分分析)平面拟合得到初始位置转轴参数中的方向向量,使用空间最小二乘圆拟合方法得到初始位置下转轴参数中的位置参数。然后,通过转台转动的角度以及罗德里格斯公式将不同位置下相机获取的数据进行坐标系统一,实现水平和竖直方向全向空间下的目标测量。最后,通过高精度激光测距仪验证了本方法的测量精度,并通过与双目视觉测量系统、wMPS测量系统进行比对实验,验证了本方法的全向空间测量能力。实验结果表明,本方法测量精度基本达到双目视觉测量系统水平,但测量范围远大于双目视觉测量,可以满足全向空间测量要求。

一种基于SO-CNN模型的可见光室内定位优化方法

针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization,SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network,CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network,BPNN)、多层感知器(Multilayer Perceptron,MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。

基于深度学习的指纹室内定位对抗样本攻击研究

基于深度学习的指纹室内定位系统因其能够有效抽取接收信号强度(RSS)指纹数据的深层特征而大幅提高了室内定位性能,但该类方法需要大量多样化的RSS指纹数据训练模型,并且目前对其安全漏洞也缺乏充分的研究,这些安全漏洞源于无线Wi-Fi媒体的开放性和分类器的固有缺陷(如易遭受对抗性攻击等)。为此,对基于深度学习的RSS指纹室内定位系统的对抗性攻击进行研究,提出一种基于Wi-Fi指纹室内定位的对抗样本攻击框架,并利用该框架研究对抗攻击对基于深度学习的RSS指纹室内定位模型性能的影响。该框架包含离线训练和在线定位两个阶段。在离线训练阶段,设计适用于增广Wi-Fi RSS指纹数据的条件生成对抗网络(CGAN)来生成大量多样化的RSS指纹数据训练高鲁棒的室内定位深度学习模型;在线定位阶段,构造最强的一阶攻击策略来生成针对Wi-Fi RSS指纹室内定位系统的有效RSS对抗样本,研究对抗攻击对不同室内定位深度学习模型性能的影响。实验结果显示:在公开UJIIndoorLoc数据集上,由所提框架生成的RSS指纹对抗样本对卷积神经网络(CNN)、深度神经网络(DNN)、多层感知机(MLP)、pixeldp_CNN指纹室内定位模型的攻击成功率分别达到94.1%、63.75%、43.45%、72.5%;对由CGAN增广数据训练的上述4种指纹室内定位模型的攻击成功率分别达到84.95%、44.8%、15.7%、11.5%。由此表明,现有的基于深度学习的指纹室内定位模型易遭受对抗样本攻击的影响,由真实数据和增广数据混合训练的室内定位模型在面临对抗样本攻击时具有更好的鲁棒性。

可见光室内定位技术研究进展

可见光赋能的定位技术具有无电磁辐射、成本低、精度高、安全性高、不易受电磁干扰等优势,故近年来可见光室内定位技术(Visible Light Indoor Positioning,VLIP)受到了学界和业界的广泛关注。为了展示VLIP的研究进展和发展全貌,阐述了VLIP的系统架构及相关通信技术,对VLIP基础定位方法及其相关辅助定位技术进行了详细地梳理、分类和对比分析,针对VLIP当前面临的挑战分析了潜在的解决方案,展望了VLIP未来研究方向。

基于TOA与AOA算法的室内定位方法

为了解决传统室内定位技术成本较高、稳定性差以及难于部署等问题,提出一种将到达时间(time of arrival,TOA)与到达角(angle of arrival,AOA)相结合的室内定位系统.该系统由定位基站与被控定位单元组成,其特征在于使用对射式布置的超声波传感器获取定位基站与被控定位单元之间的距离特征,利用角度传感器获取被控定位单元相对于定位基站的角度特征,以单基站就实现了精确的室内定位过程.分析了该系统基本结构与原理,建立定位与控制模型,在一定范围内对其定点定位精度与跟随定位精度进行了实验验证.实验结果表明:该系统结构简单,易于安装布置,鲁棒性强,在测试范围内的最大定点定位误差不超过5 cm,跟随定位误差不超过15 cm.

基于迁移学习的动态环境室内定位方法研究

随着智能家居应用的不断深化,基于Wi-Fi信号的室内定位技术也受到了广泛关注。在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数据间的概率分布不同。传统定位模型在面对不同分布的训练数据和测试数据时无法保证具有良好的定位精度,常出现算法定位精度大幅降低,甚至算法不可用等问题。面对这一难点,迁移学习中的域适应方法作为一种可以有效解决训练样本和测试样本概率分布不一致的学习问题被广泛应用于室内定位领域。文中结合域适应学习和机器学习算法,提出了一种基于特征迁移的室内定位算法(Transfer Learning Location AlgorithmBased on Global and Local Metrics Adaptation,TL-GLMA)。TL-GLMA在定位阶段通过特征迁移方式将两域原始数据映射至高维空间,从而在最小化两域数据的分布差异的同时保留两域数据内部的局部几何属性,并利用映射后的独立同分布数据训练分类器,从而实现目标定位。实验结果表明,TL-GLMA能够有效减少环境变化带来的干扰,提升定位精度。

基于CSI和FO-MKELM的室内定位方法

针对Wi-Fi指纹定位精度低、维护繁琐、训练成本大的问题,提出一种基于信道状态信息(CSI)和改进多元核函数极限学习机(FO-MKELM)的室内定位方法。首先在预处理阶段对CSI幅值差和重构相位信息进行融合,以减少环境噪声的影响;其次,在离线训练阶段,采用分段式量子粒子群算法(QPSO)为模型寻找最优参数,以提高定位精度和泛化性能;然后,为抑制环境改变对定位性能的影响,引入在线增量学习和遗忘机制,添加部分新增数据进行增量学习持续更新定位模型,并设置数据有效期遗忘过旧数据减少不良影响;最终,在在线预测阶段,将模型输出与标签库进行匹配获得更为准确的坐标。在空旷楼道和复杂实验室两种不同的环境下进行实验验证,该算法相比其他定位方法在定位精度和长期稳定性上都有所提升。

一种WiFi混合滤波的RSSI室内定位算法

针对接收信号强度指示(RSSI)在基于WiFi的室内定位应用中易受到环境影响出现波动、突变进而导致定位精度降低的问题,提出了一种WiFi混合滤波的RSSI室内定位算法。首先,根据WiFi信号距离衰减模型设计一种自适应阈值滤波器剔除观测信号异常值;然后,根据自适应阈值滤波、卡尔曼(Kalman)滤波、均值(Mean)滤波设计了一种混合滤波算法(ATKM)对RSSI数据进行滤波;最后,提出了一种基于斯皮尔曼-欧几里得距离的加权K近邻算法(SEWKNN)进行位置估计。在真实环境下的实测结果表明,本文提出的ATKM滤波算法能显著降低RSSI信号的波动,提出的SEWKNN算法在室内环境中平均定位误差为1.17 m,在走廊环境中平均定位误差为1.53m,相比传统的WKNN算法平均定位误差分别下降18.18%和16.84%。

基于RSS指纹的室内定位方法

随着智能手机和WiFi设备变得日益普及,室内定位技术、特别是基于WiFi接收信号强度RSS的指纹定位方法在不断进步。K近邻算法是目前普遍应用在RSS指纹定位的快捷有效算法。这种方法因其成本效益低和易于部署的特性而备受青睐。然而室内环境复杂多变,多径效应、障碍物遮挡等问题常常导致RSS信号出现显著误差,影响定位精度。为提高其鲁棒性和准确性,在研究K近邻算法的同时通过滤波预处理、改进权重因子和加入冗余动态数据库等方式对原有方法进行改进。实验结果显示改进方法提高了楼层定位的准确性,并降低了平均定位误差。

基于5G室内定位的数字商贸应用研究

随着移动通信和室内外定位技术的快速发展,结合5G网络高速率、低时延、大连接等优势,5G技术为各种应用场景提供了强大的支持,5G室内定位与数字商贸的结合具有巨大的潜力和经济价值。文章对5G室内定位技术融合数字商贸的部署方案进行了研究和实践验证,论证了5G室内定位、5G消息等技术与数字商贸融合的可行性,并结合数字商贸的应用探索其对产业数字化发展的影响,以及未来对产业链发展的挑战。

基于RSSI参数动态修正的ZigBee室内定位算法

ZigBee室内定位技术近年来发展迅速,但使用固定路径损耗模型的传统算法环境适应能力较差,会引起较大定位误差,影响定位精度。本文提出一种基于ZigBee平台的对数路径损耗模型参数动态修正的室内定位算法。首先经过高斯滤波对所得RSSI值进行筛选优化,然后根据锚节点之间的距离以及RSSI值来动态修正对数路径损耗模型参数,包括路径损耗因子以及距待测节点处的信号强度值,从而得到当下环境中具体的对数路径损耗模型;再利用卡尔曼滤波对现有的定位参数进行二次修正,以更正上述算法中因时刻变动引起的环境变化导致的定位偏差。实验结果表明,该定位算法比基于ZigBee的固定路径损耗模型定位性能提升了46.8%,可以改善因环境变化产生的定位误差问题。

基于自适应距离ADWKNN室内定位算法

针对基于蓝牙接收信号强度(RSS)的加权K-近邻(WKNN)位置指纹室内定位算法中由于信号波动存在的单一距离估算标准导致定位精度偏低的问题,提出了一种基于自适应距离的ADWKNN定位算法。离线阶段利用K-means聚类算法对指纹数据库进行划分,减少数据查询量以保证定位的时效性。在线定位阶段首先对待定位点处采集到的RSS信号值进行卡尔曼滤波,减弱随机噪声的干扰;然后采用ADWKNN算法计算曼哈顿距离与欧氏距离的标准差,自适应的选择距离估算方法并实现K值的动态变化。实验结果表明,ADWKNN算法的平均定位精度为1.22 m,与使用余弦距离、曼哈顿距离、欧氏距离和Sorensen距离的单一距离的WKNN算法相比,ADWKNN算法的平均定位精度有明显提高。

基于蓝牙与LoRa的室内定位系统设计

针对卫星定位导航系统无法满足室内目标定位需求问题,深入研究LoRa无线通信、蓝牙定位、云服务器等技术,设计蓝牙与LoRa技术结合的室内目标定位系统,实现了对大范围区域内人员与设备目标定位与追踪功能,并开发服务器端软件,方便用户远程使用与管理,具有低成本、低功耗、高实用性的优点。

基于TOF和自适应抗差卡尔曼滤波的UWB室内定位算法

为提高超宽带(UWB)定位系统在室内复杂环境下的定位精度,提出一种基于飞行时间(TOF)和自适应抗差卡尔曼滤波(ARKF)的改进定位算法。针对超低功耗宽带设备在复杂室内环境状态下易受周围干扰而存在标准时间偏差的问题,提出一种改进的TOF算法,同时进行测距标定,拟合数据;对室内存在非视距(NLOS)干扰的情形,提出一种ARKF算法,通过比较残差与3倍信息的方差来判断视距(LOS)与NLOS情形。实验结果显示:该算法可以在静态与动态定位实验中有效提高系统定位精度,降低定位误差,取得较好的定位效果。

室内定位技术综述及发展前景探究

随着社会的进步,人们对基于位置的定位精度要求越来越高,室内定位也远远不能满足需求,为了提高室内定位的精度,陆续出现了各种各样的室内定位技术,如Wi-Fi室内定位、蓝牙室内定位、地磁室内定位等。该文主要针对各种室内定位技术的优缺点、使用场景、室内定位算法、新发展趋势、面临的挑战等进行论述。

一种“附近”空间关系增强的多源融合室内定位方法

针对传统室内定位模式单一,结合室内位置描述中常用的“附近”空间关系,融合多传感器数据,本文提出一种“附近”空间关系增强的多源融合语音交互室内定位方法。首先,研究“附近”空间关系特征,针对室内环境,建立基于“窃取面积”和最短距离的“附近”空间关系的概率密度函数;其次,采集每个参考节点的指纹信息及节点间的距离和运动信息,基于隐马尔可夫模型对室内位置描述定位过程建模,通过维比特算法预测用户位置;最终,通过实际场景对本方法验证,本文提出的方法平均定位精度在1.88 m,80%的情况下定位精度可以达到2.12 m。

一种改进PDR与最小一乘法融合的室内定位方法

在室内定位系统中,基于Wi-Fi技术的定位精度很大程度上依赖于信号的稳定,信号的多径效应与非视距(Non Line of Sight,NLOS)会增大定位误差。行人航位推算(Pedestrian Dead Reckoning,PDR)定位系统会因传感器自身误差与噪声产生累计误差。针对上述问题,提出了一种改进的PDR与最小一乘法(Least Absolute Deviation,LAD)融合的室内定位算法。该算法基于模糊逻辑将PDR算法的步长固定参数改进为变量参数,同时根据LAD的定位结果对PDR进行周期性位置与拐点位置校正,选择扩展卡尔曼滤波(Extend Kalman Filter,EKF)将改进的PDR与LAD进行融合,以降低PDR的累计误差与LAD的突变误差,提高定位精度。实验结果表明:所提方法较其他方法具有更高的定位精度。

基于时间序列融合的室内定位方法

提出了一种基于拉依达准则-相关系数-卷积神经网络(Pauta criterion-correlation coefficient-convolutional neural networks,P-C-CNN)的时间序列融合定位算法。P-C-CNN方法整合了不同节点以及不同时间序列的数据点,利用时间和空间数据的相互关联性,提高了室内定位的精度和可靠性。首先,该方法使用拉依达准则-相关系数(Pauta criterion-correlation coefficient,P-C)算法对到达角度(Angle of arrival,AOA)-接收信号强度(Received signal strength,RSS)数据的异常值进行剔除,提高了训练数据的质量。其次,算法对数据进行随机间隔选取,从而缩短模型训练时间,同时较好地模拟在线定位阶段数据选取的不确定性,减少模型对训练数据的过度拟合。再次,传统单帧信息训练方法由于噪声混杂无法稳定提取信息特征,所提算法在连续采集的时间序列数据中,融合随机选取固定长度的多帧AOA-RSS数据,然后利用卷积神经网络(Convolutional neural networks,CNN)进行特征提取,避免了单帧信号定位中误差波动较大的问题。最后,通过大量实际测试,验证了所提方法的有效性。实验结果表明,在典型室内环境中,与仅采用RSS数据或者AOA信息的指纹定位算法相比,本文算法的分类准确率由91.6%提高到了96.4%,定位精度从1.3 m提高到了0.3 m;与传统基于模型的AOA-RSS联合定位相比,本文算法能较好解决实测中多径效应等干扰因素的影响,定位精度从1.1 m提高到了0.3 m。

基于人体运动识别约束的室内定位方法

针对传统的行人航迹推算(Pedestrian Dead Reckoning,PDR)方法无法满足多运动状态下的定位问题,提出了一种基于神经网络运动识别辅助室内定位的方法。构建出卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)组合的神经网络模型,用于识别人体的运动状态并完成分类。根据运动分类的结果应用到行人航迹推算中,分析和筛选运动参数特征作为算法的阈值约束条件来提高定位精度。在算法中运动步数由合加速度计数据波形检测得到,步长由运动状态的特征自适应调整步长模型。通过实验验证,CNN-GRU模型在自建数据集上的准确率达到99.6%。将识别结果应用到PDR中,在112 m 4种动作的矩形路线中定位误差为1.8 m,误差远低于传统PDR定位的19.9 m。实验结果验证了该方法的可行性。