基于改进SHKF算法的UWB/IMU组合定位方法

针对复杂环境下超宽带(UWB)无线定位系统存在非视距(NLOS)及随机误差的问题,提出一种基于改进Sage-Husa卡尔曼滤波算法(SHKF)的UWB/IMU组合定位方法。首先,设计了一种基于概率密度的提升树,将UWB/IMU特征数据的概率分布密度引入提升树的损失函数中,鉴别出NLOS信号;然后,设计了一种改进SHKF算法,根据新息变化趋势定义自适应因子,实时调整对新息误差修正的策略以调节历史噪声对当前定位的影响,进而提升UWB/IMU组合定位的稳定性和精度。实验结果表明,所提方法将NLOS信号鉴别精度提升至99.12%,定位均方根误差降低至4.30 cm,提升了复杂环境下UWB/IMU组合系统定位精度。

基于交互多模型距离平滑的UWB/IMU因子图组合导航方法

为了解决全球导航卫星系统(GNSS)拒止条件下车辆定位困难问题,提出了一种基于交互多模型距离平滑的超宽带/惯性测量单元(UWB/IMU)因子图组合导航方法。首先,针对超宽带信号由于反射或折射导致的非视距问题,分别建立视距与非视距情况下超宽带基站与标签间距离的因子图模型,并利用交互式多模型算法进行原始距离的平滑;然后,对惯性导航系统、交互式多模型处理的超宽带距离信息等测量量进行建模,构建基于因子图的信息融合框架,并根据非线性优化理论与增量平滑算法实现变量节点的递推与更新。最后,采用因子图方法对融合数据进行处理,实现车辆多传感器高精度组合导航。实际测试结果表明,相比基于卡尔曼滤波的多传感器融合方法,所提出的基于交互多模型距离平滑的惯性/超宽带的因子图定位方法在非视距情况下位置估计精度(RMS)提高40%以上。

基于改进MCKF的UWB/IMU室内组合定位算法

针对最大相关熵卡尔曼滤波(MCKF)难以处理室内组合定位系统中非高斯噪声的问题,提出了一种基于改进最大相关熵卡尔曼滤波(I-MCKF)融合方法的UWB/IMU室内组合定位算法。首先,利用新息对观测噪声协方差矩阵进行动态修正,以解决MCKF在被多种噪声干扰时难以准确估计观测噪声协方差矩阵的问题。然后,将修正后的观测噪声协方差矩阵引入MCKF中,以改善MCKF处理非高斯噪声的性能。最后,构建了基于I-MCKF的UWB/IMU室内组合定位算法,以实现室内高精度实时定位。室内动态定位实验的结果表明:基于I-MCKF的组合定位算法可有效抑制室内复杂环境与误差累积对定位结果的影响,相较于MCKF组合定位算法具有更高的定位精度。

基于Ada-Transformer的UWB/IMU融合室内定位算法研究

随着现代技术的发展,人们对室内定位技术的需求与日俱增。传统室内定位算法精度不高,使用BP神经网络的室内定位精度有所提升,但网络收敛速度较慢。针对以上问题,提出了一种基于Ada-Transformer的UWB/IMU融合室内定位算法。Transformer网络模型收敛速度较快,采用Adaboost子网络与Transformer网络模型进行组合,以获取时域的依赖性。同时采用MPU9250作为惯性测量单元获取定位物体的运动信息,弥补UWB测距信息单一的缺陷,提高定位精度。在真实环境下对该融合算法进行位置估计与融合UWB/IMU位置估计的两组实验,验证表明使用改进后的算法得到的定位估计值与真实轨迹最贴近,且组合惯性测量单元后的算法比输入只有测距信息的算法误差平均绝对误差明显变小,在厘米级标准上进一步提升了定位精度。

顾及运动约束的自适应UWB/IMU组合定位方法

针对室内复杂环境下超宽带(UWB)距离测量容易受到信号非视距(NLOS)传播影响以及UWB/惯性测量单元(IMU)组合定位系统不稳定的问题,该文提出了一种基于模糊自适应滤波的改进型UWB/IMU组合定位方法。通过构建运动约束条件并采用卡尔曼滤波,对UWB原始距离测量值进行实时处理,能够有效解决UWB距离测量值缺失、异常情况以及减小NLOS误差。在数据融合阶段,提出基于模糊自适应滤波的数据融合策略,由预测残差向量构造统计量,基于模糊推断系统计算自适应因子,最终实现高精度的UWB/IMU自适应组合定位。典型室内场景的动态定位实验结果表明,提出方法的定位轨迹与真实轨迹吻合度高,90%的径向位置误差在0.25 m以内,且其均值仅为0.128 m,定位精度优于其他三种方法。

基于UWB和IMU融合的UWB弱信号环境下高精度定位算法

针对全球导航卫星系统(Global Navigation Satellite System, GNSS)在受限空间内定位精度差,甚至无法定位和无线超宽带(Ultra-Wide Band, UWB)脉冲室内定位技术在非视距(Non Line of Sight, NLoS)环境下定位精度差以及定位稳定性低等问题,提出以误差状态卡尔曼滤波(Error State Kalman Filter, ESKF)为基础并将UWB定位技术和惯性传感器(Inertial Measurement Unit, IMU)技术相融合,设计一套UWB弱信号环境下的UWB定位算法模型,实现UWB弱信号环境下的厘米级定位。通过优化传统ESKF方法以及融合UWB和IMU的测量数据,解决传统UWB定位在NLoS环境下定位精度较差和定位结果容易发生偏移等问题。实验研究结果表明,在导航实验室内,系统在东-北-天(ENU)坐标系中东方向、北方向轴和OXY平面上的精度分别提高了2.87%、12.02%和5.71%,方差分别降低了5.80%、18.06%和5.71%。在地下通道UWB弱信号环境下,系统在东方向、北方向和OXY平面上的精度分别提高了12.08%、24.10%和16.08%;方差分别降低了8.12%、32.74%和12.23%。所提出的算法模型有效改善了UWB室内定位技术在NLOS情况下,定位精度低、系统定位稳定性差的问题,降低了定位成本,具有很强的实用性。

非视距环境下顾及杆臂补偿的UWB/IMU定位算法

针对非视距(NLOS)误差和传感器杆臂影响超宽带(UWB)/惯性测量单元(IMU)组合定位精度的问题,提出了一种NLOS环境下顾及杆臂补偿的定位算法。根据UWB伪距在定位过程中的局部线性特性,设计了基于强局部加权回归法的NLOS识别与抑制算法,提高了UWB迭代定位算法的精度。利用顾及杆臂的改进抗差奇异值分解无迹卡尔曼滤波(LA-IRUKF)算法对优化后的观测数据和状态模型进行组合,实现定位精度的提升和杆臂的有效补偿。最后,采用仿真数据和实测数据对LA-IRUKF算法进行验证。仿真实验结果验证了NLOS误差识别与抑制算法的有效性以及杆臂补偿的必要性。真实场景的实验结果表明,在NLOS环境下LA-IRUKF算法不仅可以准确补偿杆臂,还能抑制NLOS误差影响。相较于抗差奇异值分解无迹滤波算法、顾及杆臂的抗差奇异值分解无迹滤波算法和改进抗差奇异值分解无迹卡尔曼滤波算法,LA-IRUKF算法的定位精度分别提高了42.4%、41.6%和28.5%,具有精度高、抗差好等优点。

传感网中UWB和IMU融合定位的性能评估

位置信息是物体的基本属性之一.随着无线传感器网络(wireless sensor network,WSN)的蓬勃发展,传感器网络中节点位置信息的获取变得尤为重要.超宽带(ultra-wideband,UWB)和惯性测量单元(inertial measurement units,IMU)以其高定位精度,在WSN中得到了广泛应用.UWB精度高,但容易受多径效应和节点间的相对几何位置关系影响.IMU惯性测量单元能够提供连续的惯性信息,但累积误差问题难以解决.基于IMU和UWB结合的融合定位方法,能够在提高定位精度的同时补偿UWB的多径效应影响和IMU的误差累积问题.因此,提出一种新的基于UWB和IMU的融合定位方法,实现传感网中目标节点的高精度位置追踪,并通过计算克拉美罗下限(Cramer-Rao lower bound,CRLB)表征融合定位方法的空间定位性能验证其在解决多径和几何拓扑问题上的有效性,通过计算后验克拉美罗下限(posterior Cramer-Rao lower bound,PCRLB)表征融合定位方法的时间定位性能验证其在累积误差纠正上的有效性,为基于UWB和IMU融合定位算法的设计和仿真提供理论支持.实验结果表明:融合定位方法具有更好的时空定位性能,更能接近实际应用的理论精度下限.

基于IMU及UWB的微型弹跳机器人传感器节点位姿检测研究

节点部署是移动无线传感器网络的重要研究方向之一,其中采用具有超强越障能力的微型弹跳机器人(MJR)作为移动传感节点,是针对崎岖环境的理想选择。然而MJR的尺寸小、负载能力弱,难以搭载高精度传感器实现精确位姿检测。本文提出了基于IMU与UWB(超宽带技术)的弹跳机器人位姿检测方案,以及基于该方案的MJR自复位和自主航向调节方法,开展了MJR基本功能和部署运动实验研究。结果表明,基于IMU姿态检测的自复位和自主航向调节功能具备良好的稳定性与精确性,基于UWB的平均定位误差约为9cm,可满足自部署定位需求。本文结果为后续MJR传感器节点实现自部署功能奠定了基础。

基于UWB和IMU紧组合的室内定位导航算法

针对超宽带(UWB)在室内复杂环境中定位导航精度低,受非视距(NLOS)误差影响严重,且无法提供目标姿态信息的问题,提出一种基于UWB和惯性测量单元(IMU)紧组合的室内定位导航算法。以位置、速度、四元数、加速度计偏差和陀螺仪偏差为状态向量,通过扩展卡尔曼滤波算法融合UWB和IMU测量信息,加速度计偏差校正速度和位置,陀螺仪偏差校正四元数;用测量残差计算量测噪声因子,组成残差矩阵,动态调整量测噪声协方差矩阵,抑制NLOS误差对定位导航的影响。结果表明,在室内复杂环境下,基于UWB和IMU紧组合的定位导航算法比仅使用UWB定位时LS-Taylor算法精度提高了88.6%,增强了系统抗NLOS误差的能力,提高了动态定位精度,并能得到较准确的姿态信息,具有良好的实用性和鲁棒性。

非视距环境下的IMU和UWB融合定位系统

室内定位技术由于受非视距(Non-Line-of-Sight,NLOS)的影响,单一的传感器通常无法满足定位需求。针对该问题,提出了基于超宽带(Ultra-Wide Band,UWB)传感器和惯性传感单元(Inertial Measurement Unit,IMU)融合的定位算法,实现在NLOS场景下的高精度室内定位系统。通过对环境中传输距离的采集,基于支持向量机实现NLOS信号的分类识别。IMU基于已知的初始位置信息和方位,通过惯性导航解算出定位信息。UWB通过最小二乘算法,对基于双边双向的信号飞行时间测得的距离值进行定位解算。利用扩展卡尔曼滤波算法实现传感器的融合,提高定位精度。仿真结果表明,所提出的算法能很好地识别和缓解NLOS带来的定位误差。

基于UWB与IMU的多传感器融合室内定位技术研究

随着室内定位需求的不断提高,室内定位精度的提高成为目前研究的热点,单一传感器定位技术在复杂的室内环境中定位误差较大、精度较低。针对上述问题提出了一种基于UWB和IMU融合的室内定位方法。该方法首先利用卡尔曼滤波算法对UWB定位技术的伪距信息进行非视距误差的处理,利用最小二乘法解算出位置信息,进而与IMU定位系统解算出来的位置进行松耦合,将UWB定位信息作为量测方程,IMU定位信息作为系统方程最终得到松耦合之后的定位结果。通过仿真实验表明,上述方法可以有效地抑制UWB非视距误差和IMU累积误差对定位精度的影响,提高室内定位的精度。

基于卡尔曼滤波算法的UWB+IMU组合精确定位系统在选煤厂中的应用

为了提高智能化选煤厂中人员定位的精度和准确性,采用卡尔曼滤波算法,借助simulink仿真平台,建立了UWB+IMU组合精确定位系统,并介绍了其在大柳塔选煤厂人员精确定位中的应用情况。结果表明,基于卡尔曼滤波算法的UWB+IMU组合精确定位系统,提高了人员定位的准确性,对于提高人员管理、安全管理、生产管理水平意义重大。

UWB技术的RLS EKF室内定位算法研究

针对当前UWB技术在传统厂区布站方式下室内定位误差较大,无法良好实现对象的三维显示问题,基于多传感器融合,本文提出一种将UWB数据与IMU数据进行先预处理、后融合的算法。该方法通过TOF测距后将UWB数据进行小波阈值去噪,递推最小二乘定位,并与IMU数据进行扩展卡尔曼滤波融合,从而减小标签的三维距离误差,提高定位精度,实现对厂区可移动设备的实时监控管理。仿真结果表明,基于多传感器融合的RLS EKF室内定位能够减小标签三维定位误差,提高定位的准确性,满足厂区室内实时定位的精度要求。

基于UWB和IMU的电力巡检机器人定位方法

为了满足日益增长的电力需求,我国建设了大量发电站和电能转换设施。长时间的负载运行使电力设备运行的不稳定性增加,一般需要通过人工巡检的方式进行检测和维护,但传统的人工巡检方法存在着较大的安全风险,在精度方面满足不了需求,维护效率也比较低。随着人工智能技术的发展,智能巡检机器人的出现给这一问题带来希望,它克服了传统人工巡检方式存在的弊端,但目前的巡检机器人在复杂电力环境中仍存在空间定位不准确等问题。为此,本文提出了一种将超宽带(UWB)和惯性传感器(IMU)以无迹卡尔曼滤波(UKF)进行融合的定位方法,该方法克服了UWB定位方法在有障碍物的非视距情况下定位误差大的问题,改进了复杂电力环境下智能巡检机器人的定位精度。

基于单锚点UWB的室内定位技术

传统UWB室内定位技术需要多锚点的配合才能对目标进行精准定位,设备成本高且安装冗杂。将多锚点测距改为单锚点测距,通过减少锚点来降低多锚UWB技术成本,并且使安装简单化。但是要实现系统精准定位,单锚点测距所提供的位置信息无法满足定位要求。为了克服这一问题,可以使用一个九轴惯性传感单元(inertial measurement units,IMU)获取目标运动状态信息,通过扩展卡尔曼滤波(extended Kalman filtering,EKF)将该信息与单锚点UWB所得位置信息进行数据融合,降低了IMU的累积误差又减少了UWB锚点数量,实现了精确定位。通过实验验证该方法下的定位系统具有良好的准确性和鲁棒性,精度可达到20 cm以下。

基于捷联惯导系统补偿的UWB的室内定位方法研究

根据超宽带定位系统在室内定位应用,分析UWB信号丢失或被遮挡时类型,将基于捷联惯导系统的惯性器件IMU的加速度计在三个方向的增量信息作为UWB丢失信号的补偿,从而改善UWB在室内定位中的精度。通过仿真实验测得在UWB信号丢失10s时间,该设计可以将原来的位置误差缩小到2m以内。针对设计的定位模型,利用实验室设备搭建该原理样机,通过半物理仿真试验,证明基于捷联惯导系统的UWB室内定位系统在水平面X轴与Y轴误差基本保持在0.5m范围内。

零速修正与完备监测在UWB/MEMS IMU组合中的应用

针对超宽带(UWB)在室内定位过程中受非视距环境影响易出现粗差以及微机电系统(MEMS)惯性测量单元(IMU)定位误差随时间快速发散的问题,该文提出了采用自适应卡尔曼滤波的UWB/MEMS IMU组合的室内定位方法,并通过自主完好性监测算法对UWB测距异常值进行剔除,将零速修正算法加入到组合定位系统中,抑制在UWB数据中断情况下MEMS IMU误差的发散。实验结果表明,在UWB存在中断的复杂室内环境下,UWB/MEMS IMU组合定位的平面定位精度在0.2 m以内,自主完好性监测与零速修正能有效地提高组合定位系统的精度与稳定性。

基于超宽带和惯性传感器融合的人体动作捕捉系统

惯性传感器动作捕捉系统能够非常精确的测量人体每个关节的旋转,但是并不能测量人体的位移,降低了系统的可用性。为此提出了一种超宽带定位系统和惯性传感器的融合算法。该算法结合两种传感器的优点,实现的动作捕捉系统不仅可以捕捉表演者的肢体动作,还能够精确定位用户在表演环境中的空间位置。实验表明在室内环境下该动作捕捉系统具有精确性和连续性。

基于IMU/UWB的两轮自平衡车轨迹跟踪控制器设计与实现

两轮自平衡车的精确轨迹跟踪技术是实现其自主运动控制的基础.为此,采用拉格朗日法建立两轮自平衡车的动力学模型,并据此提出基于非奇异终端滑模(NTSM)和线性二次型调节器(LQR)的两轮自平衡车轨迹跟踪控制器.在Matlab/Simulink环境下,对所设计的轨迹跟踪控制器进行性能仿真,结果显示,两轮自平衡车能够精确跟踪所给定的参考轨迹,初步表明了所提出轨迹跟踪控制器的有效性.在此基础上,使用STM32F103C8T6单片机,并结合惯性测量组件(IMU)和超宽带(UWB)定位技术对所设计的轨迹跟踪控制器进行硬件实现.实验结果表明,两轮自平衡车能够对给定的参考轨迹进行良好跟踪,横坐标偏差小于0.2 m,纵坐标偏差小于0.2 m,转向角偏差小于0.07 rad,车身倾角除了初始时的波动外均小于0.05 rad.