非视距误差神经网络改正的超宽带定位模型研究

非视距环境是造成超宽带定位系统精度下降的主要原因。由于非视距环境的测距精度下降难以通过常规计算方法建立改正模型,提出了一种基于反向传播算法的神经网络改正的超宽带稳健定位模型。该方法通过反向传播神经网络的自适应学习方法建立了一种超宽带非视距误差改正的稳健定位模型,实现了在非视距环境下超宽带定位精度的提升。首先采集非视距环境下超宽带测距值,提取超宽带在非视距环境下的坐标序列,计算得到误差序列,然后通过反向传播神经网络建立误差改正模型预测得到标签的误差改正值,最后使用超宽带Kalman滤波定位模型进行超宽带定位,从而消除非视距环境对定位精度的影响。通过对比实验分析,本模型较多项式拟合模型超宽带测距精度提高46.8%,定位精度提高43.4%;较多面函数拟合模型超宽带测距精度提高28.2%,定位精度提高26.2%。实验结果表明,反向传播算法的神经网络对超宽带非视距定位模型的误差改正有很好的效果,对超宽带定位精度的改正效果显著。     

基于最优基站选择的超宽带和惯导融合定位方法

为提高基于超宽带的室内定位精度,设计了一种超宽带和惯性导航组融合定位方法.首先,采用基于改进马氏距离的异常值检测方法对超宽带测距过程中的异常值进行了剔除;然后,采用紧耦合滤波以超宽带测距值作为扩展Kalman滤波观测量,以惯性导航的位姿信息作为扩展Kalman滤波预测量,通过超宽带测距来不断校正惯性导航解算的数据融合定位方法.针对定位环境基站多功率消耗大且远距离基站观测数据非视距问题影响定位精度,提出了一种基于协方差矩阵迹作为度量信息的最优基站选择算法.采用传统轮询方法和最优基站选择方法对小车进行了矩形运动实验,实验结果表明:相比传统的轮询算法,采用最优基站选择方法的定位精度提高了15.3％,验证了本文方法的有效性.     

基于最优传播路径的EMA/EKF定位算法研究CSCD

针对室内环境下蓝牙系统易受非视距影响,采用蓝牙到达角(AOA)解决室内行人定位存在较大偏差的问题,研究基站几何分布和定位算法对定位精度的影响。关于蓝牙信号在传播过程中易衰减及产生多径等因素影响定位性能,对基站安装位置与信号接收范围关系进行研究,建立基站分布优化模型,使用遗传算法(GA)求解基站布设最优位置。在此基础上,提出了基于改进指数移动平均(EMA)算法结合扩展卡尔曼滤波(EKF)算法进行误差补偿。实验结果表明,该方法的平均定位误差为0.89m,相较于EKF定位精度更高,证明了所提方法的有效性。     

顾及空间分布和NLOS的UWB室内可信定位方法

针对现行室内可信定位存在的三维定位精度低与结果可信度难以定量评估的难点，提出了一种可信超宽带（UWB）室内定位模型。该方法采用无迹卡尔曼滤波和IGG-III抗差理论模型，解决了UWB定位中的非线性化和非视距误差问题；同时，为提高该方法定位结果的可信度，进一步构建了一种兼顾UWB基站空间分布和非视距误差的可信精度评估模型。与现有模型相比，提出的方案可有效实现基于UWB的室内高精度可信定位。仿真和实测数据结果表明：1）与传统最小二乘结果相比，该方法可提高30%~40%的UWB定位精度；2）引入IGG-III抗差模型可提高11%的定位精度；3）非线性化误差对UWB定位精度的影响不尽相同，约为22%~50%；4）提出的可信度评估模型可实时准确评估UWB定位精度。     

基于轨迹拐点滤波的激光雷达里程计定位算法研究

在GPS拒止环境下，激光雷达里程计可以利用帧间匹配跟踪车辆实现定位，但是定位误差随时间累积的特性造成激光雷达里程计(LO)缺乏持续性。为解决LO的误差累积问题，引入轻量级地图OSM。基于粒子滤波框架，以LO作为运动模型的输入，通过两次筛选提取拐点，利用拐点匹配完成与地图的对齐，并以粒子的均值作为车辆校正后的位置，实现对定位误差的校正。提出了一种新的粒子权重模型，利用不同节点的相似度模型及测量值作为粒子权重的更新依据，避免拐点与路网节点的错误关联导致定位误差加大。经由KITTI数据集上的实验验证，该算法可以有效克服LO误差漂移问题，相较于原始LO定位精度至少提高了49.22%，且具有较好的实时性。     

基于带有事件触发机制的集员滤波的RSSI室内移动定位

在室内移动定位系统中,由于待定位节点易受统计特性未知的噪声干扰影响,采用Kalman滤波和粒子滤波等经典的噪声抑制方法,已无法有效满足室内定位精度不断提升的要求。针对这一问题,提出了一种基于事件触发的集员滤波室内移动定位算法。首先,针对基于接收信号强度指数(RSSI)测距误差导致传统三边定位算法无法获取可行解的问题,提出了一种椭圆三边定位算法;其次,考虑待定位节点的移动性,为了提高定位精度,提出了一种锚节点自主切换算法;最后,针对噪声统计特性未知的情形,考虑使用带有事件触发机制的集员滤波算法来估计待定位节点位置。通过仿真实验验证了所提方法的有效性。     

基于多参量信息的水下地磁滤波导航算法

由于水下运载器使用地磁滤波导航方法时难收敛、易发散,根据水下运载 器的特点设计了一种基于多参量信息的水下地磁滤波导航算法。针对单纯使用地磁数据 进行位置匹配精度较差的问题,该算法在匹配及滤波过程中引入了地磁强度、航向、航 速等多参量信息,采用非线性滤波框架进行信息融合,采用粒子群算法根据多参量信息 进行位置搜索,并以之为系统滤波的观测值,通过提高位置观测精度改进滤波的收敛性 和鲁棒性。仿真结果表明,算法滤波精度高,稳定性好,能够较好地抑制各类传感器干 扰和误差对滤波估计的影响,适用于水下运载器的地磁导航定位。     

基于自适应Kalman滤波的改进PSO算法

针对基于Kalman滤波的PSO算法在设计与应用过程中存在的不足,提出了基于自适应Kalman滤波的改进PSO算法。利用粒子群状态空间Markov链模型,建立粒子群系统状态方程;采用粒子的速度和位置作为观测量,构建观测方程;引入记忆衰减因子动态调整Kalman滤波模型参数及噪声方差阵,降低模型误差,提高粒子的位置估计精度。仿真实验表明:改进的PSO算法无论在优化精度、收敛速度,还是在稳定性方面都有很大的改进和提高,这就有效避免了粒子的"早熟"收敛问题;尤其在处理复杂多峰问题上,改进算法表现出很明显的优越性。     

基于神经网络补偿的室内无人机组合导航系统

针对无人飞行器在环境特征突变情况下数据融合的可靠性大幅下降问题，提出了神经网络预测补偿的组合导航算法。首先利用扩展卡尔曼滤波和粒子滤波对激光、光流等传感器得到的数据进行融合，然后采用径向基函数（RBF）神经网络对粒子滤波前后的误差进行预测。当激光数据可靠时，RBF神经网络进行训练学习模式，当激光数据中断或者不可靠时，利用训练后的模型对系统进行误差补偿。利用无人飞行器在室内环境下进行定点和轨迹实验，结果表明补偿后的位置导航信息能够明显降低激光数据不可靠时带来的定位误差。     

一种基于无线信号辅助的室内无死角定位算法

针对传统惯性导航系统定位误差随时间积累的问题,提出了一种基于无线信号辅助定位的室内无死角定位算法。该算法首先利用加速度计、陀螺仪、磁力计和气压计等传感器数据实现三维定位,然后利用无线信号对惯导定位中的位置偏差进行实时校正,再通过航向最优估计算法对航向误差进行修正,在位置和航向上增强惯导系统的实用性。利用实验室自主研发的微惯性测量单元固定在腰部脊椎位置进行实验验证,结果显示基于无线信号辅助的室内无死角定位算法精度达到1%以内,与纯惯导技术相比,能够提供更持久和准确的三维位置信息。     

A novel particle filter approach for indoor positioning by fusing WiFi and inertial sensors

WiFi fingerprinting is the method of recording WiFi signal strength from access points(AP) along with the positions at which they were recorded, and later matching those to new measurements for indoor positioning. Inertial positioning utilizes the accelerometer and gyroscopes for pedestrian positioning. However, both methods have their limitations, such as the WiFi fluctuations and the accumulative error of inertial sensors. Usually, the filtering method is used for integrating the two approaches to achieve better location accuracy. In the real environments, especially in the indoor field, the APs could be sparse and short range. To overcome the limitations, a novel particle filter approach based on Rao Blackwellized particle filter(RBPF) is presented in this paper. The indoor environment is divided into several local maps, which are assumed to be independent of each other. The local areas are estimated by the local particle filter, whereas the global areas are combined by the global particle filter. The algorithm has been investigated by real field trials using a WiFi tablet on hand with an inertial sensor on foot. It could be concluded that the proposed method reduces the complexity of the positioning algorithm obviously, as well as offers a significant improvement in position accuracy compared to other conventional algorithms, allowing indoor positioning error below 1.2 m.     

地图辅助行人航迹推算技术的室内定位方法

针对目前室内定位技术中位置漂移、定位结果偏差较大的问题,提出了一种融合行人航迹推算(PDR)、地标匹配修正和地图辅助的室内行人定位方法.该方法利用基于惯性传感器的PDR技术计算行人位置信息,利用行走过程中的传感器读数特征识别室内特定地标点,与地标库数据进行匹配后,修正PDR轨迹产生的累积误差.室内地图辅助主要是通过判断行人是否位于走廊等区域,限制轨迹穿墙,约束PDR定位轨迹.实验结果表明,融合定位算法得到的轨迹优于纯惯性递推算法得到的轨迹,更加接近真实的行走轨迹,定位精度提高了51.2％,平均定位误差降至1.8m,满足室内定位需求.     

基于WLAN的室内定位方法研究

室内定位技术是指当携带定位设备的人或物处于室内环境时,携带者或外部监控系统获取其室内位置信息的技术。选取了目前应用前景较为广泛的WLAN定位技术进行研究,阐述了WLAN室内定位技术的基本原理,对比分析了目前两大WLAN定位技术:三边定位法和指纹定位法。针对现有技术的不足提出了新算法进行优化和改进,选取实际环境设计实验验证算法性能,结果表明新算法综合现有技术优点,可在降低成本的同时提高精度并减少运算时间。     

基于MEMS/UWB组合的室内定位方法

在深入研究超宽带（UWB）与车载低成本MEMS的定位原理和算法的基础上,提出了采用UWB辅助MEMS定位的算法,以抑制MEMS的发散并提高定位精度。设计了两者的融合定位算法,完成了基于MEMS/UWB的室内定位技术研究。最终试验运动253.4m,MEMS定位误差小于0.61m,MEMS/UWB融合定位误差小于0.07m。试验结果表明,MEMS/UWB算法与单独的MEMS定位算法相比,有效地提高了定位精度与定位稳定性。     

距离信息对DDFRC算法定位误差的影响与分析

在固定单站无源定位算法中,基于角度(Direct of Arrival)、角度变化率(Direct of Arrival Rate-of-Change)、多普勒频率(Doppler Frequency)和多普勒频率变化率(Doppler Frequency Rate-of-Change)4个观测信息实现定位(即DDFRC定位)算法仅通过单次观测即可实现对目标辐射源的定位。文中通过转移观测的卡尔曼滤波对定位结果进行平滑,较原有算法拥有更好的跟踪效果。同时,对定位误差进行了定量分析,并将距离信息引入算法的仿真分析之中,详细讨论了各个观测量误差在不同距离时对算法定位性能的影响,根据仿真结果,结合定位误差的定量分析对算法性能做出评价。通过仿真分析,得到了定位算法对不同距离下各参数的精度要求,从而为在实际系统中使用该定位算法提供了参考。     

存在观测站位置误差的转发式时差无源定位

无源定位中,由于观测站安放在运动平台等原因造成的观测站位置误差会影响无源定位精度性能。另外到达时间差(简称时差)(TDOA)的转发式测量需要将不同观测站截获到的辐射源信号都转发到同一位置,如主观测站。针对这两个问题,提出了基于约束总体最小二乘(CTLS)的无源定位算法。首先将转发式时差的非线性定位方程转化为不需要中间变量的直接线性方程,再基于CTLS算法依次转化为约束优化问题和无约束优化问题,最后推导给出定位近似闭式解。仿真实验表明在观测站误差较大时,该算法与其他算法相比定位精度性能较好。