基于超宽带(ultra-wideband,UWB)室内定位技术得到了广泛的发展,然而,在LOS(line-of-sight)和NLOS(non-line-of-sight)环境下的UWB的测距信息均存在不同程度的误差,因此,提出了一种改进的卡尔曼滤波算法对UWB原始数据进行平滑处理;之后...基于超宽带(ultra-wideband,UWB)室内定位技术得到了广泛的发展,然而,在LOS(line-of-sight)和NLOS(non-line-of-sight)环境下的UWB的测距信息均存在不同程度的误差,因此,提出了一种改进的卡尔曼滤波算法对UWB原始数据进行平滑处理;之后提出卡尔曼滤波(Kalman filters and particle filters,KPF)和粒子滤波融合的算法。通过卡尔曼滤波得到的状态量和误差协方差进行粒子采样,克服了传统粒子滤波进行粒子采样时的运动学模型与实际运动不相符的缺点,大幅减少了粒子退化的现象。经过实验,该算法在LOS和NLOS环境中的定位精度分别提升了20.6%和15.6%。展开更多
提出了一种基于嵌入式平台与kNN(k-Nearest Neighbour)算法的室内定位研究,对实验环境中的模型进行定位分析。首先,通过RFID(Radio Frequency Identification)阅读器采集RSSI(Received Signal Strength Indication)并将数据发送到嵌入...提出了一种基于嵌入式平台与kNN(k-Nearest Neighbour)算法的室内定位研究,对实验环境中的模型进行定位分析。首先,通过RFID(Radio Frequency Identification)阅读器采集RSSI(Received Signal Strength Indication)并将数据发送到嵌入式平台,接收到数值后,利用kNN算法确定目标位置,能够实现较高精确度的定位。算法代码采用Python语言,硬件平台采用ARM构架,该方法具有体积小、代码简洁、方便移植等优点。展开更多
文摘基于超宽带(ultra-wideband,UWB)室内定位技术得到了广泛的发展,然而,在LOS(line-of-sight)和NLOS(non-line-of-sight)环境下的UWB的测距信息均存在不同程度的误差,因此,提出了一种改进的卡尔曼滤波算法对UWB原始数据进行平滑处理;之后提出卡尔曼滤波(Kalman filters and particle filters,KPF)和粒子滤波融合的算法。通过卡尔曼滤波得到的状态量和误差协方差进行粒子采样,克服了传统粒子滤波进行粒子采样时的运动学模型与实际运动不相符的缺点,大幅减少了粒子退化的现象。经过实验,该算法在LOS和NLOS环境中的定位精度分别提升了20.6%和15.6%。
文摘提出了一种基于嵌入式平台与kNN(k-Nearest Neighbour)算法的室内定位研究,对实验环境中的模型进行定位分析。首先,通过RFID(Radio Frequency Identification)阅读器采集RSSI(Received Signal Strength Indication)并将数据发送到嵌入式平台,接收到数值后,利用kNN算法确定目标位置,能够实现较高精确度的定位。算法代码采用Python语言,硬件平台采用ARM构架,该方法具有体积小、代码简洁、方便移植等优点。