A UWB/IMU-Assisted Fingerprinting Localization Framework with Low Human Efforts

With the rapid development of smart phone,the location-based services(LBS)have received great attention in the past decades.Owing to the widespread use of WiFi and Bluetooth devices,Received Signal Strength Indication(RSSI)fingerprintbased localization method has obtained much development in both academia and industries.In this work,we introduce an efficient way to reduce the labor-intensive site survey process,which uses an UWB/IMU-assisted fingerprint construction(UAFC)and localization framework based on the principle of Automatic radio map generation scheme(ARMGS)is proposed to replace the traditional manual measurement.To be specific,UWB devices are employed to estimate the coordinates when the collector is moved in a reference point(RP).An anchor self-localization method is investigated to further reduce manual measurement work in a wide and complex environment,which is also a grueling,time-consuming process that is lead to artificial errors.Moreover,the measurements of IMU are incorporated into the UWB localization algorithm and improve the label accuracy in fingerprint.In addition,the weighted k-nearest neighbor(WKNN)algorithm is applied to online localization phase.Finally,filed experiments are carried out and the results confirm the effectiveness of the proposed approach.

基于投票机制的室内WiFi指纹定位算法

针对传统室内WiFi指纹定位算法中单个距离度量的局限性且未考虑到dBm表示与功率之间的关系的问题,提出一种基于投票机制的室内WiFi指纹定位算法。在采集到接收信号强度(RSS)数据后,首先,对RSS数据进行预处理;然后,基于投票机制对每种距离度量选中的近邻点取交集组成公共近邻点,并统计每个公共近邻点出现的频率;最后,通过概率加权得到最终定位结果。实验结果表明,所提出方法的定位精度为1.63 m,与K近邻(KNN)、斯皮尔曼(Spearman)和肯德尔相关系数(KTCC)方法的定位精度相比,平均定位精度分别提升了10%、33%和58%。此外,与MAN2数据集中的最优定位精度1.86 m相比,定位精度提高了12%。

基于图像匹配与WiFi信号匹配的室内PDR定位方法

由于智能手机中存在丰富的传感器,可对周围环境进行感知并进而估计位置。本文提出一种融合室内定位方法,融合的信息包含图像信息、WiFi信号指纹信息以及惯性数据观测信息。通过实测实验结果表明,本文提出的方法相比于惯性定位、WiFi定位、图像匹配定位三种单一的定位方法,定位精度分别提高了48%、24%和4%。相比于经典WiFi和图像融合方法,平均定位时间下降了92%。相比于经典融合方法,定位的精度提高了0.7 m,并且平均定位时间下降了87%。

基于WiFi嗅探的室内人员定位系统

为了获知行人在楼宇中的位置信息,设计了一个基于WiFi嗅探的室内人员定位系统。使用WiFi指纹法来实现定位功能,并在指纹法中引入信道特征,来分析不同信道对信号强度的影响。本设计的主控芯片选用了国产安路公司的FPGA芯片,使用FPGA芯片进行指纹库的匹配,同时依靠FPGA丰富的拓展接口,本设计开发了局域网网站以及基于串口屏的显示界面来进行人机交互。以南京信息工程大学文德楼3楼北区为实验地点,在2 m宽的走廊里,本系统对14个房间的定位准确度均可以达到90%,响应时间小于6 s。本设计所有器件均为国产,推广性较好,应用范围较广。

基于实测数据的WiFi室内定位技术研究

室内定位技术的发展给生活带来了便利。WiFi位置指纹室内定位技术在室内定位技术领域较为普遍,但是原始的数据经过简单的滤波后使用传统的WKNN算法进行匹配定位,得到的最终定位点位置存在一定误差。文章通过在数据预处理阶段对Kmeans算法进行优化,其均方根误差较传统Kmeans算法的均方根误差降低了3.2%,匹配定位阶段匹配算法对KWNN算法的权值进行方差优化,其平均定位误差较传统KWNN算法的平均定位误差降低了23.6%。

基于卡尔曼滤波的WiFi-PDR融合室内定位

为降低室内环境复杂性对WiFi指纹定位的影响,提出将支持向量机(SVM)分类与回归分析相结合的WiFi指纹定位算法,以提高定位精度。在基于智能手持设备惯性传感器的行走航位推算(PDR)中,为降低惯性传感器的误差及定位误差的累积,通过状态转换的方法识别行走周期并进行计步,提出对原始加速度数据进行预处理和根据实时加速度数据动态设置状态转换参数的算法。在改进的WiFi定位算法及PDR算法基础上,提出使用联邦卡尔曼滤波融合两种方法,并根据人体运动学确定各级滤波器的状态方程和量测方程。实验证明了该算法的有效性。

基于粒子滤波的WiFi行人航位推算融合室内定位

为提高室内定位的精度和稳定性,提出使用粒子滤波融合WiFi指纹定位和行人航位推算的室内定位算法。为减少复杂室内环境对WiFi指纹定位的影响,提出将支持向量机分类与回归相结合的两级WiFi指纹定位算法。在基于智能手持设备惯性传感器的行人航位推算中,为减少惯性传感器的误差以及人随意行走带来的影响,采用状态转换的方法识别行走周期并进行步数统计,提出根据实时加速度数据动态设置状态转换的参数,利用步长和垂直加速度之间的关系以及相邻步长之间的关系,应用卡尔曼滤波进行步长计算。仿真实验中,基于支持向量机的WiFi指纹定位的平均误差比最近邻居(NN)算法降低34.4%,比K最近邻居(KNN)算法降低27.7%。改进的行人航位推算的性能优于常用代表性计步软件和步长计算算法,而经过粒子滤波融合后估计的行走轨迹更加接近真实轨迹:直线行走平均误差为1.21 m,优于WiFi的3.18 m和航位推算的2.76 m;曲线行走平均误差为2.75 m,优于WiFi的3.77 m和航位推算的2.87 m。

传感器辅助的WiFi指纹室内定位方法

针对Wi Fi指纹室内定位技术中信号传播时变性大导致定位精度低的问题,提出一种传感器辅助的Wi Fi指纹定位方法。首先根据移动终端内置的加速度传感器判断用户的走步状态,以减少信号时变所引起的定位误差;然后利用终端中的磁力计与陀螺仪,通过传感器融合来计算用户的运动方向。最后结合所得的方向信息和历史位置计算终端位置,以减少指纹图中与终端反向的指纹带来的干扰,从而减少指纹匹配计算的复杂度。实验结果表明,提出的传感器辅助Wi Fi指纹定位技术能减小位置估计误差并提高定位的鲁棒性。

基于DPC指纹子空间匹配的室内WiFi定位方法

针对无线接收信号强度(RSS)受传播环境突发噪声影响从而引起指纹定位较大误差的问题,本文提出了一种指纹子空间匹配结合密度峰值聚类(DPC)的定位算法,有效避免大误差点。首先通过在线阶段目标RSS信号的接入点(AP)覆盖向量,确定有效的参考位置点,并划分多个指纹子空间,利用改进的WKNN算法估计目标在每个子空间内的位置;最后利用DPC算法选取决策值最大的S个估计位置确定目标。所提算法简单,不需要离线阶段的学习过程训练定位模型,尤其适合存在大量AP的大范围室内定位区域。实际环境中的定位实验表明,基于DPC的指纹子空间匹配算法比WKNN算法的定位精度提升了25%左右,且在参考点分布密度为1.8 m×1.8 m的实验条件下基本消除了4 m以上的大定位误差,有效提高了定位方法的整体性能。

WiFi指纹定位中AP个数对定位精度的影响

基于RSSI的WiFi指纹定位算法离线建立指纹数据库阶段受AP个数影响,因此AP个数也将影响到指纹定位算法精度。为了探究AP个数对定位精度的影响,文中在室内环境下进行实验,选取不同的AP进行基于RSSI的WiFi指纹定位实验和分析,定位精度和可靠性作为定位结果的衡量指标。实验结果表明:在单个办公室内,5~6个AP时定位精度较高且定位结果可靠性达到最高。

基于中心矩改进的WiFi室内定位算法

基于WiFi指纹的定位技术是国内外室内定位领域研究的热门课题。针对室内环境的实变性而造成RSS值波动带来的影响,提出一种基于中心矩加权改进的WKNN匹配算法。离线阶段中,提取RSS的均值和二阶矩作为指纹存入数据库。在线阶段定位时,将RSS值的二阶矩特征加入到欧式距离中进行计算,以得到离定位点最近的K个参考点,从而计算出待定位点的位置。实验结果表明:不同的匹配算法的选择会使定位误差呈现出明显的差异性,所提出改进的WKNN算法能够有效地提高室内定位精度。

基于WiFi技术的井下人员定位系统研究

为优化井下生产管理,增强井下作业安全性,提高人员定位精度,通过比较几种主流无线定位技术,利用WiFi技术传输距离远、定位准、传输快等特点,研究并搭建了一种基于WiFi技术的井下人员定位系统。采用指纹识别定位算法进行离线训练和在线定位,选取欧几里德距离公式进行位置计算。实验证明该定位系统是可行的,定位误差小于5m,有效地提高了定位精度。

基于核模糊C均值指纹库管理的WIFI室内定位方法

针对目前已有的基于指纹的WIFI室内定位指纹库的管理方法对野值和噪声的敏感性,提出一种基于核模糊C均值聚类的指纹库管理的室内定位方法.利用核函数将指纹库从低维空间映射到高维空间并结合模糊聚类方法在高维空间进行指纹库管理,并在管理后的指纹库上进行定位匹配.将指纹库映射到高维空间可以使指纹库中的数据线性可分,从而实现更好的聚类.核模糊C均值(KFCM-Ⅱ)的聚类鲁棒性能够降低聚类对噪声和野值的敏感性,从而保证系统的鲁棒性.在实测数据的实验中,将所提出的方法与基于K均值聚类和基于模糊C均值聚类的室内定位方法进行对比,实验结果表明,所提出的方法相较于K均值方法和模糊C均值方法聚类准确度分别提高了14.20%和10.58%,定位精度分别提高了26.98%和20.43%.

基于WiFi室内定位的AP综合选择策略分析

随着WiFi技术的快速发展与普及应用,利用WiFi进行室内定位已成为当前室内定位领域研究的热点。目前室内AP布置已经非常密集,WiFi信号无处不在。但是室内AP布设存在不均匀、冗余及遮挡现象,这严重影响了WiFi室内定位的精度,同时也增加了计算过程中的复杂度。本文针对AP的选择问题提出了一种综合AP选择策略。该策略融合了方差过滤、最大平均值及互信息方法,考虑了AP信号波动性、信号区域性和AP相关性。试验结果表明:采用AP综合选择方法实现AP组合的最优化,通过WKNN定位算法对定位性能进行评估,发现AP综合选择方法定位精度明显改善,定位平均误差为0.6292m,标准差为0.2483m,与最大平均值和信息增益算法结果相比平均误差均减少0.4m以上。

WiFi指纹辅助的惯性传感器室内定位技术研究

为了提高基于移动终端的室内定位精度,结合Wi Fi指纹定位和传感器惯性导航技术的优点,本文提出了一种Wi Fi指纹辅助的惯性传感器室内定位技术。首先,利用移动终端自带的陀螺仪、加速度传感器和磁力计,通过所提动态阈值调整算法判断行人行走状态,并通过方向检测算法计算行人运动方向。然后,采用改进的地图匹配粒子滤波算法实时计算行人位置,并结合Wi Fi指纹定位信息和惯性传感器导航信息提出联合定位算法周期地校正行人位置。实验结果表明,所提Wi Fi指纹辅助的惯性传感器室内定位技术能够有效提高定位精度。

基于多视角聚类的WiFi指纹定位方法研究

为了解决在基于聚类方法的WiFi指纹定位中视角单一所导致的定位精度较低的问题,提出了基于多视角聚类的WiFi指纹定位方法。利用阈值-均值滤波方法对原始数据进行处理;结合K-means聚类算法对多视角信号(信号强度和位置)进行区划,并建立离线指纹库;使用基础分类器对实测信号分类,待测信号依据分类结果在其所属区域内估计K个邻近信号点,用近邻以及相应的权重值综合确定该信号的实际位置。通过对比实验分析可知,在考虑多视角的情况下,WiFi指纹定位精度在4 m以内的概率为83%,相比于单视角聚类的定位精度提高了12%。结果表明,该方法提高了定位精度,也为定位领域的研究提供了多元化思路。

基于高斯过程回归和WiFi指纹的室内定位方法

为了提高室内定位的准确性,同时降低现场勘测的成本,提出了基于高斯过程回归和WiFi指纹的室内定位方法。首先,在离线阶段,采用高斯过程回归模型(GPR)来扩展WiFi指纹数据库,即通过对不同的GPR核函数进行训练,得到最佳的GPR预测模型,进而利用有限的已知数据预测未知区域的信号强度(RSS)。然后,在指纹匹配阶段中,根据离线阶段得到的RSS数据库,分别使用加权最邻近算法(WKNN)、最大似然估计算法(MLE)、和多层神经网络(MLP)对未知点进行定位。其中,为进一步提高定位精度,提出了误差修正模型,并应用到不同的定位算法中。实验结果表明,kRBF+kMatern+kRQ的核函数组合是最佳的GPR预测模型,平均RSS估计误差为4.59 dBm;与原始勘测地图实现的定位结果比较,基于GPR的定位算法具有更高的定位精度,其中GPR-WKNN算法的定位精度最高,其80%的定位误差为1.32 m,表明了使用GPR扩展地图预测位置的准确性和有效性,同时其能满足商品推荐与物资动态管理、应急救援、智慧停车、传染病患跟踪等新型应用场景对定位精度的高要求。

基于WiFi指纹的高精度室内定位融合算法

针对室内环境中指纹定位接收信号强度信息的高维时变特性以及动态目标定位误差的累积问题,提出了一种基于梯度提升决策树与粒子滤波相结合的融合算法。该算法首先利用梯度提升决策树算法建立的位置坐标与接收信号强度之间的非线性映射模型,对在线接收的信号强度数据进行特征分类判别,实现位置的初步估计;随着目标的运动,进一步结合粒子滤波方法,迭代地实现动态目标位置的精确预测;另外,将定位轨迹与实际轨迹进行对比,以验证该算法的稳定性。实验仿真结果表明:累积分布函数在80%的百分位处,提出算法的定位精度控制在1.19 m以内,明显优于基于支持向量机、随机森林等定位算法;同时较基于梯度提升决策树算法的定位精度提升了34.9%;所获得的定位轨迹与实际轨迹的趋势一致且趋于收敛。

基于WiFi指纹库的室内定位研究进展和展望

首先简要说明了室内定位技术中WiFi定位的优势;然后通过梳理WiFi指纹库的室内定位相关技术研究,简要阐述了WiFi信号的相关特性,并以实验作为佐证,重点介绍了信号传播模型、指纹库构建方法、指纹信号匹配准则和不同手机对WiFi信号敏感差异的标校等相关技术进展;最后,简要介绍了WiFi室内定位技术的未来发展趋势。

使用位置指纹算法的WiFi定位系统设计

随着无线城市的建设和推广,WiFi无线热点的数量在逐渐增加,基于智能手机的定位应用也受到越来越多的关注。然而仅借助于GPS卫星定位系统,无法在高楼林立的市中心或是室内场景定位。因此,本文利用WiFi信号本身的特点,在Android平台上设计了一种基于位置指纹算法的WiFi定位系统。针对WiFi信号本身的不稳定性以及不同设备之间无线信号接收差异两种影响因素改进了该算法。