CN106131955B - 一种基于移动机器人辅助的无线传感器网络节点定位方法 - Google Patents
一种基于移动机器人辅助的无线传感器网络节点定位方法 Download PDFInfo
- Publication number
- CN106131955B CN106131955B CN201610545672.XA CN201610545672A CN106131955B CN 106131955 B CN106131955 B CN 106131955B CN 201610545672 A CN201610545672 A CN 201610545672A CN 106131955 B CN106131955 B CN 106131955B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- node
- msub
- msubsup
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明实施例公开了一种基于移动机器人辅助的无线传感器网络节点定位方法,属于无线传感器网络节点定位领域。将移动机器人与无线传感器网络相结合,采用机器人‑节点、节点‑节点协作配合的定位方式,充分利用移动机器人的机动性及无线传感器节点的可计算性,融入高斯混合容积卡尔曼滤波(Gaussian Mixture Cubature Kalman filter,GM‑CKF)算法,实现了对节点的动态定位。本发明实施例所提出的协作定位方法可以实现对节点的位置估计,采用的GM‑CKF算法能够有效克服高非线性和异常误差导致的不利影响,减小由于***滤波发散导致的误差,提高节点定位精度。
Description
技术领域
本发明涉及无线传感器网络节点定位领域,尤其涉及一种基于移动机器人辅助的无线传感器网络节点定位方法。
背景技术
无线传感器网络(Wireless Sensor Networks,WSNs)作为一项无线通信和传感检测技术相互交融的新兴技术,已经成为国防军事,生物医疗,生产生活,交通管理等领域不可或缺的力量。然而在许多运用中,只有节点位置状态已知,才能更有效的发挥各个节点的监测功能。在环境不确定和未知情况下,如何更稳定、精确的实现节点定位已经成为WSNs的基础和关键技术问题之一。
WSNs中通常含有大量随机散布的传感器节点,可以采用人为标定的定位方式或利用传感器自身携带的全球定位***(Global Positioning System,GPS)来实现。随着WSNs布网的日益规模化,人工标定的难度和成本也在不断提高,致使每个传感器节点装载GPS变得不再切合实际。目前节点定位方法主要采用的有基于多个锚节点的三边定位法、DV-HOP法、蒙特卡洛法等,但这些定位方法的实现大多是基于多个固定锚节点实现的,要想实现高精度的动态定位,对锚节点的部署及数量具有较高的要求,数量的增加还会致使计算负荷增加,影响定位的可靠性。
发明内容
本发明的目的在于提供一种基于移动机器人辅助的无线传感器网络节点定位方法,以解决现有技术中导致的上述多项缺陷。
本发明实施例采用如下技术方案:
一种基于移动机器人辅助的无线传感器网络节点定位方法,其特征在于,所述方法包括以下步骤:
步骤1)节点与部分已知锚节点相互通信定位,获得相对参考定位信息;
步骤2)移动机器人在移动过程中周期性发送位置信息并建立与节点间的有效观测,建立观测距离集合及位置坐标集合;
步骤3)机器人与节点协作辅助定位,建立多约束不等式组,求取估计位置;
步骤4)利用高斯混合容积卡尔曼滤波算法对定位进一步求精。
可选的,所述步骤1)中,部分节点之间进行相互通信,获得相对距离信息。节点Mi和Mj获得的相对节点距离信息为di,j,节点与节点的测量模型可表示为:
其中zi,j表示节点间的位置信息,为节点之间的测距产生的高斯噪声,(xi,yi),(xj,yj)为节点i和j的位置坐标。
可选的,所述步骤2)中,所述的机器人在到达每个状态Xk处可以与每个节点建立相对有效的测量,测量后可获得与节点的相对距离和相对角度机器人对节点的测量模型为:
其中qr(Xk,Mj)为机器人对节点的测量方程,(xk,yk)为k时刻机器人的坐标,(xj,yj)为节点j的位置坐标,表示无线通信带来的误差,为机器人与节点间的观测高斯噪声。
可选的,所述步骤3)中,协作辅助定位中机器人端向监测计算机发送的数据包括时间k,机器人当前位置Xk,与邻节点建立的定位信息对邻节点的测量通过移动机器人在不同位置的观测,每个节点可以得到一系列关于自身位置的不等式约束:由此可以产生多约束的不等式组,通过最小化得到最佳位置逼近。
可选的,所述步骤3)中,协作辅助定位对应的状态空间方程为:
其中Xk表示k时刻机器人当前位置,Zk表示k时刻对节点j的观测值,εk为传感区域内因环境导致的位置观测噪声,表示无线射频观测产生的高斯噪声。
可选的,所述步骤4)中,获得预估位置信息后,利用高斯混合容积卡尔曼滤波算法对定位信息进行状态融合估计。
可选的,所述步骤4)中,高斯混合容积卡尔曼滤波算法分为三部分,高斯分割、门限判别、预测更新。
基于上述技术方案的移动机器人辅助的无线传感器网络节点定位方法,采用机器人-节点、节点-节点协作配合的定位方式,充分利用机器人的机动性及无线传感器节点的可计算性,融入高斯混合容积卡尔曼滤波,实现了对节点的动态定位,所提出的协作定位方法可以实现对节点的位置估计,采用的高斯混合容积卡尔曼滤波算法能够有效克服高非线性和异常误差导致的不利影响,减小由于***滤波发散导致的误差,提高节点定位精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明一种基于移动机器人辅助的无线传感器网络节点定位方法***模型示意图;
图2为本发明一种基于移动机器人辅助的无线传感器网络节点定位方法流程图;
图3为本发明一种基于移动机器人辅助的无线传感器网络节点定位方法算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明一个实施例,如图1所示,一种基于移动机器人辅助的无线传感器网络节点定位方法,所述方法包括以下步骤:
步骤1)节点与部分已知锚节点相互通信定位,获得相对参考定位信息;
步骤2)移动机器人在移动过程中周期性发送位置信息并建立与节点间的有效观测,建立观测距离集合及位置坐标集合;
步骤3)机器人与节点协作辅助定位,建立多约束不等式组,求取估计位置;
步骤4)利用高斯混合容积卡尔曼滤波算法对定位进一步求精。
整个协作定位***由移动机器人和大规模随机散布的n个WSNs节点{M1,M2,......Mn}组成。部分节点位置状态已知,各个节点之间可以和相邻节点进行相互测量、通讯。移动机器人(Move Robot,MR)是整个协作定位***中唯一可移动模块,在移动中不仅能通过自身装载的传感器得到自身运动信息,还可以观测其经过的邻节点位置状态。
步骤1)中,部分节点与已知锚节点之间进行相互通信,节点相互计算处理获得相对距离信息并传送至监测计算机。节点Mi和Mj获得的相对节点距离信息为di,j,节点与节点的测量模型可表示为:
其中zi,j表示节点间的位置信息,为节点之间的测距产生的高斯噪声,(xi,yi),(xj,yj)为节点i和j的位置坐标。
步骤2)中,所述的机器人在到达每个状态Xk处可以与每个节点建立相对有效的测量,测量后由机器人计算处理可获得与节点的相对距离和相对角度机器人对节点的测量模型为:
其中qr(Xk,Mj)为机器人对节点的测量方程,(xk,yk)为k时刻机器人的坐标,(xj,yj)为节点j的位置坐标,表示无线通信带来的误差,为机器人与节点间的观测高斯噪声。
步骤3)中,机器人与节点协作辅助定位中机器人端向监测计算机发送的数据包括时间k,机器人当前位置Xk,与邻节点建立的定位信息对邻节点的测量通过移动机器人在不同位置的观测,每个节点可以得到一系列关于自身位置的不等式约束:由此可以产生多约束的不等式组,通过最小化得到最佳位置逼近,此时对应的状态空间方程为:
其中Xk表示k时刻机器人当前位置,Zk表示k时刻对节点j的观测值,εk为传感区域内因环境导致的位置观测噪声,表示无线射频观测产生的高斯噪声。
步骤4)中,获得预估位置信息后,利用高斯混合容积卡尔曼滤波算法对定位信息进行状态融合估计。
另外,如图2所示,在WSNs中移动机器人按照一定的移动路径移动,由于移动机器人周期性的发布自身位置信息,因此可以不断的在线更新位置信息,由于观测只能提供一维的信息,所以无法从某一次的测量中获得足够多的约束,未知节点收到机器人周期性的位置信息、节点观测信息等多个信息后,建立观测距离集合及位置坐标集合,并利用多约束不等式组求取估计位置。接收到机器人观测后,利用高斯混合容积卡尔曼滤波算法(GM-CKF)滤波算法对定位进一步求精,从而提高节点定位精度。
如图3所示,容积卡尔曼滤波算法的状态更新步骤和测量步骤如下:
第一步:对k-1时刻估计方差进行分解
第二步:Cubature点计算
第三步:Cubature点传播
第四步:求得预测状态和预测协方差
第五步:对预测协方差矩阵进行分解得到计算Cubature点
第六步:量测估计值计算
第七步:计算更新后的量测误差方差
第八步:计算协方差
第九步:计算卡尔曼滤波增益
因此,状态向量和相应的估计协方差为:
如图4所示,所述高斯混合容积卡尔曼滤波算法分为三部分,高斯分割、门限判别、预测更新。机器人状态估计的计算量会随时间呈级数增长,因此在节点和机器人观测都符合近似高斯分布时,将滤波初始时刻的观测估计区间[a,b]等比例划分为公比为的n个高斯分量,每个分量可以作为一个子滤波器,对应的先验均值和标准差可表示为:
每个高斯分量的初始权值与子区间大小成正比,即通过Bayes理论,得到k时刻第n个分量权重为:
其中:p(zk|xk,i)为第n个分量对应的似然函数,可表示为:
其中σi和为第i个高斯分量的协方差和预测量。计算估计输出可表示为高斯分量的参数加权和,即:
再利含高斯分量的似然函数,对子滤波器的权重进行求精。通过设置权限γw可以将权限为0或接近0的子滤波器进行移除。又由于机器人动态性较强,在每一时刻线性度有所不同,于是引入了全局非线性程度判别量:
其中为和的互协方差,为的方差。再设置非线性程度较高的权值门限γn,如果超过γn,就认为该时刻此子滤波器的非线性程度较高,将此预测分为n个高斯密度和:
式中,为进行高斯选择分割后第n个分量的预测均值,表示其对应的协方差。反之,如果非线性程度未超过γn,则不分割。这样的权限设置使得该算法的运算量更少,有效性和可靠性也得到提高。每个滤波器的状态和协方差估计可以通过容积卡尔曼滤波算法的状态更新步骤和测量步骤进行更新。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
Claims (6)
1.一种基于移动机器人辅助的无线传感器网络节点定位方法,其特征在于,所述方法包括以下步骤:
步骤1)节点与部分已知锚节点相互通信定位,获得相对参考定位信息;
步骤2)移动机器人在移动过程中周期性发送位置信息并建立与节点间的有效观测,建立观测距离集合及位置坐标集合;
步骤3)机器人与节点协作辅助定位,建立多约束不等式组,求取估计位置,其中,协作辅助定位中机器人端向监测计算机发送的数据包括时间k,机器人当前位置Xk,与邻节点建立的定位信息对邻节点的测量通过移动机器人在不同位置的观测,每个节点可以得到一系列关于自身位置的不等式约束:由此可以产生多约束的不等式组,通过最小化得到最佳位置逼近;
步骤4)利用高斯混合容积卡尔曼滤波算法对定位进一步求精。
2.根据权利要求1所述的一种基于移动机器人辅助的无线传感器网络节点定位方法,其特征在于,所述步骤1)中,部分节点之间进行相互通信,获得相对距离信息;节点Mi和Mj获得的相对节点距离信息为di,j,节点与节点的测量模型可表示为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>i</mi>
</msup>
<mo>-</mo>
<msup>
<mi>x</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mi>i</mi>
</msup>
<mo>-</mo>
<msup>
<mi>y</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中zi,j表示节点间的位置信息,为节点之间的测距产生的高斯噪声,(xi,yi),(xj,yj)为节点i和j的位置坐标。
3.根据权利要求1所述的一种基于移动机器人辅助的无线传感器网络节点定位方法,其特征在于,所述步骤2)中,所述的机器人在到达每个状态Xk处可以与每个节点建立相对有效的测量,测量后可获得与节点的相对距离和相对角度机器人对节点的测量模型为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>z</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msup>
<mi>q</mi>
<mi>r</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msup>
<mi>M</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>r</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>r</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>j</mi>
</msup>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mi>j</mi>
</msup>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>arctan</mi>
<mfrac>
<mrow>
<msup>
<mi>y</mi>
<mi>j</mi>
</msup>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msup>
<mi>x</mi>
<mi>j</mi>
</msup>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>r</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中qr(Xk,Mj)为机器人对节点的测量方程,(xk,yk)为k时刻机器人的坐标,(xj,yj)为节点j的位置坐标,表示无线通信带来的误差,为机器人与节点间的观测高斯噪声。
4.根据权利要求1所述的一种基于移动机器人辅助的无线传感器网络节点定位方法,其特征在于,所述步骤3)中,协作辅助定位对应的状态空间方程为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msup>
<mi>q</mi>
<mi>r</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>M</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>r</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中Xk表示k时刻机器人当前位置,Zk表示k时刻对节点j的观测值,εk为传感区域内因环境导致的位置观测噪声,表示无线射频观测产生的高斯噪声。
5.根据权利要求1所述的一种基于移动机器人辅助的无线传感器网络节点定位方法,其特征在于,所述步骤4)中,获得预估位置信息后,利用高斯混合容积卡尔曼滤波算法对定位信息进行状态融合估计。
6.根据权利要求5所述的一种基于移动机器人辅助的无线传感器网络节点定位方法,其特征在于,所述步骤4)中,高斯混合容积卡尔曼滤波算法分为三部分,高斯分割、门限判别、预测更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610545672.XA CN106131955B (zh) | 2016-07-12 | 2016-07-12 | 一种基于移动机器人辅助的无线传感器网络节点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610545672.XA CN106131955B (zh) | 2016-07-12 | 2016-07-12 | 一种基于移动机器人辅助的无线传感器网络节点定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106131955A CN106131955A (zh) | 2016-11-16 |
CN106131955B true CN106131955B (zh) | 2017-12-26 |
Family
ID=57282488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610545672.XA Active CN106131955B (zh) | 2016-07-12 | 2016-07-12 | 一种基于移动机器人辅助的无线传感器网络节点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106131955B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767783A (zh) * | 2016-12-15 | 2017-05-31 | 东软集团股份有限公司 | 基于车载通信的定位修正方法和装置 |
CN108430105A (zh) * | 2017-12-28 | 2018-08-21 | 衢州学院 | 分布式传感器网络协同目标估计及干扰源无源定位方法 |
CN109253727B (zh) * | 2018-06-22 | 2022-03-08 | 东南大学 | 一种基于改进迭代容积粒子滤波算法的定位方法 |
CN109655786B (zh) * | 2018-12-29 | 2020-11-24 | 清华大学 | 移动自组网协作相对定位方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945351A (zh) * | 2006-10-21 | 2007-04-11 | 中国科学院合肥物质科学研究院 | 一种机器人导航定位***及导航定位方法 |
CN102359784A (zh) * | 2011-08-01 | 2012-02-22 | 东北大学 | 一种室内移动机器人自主导航避障***及方法 |
CN103776446A (zh) * | 2013-10-29 | 2014-05-07 | 哈尔滨工程大学 | 一种基于双mems-imu的行人自主导航解算算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI481980B (zh) * | 2012-12-05 | 2015-04-21 | Univ Nat Chiao Tung | 電子裝置及其導航方法 |
CN104062973B (zh) * | 2014-06-23 | 2016-08-24 | 西北工业大学 | 一种基于图像标志物识别的移动机器人slam方法 |
CN105509755B (zh) * | 2015-11-27 | 2018-10-12 | 重庆邮电大学 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
CN105737832B (zh) * | 2016-03-22 | 2019-03-22 | 北京工业大学 | 基于全局最优数据融合的分布式slam方法 |
-
2016
- 2016-07-12 CN CN201610545672.XA patent/CN106131955B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945351A (zh) * | 2006-10-21 | 2007-04-11 | 中国科学院合肥物质科学研究院 | 一种机器人导航定位***及导航定位方法 |
CN102359784A (zh) * | 2011-08-01 | 2012-02-22 | 东北大学 | 一种室内移动机器人自主导航避障***及方法 |
CN103776446A (zh) * | 2013-10-29 | 2014-05-07 | 哈尔滨工程大学 | 一种基于双mems-imu的行人自主导航解算算法 |
Also Published As
Publication number | Publication date |
---|---|
CN106131955A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106131955B (zh) | 一种基于移动机器人辅助的无线传感器网络节点定位方法 | |
Liu et al. | Kalman filter-based data fusion of Wi-Fi RTT and PDR for indoor localization | |
Zhong et al. | Technology and application of real-time compaction quality monitoring for earth-rockfill dam construction in deep narrow valley | |
Woo et al. | Application of WiFi-based indoor positioning system for labor tracking at construction sites: A case study in Guangzhou MTR | |
CN102186242B (zh) | 固定区域无线传感器网络移动节点定位方法 | |
CN102186194B (zh) | 基于无线传感器网络的无源目标测量模型的建立方法 | |
CN105004340A (zh) | 结合惯性导航技术和指纹定位技术的定位误差修正方法 | |
CN103491627B (zh) | 一种集成多种算法的近距离实时精确定位方法 | |
CN105704652A (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN106772516B (zh) | 一种基于模糊理论的复合定位新方法 | |
CN104363649B (zh) | 带有约束条件的ukf的wsn节点定位方法 | |
CN104535080B (zh) | 大方位失准角下基于误差四元数的传递对准方法 | |
Ahammed et al. | Vloci: Using distance measurements to improve the accuracy of location coordinates in gps-equipped vanets | |
Gu et al. | Trajectory estimation and crowdsourced radio map establishment from foot-mounted imus, wi-fi fingerprints, and gps positions | |
CN104066179A (zh) | 一种改进的自适应迭代ukf的wsn节点定位方法 | |
CN106353722A (zh) | 基于代价参考粒子滤波的rssi测距方法 | |
Li et al. | A novel method of WiFi fingerprint positioning using spatial multi-points matching | |
CN103152820A (zh) | 一种无线传感器网络声源目标迭代定位方法 | |
Jayakody et al. | Indoor positioning: Novel approach for Bluetooth networks using RSSI smoothing | |
Ma et al. | A fast path matching algorithm for indoor positioning systems using magnetic field measurements | |
Cheng et al. | UWB/INS fusion positioning algorithm based on generalized probability data association for indoor vehicle | |
CN104898087A (zh) | 基于动态环境衰减因子的粒子滤波室内定位方法及*** | |
CN106125044B (zh) | 基于梯度下降的离线定位方法 | |
Zhao et al. | Factor graph based multi-source data fusion for wireless localization | |
Lv et al. | Distribute localization for wireless sensor networks using particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Mengyuan Inventor after: Chen Xiaofei Inventor after: Ling Youzhu Inventor before: Chen Mengyuan |
|
COR | Change of bibliographic data | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |