CN103379619B - 一种定位方法和*** - Google Patents
一种定位方法和*** Download PDFInfo
- Publication number
- CN103379619B CN103379619B CN201210111075.8A CN201210111075A CN103379619B CN 103379619 B CN103379619 B CN 103379619B CN 201210111075 A CN201210111075 A CN 201210111075A CN 103379619 B CN103379619 B CN 103379619B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- course angle
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Navigation (AREA)
Abstract
本发明提供一种定位方法，包括：基于无线局域网的接入点进行定位，获取用户设备的初始估计位置；获取所述用户设备的航向角和速度信息；根据所述航向角和速度信息对所述初始估计位置进行修正，获得最终位置信息。本发明还提供一种定位***。本发明有效校正了由接收信息强度浮动引起的定位误差和由传感器噪声引起的累积误差，实现了一个低成本高精度的组合定位***。
Description
技术领域
本发明涉及无线网络定位领域，尤其涉及一种定位方法和***。
背景技术
基于WLAN的定位***具有成本低，精度高，应用范围广(室内和室外)等优点，在基于位置的服务中如紧急救援、智能交通和室内定位导航等方面取得了很大的成功。但是仍然存在以下两个问题亟需解决：(1)多径干扰等因素引起的接收信号强度(ReceivedSignal Strength，RSS)浮动严重恶化了WLAN定位精度；(2)在无线访问节点(AccessPoint，AP)没有覆盖到的区域，由于AP缺失导致WLAN定位失效。
为了解决上述问题，人们提出了多种方法，可以分为以下三类：
1、基于时间分集和概率分布模型的WLAN定位***
基于时间分集和概率分布模型的WLAN定位***的基本思想是：在定位区域内固定位置利用时间分集来获得接收信号强度的多个样本，根据多个样本信息来建立接收信号强度的概率分布模型，将接收信号强度的概率分布模型存储到特征数据库中；在定位阶段，移动目标利用时间分集获得接收信号强度的多个样本，通过求取样本均值来获得稳定的接收信号强度来进行定位。由于时间分集需要消耗大量的时间，增加了定位延迟，无法实现实时定位，在移动定位中无法使用。
2.基于卡尔曼滤波的WLAN定位***
基于卡尔曼滤波的WLAN定位***的基本思想是：首先利用WLAN定位算法获得移动目标的位置估计，然后利用移动目标轨迹连续性或者假定移动目标的速度在一定范围内，构造卡尔曼滤波器的状态方程和观测方程，对用户的位置估计进行滤波处理。这种方法虽然提高了WLAN定位***的定位精度，但是由于提前设定了移动目标速度，因此无法实现自适应滤波，限制了在实际中的应用。同时不能解决由于AP缺失引起的WLAN定位失效。
3.WLAN/GPS组合定位
由于GPS在室外空旷地区，能够取得很好的定位精度，因此在AP缺失的区域，可以利用GPS获得准确的位置信息；同时在高楼林立的市区，可以利用WLAN定位来弥补GPS定位的不足，可以说WLAN/GPS组合定位在室外环境下取得了很好的定位性能，但是在室内环境下，由于GPS信号被遮挡，无法改善WLAN室内定位精度。
发明内容
本发明要解决的技术问题是提供一种定位方法和***，解决现有定位***定位精度不够的问题。
为了解决上述问题，本发明提供了一种定位方法，包括：
基于无线局域网的接入点进行定位，获取用户设备的初始估计位置；
获取所述用户设备的航向角和速度信息；
根据所述航向角和速度信息对所述初始估计位置进行修正，获得最终位置信息。
进一步的，上述方法还可具有以下特点，所述基于无线局域网的接入点进行定位包括：
选取参考点，在各参考点测量来自各接入点的信号强度，将所述参考点的位置、所述信号强度和对应接入点的标识/位置存储至数据库中；待定位的用户设备测量周围各接入点的信号强度，查找数据库获取对应的参考点集合，与所述参考点集合进行匹配确定用户设备的初始估计位置。
进一步的，上述方法还可具有以下特点，所述与参考点集合进行匹配确定所述用户设备的初始估计位置包括：
选择m个接收信号强度的欧氏距离最小的参考点，使用所述m个参考点的位置的线性加权和作为所述用户设备的初始估计位置，所述m大于等于1。
进一步的，上述方法还可具有以下特点，所述获取所述用户设备的航向角和速度信息包括：
根据MARG传感器的测量信息获取所述航向角和速度信息。
进一步的，上述方法还可具有以下特点，所述根据MARG传感器的测量信息获取所述航向角包括：
根据所述MARG传感器的磁强计的测量信息获取第一航向角φmag，根据所述MARG传感器的陀螺仪的测量信息获取第二航向角根据所述第一航向角和第二航向角得到所述用户设备的航向角φ：
其中，所述W是预设的权重值，0≤W≤1。
进一步的，上述方法还可具有以下特点，所述方法还包括，根据所述MARG传感器的测量信息获取所述用户设备的滚动角、俯仰角；
所述根据所述航向角和速度信息对所述初始估计位置进行修正包括：
将所述根据所述MARG传感器的测量信息获取的滚动角、俯仰角、航向角和速度信息作为卡尔曼滤波器的输入，进行卡尔曼滤波，输出新的航向角和速度信息；
将所述卡尔曼滤波器输出的航向角和速度信息、以及所述初始估计位置作为粒子滤波器的输入，进行粒子滤波，输出位置信息、航向角和速度信息，将输出的位置信息作为所述用户设备的最终位置信息。
进一步的，上述方法还可具有以下特点，所述进行卡尔曼滤波包括：
进行卡尔曼滤波的状态一步预测，
计算预测误差方差矩阵
计算滤波增益矩阵
进行状态估计
计算估计误差方差
其中，所述表示所述MARG传感器的陀螺仪输出的角速度，φk-1表示时刻k-1时根据所述MARG传感器获取的航向角，ΔT表示所述MARG传感器的测量时间间隔，Q和R分别表示过程噪声和测量噪声的协方差矩阵，Kk为卡尔曼滤波器增益，和Pk表示误差方差矩阵，φPF为上一次定位时粒子滤波器输出的航向角，首次卡尔曼滤波时φPF为指定值。
进一步的，上述方法还可具有以下特点，所述进行粒子滤波包括：
首次进行粒子滤波时，需要初始化粒子，采用高斯分布来初始化粒子的概率密度函数；
根据所述航向角和速度信息，以及所述初始估计位置，预测所述用户设备下一步的状态信息：
计算每个粒子的权重并归一化，如下：
进行粒子重采样，作为下一次粒子滤波的粒子；
其中，所述[xk，yk]T为每个粒子的状态矢量，Ts表示上一次基于无线局域网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔，φk表示所述航向角，vk表示所述速度信息，[ηx，ηy]T表示加速度矢量，用零均值的高斯噪声模拟，方差由所述MARG传感器的测量信息估算，为输入所述粒子滤波器的状态值，表示第i个粒子在时刻k的状态值，σ表示信号强度测量的噪声方差。
本发明还提供一种定位***，包括：
WLAN定位模块，用于基于无线局域网的接入点进行定位，获取用户设备的初始估计位置；
传感器定位模块，用于获取所述用户设备的航向角和速度信息；
融合模块，用于根据所述航向角和速度信息对所述初始估计位置进行修正，获得最终位置信息。
进一步的，上述***还可具有以下特点，所述WLAN定位模块包括：
数据库，用于存储在各参考点测量的来自各接入点的信号强度，所述参考点的位置、和对应接入点的标识/位置；
RSS测量单元，用于测量待定位的用户设备测量周围各接入点的信号强度；
定位单元，用于根据所述RSS测量单元测量的信号强度，查找数据库获取对应的参考点集合，与所述参考点集合进行匹配确定用户设备的初始估计位置。
进一步的，上述***还可具有以下特点，所述定位单元与参考点集合进行匹配确定所述用户设备的初始估计位置包括：
所述定位单元选择m个接收信号强度的欧氏距离最小的参考点，使用所述m个参考点的位置的线性加权和作为所述用户设备的初始估计位置，所述m大于等于1。
进一步的，上述***还可具有以下特点，所述传感器定位模块包括：MARG传感器和数据处理单元，其中：
所述MARG传感器用于，对所述用户设备进行测量，获取测量信息；
所述数据处理单元用于，根据MARG传感器的测量信息获取所述航向角和速度信息。
进一步的，上述***还可具有以下特点，所述数据处理单元根据MARG传感器的测量信息获取所述航向角包括：
所述数据处理单元根据所述MARG传感器的磁强计的测量信息获取第一航向角φmag，根据所述MARG传感器的陀螺仪的测量信息获取第二航向角根据所述第一航向角和第二航向角得到所述用户设备的航向角φ：
其中，所述W是预设的权重值，0≤W≤1。
进一步的，上述***还可具有以下特点，所述融合模块包括：卡尔曼滤波器和粒子滤波器，其中：
所述数据处理单元还用于，根据所述MARG传感器的测量信息获取所述用户设备的滚动角、俯仰角；
所述卡尔曼滤波器用于，将所述根据所述MARG传感器的测量信息获取的滚动角、俯仰角、航向角和速度信息作为卡尔曼滤波器的状态值输入，进行卡尔曼滤波，输出新的航向角和速度信息；
所述粒子滤波器用于，将所述卡尔曼滤波器输出的航向角和速度信息，以及所述初始估计位置作为状态值输入，进行粒子滤波，输出位置信息、航向角和速度信息，将输出的位置信息作为所述用户设备的最终位置信息。
进一步的，上述***还可具有以下特点，所述卡尔曼滤波器进行卡尔曼滤波包括：
进行卡尔曼滤波的状态一步预测，
计算预测误差方差矩阵
计算滤波增益矩阵
进行状态估计
计算估计误差方差
其中，所述表示所述MARG传感器的陀螺仪输出的角速度，φk-1表示时刻k-1时根据所述MARG传感器获取的航向角，ΔT表示所述MARG传感器的测量时间间隔，Q和R分别表示过程噪声和测量噪声的协方差矩阵，Kk为卡尔曼滤波器增益，和Pk表示误差方差矩阵，φPF为上一次定位时粒子滤波器输出的航向角，首次卡尔曼滤波时φPF为指定值。
进一步的，上述***还可具有以下特点，所述进行粒子滤波包括：
初始化粒子，采用高斯分布来初始化粒子的概率密度函数；
根据所述航向角和速度信息，以及所述初始估计位置，预测所述用户设备下一步的状态信息：
计算每个粒子的权重并归一化，如下：
进行粒子重采样，作为下一次粒子滤波的粒子；
其中，所述[xk，yk]T为每个粒子的状态矢量，Ts表示上一次基于无线局域网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔，φk表示所述航向角，vk表示所述速度信息，[ηx，ηy]T表示加速度矢量，用零均值的高斯噪声模拟，方差由所述MARG传感器的测量信息估算，为当前输入所述粒子滤波器的状态值，表示第i个粒子在时刻k的状态值，σ表示信号强度测量的噪声方差。
本发明利用MARG(Magnetic，Angular Rate，and Gravity，磁强计、陀螺仪和加速度计)传感器辅助WLAN(Wireless-LAN)定位***，设计了一个基于粒子滤波和卡尔曼滤波的数据融合算法，该融合算法充分利用WLAN(Wireless-LAN)和MARG定位技术的互补特性，有效校正了由接收信息强度浮动引起的定位误差和由传感器噪声引起的累积误差，实现了一个低成本高精度的WLAN/MARG组合定位***。
附图说明
图1是本发明实施例定位***框图；
图2是本发明实施例定位方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明实施例提供一种定位方法，包括：
基于无线局域网的接入点进行定位，获取用户设备的初始估计位置；
获取所述用户设备的航向角和速度信息；
根据所述航向角和速度信息对所述初始估计位置进行修正，获得最终位置信息。
其中，所述基于无线局域网的接入点进行定位包括：
选取参考点，在各参考点测量来自各接入点的信号强度，将所述参考点的位置、所述信号强度和对应接入点的标识/位置存储至数据库中；待定位的用户设备测量周围各接入点的信号强度，查找数据库获取对应的参考点集合，与所述参考点集合进行匹配确定用户设备的初始估计位置。
其中，所述与参考点集合进行匹配确定所述用户设备的初始估计位置包括：
选择m个接收信号强度的欧氏距离最小的参考点，使用所述m个参考点的位置的线性加权和作为所述用户设备的初始估计位置，所述m大于等于1。
其中，所述获取所述用户设备的航向角和速度信息包括：
根据MARG传感器的测量信息获取所述航向角和速度信息。
其中，所述根据MARG传感器的测量信息获取所述航向角包括：
根据所述MARG传感器的磁强计的测量信息获取第一航向角φmag，根据所述MARG传感器的陀螺仪的测量信息获取第二航向角根据所述第一航向角和第二航向角得到所述用户设备的航向角φ：
其中，所述W是预设的权重值，0≤W≤1。
其中所述方法还包括，根据所述MARG传感器的测量信息获取所述用户设备的滚动角、俯仰角；
所述根据所述航向角和速度信息对所述初始估计位置进行修正包括：
将所述根据所述MARG传感器的测量信息获取的滚动角、俯仰角、航向角和速度信息作为卡尔曼滤波器的输入，进行卡尔曼滤波，输出新的航向角和速度信息；
将所述卡尔曼滤波器输出的航向角和速度信息、以及所述初始估计位置作为粒子滤波器的输入，进行粒子滤波，输出位置信息、航向角和速度信息，将输出的位置信息作为所述用户设备的最终位置信息。
当然，也可以不进行卡尔曼滤波，直接将根据MARG传感器获取的航向角和速度信息进行粒子滤波，得到最终的位置信息。
除了卡尔曼滤波和粒子滤波外，还可使用贝叶斯滤波、互补滤波、扩展卡尔曼滤波，联邦卡尔曼滤波等融合算法。
其中，所述进行卡尔曼滤波包括：
进行卡尔曼滤波的状态一步预测，
计算预测误差方差矩阵
计算滤波增益矩阵
进行状态估计
计算估计误差方差
其中，所述表示所述MARG传感器的陀螺仪输出的角速度，φk-1表示时刻k-1时根据MARG传感器获取的航向角，ΔT表示所述MARG传感器的测量时间间隔，Q和R分别表示过程噪声和测量噪声的协方差矩阵，Kk为卡尔曼滤波器增益，和Pk表示误差方差矩阵，φPF为上一次定位时粒子滤波器输出的航向角，首次卡尔曼滤波时φPF为指定值。
其中，所述进行粒子滤波包括：
首次进行粒子滤波时，需要初始化粒子，采用高斯分布来初始化粒子的概率密度函数；
根据所述航向角和速度信息，以及所述初始估计位置，预测所述用户设备下一步的状态信息：
计算每个粒子的权重并归一化，如下：
进行粒子重采样，作为下一次粒子滤波的粒子；
其中，所述[xk，yk]T为每个粒子的状态矢量，Ts表示上一次基于无线局域网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔，φk表示所述航向角，vk表示所述速度信息，[ηx，ηy]T表示加速度矢量，用零均值的高斯噪声模拟，方差由所述MARG传感器的测量信息估算，为当前输入所述粒子滤波器的状态值，表示第i个粒子在时刻k的状态值，σ表示信号强度测量的噪声方差。
本发明实施例提供的定位***实现框图见附图1所示，包括：WLAN定位模块，传感器定位模块和融合模块，其中：
WLAN定位模块，用于基于无线局域网的接入点进行定位，获取用户设备的初始估计位置；
传感器定位模块，用于获取所述用户设备的航向角和速度信息；
融合模块，用于根据所述航向角和速度信息对所述初始估计位置进行修正，获得最终位置信息。
所述WLAN定位模块包括：
数据库，用于存储在各参考点测量的来自各接入点的信号强度，所述参考点的位置、和对应接入点的标识/位置；
RSS测量单元，用于测量待定位的用户设备测量周围各接入点的信号强度；
定位单元，用于根据所述RSS测量单元测量的信号强度，查找数据库获取对应的参考点集合，与所述参考点集合进行匹配确定用户设备的初始估计位置。
所述定位单元与参考点集合进行匹配确定所述用户设备的初始估计位置包括：
所述定位单元选择m个接收信号强度的欧氏距离最小的参考点，使用所述m个参考点的位置的线性加权和作为所述用户设备的初始估计位置，所述m大于等于1。
所述传感器定位模块包括：MARG传感器和数据处理单元，其中：
所述MARG传感器用于，对所述用户设备进行测量，获取测量信息；
所述数据处理单元用于，根据所述MARG传感器的测量信息获取所述航向角和速度信息。
所述数据处理单元根据MARG传感器的测量信息获取所述航向角包括：
所述数据处理单元根据所述MARG传感器的磁强计的测量信息获取第一航向角φmag，根据所述MARG传感器的陀螺仪的测量信息获取第二航向角根据所述第一航向角和第二航向角得到所述用户设备的航向角φ：
其中，所述W是预设的权重值，0≤W≤1。
所述融合模块包括：卡尔曼滤波器和粒子滤波器，其中：
所述数据处理单元还用于，根据所述MARG传感器的测量信息获取所述用户设备的滚动角、俯仰角；
所述卡尔曼滤波器用于，将所述根据所述MARG传感器的测量信息获取的滚动角、俯仰角、航向角和速度信息作为卡尔曼滤波器的状态值输入，进行卡尔曼滤波，输出新的航向角和速度信息；
所述粒子滤波器用于，将所述卡尔曼滤波器输出的航向角和速度信息，以及所述初始估计位置作为状态值输入，进行粒子滤波，输出位置信息、航向角和速度信息，将输出的位置信息作为所述用户设备的最终位置信息。
粒子滤波和卡尔曼滤波的具体方法参见方法实施例。
下面通过具体应用实例进一步说明本发明。
1)WLAN定位
基于WLAN的Fingerprinting(指纹特征)定位过程主要分为训练和定位两个阶段如图2所示。
(1)训练阶段
其目标在于建立一个位置指纹识别数据库。主要工作是采集感兴趣区域内各参考点(Reference Point，RP)位置的指纹特征信息——RSS(Received Signal Strength，接收信号强度)。如图1所示，移动用户(Mobile User，MU)依次在各个参考点上测量来自不同AP的RSS值，并将相应MAC地址和经纬度坐标信息存储到数据库中，直至遍历感兴趣区域内所有的参考点，这个过程完成了RSS的测量和RP数据库的建立。
具体的：
在定位区域选择参考点(RP)，参考的间距室内选取2-3米，室外选择8-11米；
通过空间分集技术在参考点上测量WLAN接入点的信号强度样本，AP地址或标识(比如，MAC地址)以及对应的参考点的位置信息(可用经纬度坐标表示)；
通过信号强度样本进行加权滤波，获得参考点RP的指纹信息，存储到指纹信息数据库中。
(2)定位阶段
(1)移动用户测量周围WLAN接入点的RSS(Received Signal Strength，接收信号强度)，并对数据进行滤波处理；
(2)按照MAC地址在指纹数据库中查找对应的指纹信息集合；
(3)与集合中的参考点进行匹配计算，来确定移动用户的位置。匹配计算原则为接收信号强度的欧氏距离，选择m个欧氏距离最小的参考点，用这些参考点的坐标的线性加权和表示移动用户的位置，称为初始估计位置。
除了上述匹配计算原则，还有基于神经网络技术的匹配、基于直方图概率性算法的匹配原则、基于支持向量机的匹配原则等。
一示例如下：
移动用户测量周围AP的RSS，将其与预先存储在数据库中的RSS矢量进行匹配计算，匹配原则为接收信号强度的欧氏距离，如式(1)所示：
其中Dj表示参考点j和移动用户之间信号强度的欧氏距离或相似度，Dj越小表明两者之间相距的越近；rss＝(rssi，rss2，…，rssn)矢量表示移动用户当前测量的到n个AP的RSS；RSS＝(RSSj1，RSSj2，…，RSSjn)矢量表示在第j个参考点存储到数据库中的RSS，代表参考点j的指纹信息。
选择m个欧氏距离最小的参考点(x1，x2，…，xm)，用这些参考点坐标的线性加权和表示移动用户当前的位置坐标x0＝(x0，y0)，计算公式如下：
其中wk表示参考点k的权重，计算公式如下：
上述WLAN定位方法仅为示例，其他WLAN定位方法也可应用在发明中。
2)MARG传感器数据处理
MARG传感器数据处理是利用传感器提供的加速度和角速度等信息，来获得载体的姿态角以及相对位置等信息。首先将集成了三维陀螺仪、三维加速度计和三维磁强计的智能终端定义到一个x-y-z坐标系，一般称为载体坐标系，取载体的重心为载体坐标系原点，三个轴分别与载体的纵轴、横轴和竖轴相重合。与之对应的绝对坐标系通常称为X-Y-Z导航坐标系，X、Y、Z轴分布指向东、北、天，遵循右手定则。
例如：滚动角俯仰角θ和航向角φ分别表示载体坐标系绕x轴、y轴和z轴转动的转角，用来表示载体坐标系相对于导航坐标系的方位，也称为载体的姿态角。滚动角和俯仰角的计算公式如下：
其中 和表示加速度计在载体坐标系下沿x、y和z轴的输出值。航向角的输出可以通过磁强计的输出或者陀螺仪的输出来获取。用磁强计m＝[mx，my，mz]T求取航向角时，需要通过旋转矩阵使载体坐标系的z轴和导航坐标系Z轴对齐，然后求取航行角，公式如下：
m′＝R′m (7)
其中m′x和m′y表示地球磁场强度分量沿对齐后的x′轴和y′轴分量。
加速度计测量获得载体在x，y，z轴上的加速度，通过加速度获取载体的滚动角和俯仰角，以及载体的速度信息。
磁强计测量获得地球磁场在x，y，z轴上的磁场强度分量，获取载体的航向角，称为第一航向角。
陀螺仪测量载体角速度信息，计算获得载体的滚动角、俯仰角和第二航向角。
通过互补滤波器来融合陀螺仪计算出来的第二航向角和磁强计计算出的第一航向角，获得航向角。当然，也可以不进行互补滤波，直接使用第一航向角或第二航向角。当然，也可以利用GPS技术来获得航向角。
利用陀螺仪计算出的航向角来修正磁强计的输出，公式如下：
其中表示由陀螺仪计算出来的航向角，ωk表示陀螺仪在k时段的角速度，W是所设计的互补滤波器的互补权重，0≤W≤1。
3)基于WLAN和MARG的粒子滤波器设计
粒子滤波步骤：
(1)将卡尔曼滤波器输出的航向角和速度信息作为粒子滤波的状态值输入；
(2)初始化粒子：采用高斯分布来初始化粒子的概率密度函数，均值为目标初始状态，所述初始状态包括航向角和速度信息；
(3)预测：利用航向角和速度信息，以及WLAN定位结果，粒子滤波器预测目标下一步的状态信息；
(4)粒子权重计算及归一化：通过测量模型和现在的测量值来求取每个粒子的权重，当粒子位置越靠近目标当前估计状态时，粒子获得的权重越大；
(5)重采样：根据后验概率密度函数来产生新的粒子，解决粒子退化问题。
粒子滤波器输出位置信息，航向角信息，速度信息。位置信息作为移动用户的位置估计。
具体滤波方法如下：
粒子滤波是采用一组从概率密度函数上随机抽取的并附带相关权值的粒子集来逼近后验概率密度函数：
其中xk表示目标在时刻k的状态矢量，z0:k表示在时刻k+1之前的测量值序列，表示第i个粒子或者抽样点，为其权重，N为粒子数。本***中采用的粒子滤波分为以下四个步骤：
1)初始化
根据初始的概率密度函数Pr(x0)产生N个粒子其中Pr(x0)采用高斯分布，均值为目标初始状态，该值可以根据需要设定。首次进行粒子滤波需要进行初始化，后续使用前一次滤波重采样后得到的粒子。
2)预测
结合MARG传感器数据处理结果，粒子滤波预测目标下一步的状态信息(xk+1，yk+1)，公式如下：
其中[xk，yk]T为每个粒子的状态矢量，Ts表示第k-1次WLAN定位与第k次WLAN定位的时间间隔，φk表示MARG传感器数据经过卡尔曼滤波获得的目标绕z轴的旋转角(即航向角)，vk表示MARG传感器数据处理后获得的目标速度，[ηx，ηy]T表示目标的加速度矢量，用零均值的高斯噪声模拟，方差可以由MARG传感器数据估算。
3)权重计算及归一化
粒子的权重通过测量模型和当前观测值来求取：
其中zk表示目标当前测量的RSS，表示目标当前的状态信息(位置、航向角)，表示第i个粒子在时刻k的状态信息，σ表示测量噪声方差，根据实际中RSS浮动的方差来选择。式(13)表示当粒子位置越靠近目标当前估计位置时，粒子获得的权重越大，从而获得准确的后验概率分布。
4)重采样
重采样是粒子滤波的关键，根据概率密度函数Pr(xk|zk)产生N个新粒子来解决粒子退化问题，一种重采样方法如下：
4)基于WLAN和MARG的卡尔曼滤波设计
粒子滤波的好坏严重依赖航向角φ的准确度，为了进一步消除由于陀螺仪存在累积误差和磁强计易受周围局部磁场的干扰，导致MARG数据处理后获得的航向角φ误差，本实施例中，还可提供一个卡尔曼滤波器，利用粒子滤波获得的姿态信息(包括粒子滤波器输出的位置信息，载体速度信息，航向角信息等)来修正航向角φ，从而获得稳定可靠的航向角信息。
卡尔曼滤波的步骤：
(1)MARG传感器获得的滚动角、俯仰角和航向角，以及载体速度信息，作为卡尔曼滤波状态值的输入。
(2)进行卡尔曼滤波的状态下一步预测；
(3)计算预测误差方差矩阵；
(4)计算滤波增益矩阵；
(5)状态估计；
(6)估计误差方差计算。
卡尔曼滤波算法如下式：
其中表示陀螺仪输出的角速度，φk-1表示时刻k-1时预测的航向角，ΔT表示MARG传感器的测量时间间隔，Q和R分别表示过程噪声和测量噪声的协方差矩阵，Kk为卡尔曼滤波器增益，和Pk表示误差方差矩阵，φPF为粒子滤波估计的航向角。
本发明实施例提出的基于数据融合的WLAN/MARG组合定位***，该***利用MARG传感器获得移动目标的速度、姿态等信息，通过互补滤波、卡尔曼滤波和粒子滤波等数据融合算法来提高WLAN定位精度，实现了一个低成本高精度WLAN/MARG组合定位***。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
Claims (16)
1.一种定位方法，其特征在于，包括：
基于无线局域网的接入点进行定位，获取用户设备的初始估计位置；
获取所述用户设备的航向角和速度信息；
根据所述航向角和速度信息对所述初始估计位置进行修正，获得最终位置信息；
所述根据所述航向角和速度信息对所述初始估计位置进行修正包括：
对所述航向角和速度信息进行卡尔曼滤波，输出新的航向角和速度信息；
对所述新的航向角和速度信息、以及所述初始估计位置进行粒子滤波，将输出的位置信息作为最终位置信息。
2.如权利要求1所述的方法，其特征在于，所述基于无线局域网的接入点进行定位包括：
选取参考点，在各参考点测量来自各接入点的信号强度，将所述参考点的位置、所述信号强度和对应接入点的标识/位置存储至数据库中；待定位的用户设备测量周围各接入点的信号强度，查找数据库获取对应的参考点集合，与所述参考点集合进行匹配确定用户设备的初始估计位置。
3.如权利要求2所述的方法，其特征在于，所述与参考点集合进行匹配确定所述用户设备的初始估计位置包括：
选择m个接收信号强度的欧氏距离最小的参考点，使用所述m个参考点的位置的线性加权和作为所述用户设备的初始估计位置，所述m大于等于1。
4.如权利要求1所述的方法，其特征在于，所述获取所述用户设备的航向角和速度信息包括：
根据MARG传感器的测量信息获取所述航向角和速度信息。
5.如权利要求4所述的方法，其特征在于，所述根据MARG传感器的测量信息获取所述航向角包括：
根据所述MARG传感器的磁强计的测量信息获取第一航向角φmag，根据所述MARG传感器的陀螺仪的测量信息获取第二航向角根据所述第一航向角和第二航向角得到所述用户设备的航向角φ：
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&phi;</mi>
<mi>k</mi>
<mrow>
<mi>g</mi>
<mi>y</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>W&phi;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
其中，所述W是预设的权重值，0≤W≤1。
6.如权利要求4或5所述的方法，其特征在于，
所述方法还包括，根据所述MARG传感器的测量信息获取所述用户设备的滚动角、俯仰角；
所述根据所述航向角和速度信息对所述初始估计位置进行修正包括：
将所述根据所述MARG传感器的测量信息获取的滚动角、俯仰角、航向角和速度信息作为卡尔曼滤波器的输入，进行卡尔曼滤波，输出新的航向角和速度信息；
将所述卡尔曼滤波器输出的航向角和速度信息、以及所述初始估计位置作为粒子滤波器的输入，进行粒子滤波，输出位置信息、航向角和速度信息，将输出的位置信息作为所述用户设备的最终位置信息。
7.如权利要求6所述的方法，其特征在于，所述进行卡尔曼滤波包括：
进行卡尔曼滤波的状态一步预测，
计算预测误差方差矩阵
计算滤波增益矩阵
进行状态估计
计算估计误差方差
其中，所述表示所述MARG传感器的陀螺仪输出的角速度，φk-1表示时刻k-1时根据所述MARG传感器获取的航向角，ΔT表示所述MARG传感器的测量时间间隔，Q和R分别表示过程噪声和测量噪声的协方差矩阵，Kk为卡尔曼滤波器增益，和Pk表示误差方差矩阵，φPF为上一次定位时粒子滤波器输出的航向角，首次卡尔曼滤波时φPF为指定值。
8.如权利要求6所述的方法，其特征在于，所述进行粒子滤波包括：
首次进行粒子滤波时，需要初始化粒子，采用高斯分布来初始化粒子的概率密度函数；
根据所述航向角和速度信息，以及所述初始估计位置，预测所述用户设备下一步的状态信息：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&phi;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&phi;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mfrac>
<msubsup>
<mi>T</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<mn>2</mn>
</mfrac>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mfrac>
<msubsup>
<mi>T</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<mn>2</mn>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&eta;</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&eta;</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
计算每个粒子的权重并归一化，如下：
<mrow>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>z</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</msubsup>
</mrow>
</mfrac>
</mrow>
进行粒子重采样，作为下一次粒子滤波的粒子；
其中，所述[xk,yk]T为每个粒子的状态矢量，Ts表示上一次基于无线局域网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔，φk表示所述航向角，vk表示所述速度信息，[ηx,ηy]T表示加速度矢量，用零均值的高斯噪声模拟，方差由所述MARG传感器的测量信息估算，为输入所述粒子滤波器的状态值，表示第i个粒子在时刻k的状态值，σ表示信号强度测量的噪声方差。
9.一种定位***，其特征在于，包括：
WLAN定位模块，用于基于无线局域网的接入点进行定位，获取用户设备的初始估计位置；
传感器定位模块，用于获取所述用户设备的航向角和速度信息；
融合模块，用于根据所述航向角和速度信息对所述初始估计位置进行修正，获得最终位置信息；
所述融合模块包括：卡尔曼滤波器和粒子滤波器，其中：
所述卡尔曼滤波器用于，对所述获取的航向角和速度信息进行卡尔曼滤波，输出新的航向角和速度信息；
所述粒子滤波器用于，对所述新的航向角和速度信息，以及所述初始估计位置进行粒子滤波，将输出的位置信息作为最终位置信息。
10.如权利要求9所述的***，其特征在于，所述WLAN定位模块包括：
数据库，用于存储在各参考点测量的来自各接入点的信号强度，所述参考点的位置、和对应接入点的标识/位置；
RSS测量单元，用于测量待定位的用户设备测量周围各接入点的信号强度；
定位单元，用于根据所述RSS测量单元测量的信号强度，查找数据库获取对应的参考点集合，与所述参考点集合进行匹配确定用户设备的初始估计位置。
11.如权利要求10所述的***，其特征在于，所述定位单元与参考点集合进行匹配确定所述用户设备的初始估计位置包括：
所述定位单元选择m个接收信号强度的欧氏距离最小的参考点，使用所述m个参考点的位置的线性加权和作为所述用户设备的初始估计位置，所述m大于等于1。
12.如权利要求9所述的***，其特征在于，所述传感器定位模块包括：MARG传感器和数据处理单元，其中：
所述MARG传感器用于，对所述用户设备进行测量，获取测量信息；
所述数据处理单元用于，根据MARG传感器的测量信息获取所述航向角和速度信息。
13.如权利要求12所述的***，其特征在于，所述数据处理单元根据MARG传感器的测量信息获取所述航向角包括：
所述数据处理单元根据所述MARG传感器的磁强计的测量信息获取第一航向角φmag，根据所述MARG传感器的陀螺仪的测量信息获取第二航向角根据所述第一航向角和第二航向角得到所述用户设备的航向角φ：
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&phi;</mi>
<mi>k</mi>
<mrow>
<mi>g</mi>
<mi>y</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>W&phi;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
其中，所述W是预设的权重值，0≤W≤1。
14.如权利要求12或13所述的***，其特征在于，
所述数据处理单元还用于，根据所述MARG传感器的测量信息获取所述用户设备的滚动角、俯仰角；
所述卡尔曼滤波器用于，将所述根据所述MARG传感器的测量信息获取的滚动角、俯仰角、航向角和速度信息作为卡尔曼滤波器的状态值输入，进行卡尔曼滤波，输出新的航向角和速度信息；
所述粒子滤波器用于，将所述卡尔曼滤波器输出的航向角和速度信息，以及所述初始估计位置作为状态值输入，进行粒子滤波，输出位置信息、航向角和速度信息，将输出的位置信息作为所述用户设备的最终位置信息。
15.如权利要求14所述的***，其特征在于，所述卡尔曼滤波器进行卡尔曼滤波包括：
进行卡尔曼滤波的状态一步预测，
计算预测误差方差矩阵
计算滤波增益矩阵
进行状态估计
计算估计误差方差
其中，所述表示所述MARG传感器的陀螺仪输出的角速度，φk-1表示时刻k-1时根据所述MARG传感器获取的航向角，ΔT表示所述MARG传感器的测量时间间隔，Q和R分别表示过程噪声和测量噪声的协方差矩阵，Kk为卡尔曼滤波器增益，和Pk表示误差方差矩阵，φPF为上一次定位时粒子滤波器输出的航向角，首次卡尔曼滤波时φPF为指定值。
16.如权利要求14所述的***，其特征在于，所述进行粒子滤波包括：
初始化粒子，采用高斯分布来初始化粒子的概率密度函数；
根据所述航向角和速度信息，以及所述初始估计位置，预测所述用户设备下一步的状态信息：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&phi;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&phi;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mfrac>
<msubsup>
<mi>T</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<mn>2</mn>
</mfrac>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mfrac>
<msubsup>
<mi>T</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<mn>2</mn>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&eta;</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&eta;</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
计算每个粒子的权重并归一化，如下：
<mrow>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>z</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</msubsup>
</mrow>
</mfrac>
</mrow>
进行粒子重采样，作为下一次粒子滤波的粒子；
其中，所述[xk,yk]T为每个粒子的状态矢量，Ts表示上一次基于无线局域网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔，φk表示所述航向角，vk表示所述速度信息，[ηx,ηy]T表示加速度矢量，用零均值的高斯噪声模拟，方差由所述MARG传感器的测量信息估算，为当前输入所述粒子滤波器的状态值，表示第i个粒子在时刻k的状态值，σ表示信号强度测量的噪声方差。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210111075.8A CN103379619B (zh) | 2012-04-16 | 2012-04-16 | 一种定位方法和*** |
| PCT/CN2013/073085 WO2013155919A1 (zh) | 2012-04-16 | 2013-03-22 | 一种定位方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210111075.8A CN103379619B (zh) | 2012-04-16 | 2012-04-16 | 一种定位方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103379619A CN103379619A (zh) | 2013-10-30 |
| CN103379619B true CN103379619B (zh) | 2017-11-28 |
Family
ID=49382898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210111075.8A Active CN103379619B (zh) | 2012-04-16 | 2012-04-16 | 一种定位方法和*** |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN103379619B (zh) |
| WO (1) | WO2013155919A1 (zh) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103644911A (zh) * | 2013-11-27 | 2014-03-19 | 南京城际在线信息技术有限公司 | 陀螺仪辅助定位方法 |
| CN103674785B (zh) * | 2013-12-04 | 2017-02-01 | 杭州腾海科技有限公司 | 悬浮式表层水流流速流向在线跟踪监测装置和监测方法 |
| CN104853431A (zh) * | 2014-02-18 | 2015-08-19 | 中兴通讯股份有限公司 | 一种地理位置信息定位方法、装置 |
| CN104105060B (zh) * | 2014-07-18 | 2018-02-13 | 南京猫酷科技股份有限公司 | 定位方法及设备 |
| CN104482933B (zh) * | 2014-12-03 | 2017-12-29 | 北京航空航天大学 | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 |
| CN104501796B (zh) * | 2014-12-16 | 2017-03-08 | 重庆邮电大学 | 一种室内wlan/mems融合跨楼层3维定位方法 |
| CN104635203B (zh) * | 2015-02-12 | 2017-04-19 | 国家无线电监测中心 | 一种基于粒子滤波算法的无线电干扰源测向定位方法 |
| CN104796866B (zh) * | 2015-05-06 | 2018-09-11 | 北京我联科技有限公司 | 室内定位方法和装置 |
| CN106325287A (zh) * | 2015-06-14 | 2017-01-11 | 复旦大学 | 一种基于惯性/磁传感器marg姿态检测的智能割草机直线行走控制*** |
| CN105357753B (zh) * | 2015-10-16 | 2018-09-18 | 杭州电子科技大学 | 一种基于多模融合递归迭代的室内定位方法 |
| CN105510870B (zh) * | 2015-12-19 | 2018-05-18 | 长安大学 | 一种智能设备室内定位***和方法 |
| CN105589064B (zh) * | 2016-01-08 | 2018-03-23 | 重庆邮电大学 | Wlan位置指纹数据库快速建立和动态更新***及方法 |
| CN105768480A (zh) * | 2016-02-25 | 2016-07-20 | 北京石油化工学院 | 行李箱的定位方法、装置与*** |
| CN105872981B (zh) * | 2016-03-30 | 2018-12-25 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
| WO2017191578A1 (en) * | 2016-05-03 | 2017-11-09 | St. Jude Medical International Holding S.À R.L. | Magnetic field distortion detection and correction in a magnetic localization system |
| CN106455047A (zh) * | 2016-08-22 | 2017-02-22 | 北京易游华成科技有限公司 | 定位方法和设备 |
| CN106535133A (zh) * | 2016-11-11 | 2017-03-22 | 天津大学 | 一种基于机器学习的蜂窝网络中室内话务精确定位方法 |
| CN107576330A (zh) * | 2017-09-07 | 2018-01-12 | 西北大学 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
| CN107861143A (zh) * | 2017-10-31 | 2018-03-30 | 太原理工大学 | 一种bds/wlan组合定位算法 |
| DE102017128491B4 (de) * | 2017-11-30 | 2022-12-22 | Leica Biosystems Nussloch Gmbh | Mikrotom und Verfahren zum Positionieren eines Mikrotomobjektkopfes |
| CN109298436A (zh) * | 2018-05-15 | 2019-02-01 | 重庆邮电大学 | 一种多信息融合的室内定位与导航方法 |
| CN109597006B (zh) * | 2018-12-11 | 2020-11-24 | 河南工业大学 | 一种磁性纳米粒子测量位置的优化设计方法 |
| CN109816071A (zh) * | 2019-02-12 | 2019-05-28 | 河南工程学院 | 一种基于rfid的室内目标追踪方法 |
| CN110099443B (zh) * | 2019-05-13 | 2020-04-07 | 电子科技大学 | 一种无线传感器网络中节点追踪的负载均衡方法 |
| CN111148023B (zh) * | 2019-12-30 | 2021-03-16 | 广东博智林机器人有限公司 | 基于多个uwb标签的定位方法及装置 |
| CN111194000B (zh) * | 2020-01-07 | 2021-01-26 | 东南大学 | 基于蓝牙融合混合滤波与神经网络的测距方法与*** |
| CN112188386B (zh) * | 2020-07-31 | 2022-08-09 | 广东中达道信科技发展有限公司 | 一种基于etc信号强度的车辆定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101208880A (zh) * | 2005-03-31 | 2008-06-25 | 日本电气株式会社 | 便携式无线终端及其移动速度检测方法 |
| CN101285686A (zh) * | 2008-05-29 | 2008-10-15 | 中国农业大学 | 一种农业机械导航分级定位的方法和*** |
| WO2010059934A2 (en) * | 2008-11-21 | 2010-05-27 | Qualcomm Incorporated | Wireless position determination using adjusted round trip time measurements |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100689517B1 (ko) * | 2004-12-13 | 2007-03-02 | 삼성전자주식회사 | ＮＴＰ(Ｎｅｔｗｏｒｋ Ｔｉｍｅ Ｐｒｏｔｏｃｏｌ)서버를 이용한 ＡＧＰＳ시스템 및 그를 이용한 단말기의위치 측정 방법 |
-
2012
- 2012-04-16 CN CN201210111075.8A patent/CN103379619B/zh active Active
-
2013
- 2013-03-22 WO PCT/CN2013/073085 patent/WO2013155919A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101208880A (zh) * | 2005-03-31 | 2008-06-25 | 日本电气株式会社 | 便携式无线终端及其移动速度检测方法 |
| CN101285686A (zh) * | 2008-05-29 | 2008-10-15 | 中国农业大学 | 一种农业机械导航分级定位的方法和*** |
| WO2010059934A2 (en) * | 2008-11-21 | 2010-05-27 | Qualcomm Incorporated | Wireless position determination using adjusted round trip time measurements |
Non-Patent Citations (1)
| Title |
|---|
| 大区域宽带自组织网络中定位信息的作用（上）;马正新;《数字通信世界》;20110615;参见期刊第68页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2013155919A1 (zh) | 2013-10-24 |
| CN103379619A (zh) | 2013-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103379619B (zh) | 一种定位方法和*** | |
| CN104655137B (zh) | 行人航迹推测辅助的Wi‑Fi信号指纹定位算法 | |
| CN105424030B (zh) | 基于无线指纹和mems传感器的融合导航装置和方法 | |
| CN110118549B (zh) | 一种多源信息融合定位方法和装置 | |
| CN105371870B (zh) | 一种基于星图数据的星敏感器在轨精度测量方法 | |
| Kim et al. | Indoor positioning system using geomagnetic anomalies for smartphones | |
| CN103402258B (zh) | 一种基于Wi‑Fi的室内定位***和方法 | |
| CN104807460B (zh) | 无人机室内定位方法及*** | |
| CN107389063A (zh) | 基于gsm/mems融合的高精度室内融合定位方法 | |
| CN107318084A (zh) | 一种基于最优相似度的指纹定位方法及装置 | |
| CN105588566A (zh) | 一种基于蓝牙与mems融合的室内定位***及方法 | |
| CN108061889A (zh) | Ais与雷达角度***偏差的关联方法 | |
| CN105589064A (zh) | Wlan位置指纹数据库快速建立和动态更新***及方法 | |
| CN108632761A (zh) | 一种基于粒子滤波算法的室内定位方法 | |
| Wang et al. | TOA-based NLOS error mitigation algorithm for 3D indoor localization | |
| CN107179079A (zh) | 基于pdr与地磁融合的室内定位方法 | |
| CN104796866A (zh) | 室内定位方法和装置 | |
| CN105043380A (zh) | 基于微机电传感器、WiFi定位、磁场匹配的室内导航方法 | |
| CN106597363A (zh) | 一种室内wlan环境下的行人定位方法 | |
| CN111698774B (zh) | 基于多源信息融合的室内定位方法及装置 | |
| CN104949673B (zh) | 一种基于非视觉感知信息的目标定位方法及装置 | |
| CN106441302A (zh) | 大型开放式区域内的室内定位方法 | |
| CN107655474A (zh) | 一种基于智能终端的导航方法及导航*** | |
| CN109059964A (zh) | 一种基于重力峰的惯性导航与重力测量双校准方法 | |
| CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |