CN110057368B - 一种室内定位与导航方法 - Google Patents
一种室内定位与导航方法 Download PDFInfo
- Publication number
- CN110057368B CN110057368B CN201910428323.3A CN201910428323A CN110057368B CN 110057368 B CN110057368 B CN 110057368B CN 201910428323 A CN201910428323 A CN 201910428323A CN 110057368 B CN110057368 B CN 110057368B
- Authority
- CN
- China
- Prior art keywords
- intelligent vehicle
- radio frequency
- positioning
- miniature intelligent
- indoor
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种新型室内定位与导航方法，包括：通过射频信号和超声波信号的室内精确定位***；改进蚁群算法中的参数α(信息启发因子)、参数β(期望启发因子)和参数ρ(信息素挥发因子)，得到更快速的室内路径规划算法；建立深度学习神经网络模型，构建图像分类***，根据前两步的室内定位与路径规划确定图像标签，训练分类***，最终根据微缩智能车采集到的实时图像的分类结果进行转向角预测，实现室内导航。本发明融合了室内定位与机器视觉导航技术，通过对物体所处规划路径位置的精确定位，实现图像标签的精确标注，能最大限度的提高训练数据准确率，提高视觉导航精度。
Description
技术领域
本发明涉及室内定位与导航技术领域，尤其是室内定位与导航方法。
背景技术
近些年，由于人口的不断增长与建筑领域的发展，城市中的大中型建筑的数量快速提高。世界高层建筑与城市人委员会(CTBUH)公布，2018年中国新建的摩天大楼数占世界总新建数的一半。随着建筑面积的不断扩大，大型商场、办公大楼、地铁站、医院、超市等与人们生活密切相关的建筑设施的内部环境也日益复杂，对于初入一座大型建筑的人来说，想在建筑内迅速准确的找到目的地变得愈发困难。
当前的定位与导航技术主要作用于室外环境，是基于手机或其他电子设备中的GPS模块或网络辅助定位获取当前的位置信息。但是当GPS模块位于室内环境时，卫星信号需要穿越多重墙壁，信号强度大大削弱，无法进行准确的定位。而且室内定位需要极高的准确度，几米的误差都会造成导航位置的严重错误，即使能够收到卫星信号，也会因为精准不足而难以满足需求。基于此背景，研发新型室内定位与导航技术有着广阔的应用前景。
发明内容
本发明的目的在于提供一种降低了定位成本，在保持精度不变的情况下缩短了定位时间的室内定位与导航方法。
为实现上述目的，本发明采用了以下技术方案：一种室内定位与导航方法，该方法包括下列顺序的步骤：
(1)设计射频模块和超声波模块，将其安装在室内天花板和微缩智能车上，二者分别用于进行粗区域定位和精细定位，得到微缩智能车在室内的精确位置；
(2)改进路径规划算法得到快速蚁群算法，在室内环境下任取两点，若两点间至少存在一条可通行路径，则快速蚁群算法能够迅速找到其中最短的一条路径；若两点间无法通行，则快速蚁群算法能够迅速判断此路不通；
(3)根据微缩智能车的定位位置和快速蚁群算法规划的最短路径，判断微缩智能车下一步的转向角度，拍摄此时微缩智能车正前方的图片，将转向角度作为图片的标签，通过此方法采集多幅带有标签的图片作为下一步的训练集与测试集；
(4)设计卷积神经网络，该网络接收一副图片，输出为图片的类别；通过上一步采集的图片进行训练和测试；本网络的输出为50分类，即左转向角范围为0至25度，右转向角范围为0至25度；导航阶段，微缩智能车在行进过程中实时拍摄正前方的图片，输入训练好的卷积神经网络，根据输出的图片类别决定下一步的转向角度，实现导航。
所述步骤(1)中利用射频模块和超声波模块进行室内定位具体包括以下步骤：
(1a)将天花板分割为若干块区域，每块区域的中心的安装射频接收模块，接收来自微缩智能车上的射频发送模块发送的射频信号；各射频接收模块接收到射频信号后会储存信号强度值，距离越越，强度越弱；
(1b)选择射频信号强度值最大的射频接收模块所在的区域为粗定位区域，唤醒该区域内的超声波发送模块；
(1c)超声波发送模块同时对外发送射频信号和超声波信号，其中射频信号用于同步命令，当微缩智能车上的超声波接收模块接收到射频信号时，计时器开始计时，接收到超声波信号时，计时器停止计时；根据声音在空气中的传播速度与计时器记录的传播时间，计算出天花板上超声波发送模块和微缩智能车上超声波接收模块之间的直线距离；
(1d)根据上一步的方法计算出粗定位区域至少三个超声波发送模块与微缩智能车的直线距离，使用三边定位法得到微缩智能车的准确定位。
所述步骤(2)中改进路径规划算法得到快速蚁群算法具体包括以下步骤：
(2a)将信息素启发因子α由[1,9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
其中，k表示当前迭代到第几次，K表示迭代的总次数，A＝4，ε＝1，B＝2；
(2b)将期望启发因子β由[1,9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
其中，k表示当前迭代到第几次，K表示迭代的总次数，C＝3，θ＝1，D＝6。
(2c)将信息素挥发因子ρ由[0.1,0.9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
式中ψ为常数项，控制ρ的大小，根据实际情况调整；λ为改变因子，控制迭代次数的权重；K为迭代总次数；k为当前迭代次数。
所述步骤(3)中采集训练集与测试集具体包括以下步骤：
(3a)对微缩智能车当前所处室内位置进行定位；
(3b)拍摄微缩智能车当前所在位置的正前方图片；
(3c)根据快速蚁群算法规划的最短路径，结合微缩智能车当前所处位置，判断微缩智能车下一步的转向角度；
(3d)将转向角度作为此次拍摄的图片的标签，重复此过程，得到10000张带有标签的图片，其中8000张作为训练集，2000张作为测试集。
所述步骤(4)中设计卷积神经网络具体包括以下步骤：
(4a)设计卷积层，卷积层的卷积核大小为3×3和1×1；
(4b)设计池化层，选择最大池化对数据降维，同时保持图像的特征；
(4c)选择激活函数，激活函数选择为ELU函数，函数表达式为
式中，x是自变量，e是自然常数；
(4d)选择梯度更新策略，选用动量更新的小批量梯度下降法，每个批量的样本数为64，用来加速的动量为Nesterov动量，动量系数δ为0.9，学习率ε为0.01，并随着网络的更新逐渐衰减，动量更新公式为
式中，vt+1表示t+1时刻的动量值，xt+1表示t+1时刻的梯度值，xt表示t时刻的梯度值，μ为控制动量大小的超参数，lr是学习率，dx是当前梯度值；
(4e)优化策略，包括训练数据增广、BN算法、随机失活算法dropout；
(4f)输入采集的训练集训练网络，训练结束后使用采集的测试集测试网络，得到网络的分类准确率；
(4g)使用此网络进行导航，微缩智能车在行进过程中不断拍摄正前方的图片输入网络，输出智能车下一步的转向角，完成导航。
由上述技术方案可知，本发明的优点在于：第一，本发明融合了射频定位和超声波定位两种定位方法，降低了定位成本，在保持精度不变的情况下缩短了定位时间；第二，本发明改进了传统的蚁群算法，缩短了算法的运算时间；第三，本发明将定位与路径规划相结合，设置图像标签，使其成为导航***的学习目标，提高了标签的准确率，并最终学习到准确的路径。
附图说明
图1为本发明的方法流程图；
图2为卷积神经网络模型图。
具体实施方式
如图1所示，一种室内定位与导航方法，该方法包括下列顺序的步骤：
(1)设计射频模块和超声波模块，将其安装在室内天花板和微缩智能车上，二者分别用于进行粗区域定位和精细定位，得到微缩智能车在室内的精确位置；
(2)改进路径规划算法得到快速蚁群算法，在室内环境下任取两点，若两点间至少存在一条可通行路径，则快速蚁群算法能够迅速找到其中最短的一条路径；若两点间无法通行，则快速蚁群算法能够迅速判断此路不通；
(3)根据微缩智能车的定位位置和快速蚁群算法规划的最短路径，判断微缩智能车下一步的转向角度，拍摄此时微缩智能车正前方的图片，将转向角度作为图片的标签，通过此方法采集多幅带有标签的图片作为下一步的训练集与测试集；
(4)设计卷积神经网络，该网络接收一副图片，输出为图片的类别；通过上一步采集的图片进行训练和测试；本网络的输出为50分类，即左转向角范围为0至25度，右转向角范围为0至25度；导航阶段，微缩智能车在行进过程中实时拍摄正前方的图片，输入训练好的卷积神经网络，根据输出的图片类别决定下一步的转向角度，实现导航。
所述步骤(1)中利用射频模块和超声波模块进行室内定位具体包括以下步骤：
(1a)将天花板分割为若干块区域，每块区域的中心的安装射频接收模块，接收来自微缩智能车上的射频发送模块发送的射频信号；各射频接收模块接收到射频信号后会储存信号强度值，距离越越，强度越弱；
(1b)选择射频信号强度值最大的射频接收模块所在的区域为粗定位区域，唤醒该区域内的超声波发送模块；
(1c)超声波发送模块同时对外发送射频信号和超声波信号，其中射频信号用于同步命令，当微缩智能车上的超声波接收模块接收到射频信号时，计时器开始计时，接收到超声波信号时，计时器停止计时；根据声音在空气中的传播速度与计时器记录的传播时间，计算出天花板上超声波发送模块和微缩智能车上超声波接收模块之间的直线距离；
(1d)根据上一步的方法计算出粗定位区域至少三个超声波发送模块与微缩智能车的直线距离，使用三边定位法得到微缩智能车的准确定位。
所述步骤(2)中改进路径规划算法得到快速蚁群算法具体包括以下步骤：
(2a)将信息素启发因子α由[1,9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
其中，k表示当前迭代到第几次，K表示迭代的总次数，A＝4，ε＝1，B＝2；
(2b)将期望启发因子β由[1,9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
其中，k表示当前迭代到第几次，K表示迭代的总次数，C＝3，θ＝1，D＝6。
(2c)将信息素挥发因子ρ由[0.1,0.9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
式中ψ为常数项，控制ρ的大小，根据实际情况调整，本方法中取1.82；λ为改变因子，控制迭代次数的权重，本方法取1；K为迭代总次数；k为当前迭代次数。
所述步骤(3)中采集训练集与测试集具体包括以下步骤：
(3a)对微缩智能车当前所处室内位置进行定位；
(3b)拍摄微缩智能车当前所在位置的正前方图片；
(3c)根据快速蚁群算法规划的最短路径，结合微缩智能车当前所处位置，判断微缩智能车下一步的转向角度；
(3d)将转向角度作为此次拍摄的图片的标签，重复此过程，得到10000张带有标签的图片，其中8000张作为训练集，2000张作为测试集。
所述步骤(4)中设计卷积神经网络具体包括以下步骤：
(4a)设计卷积层，卷积层的卷积核大小为3×3和1×1，通小卷积核在深度上的叠加取得与大尺度卷积核相同的感受野，同时通过深度的增加提高网络的泛化能力，避免过拟合；
(4b)设计池化层，选择最大池化对数据降维，同时保持图像的特征，最大池化后的图像上纹理特征更加明显；
(4c)选择激活函数，激活函数用来给卷积层增加非线性，同时为了保证网络反向传播的过程中梯度不会消失，激活函数应处处可微；本方法激活函数选择为ELU函数，函数表达式为
式中，x是自变量，e是自然常数；
(4d)选择梯度更新策略，选用动量更新的小批量梯度下降法，每个批量的样本数为64，用来加速的动量为Nesterov动量，动量系数δ为0.9，学习率ε为0.01，并随着网络的更新逐渐衰减，动量更新公式为
式中，vt+1表示t+1时刻的动量值，xt+1表示t+1时刻的梯度值，xt表示t时刻的梯度值；μ为控制动量大小的超参数，通过交叉验证选择；lr是学习率，dx是当前梯度值；
(4e)优化策略，为了防止网络过拟合，提高模型准确率，网络增加了一系列优化策略，包括训练数据增广、BN算法、随机失活算法dropout；
(4f)输入采集的训练集训练网络，训练结束后使用采集的测试集测试网络，得到网络的分类准确率；
(4g)使用此网络进行导航，微缩智能车在行进过程中不断拍摄正前方的图片输入网络，输出智能车下一步的转向角，完成导航。卷积神经网络模型图如图2所示。
综上所述，本发明通过射频信号和超声波信号的室内精确定位***；改进蚁群算法中的参数α(信息启发因子)、参数β(期望启发因子)和参数ρ(信息素挥发因子)，得到更快速的室内路径规划算法；建立深度学习神经网络模型，构建图像分类***，根据前两步的室内定位与路径规划确定图像标签，训练分类***，最终根据微缩智能车采集到的实时图像的分类结果进行转向角预测，实现室内导航。本发明融合了室内定位与机器视觉导航技术，通过对物体所处规划路径位置的精确定位，实现图像标签的精确标注，能最大限度的提高训练数据准确率，提高视觉导航精度。
Claims (4)
1.一种室内定位与导航方法，其特征在于：该方法包括下列顺序的步骤：
(1)设计射频模块和超声波模块，将其安装在室内天花板和微缩智能车上，二者分别用于进行粗区域定位和精细定位，得到微缩智能车在室内的精确位置；
(2)改进路径规划算法得到快速蚁群算法，在室内环境下任取两点，若两点间至少存在一条可通行路径，则快速蚁群算法能够迅速找到其中最短的一条路径；若两点间无法通行，则快速蚁群算法能够迅速判断此路不通；
(3)根据微缩智能车的定位位置和快速蚁群算法规划的最短路径，判断微缩智能车下一步的转向角度，拍摄此时微缩智能车正前方的图片，将转向角度作为图片的标签，通过此方法采集多幅带有标签的图片作为下一步的训练集与测试集；
(4)设计卷积神经网络，该网络接收一副图片，输出为图片的类别；通过上一步采集的图片进行训练和测试；本网络的输出为50分类，即左转向角范围为0至25度，右转向角范围为0至25度；导航阶段，微缩智能车在行进过程中实时拍摄正前方的图片，输入训练好的卷积神经网络，根据输出的图片类别决定下一步的转向角度，实现导航；
所述步骤(4)中设计卷积神经网络具体包括以下步骤：
(4a)设计卷积层，卷积层的卷积核大小为3×3和1×1；
(4b)设计池化层，选择最大池化对数据降维，同时保持图像的特征；
(4c)选择激活函数，激活函数选择为ELU函数，函数表达式为
式中，x是自变量，e是自然常数；
(4d)选择梯度更新策略，选用动量更新的小批量梯度下降法，每个批量的样本数为64，用来加速的动量为Nesterov动量，动量系数δ为0.9，学习率ε为0.01，并随着网络的更新逐渐衰减，动量更新公式为
式中，vt+1表示t+1时刻的动量值，xt+1表示t+1时刻的梯度值，xt表示t时刻的梯度值，μ为控制动量大小的超参数，lr是学习率，dx是当前梯度值；
(4e)优化策略，包括训练数据增广、BN算法、随机失活算法dropout；
(4f)输入采集的训练集训练网络，训练结束后使用采集的测试集测试网络，得到网络的分类准确率；
(4g)使用此网络进行导航，微缩智能车在行进过程中不断拍摄正前方的图片输入网络，输出智能车下一步的转向角，完成导航。
2.根据权利要求1所述的室内定位与导航方法，其特征在于：所述步骤(1)中利用射频模块和超声波模块进行室内定位具体包括以下步骤：
(1a)将天花板分割为若干块区域，每块区域的中心的安装射频接收模块，接收来自微缩智能车上的射频发送模块发送的射频信号；各射频接收模块接收到射频信号后会储存信号强度值，距离越越，强度越弱；
(1b)选择射频信号强度值最大的射频接收模块所在的区域为粗定位区域，唤醒该区域内的超声波发送模块；
(1c)超声波发送模块同时对外发送射频信号和超声波信号，其中射频信号用于同步命令，当微缩智能车上的超声波接收模块接收到射频信号时，计时器开始计时，接收到超声波信号时，计时器停止计时；根据声音在空气中的传播速度与计时器记录的传播时间，计算出天花板上超声波发送模块和微缩智能车上超声波接收模块之间的直线距离；
(1d)根据上一步的方法计算出粗定位区域至少三个超声波发送模块与微缩智能车的直线距离，使用三边定位法得到微缩智能车的准确定位。
3.根据权利要求1所述的室内定位与导航方法，其特征在于：所述步骤(2)中改进路径规划算法得到快速蚁群算法具体包括以下步骤：
(2a)将信息素启发因子α由[1,9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
其中，k表示当前迭代到第几次，K表示迭代的总次数，A＝4，ε＝1，B＝2；
(2b)将期望启发因子β由[1,9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
其中，k表示当前迭代到第几次，K表示迭代的总次数，C＝3，θ＝1，D＝6；
(2c)将信息素挥发因子ρ由[0.1,0.9]中随机选择的固定值改为随迭代次数变化而变化的值，其变化函数为：
式中ψ为常数项，控制ρ的大小；λ为改变因子，控制迭代次数的权重；K为迭代总次数；k为当前迭代次数。
4.根据权利要求1所述的室内定位与导航方法，其特征在于：所述步骤(3)中采集训练集与测试集具体包括以下步骤：
(3a)对微缩智能车当前所处室内位置进行定位；
(3b)拍摄微缩智能车当前所在位置的正前方图片；
(3c)根据快速蚁群算法规划的最短路径，结合微缩智能车当前所处位置，判断微缩智能车下一步的转向角度；
(3d)将转向角度作为此次拍摄的图片的标签，重复此过程，得到10000张带有标签的图片，其中8000张作为训练集，2000张作为测试集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428323.3A CN110057368B (zh) | 2019-05-22 | 2019-05-22 | 一种室内定位与导航方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428323.3A CN110057368B (zh) | 2019-05-22 | 2019-05-22 | 一种室内定位与导航方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110057368A CN110057368A (zh) | 2019-07-26 |
| CN110057368B true CN110057368B (zh) | 2023-02-10 |
Family
ID=67324065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910428323.3A Active CN110057368B (zh) | 2019-05-22 | 2019-05-22 | 一种室内定位与导航方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110057368B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110864691B (zh) * | 2019-11-15 | 2021-10-19 | 浙江大学华南工业技术研究院 | 基于天花板式二维码的仿磁条定位方法及装置 |
| CN111754051B (zh) * | 2020-07-23 | 2021-01-08 | 拉扎斯网络科技（上海）有限公司 | 通行时长预测处理方法及装置 |
| CN112689114B (zh) * | 2021-03-11 | 2021-06-22 | 太平金融科技服务（上海）有限公司 | 对车辆的目标位置进行确定的方法、装置、设备和介质 |
| TWI771960B (zh) * | 2021-03-24 | 2022-07-21 | 百一電子股份有限公司 | 一種用於智慧無人載具系統的室內定位及物件搜尋方法 |
| CN113310490B (zh) * | 2021-05-14 | 2022-10-04 | 厦门大学 | Grnn结合遗传算法的室内定位方法及*** |
| CN114625150B (zh) * | 2022-05-17 | 2022-08-19 | 南京汇与信息科技有限公司 | 基于危险系数和距离函数的快速蚁群无人艇动态避障方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
| US9400936B2 (en) * | 2014-12-11 | 2016-07-26 | Xerox Corporation | Methods and systems for vehicle tag number recognition |
| US9883337B2 (en) * | 2015-04-24 | 2018-01-30 | Mijix, Inc. | Location based services for RFID and sensor networks |
| CN106878674B (zh) * | 2017-01-10 | 2019-08-30 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
| CN107169468A (zh) * | 2017-05-31 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 用于控制车辆的方法和装置 |
| US10579897B2 (en) * | 2017-10-02 | 2020-03-03 | Xnor.ai Inc. | Image based object detection |
-
2019
- 2019-05-22 CN CN201910428323.3A patent/CN110057368B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110057368A (zh) | 2019-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110057368B (zh) | 一种室内定位与导航方法 | |
| CN114356880B (zh) | 基于数据驱动的小尺度区域大气污染物快速溯源方法 | |
| CN104270816B (zh) | Led可见光室内定位***的自适应动态指纹库构建方法 | |
| CN104408203A (zh) | 一种预测移动对象轨迹终点的方法 | |
| CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
| CN112462805B (zh) | 基于改进蚁群算法的5g网联无人机航迹规划方法 | |
| CN110446160B (zh) | 一种基于多路径信道状态信息的车辆位置估计的深度学习方法 | |
| CN106022527A (zh) | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 | |
| CN110972056B (zh) | 一种基于机器学习的uwb室内定位方法 | |
| CN106568445A (zh) | 基于双向循环神经网络的室内轨迹预测方法 | |
| CN110401978A (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
| CN110326323B (zh) | 一种获取发射概率、转移概率以及序列定位的方法和装置 | |
| CN111121759A (zh) | 一种基于多层长短期记忆网络的地磁室内定位方法 | |
| CN109814066A (zh) | 基于神经网络学***台 | |
| Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
| CN109117791A (zh) | 一种基于膨胀卷积的人群密度图生成方法 | |
| CN110856100B (zh) | 基于5g信号的终端定位及定位模型构建的方法和装置 | |
| CN111765905A (zh) | 一种空中校准无人机阵列阵元的方法 | |
| CN111854745A (zh) | 一种基于物联网室内定位的时钟预测方法 | |
| CN115236591A (zh) | 一种基于机器学习方式的室内可见光定位方法 | |
| CN115079089A (zh) | 一种基于差分校正的非合作无人机精确定位方法与装置 | |
| CN114745688A (zh) | 基于无人机通信的无线传感器网络节点Aol分析研究 | |
| CN114051202A (zh) | 一种无线定位信号指纹样本库的自动学习方法 | |
| CN109116348A (zh) | 一种面向昆虫迁飞起飞与巡航的远距离轨迹模拟方法 | |
| CN115346401B (zh) | 一种低空无人机监视和航迹预测方法 |
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 |