CN113347709B - 一种基于uwb的室内定位方法及*** - Google Patents

一种基于uwb的室内定位方法及*** Download PDF

Info

Publication number
CN113347709B
CN113347709B CN202110893899.4A CN202110893899A CN113347709B CN 113347709 B CN113347709 B CN 113347709B CN 202110893899 A CN202110893899 A CN 202110893899A CN 113347709 B CN113347709 B CN 113347709B
Authority
CN
China
Prior art keywords
sequence
node
uwb
arrival distance
historical
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
Application number
CN202110893899.4A
Other languages
English (en)
Other versions
CN113347709A (zh
Inventor
贺震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Fenglong Kangsheng Information Technology Co ltd
Original Assignee
Wuhan Fenglong Kangsheng Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Fenglong Kangsheng Information Technology Co ltd filed Critical Wuhan Fenglong Kangsheng Information Technology Co ltd
Priority to CN202110893899.4A priority Critical patent/CN113347709B/zh
Publication of CN113347709A publication Critical patent/CN113347709A/zh
Application granted granted Critical
Publication of CN113347709B publication Critical patent/CN113347709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial 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
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供了一种基于UWB的室内定位方法及***，该方法包括：部署若干UWB锚点，基于TDOA算法得到任意两个UWB锚点的信息到达待定位节点的到达时间差后，获取所述任意两个UWB锚点与待定位节点间的到达距离差；所述待定位节点上部署有惯性测量单元；基于所述任意两个UWB锚点与待定位节点间的相对位姿关系预测到达距离差偏差值；利用到达距离差偏差值对到达距离差进行修正，基于修正后的结果获取待定位节点的坐标。本发明在获取到达距离差偏差值时，采用历史位姿关系序列和残差序列可以让网络更好的学习到位姿的变化特征，进而提高拟合效果；同时，在网络中加入了反映两个锚点历史位姿关系序列变化一致性的一致性系数，提高网络输出结果的精度。

Description

一种基于UWB的室内定位方法及***
技术领域
本发明涉及无线定位领域，具体为一种基于UWB的室内定位方法及***。
背景技术
室内定位***在实际应用中面临许多困难。由于火灾和烟雾，光学***在紧急情况下可能无法使用；基于信号强度的***对衰落效应敏感；指纹识别***需要专门的训练阶段；使用无线电信号的基于距离测量的***，提供了诸如集成在现有无线电设备(如智能手机)中的能力、低功耗实现的潜力和适度的基础设施要求等优势，然而，它们面临着由强反射或漫散射等传播效应引起的具有挑战性的性能损害。
相较于上述定位方法，基于大信号带宽进行定位有两个主要优点：第一，低时延，可达到的精度增加；其次，视线（LOS）路径可以更容易地从其他信号部分分离出来，提高了鲁棒性。因此，使用超宽带（UWB）信号进行室内定位可以实现较好的定位精确度。然而超宽带无线电天线的辐射模式及接收模式会使得基于超宽带信号的定位***受到影响，从而导致定位结果出现偏差。
发明内容
为了解决上述问题，本发明提出一种基于UWB的室内定位方法，该方法包括：
部署若干UWB锚点，基于TDOA算法得到任意两个UWB锚点的信息到达待定位节点的到达时间差后，获取所述任意两个UWB锚点与待定位节点间的到达距离差；所述待定位节点上部署有惯性测量单元；
基于所述任意两个UWB锚点与待定位节点间的相对位姿关系预测到达距离差偏差值；利用到达距离差偏差值对到达距离差进行修正，基于修正后的结果获取待定位节点的坐标。
进一步地，所述相对位姿关系包括所述任意两个UWB锚点分别与待定位节点间的距离、相对方位角、相对仰角。
进一步地，根据待定位节点的历史移动信息获取每个UWB锚点与待定位节点间的历史位姿关系序列，所述历史位姿关系序列包括历史距离序列、历史相对方位角序列、历史相对仰角序列；
基于去趋势互相关分析算法获取每个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列；
利用偏差值预测神经网络对所述任意两个UWB锚点的历史位姿关系序列和残差序列进行处理，获取所述到达距离差偏差值。
进一步地，所述偏差值预测神经网络包括第一时间卷积网络、第二时间卷积网络和全连接神经网络；利用第一时间卷积网络对历史位姿关系序列进行处理，得到第一时序向量，第二时间卷积网络对残差序列进行处理，得到第二时序向量，全连接网络对第一时序向量和第二时序向量联合后得到的融合向量进行处理，得到所述到达距离差偏差值。
进一步地，获取反映任意两个锚点历史位姿关系序列变化一致性的一致性系数，一致性系数与融合向量相乘后输入全连接网络，得到所述到达距离差偏差值。
进一步地，基于所述任意两个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列分别获取距离互相关系数、方位角互相关系数、仰角互相关系数，互相关系数的和为一致性系数。
进一步地，所述偏差值预测神经网络的训练标签在空旷的室内环境下获取。
进一步地，所述方法还包括利用扩展卡尔曼滤波算法消除到达距离差中的噪声偏差，所述噪声偏差为锚点信息传输过程中受室内环境影响产生的偏差。
本发明还提出一种基于UWB的室内定位***，该***包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现基于UWB的室内定位方法的步骤。
本发明的有益效果在于：
1.本发明基于UWB锚点与待定位节点间的相对位姿关系，利用通过神经网络预测到达距离差偏差值后，基于到达距离差偏差值对所述到达距离差进行修正，得到精确的到达距离差，进而求解方程组实现待定位节点的准确定位。
2.本发明在获取到达距离差偏差值时，采用历史位姿关系序列和残差序列可以让网络更好的学习到位姿的变化特征，进而提高拟合效果；同时，在网络中加入了反映两个UWB锚点历史位姿关系序列变化一致性的一致性系数，提高网络输出结果的精度。
附图说明
图1为本发明方法实施流程图。
具体实施方式
为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
实施例一：
该实施例提供了一种基于UWB的室内定位方法，该方法实施流程如图1所示，具体地，该方法包括：
步骤S1，部署若干UWB锚点，在室内环境中的墙角位置处布置多个UWB锚点，应保证布置锚点的覆盖范围能覆盖整个室内区域。部署的UWB锚点应相对于室内地表平面保持平行，以减少误差，并测量其在室内的3D坐标即UWB锚点部署点的坐标，然后存储在待定位节点中；此外，每个UWB锚点都对应建立一个三维直角坐标系，用于后续相对位姿的计算。
步骤S2，基于TDOA算法得到任意两个UWB锚点的信息到达待定位节点的到达时间差后，获取所述任意两个UWB锚点与待定位节点间的到达距离差；所述待定位节点上部署有惯性测量单元(IMU)，IMU是测量物体三轴姿态角(或角速率)以及加速度的装置，可以解算出待定位节点的姿态，包含俯仰角度、倾斜角度与侧滑角度；优选地，实施例中待定位节点可以为无人机。
具体地，对于第
Figure DEST_PATH_IMAGE002
个和第
Figure DEST_PATH_IMAGE004
个UWB锚点，锚点信息到达待定位节点所需时间分别为
Figure DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE008
，则根据到达时间差
Figure DEST_PATH_IMAGE010
计算第
Figure 891461DEST_PATH_IMAGE002
个和第
Figure 136497DEST_PATH_IMAGE004
个UWB锚点的锚点信息到达待定位节点的到达距离差
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
表示锚点信息的传播速度。
步骤S3，基于所述任意两个UWB锚点与待定位节点间的相对位姿关系预测到达距离差偏差值；利用到达距离差偏差值对到达距离差进行修正，基于修正后的结果获取待定位节点的坐标。
TDOA定位涉及至少两个UWB锚点和一个待定位节点，由于超宽带无线电为圆环形天线，因此TDOA定位***中的偏差是UWB锚点与待定位节点之间复杂的相对位姿关系相互作用的结果；以第
Figure 322759DEST_PATH_IMAGE002
个和第
Figure 232815DEST_PATH_IMAGE004
个UWB锚点为例，基于UWB TDOA算法得到的第
Figure 109504DEST_PATH_IMAGE002
个和第
Figure 10595DEST_PATH_IMAGE004
个UWB锚点的锚点信息到达待定位节点的到达距离差
Figure DEST_PATH_IMAGE016
可表示为：
Figure DEST_PATH_IMAGE018
，其中，
Figure DEST_PATH_IMAGE020
为无偏差情况下第
Figure 448268DEST_PATH_IMAGE002
个和第
Figure 725796DEST_PATH_IMAGE004
个UWB锚点的锚点信息到达待定位节点的到达距离差；
Figure DEST_PATH_IMAGE022
为到达距离差偏差值；
Figure DEST_PATH_IMAGE024
为噪声偏差，噪声偏差为锚点信息传输过程中受室内环境影响产生的偏差。因此该步骤的主要目的是获取锚点与待定位节点间相对位姿导致的到达距离差偏差值
Figure 299735DEST_PATH_IMAGE022
，具体地，
Figure 355415DEST_PATH_IMAGE022
的获取方法为：
1)获取相对位姿关系，相对位姿关系包括所述任意两个UWB锚点分别与待定位节点间的距离、相对方位角、相对仰角；具体地，以第
Figure 126056DEST_PATH_IMAGE002
个和第
Figure 190964DEST_PATH_IMAGE004
个UWB锚点为例，相对位姿关系包括第
Figure 25934DEST_PATH_IMAGE002
个和第
Figure 721358DEST_PATH_IMAGE004
个UWB锚点分别与待定位节点
Figure DEST_PATH_IMAGE026
间的距离
Figure DEST_PATH_IMAGE028
、相对方位角
Figure DEST_PATH_IMAGE030
、相对仰角
Figure DEST_PATH_IMAGE032
；具体地，对于通过待定位节点上部署的惯性测量单元(IMU)获取的待定位节点的姿态，即俯仰角度、倾斜角度与侧滑角度，通过锚点坐标系及待定位节点坐标系进行空间转换求取UWB锚点与待定位节点间的相对方位角、相对仰角。
2)根据待定位节点的历史移动信息获取每个UWB锚点与待定位节点间的历史位姿关系序列，所述历史位姿关系序列包括历史距离序列、历史相对方位角序列、历史相对仰角序列；基于去趋势互相关分析算法(DCCA)获取每个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列后，基于所述任意两个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列分别获取距离互相关系数、方位角互相关系数、仰角互相关系数，具体的获取互相关系数的过程是公知的，本发明不在赘述。
以距离残差序列为例，说明各个残差序列的获取方法：
对历史距离序列中的值进行累加，得到距离累加序列为
Figure DEST_PATH_IMAGE034
，具体地，距离累加序列
Figure 274568DEST_PATH_IMAGE034
中第
Figure DEST_PATH_IMAGE036
个值
Figure DEST_PATH_IMAGE038
，
Figure 205483DEST_PATH_IMAGE036
的取值依次为
Figure DEST_PATH_IMAGE040
；
Figure DEST_PATH_IMAGE042
为历史距离序列中元素的个数，
Figure DEST_PATH_IMAGE044
为历史距离序列中第
Figure DEST_PATH_IMAGE046
个元素的值；用最小二乘法拟合距离累加序列
Figure 629380DEST_PATH_IMAGE034
，得到拟合后的线性数据序列
Figure DEST_PATH_IMAGE048
，则距离累加序列
Figure 105492DEST_PATH_IMAGE034
与线性数据序列
Figure 896731DEST_PATH_IMAGE048
对应元素相减得到残差序列。
至此，可得到每个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列。
3）利用偏差值预测神经网络对所述任意两个UWB锚点的历史位姿关系序列和残差序列进行处理，获取所述到达距离差偏差值。
所述偏差值预测神经网络包括第一时间卷积网络、第二时间卷积网络和全连接神经网络；利用第一时间卷积网络对历史位姿关系序列进行处理，得到第一时序向量，第二时间卷积网络对残差序列进行处理，得到第二时序向量，全连接网络对第一时序向量和第二时序向量联合后得到的融合向量进行处理，得到所述到达距离差偏差值。
偏差值预测神经网络的训练过程为：
a)第一时间卷积网络输入的形状为
Figure DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE052
为第一时间卷积网络输入的
Figure DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE056
为序列长度,即通过历史多久的数据来预测一次当前时刻的到达距离差偏差值，6为数据数目，即每个时刻对应的输入数据为[
Figure DEST_PATH_IMAGE058
]，最终输出第一时序向量，形状为[
Figure 559835DEST_PATH_IMAGE052
,
Figure DEST_PATH_IMAGE060
]，
Figure 402020DEST_PATH_IMAGE060
的经验值为32，即32维的第一时序向量。第二时间卷积网络输入的形状同样为
Figure 439246DEST_PATH_IMAGE050
，每个时刻输入的6个数据为第
Figure 452201DEST_PATH_IMAGE002
个和第
Figure 911870DEST_PATH_IMAGE004
个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列中相应的值，输出第二时序向量，形状为[
Figure 529934DEST_PATH_IMAGE052
,
Figure 551110DEST_PATH_IMAGE060
]，
Figure 254624DEST_PATH_IMAGE060
的经验值为32，即32维的第二时序向量。
需要注意，输入偏差值预测神经网络的序列要进行预处理操作，优选地，实施例中对于距离序列中的元素进行Z-score预处理，对于角度序列中的元素进行角度处理，即
Figure DEST_PATH_IMAGE062
，其中
Figure DEST_PATH_IMAGE064
表示相对方位角或相对仰角，
Figure DEST_PATH_IMAGE066
表示圆周率所对应的角度值。
第一时序向量与第二时序向量进行数据融合，由于两个时间卷积网络输入数据的表征意义不同，因此融合方法采用Concatenate操作，即联合操作，最终得到64维特征向量，称为融合向量。
进一步地，为了提高偏差值预测神经网络的预测精度，本发明中还加入了反映任意两个锚点历史位姿关系序列变化一致性的一致性系数，实施例中距离互相关系数、方位角互相关系数、仰角互相关系数之和为一致性系数，具体地，一致性系数与融合向量相乘后输入全连接网络，全连接网络起到数据拟合作用，将特征映射到样本标签值，输出形状为[
Figure 393350DEST_PATH_IMAGE052
,
Figure DEST_PATH_IMAGE068
]，1为输出的到达距离差偏差值。
b)获取偏差值预测神经网络的训练标签：
所述偏差值预测神经网络的训练标签在空旷的室内环境下获取，具体地，利用视觉里程测量计或运动捕捉***获取待定位节点的准确三维坐标
Figure DEST_PATH_IMAGE070
，UWB锚点的三维坐标为
Figure DEST_PATH_IMAGE072
，求取待定位节点与UWB锚点的欧式距离：
Figure DEST_PATH_IMAGE074
则第
Figure 177504DEST_PATH_IMAGE002
个和第
Figure 602538DEST_PATH_IMAGE004
个UWB锚点的信息到达待定位节点的到达距离差为
Figure DEST_PATH_IMAGE076
，此时对应的训练标签为：
Figure DEST_PATH_IMAGE078
Figure 465452DEST_PATH_IMAGE016
为基于UWB TDOA算法得到的第
Figure 1345DEST_PATH_IMAGE002
个和第
Figure 390738DEST_PATH_IMAGE004
个UWB锚点的锚点信息到达待定位节点的到达距离差；
Figure DEST_PATH_IMAGE080
为第
Figure 19296DEST_PATH_IMAGE002
个和第
Figure 494140DEST_PATH_IMAGE004
个UWB锚点对应的到达距离差偏差值。
c)损失函数采用均方差等回归型损失函数。网络的优化可采用Adam、Lookahead、Adabound等优化器。
至此，完成偏差值预测神经网络的训练。
所述方法还包括利用扩展卡尔曼滤波算法消除到达距离差中的噪声偏差
Figure 36986DEST_PATH_IMAGE024
，所述噪声偏差为锚点信息传输过程中受室内环境影响产生的偏差，得到最终无偏差情况下第
Figure 280885DEST_PATH_IMAGE002
个和第
Figure 549187DEST_PATH_IMAGE004
个UWB锚点的锚点信息到达待定位节点的到达距离差
Figure 714589DEST_PATH_IMAGE020
，基于UWB的TDOA定位方法会得到多个双曲线方程组，将双曲线方程组中的
Figure 608595DEST_PATH_IMAGE016
替换为
Figure 221848DEST_PATH_IMAGE020
后求解双曲线方程组，得到待定位节点的三维坐标。
具体地，噪声偏差是由UWB传播的多径效应及NLOS传播导致的偏差；基于UWB的TDOA定位方法不管定位标签是运动还是静止的状态，都是采用单一的定位算法进行位置估计，因此，选用扩展卡尔曼滤波来进行位置追踪，可以改善定位效果，提升定位精度。
实施例二：
基于与上述方法实施例相同的发明构思，该实施例提供了一种基于UWB的室内定位***，具体地，该***包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现基于UWB的室内定位方法的步骤。
关于***实施例，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可；以上所述旨在让本领域技术人员更好的理解本发明，并不用于限制本发明，凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。

Claims (7)

1.一种基于UWB的室内定位方法，其特征在于，该方法包括：
部署若干UWB锚点，基于TDOA算法得到任意两个UWB锚点的信息到达待定位节点的到达时间差后，获取所述任意两个UWB锚点与待定位节点间的到达距离差；所述待定位节点上部署有惯性测量单元；
基于所述任意两个UWB锚点与待定位节点间的相对位姿关系预测到达距离差偏差值；其中，到达距离差偏差值的获取具体为：
相对位姿关系包括所述任意两个UWB锚点分别与待定位节点间的距离、相对方位角、相对仰角；根据待定位节点的历史移动信息获取每个UWB锚点与待定位节点间的历史位姿关系序列，所述历史位姿关系序列包括历史距离序列、历史相对方位角序列、历史相对仰角序列；
基于去趋势互相关分析算法获取每个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列；
利用偏差值预测神经网络对所述任意两个UWB锚点的历史位姿关系序列和残差序列进行处理，获取所述到达距离差偏差值；
利用到达距离差偏差值对到达距离差进行修正，基于修正后的结果获取待定位节点的坐标。
2.如权利要求1所述的方法，其特征在于，所述偏差值预测神经网络包括第一时间卷积网络、第二时间卷积网络和全连接神经网络；利用第一时间卷积网络对历史位姿关系序列进行处理，得到第一时序向量，第二时间卷积网络对残差序列进行处理，得到第二时序向量，全连接网络对第一时序向量和第二时序向量联合后得到的融合向量进行处理，得到所述到达距离差偏差值。
3.如权利要求2所述的方法，其特征在于，获取反映任意两个锚点历史位姿关系序列变化一致性的一致性系数，一致性系数与融合向量相乘后输入全连接网络，得到所述到达距离差偏差值。
4.如权利要求3所述的方法，其特征在于，基于所述任意两个UWB锚点的距离残差序列、相对方位角残差序列、相对仰角残差序列分别获取距离互相关系数、方位角互相关系数、仰角互相关系数，互相关系数的和为一致性系数。
5.如权利要求4所述的方法，其特征在于，所述偏差值预测神经网络的训练标签在空旷的室内环境下获取。
6.如权利要求5所述的方法，其特征在于，所述方法还包括利用扩展卡尔曼滤波算法消除到达距离差中的噪声偏差，所述噪声偏差为锚点信息传输过程中受室内环境影响产生的偏差。
7.一种基于UWB的室内定位***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
CN202110893899.4A 2021-08-05 2021-08-05 一种基于uwb的室内定位方法及*** Active CN113347709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110893899.4A CN113347709B (zh) 2021-08-05 2021-08-05 一种基于uwb的室内定位方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110893899.4A CN113347709B (zh) 2021-08-05 2021-08-05 一种基于uwb的室内定位方法及***

Publications (2)

Publication Number Publication Date
CN113347709A CN113347709A (zh) 2021-09-03
CN113347709B true CN113347709B (zh) 2021-11-12

Family

ID=77480720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110893899.4A Active CN113347709B (zh) 2021-08-05 2021-08-05 一种基于uwb的室内定位方法及***

Country Status (1)

Country Link
CN (1) CN113347709B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114994467B (zh) * 2022-05-26 2024-06-07 海南电网有限责任公司乐东供电局 一种基于长测试脉冲的电缆故障双端定位方法
CN115494487B (zh) * 2022-11-18 2023-03-24 成都太阳神鸟智能控制有限公司 一种无线定位测距方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103248397A (zh) * 2013-05-28 2013-08-14 安徽华东光电技术研究所 一种基于超宽带的室内导航与通信一体化信号体制***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10321270B2 (en) * 2015-09-16 2019-06-11 Ivani, LLC Reverse-beacon indoor positioning system using existing detection fields
CN105547297B (zh) * 2015-12-11 2018-08-21 武汉大学 一种基于uwb定位***的室内定位方法
CN107046711B (zh) * 2017-02-21 2020-06-23 沈晓龙 一种室内定位的数据库建立方法和室内定位方法及装置
CN111385743B (zh) * 2020-03-11 2021-03-19 北京邮电大学 一种位置估计方法、装置及电子设备
CN111405485B (zh) * 2020-03-17 2021-08-06 中国建设银行股份有限公司 用户定位方法及***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103248397A (zh) * 2013-05-28 2013-08-14 安徽华东光电技术研究所 一种基于超宽带的室内导航与通信一体化信号体制***

Also Published As

Publication number Publication date
CN113347709A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
KR101660002B1 (ko) 모바일 장치의 방향을 결정하기 위한 장치 및 방법
US7679561B2 (en) Systems and methods for positioning using multipath signals
US8188919B2 (en) Globally-convergent geo-location algorithm
CN113347709B (zh) 一种基于uwb的室内定位方法及***
Veth et al. Fusion of low-cost imagining and inertial sensors for navigation
Ascher et al. Integrity monitoring for UWB/INS tightly coupled pedestrian indoor scenarios
CN112923919B (zh) 基于图优化的行人定位方法及***
JP2011214920A (ja) 位置推定装置、位置推定方法及びプログラム
KR100977246B1 (ko) 순방향 링크 ａｏａ를 이용한 위치 추정 장치 및 방법
CN111601253A (zh) 无源被动智能跟踪定位方法、***、存储介质、跟踪定位终端
CN116182873B (zh) 室内定位方法、***及计算机可读介质
JP2017524932A (ja) ビデオ支援着艦誘導システム及び方法
KR101141984B1 (ko) Ｄｒ／ｇｐｓ 데이터 융합 방법
Kohlbacher et al. A low cost omnidirectional relative localization sensor for swarm applications
CN113189541B (zh) 一种定位方法、装置及设备
Romaniuk et al. Real time localization system with Extended Kalman Filter for indoor applications
Michalczyk et al. Radar-inertial state-estimation for UAV motion in highly agile manoeuvres
US11519998B2 (en) Methods for geolocation using electronic distance measurement equipment
CN109769206B (zh) 一种室内定位融合方法、装置、存储介质及终端设备
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及***
Al Aziz Navigation for UAVs using signals of opportunity
Zhang et al. Integrated iBeacon/PDR Indoor Positioning System Using Extended Kalman Filter
Ulmschneider Cooperative multipath assisted positioning
CN114488005A (zh) 蓝牙和可见光的融合定位方法、装置、***、设备和介质
Koppanyi et al. UWB/IMU integration with adaptive motion constraints to support UXO mapping

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