CN109302690A - 一种基于优化卡尔曼滤波的非视距室内定位方法 - Google Patents
一种基于优化卡尔曼滤波的非视距室内定位方法 Download PDFInfo
- Publication number
- CN109302690A CN109302690A CN201811158765.2A CN201811158765A CN109302690A CN 109302690 A CN109302690 A CN 109302690A CN 201811158765 A CN201811158765 A CN 201811158765A CN 109302690 A CN109302690 A CN 109302690A
- Authority
- CN
- China
- Prior art keywords
- value
- tdoa
- sight
- positioning
- non line
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于优化卡尔曼滤波的非视距室内定位方法,利用卡尔曼滤波器的平滑滤波特性,将室内定位中非视距情况下的定位漂移降至最低。相对于传统卡尔曼滤波器而言,优化卡尔曼滤波算法对室内定位的具体场景应用更加匹配,对非视距定位的漂移纠正实现按需部署、环境自适应、降低计算量等优势。本发明在室内定位方法上采取超声波(Ultrasonic)作为测量媒介,选取超声波频率范围为18‑22kHz的Chirps信号作为载体;利用基于三边测量求时间差的TDOA算法,有效减少由于定位基站时间不同步而造成的定位误差;对于有遮挡的非视距(NLOS)情况,借助优化的卡尔曼滤波平滑处理定位数据严重漂移情况。
Description
技术领域
本发明涉及室内定位中非视距情况领域,具体是一种基于优化卡尔曼滤波的非视距室内定位方法。
背景技术
随着物联网技术的广泛应用,人们对于基于位置的服务(Location BasedService,LBS),尤其是室内位置服务(Indoor LBS,ILBS)出现了爆发式的需求。虽然卫星定位***已经十分完善,但卫星信号在室内急剧衰减,同时受到室内复杂环境的影响,对室内定位准确性要求更高,因此现有的卫星导航***完全不能满足室内定位的需求。
近年来,室内定位逐渐引起学界和业界的关注,人们日益增长的定位服务需求也促使该领域的兴起,超市自动导购、停车场自动寻路、机器人自动分拣快递、工厂监狱等特殊场所的人员管理等等领域都离不开高精度的室内定位服务。室内定位技术基于定位原理大致分为三类,分别是基于测距、基于信号指纹和基于地图构建,目前市面上的室内定位有些是单一技术,有些是混合了几种定位技术,形成多模态定位。超声波室内定位是基于到达时间差的测距技术,利用超声波到达接收器的时间推算出发射点的坐标。然而,超声波信号在室内有一定局限性,具体表现在容易受墙面的吸收衰减和漫反射造成的多径效应,定位锚点时间不同步,以及非视距情况下的接收信号不稳定造成定位结果漂移的情况。TDOA算法结合卡尔曼滤波器可以有效的减少以上不利因素造成的衰减,通过两次加权最小二乘迭代的TDOA算法可以消除时间同步问题和强弱混合的多径效应问题,卡尔曼滤波器则可以平滑滤掉定位误差漂移过大的点。
目前应用在室内定位的卡尔曼滤波器,在非视距情况下虽然初始误差可以有效消除,但仍避免不了多次非视距测量的累计误差,此累计误差过大,也会造成定位不准,偏离正常物体运动轨迹,定位的有效性大大降低。
因此,在非视距室内定位的研究工作中,如何优化卡尔曼滤波器来减少累计误差,提高连续定位的精确度,成为本发明要解决的问题。
发明内容
针对上述现有技术的不足,本发明提供了一种基于优化卡尔曼滤波的非视距室内定位方法,该方法用于解决减少多次非视距情况的累计误差,进一步提高复杂室内情况下的定位精度。
实现本发明目的的技术方案是:选取超声波信号作为媒介,采取被动式定位,降低超声波波束角过小的影响;采用TDOA算法处理接收信号,避免了各个锚点时间不同步的问题,采用优化卡尔曼滤波器平滑滤波,在消除过大信号漂移的同时,也有效的减少了累计误差,实现非视距室内复杂环境下的连续精准定位。其方法包括如下步骤:
(1)配置超声波定位***:建议室内定位模型,采取超声波作为载体,被动式定位方式,在定位锚点BSi安放超声波发射装置,待定位节点P安放超声波接收装置;
(2)采用TDOA算法处理接收信号:采取TDOA算法Δτ=τi-τ1,其中,BS1为TDOA 基准锚点,假设BS1无故障,利用两次WLS迭代计算出TDOA值坐标;
(3)采用优化卡尔曼滤波器减小连续定位误差:根据步骤(2)所得定位数据和***参数,建立卡尔曼滤波模型,利用时间更新过程和状态更新过程得到TDOA优化值,根据增益矩阵Kt对更新值正反馈,Kt的求解公式为
(4)上传连续定位数据:将经过处理后的精确定位结果呈现出来。
步骤(1)所述的超声波室内定位***,是选取20kHz左右的超声波,既考虑到室内日常声信号的干扰,又顾及了超高频超声波成本过高的问题。采用被动定位方式,是由于超声波有着波束角小方向性强的特点,若采取主动定位时,容易造成多个固定锚点无法有效接收初次超声波信号,从而受多径效应影响的问题。
步骤(2)所应用的TDOA算法,其实质上是一种双曲线定位方法,算法原理为:若伪超声波在待定位节点P和各锚点BSi之间按直线传播,并且已经测得伪超声波从P到BSi的传播距离与P到基准锚点(设定为BS1)的传播距离差,则P应位于分别以BSi和BS1作为焦点的一组双曲线交点上。TDOA定位算法至少需要3个以上的定位锚点参与,并且要保障基准锚点无故障。
对于TDOA测量,本发明采用Chan算法进行求解。Chan算法是一种具有解析表达式解的非递归双曲线方程组解法,其优点是计算量小,在噪声服从高斯分布的环境下定位精度高。该方法通过两次加权最小二乘迭代对定位预测估值达到最优。算法表达式如下:
其中,待定位节点坐标P(x0,y0,z0),基准锚点BS1(x1,y1,z1),其余各锚点BSi(xi,yi)(i≠1)。该表达式的最大似然估计为其中,
Ψ为误差矢量。此结果计算出未知节点的最大似然估计解,但其中Ψ仍是未知量。再次对此式进行WLS计算,得到下式:
根据上式得到,待定位节点坐标P(x0,y0,z0)为
此算法能够利用超声波传感器***所提供的所有TDOA测量值,因此能降低个别较大的随机误差的影响,取得相对不错的定位结果。在对最大似然估计上,进行了两次加权最小二乘估计,得到了明确的表达式解,在TDOA测量高斯白噪声是基本能够到达克拉美罗下界。然而该算法的求解过程中,假定了高斯白随机噪声,实际环境的非均匀噪声甚至非视距情况下,单单使用此算法,室内定位准确性会显著下降。
步骤(3)中所应用优化卡尔曼滤波器,是将步骤(2)所得结果结果进行有效滤波,当待定位节点和测量锚点处于非视距情况时,TDOA算法无法进行有效定位计算,而卡尔曼滤波器,将同频带的信号和噪声,在线性***的状态空间基础上,利用输出和输入数据进行***状态的最优估计,在室内定位的非视距条件下,标准卡尔曼滤波器可以通过TDOA计算值、***噪声和预测值,来平滑滤除偏差过大的漂移坐标。卡尔曼滤波器的标准方程如下:
Zt=AZt-1+Bωt-1+εt-1
上式为状态方程,Zt为t时刻的状态值,ωt为l维TDOA***控制向量,εt为***过程激励噪声。A为n×n阶的增益方阵,将t-1时刻的测量值和t时刻的测量值联系一起;B为n×1阶的控制增益矩阵,无特殊情况下一般为零矩阵。
下式为观测方程,为***的观测噪声,一般为期望为零的白噪声向量。H为状态变量Zt对观测变量μt的增益:
本发明提出的优化卡尔曼滤波器,在传统方法基础上,增加了经验阈值ρ的判定,通过计算残差矩阵的奇异值和经验阈值比较来判定是否累积了过大的漂移误差。该优化过程可以看做惯性优化,即非视距累计误差随着惯性逐渐增大时,经卡尔曼滤波器滤波的定位值也会逐渐偏离实际值,此时便产生了较大的残余奇异值。当残余奇异值最小值超过了经验阈值时,本发明认定此时定位结果非常不准确,应予以校准,使计算值回归正常范围内。
本发明优化了卡尔曼滤波器在非视距情况下的累计误差,卡尔曼滤波器的后验估计值公式如下:
其中,卡尔曼增益矩阵为Kt=P′tHT(HP′tHT+R)-1。R为观察噪声的协方差矩阵,一般为常数。为残差,即真实值和估计值的差值。当残差值为零时,后验结果和先验结果相同,此***无误差。本发明在此计算每一个时刻的残差奇异值,将奇异值最大值与经验阈值相比较,判定是否累计误差过大。经验阈值ρ表达式如下:
其中,λ为测距误差阈值,δ为超声波定位***误差阈值,此二值在配置室内定位***时应提前测量。当残差奇异值的最大值大于或等于经验阈值ρ,代表累计误差已经影响了测量值的准确性。此时将增益矩阵Kt置零,其余操作不变,进行第t+1次自循环滤波。
本发明的有益效果是:
1.本发明首次提出了适用于超声波室内定位技术的优化卡尔曼滤波器,针对室内环境噪声参数和超声波***参数,对算法进行有效优化。
2.本发明首次引入了一种计算残差奇异值最大值来判断多次非视距定位偏移过大的方法,使得复杂室内环境的连续定位精确度得到保障。
附图说明
图1为本发明的超声波室内定位数据处理流程图。
具体实施方式
下面结合附图对本发明进一步地详细说明。
如图1所示,本发明一种基于优化卡尔曼滤波的非视距室内定位解决方法,该方法包括如下步骤:
步骤1:配置超声波定位***,建立室内定位模型,采取超声波作为载体,被动式定位方式,在定位锚点BSi安放超声波发射装置,待定位节点P安放超声波接收装置。
选取20kHz左右的超声波,既考虑到室内日常声信号的干扰,又顾及了超高频超声波成本过高的问题。采用被动定位方式,是由于超声波有着波束角小方向性强的特点,若采取主动定位时,容易造成多个固定锚点无法有效接收初次超声波信号,从而受多径效应影响的问题;
步骤2:采用TDOA算法处理接收信号,采取TDOA算法Δτ=τi-τ1,其中,BS1为TDOA基准锚点,假设BS1无故障,利用两次WLS迭代计算出TDOA值坐标;
所应用的TDOA算法,其实质上是一种双曲线定位方法,算法原理为:若伪超声波在待定位节点P和各锚点BSi之间按直线传播,并且已经测得伪超声波从P到BSi的传播距离与P到基准锚点(设定为BS1)的传播距离差,则P应位于分别以BSi和BS1作为焦点的一组双曲线交点上。TDOA定位算法至少需要3个以上的定位锚点参与,并且要保障基准锚点无故障。
对于TDOA测量,本发明采用Chan算法进行求解。Chan算法是一种具有解析表达式解的非递归双曲线方程组解法,其优点是计算量小,在噪声服从高斯分布的环境下定位精度高。该方法通过两次加权最小二乘迭代对定位预测估值达到最优。算法表达式如下:
其中,待定位节点坐标P(x0,y0,z0),基准锚点BS1(x1,y1,z1),其余各锚点BSi(xi,yi)(i≠1)。该表达式的最大似然估计为其中,
Ψ为误差矢量。此结果计算出未知节点的最大似然估计解,但其中Ψ仍是未知量。再次对此式进行WLS计算,得到下式:
根据上式得到,待定位节点坐标P(x0,y0,z0)为
此算法能够利用超声波传感器***所提供的所有TDOA测量值,因此能降低个别较大的随机误差的影响,取得相对不错的定位结果。在对最大似然估计上,进行了两次加权最小二乘估计,得到了明确的表达式解,在TDOA测量高斯白噪声是基本能够到达克拉美罗下界。然而该算法的求解过程中,假定了高斯白随机噪声,实际环境的非均匀噪声甚至非视距情况下,单单使用此算法,室内定位准确性会显著下降。
步骤3:采用优化卡尔曼滤波器减小连续定位误差,根据步骤2所得定位数据和***参数,建立卡尔曼滤波模型,利用时间更新过程和状态更新过程来得到TDOA优化值,根据增益矩阵Kt对更新值正反馈,Kt的求解公式为
Kt=P′tHT(HP′tHT+R)-1
由于在非视距情况信号的不稳定造成过大漂移情况,传统卡尔曼滤波器的平滑滤波过程也会逐渐积累较大误差,本发明在该情形下求解增益矩阵Kt之前,先进行经验阈值ρ的判定。当残差奇异值最大值大于经验阈值,则将增益矩阵Kt置零并进入第t+1次自循环中,否则不进行额外操作。
当待定位节点和测量锚点处于非视距情况时,TDOA算法无法进行有效定位计算。而卡尔曼滤波器,将同频带的信号和噪声,在线性***的状态空间基础上,利用输出和输入数据进行***状态的最优估计。在室内定位的非视距条件下,标准卡尔曼滤波器可以通过TDOA 计算值、***噪声和预测值,来平滑滤除偏差过大的漂移坐标。卡尔曼滤波器的标准方程如下:
Zt=AZt-1+Bωt-1+εt-1
上式为状态方程,Zt为t时刻的状态值,ωt为l维TDOA***控制向量,εt为***过程激励噪声。A为n×n阶的增益方阵,将t-1时刻的测量值和t时刻的测量值联系一起;B为n×1阶的控制增益矩阵,无特殊情况下一般为零矩阵。
下式为观测方程,为***的观测噪声,一般为期望为零的白噪声向量。H为状态变量Zt对观测变量μt的增益:
本发明提出的优化卡尔曼滤波器,在传统方法基础上,增加了经验阈值ρ的判定,通过计算残差矩阵的奇异值和经验阈值比较来判定是否累积了过大的漂移误差。该优化过程可以看做惯性优化,即非视距累计误差随着惯性逐渐增大时,经卡尔曼滤波器滤波的定位值也会逐渐偏离实际值,此时便产生了较大的残余奇异值。当残余奇异值最小值超过了经验阈值时,本发明认定此时定位结果非常不准确,应予以校准,使计算值回归正常范围内。
本发明优化了卡尔曼滤波器在非视距情况下的累计误差,卡尔曼滤波器的后验估计值公式如下:
其中,卡尔曼增益矩阵为Kt=P′tHT(HP′tHT+R)-1。R为观察噪声的协方差矩阵,一般为常数。为残差,即真实值和估计值的差值。当残差值为零时,后验结果和先验结果相同,此***无误差。本发明在此计算每一个时刻的残差奇异值,将奇异值最大值与经验阈值相比较,判定是否累计误差过大。经验阈值ρ表达式如下:
其中,λ为测距误差阈值,δ为超声波定位***误差阈值,此二值在配置室内定位***时应提前测量。当残差奇异值的最大值大于或等于经验阈值ρ,代表累计误差已经影响了测量值的准确性。此时将增益矩阵Kt置零,其余操作不变,进行第t+1次自循环滤波。
步骤4:上传连续定位数据
将经过处理后的精确定位结果呈现出来。
本发明不限于上述实施例,一切采用等同替换或等效替换形成的技术方案均属于本发明要求保护的范围。
Claims (4)
1.一种基于优化卡尔曼滤波的非视距室内定位方法,其特征是:包括如下步骤:
(1)配置超声波定位***:建议室内定位模型,采取超声波作为载体,被动式定位方式,在定位锚点BSi安放超声波发射装置,待定位节点P安放超声波接收装置;
(2)采用TDOA算法处理接收信号:采取TDOA算法,其中,BS1为TDOA基准锚点,假设BS1无故障,利用两次WLS迭代计算出TDOA值坐标;
(3)采用优化卡尔曼滤波器减小连续定位误差:根据步骤(2)所得定位数据和***参数,建立卡尔曼滤波模型,利用时间更新过程和状态更新过程得到TDOA优化值,根据增益矩阵对更新值正反馈,的求解公式为
;
(4)上传连续定位数据:将经过处理后的精确定位结果呈现出来。
2.根据权利要求1所述的基于优化卡尔曼滤波的非视距室内定位方法,其特征是:步骤(1)所述的超声波室内定位***,是选取18-22kHz的超声波。
3.根据权利要求1所述的基于优化卡尔曼滤波的非视距室内定位方法,其特征是:步骤(2)所应用的TDOA算法是:若伪超声波在待定位节点P和各锚点BSi之间按直线传播,并且已经测得伪超声波从P到BSi的传播距离与P到基准锚点(设定为BS1)的传播距离差,则P应位于分别以BSi和BS1作为焦点的一组双曲线交点上,TDOA定位算法至少需要3个以上的定位锚点参与,并且要保障基准锚点无故障;
对于TDOA测量,采用Chan算法进行求解,该算法通过两次加权最小二乘迭代对定位预测估值达到最优,算法表达式如下:
其中,待定位节点坐标, 基准锚点, 其余各锚点 ,该表达式的最大似然估计为,其中,,,为误差矢量;此结果计算出未知节点的最大似然估计解,但其中仍是未知量,再次对此式进行WLS计算,得到下式:
根据上式得到,待定位节点坐标为。
4.根据权利要求1所述的基于优化卡尔曼滤波的非视距室内定位方法,其特征是:步骤(3)中所应用优化卡尔曼滤波器,是将步骤2所得结果结果进行有效滤波,当待定位节点和测量锚点处于非视距情况时,TDOA算法无法进行有效定位计算,而卡尔曼滤波器,将同频带的信号和噪声,在线性***的状态空间基础上,利用输出和输入数据进行***状态的最优估计,在室内定位的非视距条件下,标准卡尔曼滤波器可以通过TDOA计算值、***噪声和预测值,来平滑滤除偏差过大的漂移坐标,卡尔曼滤波器的标准方程如下:
上式为状态方程,为t时刻的状态值,为l维TDOA***控制向量,为***过程激励噪声,为阶的增益方阵,将t-1时刻的测量值和t时刻的测量值联系一起;为阶的控制增益矩阵,无特殊情况下一般为零矩阵;
下式为观测方程,为***的观测噪声,一般为期望为零的白噪声向量,为状态变量对观测变量的增益;
卡尔曼滤波器的后验估计值公式如下:
其中,卡尔曼增益矩阵为,为观察噪声的协方差矩阵,一般为常数,为残差,即真实值和估计值的差值;当残差值为零时,后验结果和先验结果相同,此***无误差;
经验阈值表达式如下:
其中,为测距误差阈值,为超声波定位***误差阈值,此二值在配置室内定位***时应提前测量;当残差奇异值的最大值大于或等于经验阈值,代表累计误差已经影响了测量值的准确性,此时将增益矩阵置零,其余操作不变,进行第t+1次自循环滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158765.2A CN109302690B (zh) | 2018-09-30 | 2018-09-30 | 一种基于优化卡尔曼滤波的非视距室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158765.2A CN109302690B (zh) | 2018-09-30 | 2018-09-30 | 一种基于优化卡尔曼滤波的非视距室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109302690A true CN109302690A (zh) | 2019-02-01 |
CN109302690B CN109302690B (zh) | 2021-02-26 |
Family
ID=65161572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811158765.2A Active CN109302690B (zh) | 2018-09-30 | 2018-09-30 | 一种基于优化卡尔曼滤波的非视距室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109302690B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916410A (zh) * | 2019-03-25 | 2019-06-21 | 南京理工大学 | 一种基于改进平方根无迹卡尔曼滤波的室内定位方法 |
CN110335001A (zh) * | 2019-08-08 | 2019-10-15 | 重庆邮电大学 | 一种快递件定位指引***及方法 |
CN110401915A (zh) * | 2019-08-27 | 2019-11-01 | 杭州电子科技大学 | 一种nlos条件下sekf与距离重构相结合的移动目标定位方法 |
CN110646764A (zh) * | 2019-10-12 | 2020-01-03 | 桂林电子科技大学 | 一种基于伪超声的室内定位***及定位方法 |
CN111142515A (zh) * | 2019-12-11 | 2020-05-12 | 无锡太湖学院 | 一种基于视觉引导的agv小车定位与导航方法 |
CN111551180A (zh) * | 2020-05-22 | 2020-08-18 | 桂林电子科技大学 | 一种可辨识los/nlos声信号的智能手机室内定位***和方法 |
CN112595327A (zh) * | 2020-12-25 | 2021-04-02 | 燕山大学 | 一种基于uwb室内定位***的定位方法及装置 |
CN113311386A (zh) * | 2021-05-25 | 2021-08-27 | 北京航空航天大学 | 基于改进卡尔曼滤波器的tdoa无线定位方法 |
CN113412432A (zh) * | 2019-02-15 | 2021-09-17 | 三菱电机株式会社 | 测位装置、测位***、移动终端及测位方法 |
CN113419211A (zh) * | 2021-06-02 | 2021-09-21 | 清华大学 | 一种射频定位方法、电子设备及存储介质 |
CN114585082A (zh) * | 2022-03-11 | 2022-06-03 | 国网江苏省电力有限公司电力科学研究院 | 一种电力物联网设备的无线定位方法、装置及存储介质 |
CN114979943A (zh) * | 2022-05-18 | 2022-08-30 | 东南大学 | 一种基于raukf的rssi室内定位算法 |
CN115119141A (zh) * | 2022-06-08 | 2022-09-27 | 南京邮电大学 | 一种可用于复杂室内环境基于卡尔曼滤波的uwb定位方法 |
CN116299183A (zh) * | 2023-05-24 | 2023-06-23 | 至控科技(湖州)创新研究院有限公司 | 一种使用扩展卡尔曼滤波估计声速的超声定位方法及*** |
CN116456460A (zh) * | 2023-06-14 | 2023-07-18 | 河北师范大学 | 用于tdoa室内定位的滤波预处理方法 |
CN117082617A (zh) * | 2023-08-17 | 2023-11-17 | 北京慧清科技有限公司 | 一种不依赖高精度位置基准的相对定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103925925A (zh) * | 2014-03-14 | 2014-07-16 | 四川九洲空管科技有限责任公司 | 一种用于多点定位***的实时高精度位置解算方法 |
CN106358286A (zh) * | 2016-08-31 | 2017-01-25 | 广西科技大学 | 基于声波和无线定位的移动目标检测方法 |
CN106405502A (zh) * | 2016-08-31 | 2017-02-15 | 广西科技大学 | 基于声波和无线定位的移动目标检测方法 |
-
2018
- 2018-09-30 CN CN201811158765.2A patent/CN109302690B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103925925A (zh) * | 2014-03-14 | 2014-07-16 | 四川九洲空管科技有限责任公司 | 一种用于多点定位***的实时高精度位置解算方法 |
CN106358286A (zh) * | 2016-08-31 | 2017-01-25 | 广西科技大学 | 基于声波和无线定位的移动目标检测方法 |
CN106405502A (zh) * | 2016-08-31 | 2017-02-15 | 广西科技大学 | 基于声波和无线定位的移动目标检测方法 |
Non-Patent Citations (3)
Title |
---|
ALESSIO DE ANGELIS: "TDoA Based Positioning using Ultrasound Signals and Wireless Nodes", 《IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE (I2MTC)》 * |
XIAONAN LUO等: "Ultrasonic localization method based on receiver array optimization schemes", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》 * |
苏翔: "基于扩展卡尔曼滤波器的混合TDOA/AOA室内定位技术的研究", 《数学技术与应用》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113412432A (zh) * | 2019-02-15 | 2021-09-17 | 三菱电机株式会社 | 测位装置、测位***、移动终端及测位方法 |
CN109916410A (zh) * | 2019-03-25 | 2019-06-21 | 南京理工大学 | 一种基于改进平方根无迹卡尔曼滤波的室内定位方法 |
CN110335001B (zh) * | 2019-08-08 | 2024-04-02 | 重庆邮电大学 | 一种快递件定位指引***及方法 |
CN110335001A (zh) * | 2019-08-08 | 2019-10-15 | 重庆邮电大学 | 一种快递件定位指引***及方法 |
CN110401915A (zh) * | 2019-08-27 | 2019-11-01 | 杭州电子科技大学 | 一种nlos条件下sekf与距离重构相结合的移动目标定位方法 |
CN110401915B (zh) * | 2019-08-27 | 2021-02-05 | 杭州电子科技大学 | 一种nlos条件下sekf与距离重构相结合的移动目标定位方法 |
CN110646764A (zh) * | 2019-10-12 | 2020-01-03 | 桂林电子科技大学 | 一种基于伪超声的室内定位***及定位方法 |
CN111142515A (zh) * | 2019-12-11 | 2020-05-12 | 无锡太湖学院 | 一种基于视觉引导的agv小车定位与导航方法 |
CN111551180A (zh) * | 2020-05-22 | 2020-08-18 | 桂林电子科技大学 | 一种可辨识los/nlos声信号的智能手机室内定位***和方法 |
CN112595327A (zh) * | 2020-12-25 | 2021-04-02 | 燕山大学 | 一种基于uwb室内定位***的定位方法及装置 |
CN113311386A (zh) * | 2021-05-25 | 2021-08-27 | 北京航空航天大学 | 基于改进卡尔曼滤波器的tdoa无线定位方法 |
CN113419211A (zh) * | 2021-06-02 | 2021-09-21 | 清华大学 | 一种射频定位方法、电子设备及存储介质 |
CN114585082A (zh) * | 2022-03-11 | 2022-06-03 | 国网江苏省电力有限公司电力科学研究院 | 一种电力物联网设备的无线定位方法、装置及存储介质 |
CN114585082B (zh) * | 2022-03-11 | 2024-05-07 | 国网江苏省电力有限公司电力科学研究院 | 一种电力物联网设备的无线定位方法、装置及存储介质 |
CN114979943A (zh) * | 2022-05-18 | 2022-08-30 | 东南大学 | 一种基于raukf的rssi室内定位算法 |
CN115119141A (zh) * | 2022-06-08 | 2022-09-27 | 南京邮电大学 | 一种可用于复杂室内环境基于卡尔曼滤波的uwb定位方法 |
CN115119141B (zh) * | 2022-06-08 | 2024-05-28 | 南京邮电大学 | 一种可用于复杂室内环境基于卡尔曼滤波的uwb定位方法 |
CN116299183A (zh) * | 2023-05-24 | 2023-06-23 | 至控科技(湖州)创新研究院有限公司 | 一种使用扩展卡尔曼滤波估计声速的超声定位方法及*** |
CN116299183B (zh) * | 2023-05-24 | 2023-08-15 | 至控科技(湖州)创新研究院有限公司 | 一种使用扩展卡尔曼滤波估计声速的超声定位方法及*** |
CN116456460A (zh) * | 2023-06-14 | 2023-07-18 | 河北师范大学 | 用于tdoa室内定位的滤波预处理方法 |
CN116456460B (zh) * | 2023-06-14 | 2023-09-01 | 河北师范大学 | 用于tdoa室内定位的滤波预处理方法 |
CN117082617A (zh) * | 2023-08-17 | 2023-11-17 | 北京慧清科技有限公司 | 一种不依赖高精度位置基准的相对定位方法 |
CN117082617B (zh) * | 2023-08-17 | 2024-06-07 | 北京慧清科技有限公司 | 一种不依赖高精度位置基准的相对定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109302690B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109302690A (zh) | 一种基于优化卡尔曼滤波的非视距室内定位方法 | |
Gong et al. | AUV-aided joint localization and time synchronization for underwater acoustic sensor networks | |
Lam et al. | LoRa-based localization systems for noisy outdoor environment | |
Yan et al. | Review of range-based positioning algorithms | |
US20080198072A1 (en) | Systems and methods for positioning using multipath signals | |
EP1188066B1 (en) | Narrowband based navigation scheme | |
US7468696B2 (en) | Method and device for trilateration using LOS link prediction and pre-measurement LOS path filtering | |
Famili et al. | ROLATIN: Robust localization and tracking for indoor navigation of drones | |
EP2469298B1 (en) | Method and device for determining location of a target | |
US20190158982A1 (en) | Radio-location method for locating a target device contained within a region of space | |
US20170131402A1 (en) | System and Method for Augmented Localization of WiFi Devices | |
EP2952925A1 (en) | Method, device and system for indoor localization and tracking using ultra-wideband radio signals | |
Carroll et al. | Underwater localization and tracking of physical systems | |
RU2593149C1 (ru) | Адаптивный способ пассивной радиолокации | |
Ferreira et al. | Optimal positioning of autonomous marine vehicles for underwater acoustic source localization using TOA measurements | |
Piwowarczyk et al. | Analysis of the influence of radio beacon placement on the accuracy of indoor positioning system | |
Daramouskas et al. | A survey of methods for location estimation on Low Power Wide Area Networks | |
Kuxdorf-Alkirata et al. | Reliable and low-cost indoor localization based on bluetooth low energy | |
US20160223637A1 (en) | Determining a position of a mobile receiver | |
Tian et al. | A weighted least-squares method using received signal strength measurements for WLAN indoor positioning system | |
CN109633695A (zh) | 一种无人机对卫导干扰机的主动定位方法 | |
Qingli et al. | Node placement optimization for distributed sensor network using adaptive genetic algorithm | |
KR101480834B1 (ko) | 다중 경로 음파 전달 모델 및 표적 식별을 이용한 표적 기동분석 방법 | |
Kim et al. | Exploiting ultrasonic reflections for improving accuracy of indoor location tracking | |
US20130196683A1 (en) | Method for positioning and apparatus for performing the same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |