融合UWB和IMU数据的新型室内定位算法

针对室内定位中的非视距(Non-Line-of-Sight,NLOS)现象,提出一个新型算法进行识别,同时有效缓解其影响.主要通过超宽带(Ultra-Wideband,UWB)定位系统与惯性导航系统(Inertial Navigation System,INS)的信息修正非视距误差,获得较高的定位精度.首先,在离线阶段获得不同障碍物下的NLOS误差概率分布曲线;其次,利用惯性测量单元(Inertial Measurement Unit,IMU)的预测位置及NLOS误差概率曲线修正测量距离;最后,利用卡尔曼滤波(Kalman Filtering,KF)融合步行者航迹推算(Pedestrian Dead Reckoning,PDR)的INS位置和经过改进最小二乘法(Least Square,LS)处理后UWB定位系统的位置,并更新NLOS误差获得更准确的位置估计.通过仿真和实验证实了提出的定位算法可以有效缓解NLOS误差,提升定位性能,实现在NLOS影响下的高精度定位.

基于RNN的多传感器融合室内定位方法

针对室内空间内的人员定位困难问题进行了研究,提出了一种基于Wi-Fi指纹法和循环神经网络(recurrent neural network,RNN)的多传感器融合室内定位算法。该算法将智能手机接收到的路由器信号强度作为时间序列输入RNN,通过RNN获得对行人精度较高的定位,与此同时获取智能手机中惯性测量单元提供的位置信息。随后,通过粒子滤波算法对两种定位方式的定位结果进行融合。在实际场景下设计了多组实验进行对比。实验结果表明,该算法定位平均误差为0.9 m,优于加权K近邻等算法,可以为行人提供实时的定位。

无线传感器网络定位综述

无线传感器网络定位在当前需求的推动下,已经成为热点研究领域。本文分别从定位方式、定位技术以及定位原理3个方面对无线传感器网络定位研究进行了梳理并展开了综述;其次,分别对3种基于无线传感器网络的定位算法进行了描述;然后,阐述了目前无线传感器网络定位的热点问题,其中,针对定位研究中非视距干扰问题,分别从非视距误差的数值特征和统计特征两个方面的研究现状进行了分析,并对基于多传感器融合的无线传感器网络定位方法进行了分析和总结;最后,针对无线传感器网络定位应用的挑战进行了展望。