CN113466787B - 基于RSS的分区Min-Max室内定位方法 - Google Patents
基于RSS的分区Min-Max室内定位方法 Download PDFInfo
- Publication number
- CN113466787B CN113466787B CN202110625570.XA CN202110625570A CN113466787B CN 113466787 B CN113466787 B CN 113466787B CN 202110625570 A CN202110625570 A CN 202110625570A CN 113466787 B CN113466787 B CN 113466787B
- Authority
- CN
- China
- Prior art keywords
- vertex
- region
- interest
- sub
- positioning
- 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
- 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
- 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
- G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及无线定位技术领域,尤其涉及一种基于RSS的分区Min‑Max室内定位方法,包括以下步骤:确定定位兴趣区并获取其顶点坐标和几何质心;利用至少一条穿过几何质心的直线将定位兴趣区划分成多个面积相等的子区域,其中,每个子区域均包含定位兴趣区的至少一个顶点;根据预设条件确定距离目标节点最近的定位兴趣区的顶点,并将包含该顶点的子区域作为目标节点所属的子区域;根据所属子区域的顶点坐标计算得到目标节点的位置坐标。本发明提出的一种基于RSS的分区Min‑Max室内定位方法,解决了现有定位方法存在定位精度不高的问题。
Description
技术领域
本发明涉及无线定位技术领域,尤其涉及一种基于RSS的分区Min-Max室内定位方法。
背景技术
近年来,随着科学技术的进步以及人工智能和物联网技术的迅猛发展,人们对基于位置信息应用的需求也随之日益增长,人们对基于位置感知服务的体验也越来越趋于无缝化。在对位置信息严重依赖的室内应用中,所布置的传感器节点采集到的数据必须包含其在该室内测量坐标系中的精确位置信息。
目前在绝大多数室外情况下利用GPS导航技术或者北斗卫星导航***在户外环境下可以达到10米的定位精度。但在复杂的室内环境下,卫星信号会受到各种室内设施的阻碍,这使得在室内接收到的卫星信号极为微弱,不足以满足人们对于室内高精度定位的需求。
室内定位意味着获得一个或者多个室内设备的位置进而去获知佩戴这些设备的人的位置,因此室内定位已经成为了全球定位***(GPS)的一种重要扩展。定位精度通常被认为是衡量定位***性能的最关键指标之一。由于接收信号强度(RSS)具有低功率和低复杂度的特点,现有技术中往往采用的是基于接收信号强度(RSS)的定位技术。
目前广泛使用的基于接受信号强度的定位方式可以分为两种类型:非测距室内定位方式和基于测距的定位方式。在基于测距的定位方式中,我们通常认为测量得到的接收信号强度值可以用来估计目标节点和锚节点(传感器节点)之间的距离,估计出来的距离最终将会联合不同的定位算法来估计目标节点的精确坐标。在众多的室内定位算法中,Min-Max算法因为其使用简单的几何关系并且易于实施的特性,使得该算法成为一种使用最为广泛的基于接收信号强度的室内定位算法之一。
然而,传统Min-Max算法仅实现了对目标节点的粗略估计,该算法中目标节点的位置是由测量出的RSS值转化为锚节点与目标节点的距离值所限定的相交区域矩形框(定位兴趣区) 的几何质心来确定的。由于在室内定位环境中存在着密集的多径效应以及各种障碍物的阻隔,这使得在接收端接收到的RSS值会明显小于实际值,由此而来的是在经由RSS转换为距离时的距离值要比实际中要大,从而会使得原始Min-Max算法所形成的矩形框(定位兴趣区)要大,最终会导致定位精度的下降。虽然最近提出的扩展的加权Min-Max算法,是使用定位兴趣区的加权质心而不是采取简单求几何质心的方法来解决原始Min-Max算法精度不高的问题,改进后的算法虽然在一定程度上获得了定位精度的提升,但对定位性能的提升程度依然是有限的。
发明内容
本发明提一种基于RSS的分区Min-Max室内定位方法,以解决现有的定位方法存在定位精度不高的问题。
本发明解决上述问题的技术方案是:基于RSS的分区Min-Max室内定位方法,包括以下步骤:
S1:确定定位兴趣区并获取其顶点坐标和几何质心;
S2:利用至少一条穿过几何质心的直线将定位兴趣区划分成多个面积相等的子区域,其中,每个所述子区域均包含定位兴趣区的至少一个顶点;
S3:根据预设条件确定距离目标节点最近的定位兴趣区的顶点,并将包含该顶点的子区域作为目标节点的所属子区域;
S4:根据所属子区域的顶点坐标计算得到目标节点的位置坐标。
优选的是,步骤S2具体包括:利用两条相互垂直的且穿过几何质心的直线将定位兴趣区划分成四个面积相等的矩形子区域,每个所述矩形子区域均包含一个定位兴趣区的顶点。
优选的是,所述预设条件为表达式为:
其中,返回值代表了判定出的与目标节点距离最近的原始兴趣区顶点标号,即目标节点所属的子区域标号值,|·|表示的是取模;Di,j表征的是第i个锚节点与定位兴趣区的第j个顶点之间的欧几里得距离;di为第i个锚节点与目标节点之间的估计距离。
优选的是,步骤S4具体包括:
S401:根据所属子区域的顶点坐标利用加权公式得到所属子区域各个顶点坐标的权重;
S402:通过加权质心公式得到目标节点的位置坐标。
优选的是,所述加权质心公式的表达式为:
其中,Wa(j)为第j个顶点坐标的权重,(xj,yj)为第j个顶点的坐标。
优选的是,所述加权公式的表达式为W1(j)、W2(j)、W3(j)、W4(j)、W5(j)、W5(j)、W6(j)中的一种,W1(j)、W2(j)、W3(j)、W4(j)、W5(j)、W5(j)、W6(j)的表达式分别为:
其中,Di,j和Mi,j分别表征的是第i个锚节点与兴趣区矩形框的第j个顶点之间的欧几里得距离和曼哈顿距离。
优选的是,所述Di,j和Mi,j的表达式为:
Mi,j=|xi-xj|+|yi+yj|
其中,(xi,yi)为第i个锚节点的位置坐标,i=1,2,…,N;(xj,yj)为第j个定位兴趣区顶点的坐标,j=1,2,3,4。
优选的是,步骤S1具体包括:获取各个锚节点的位置坐标以及估计距离;其中,所述估计距离为由锚节点发出并在目标节点测得的RSS值转换后得到的;
根据各个锚节点的位置坐标以及估计距离利用Min-Max算法确定定位兴趣区并计算得到定位兴趣区的顶点坐标和几何质心。
相比于现有技术,本发明的有益效果在于:本发明将最初获得的定位兴趣区域划分为多个子区域,每个子区域包含至少一个定位兴趣区域的顶点。此外,利用最小距离差准则来确定顶点“最接近”目标节点的目标子区域。然后在目标估计阶段,将目标所属的子区域的加权质心作为目标节点位置的估计值,由于目标所属子区域远小于定位兴趣区域,仅是定位兴趣区的四分之一,因此采用目标所属子区域的加权质心作为目标节点的位置估计将比原始感兴趣区域的加权质心更为精确。
附图说明
图1为确定定位兴趣区的原理图;
图2为本发明的定位兴趣区分区策略示意图;
图3为实施例2中最小距离差准则的原理图;
图4为实施例3的仿真验证结果中的平均定位误差与信噪比的关系图;
图5为实施例3的仿真验证结果中的平均定位误差的互补累计函数关系图;
图6为实施例3的仿真结果中的关于任意选取的一抽样点的定位精度比较图。
图4-6中:Original Min-Max代表传统Min-Max算法,E-Min-Max(W4)代表加权Min-Max算法,Min-Max-APS代表本申请分区Min-Max室内定位方法。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。
基于RSS的分区Min-Max室内定位方法,包括以下步骤:
S1:确定定位兴趣区并获取其顶点坐标和几何质心,定位兴趣区为矩形;
获取各个锚节点的位置坐标以及估计距离;其中,估计距离为由锚节点发出并在目标节点测得的RSS值转换后得到的;
根据各个锚节点的位置坐标以及估计距离利用Min-Max算法确定定位兴趣区并计算得到定位兴趣区的顶点坐标和几何质心。
S2:利用至少一条穿过几何质心的直线将定位兴趣区划分成多个面积相等的子区域,其中,所述子区域均包含定位兴趣区的至少一个顶点,即每个子区域的一个或两个顶点与定位兴趣区的对应顶点重合;
S3:根据预设条件确定距离目标节点最近的定位兴趣区的顶点,并将包含该顶点的子区域作为目标节点的所属子区域;
S4:根据所属子区域的顶点坐标计算得到目标节点的位置坐标。
作为本发明一个优选的实施例,利用两条相互垂直的且穿过几何质心的直线将定位兴趣区划分成四个面积相等的矩形子区域,每个矩形子区域均包含一个定位兴趣区的顶点。
作为本发明一个优选的实施例,预设条件为表达式为:
其中,返回值代表了判定出的与目标节点距离最近的原始兴趣区顶点标号,即目标节点所属的子区域标号值,|·|表示的是取模;Di,j表征的是第i个锚节点与定位兴趣区的第j个顶点之间的欧几里得距离;di为第i个锚节点与目标节点之间的估计距离。
作为本发明一个优选的实施例,步骤S4具体包括:
根据所属子区域的各个顶点坐标利用加权公式得到所属子区域各个顶点坐标的权重;
通过加权质心公式得到目标节点的位置坐标。
作为本发明一个优选的实施例,加权质心公式的表达式为:
其中,Wa(j)为第j个顶点坐标的权重,(xj,yj)为第j个顶点的坐标。
作为本发明一个优选的实施例,各个锚节点与目标节点之间的距离是根据锚节点测量的 RSS值转换得到的。
作为本发明一个优选的实施例,加权公式的表达式为W1(j)、W2(j)、W3(j)、W4(j)、W5(j)、 W5(j)、W6(j)中的一种,W1(j)、W2(j)、W3(j)、W4(j)、W5(j)、W5(j)、W6(j)的表达式分别为:
其中,Di,j和Mi,j分别表征的是第i个锚节点与兴趣区矩形框的第j个顶点之间的欧几里得距离和曼哈顿距离。
Di,j和Mi,j的表达式为:
Mi,j=|xi-xj|+|yi+yj|
其中,(xi,yi)为第i个锚节点的位置坐标,i=1,2,…,N;(xj,yj)为第j个定位兴趣区顶点的坐标,j=1,2,3,4。
作为本发明一个优选的实施例,步骤S3具体包括:
S301:确定定位兴趣子区域
根据预设条件确定距离目标节点最近的初始定位兴趣区的顶点,并将包含该顶点的矩形子区域作为步骤S302的输入;
S302:利用两条相互垂直的且穿过几何质心的直线将矩形子区域划分成四个面积相等的区域;
S303:获取S302中矩形子区域的顶点坐标,并根据预设条件确定距离目标节点最近的矩形子区域的顶点,并确定包含该顶点的区域;
S303:迭代执行步骤S302和S303,直至第二子区域的对角线的长度小于定位误差阈值时结束迭代,并将得到的第二子区域作为目标节点的所属子区域。其中,步骤S303得到的区域为步骤S302的输入矩形子区域。定位误差阈值是根据具体的定位场景设定的,例如,在室内定位场景下需要获得不大于50厘米的定位误差,那么就将定位误差阈值设为50厘米。
实施例1:基于RSS的分区Min-Max室内定位方法,包括以下步骤:
S1:获取各个锚节点的位置坐标以及估计距离
N个锚节点(传感器节点)放置在定位区域中的固定位置(xi,yi),其中i=1,2,…,N,待估计的目标节点被放置在(xt,yt)。由锚节点发出并在目标节点测得到RSS值将会被转化为目标节点与锚节点之间的距离,即估计距离di。
S2:确定定位兴趣区的及其顶点坐标
由估计距离进行下一步的定位操作。在每一个锚节点周围将会形成一个矩形区域,参见图1中的边界框。以每一锚节点为中心,以锚节点到目标节点距离的两倍为边长,会形成N个边界框,这些边界框会形成一个相交区域,而估计目标节点的位置就是在该相交区域中,我们将这个相交区域被称为定位兴趣区,该定位兴趣区也为一个矩形框,定位兴趣区的四个顶点坐标(即:V1,V2,V3,V4)可以根据以下公式获得:
V1=[max(xi-di)max(yi-di)]
V2=[max(xi-di),min(yi+di)]
V3=[min(xi+di),min(yi+di)]
V4=[min(xi+di),max(yi-di)]
其中i=1,2,…,N,N代表锚节点的个数,max(·)和min(·)分别代表对函数取最大值和最小值,di代表估计距离。
S3:确定定位兴趣区的几何质心,定位兴趣区几何质心估计公式如下:
S4:区域分割
参见图2,在区域分割阶段,利用两条相互垂直的且穿过几何质心的直线将定位兴趣区进行划分成四个面积相等的矩形子区域。在每一个子区域内都包含有原始兴趣区域的一个顶点。
以原始矩形框中每一个顶点从左下角按顺时针方向作为区分每一个子区域的标号。从而我们分别给予每个子区域一个标号用于区分四个不同的子区域,标号分别为subarea#1, subarea#2,subarea#3,subarea#4。假设目标节点是位于标记为subarea#2的子区域,则分区后的定位兴趣区面积大小将会变为原始兴趣区的四分之一,与此同时分区后的定位兴趣区的顶点也发生了改变,由原来的V1,V2,V3,V4变为了V1-2,V2,V2-3以及原始兴趣区质心C。由于传统的Min-Max以及加权Min-Max定位算法都是采用原始的矩形框作为定位兴趣区进行最终的目标估计,而本申请的分区Min-Max室内定位算法将最终的目标估计限制在一个只有定位兴趣区四分之一大小的子区域,从而经过分区排除了四分之三的可能会发生定位错误的目标估计点,也就是说在一个相对较小的区域内找到目标所在精确位置的可能性会更大。
S5:确定目标节点所属的子区域
利用最小距离差准则来判定目标节点是属于哪一个子区域内。为了去判定目标所属的子区域,仅需要去找到原始兴趣区域中哪一个顶点是最靠近目标节点的即可,则该顶点所对应的标号就是子区域的标号,判定准则的表达式为:
判定准则是基于当目标节点越靠近某一原始兴趣区顶点Vj时,距离差值|di-Di,j|就会相应越小,与此同时,目标节点落在包含原始兴趣区顶点Vj的子区域内的可能性就会越大。
在确定目标所属的子区域后,利用定位兴趣区的坐标通过简单的几何运算进而计算出子区域的顶点坐标。
S6:估计最终的目标节点位置
当确定了目标节点所属的子区域,该子区域就会作为重新定义的定位兴趣区进行目标估计,且该新兴趣区的顶点坐标我们可以通过已有的原始兴趣区的坐标进行几何运算获得。例如:如果经过第一步我们将定位兴趣区划分为四个字区域,分别为subarea#1,subarea#2, subarea#3,subarea#4,经过第二步我们判定目标节点位于subarea#2,那么之后的所有的目标估计运算都会在subarea#2中进行。
根据顶点坐标后利用六个加权公式中的一个获得子区域各顶点的权重,在获得子区域的权重之后我们通过加权质心公式最终获得目标节点的位置坐标。
六种权重的表达式分别为:
其中,Di,j和Mi,j分别表征的是第i个锚节点与兴趣区矩形框的第j个顶点之间的欧几里得距离和曼哈顿距离。
加权质心公式的表达式为:
其中,Wa(j)为第j个顶点坐标的权重,(xj,yj)为第j个顶点的坐标。
基于RSS的分区Min-Max室内定位算法流程如下所示:
实施例2,一种用于室内的定位方法,包括以下步骤:
S1:设置锚节点
参见图3,由于普通的房间大多是四方的矩形结构或者可以建模成矩形结构,这使得分区 Min-Max算法最终形成的矩形框正好与房间的四个顶点在空间结构上有一定的相似性。因此在房间四个角落各设置一个锚节点。
S2:获取四个锚节点的位置坐标以及锚节点和目标节点之间的距离,其中四个锚节点的位置坐标分别为A1(0,0)、A2(0,20)、A3(20,20)、A4(20,0)。与目标节点之间的距离为d1、d2、d3、d4。
S3:利用传统Min-Max算法确定定位兴趣区的及其顶点坐标。
S4:利用两条相互垂直的且穿过几何质心的直线将定位兴趣区进行划分成四个面积相等的矩形子区域。在每一个子区域内都包含有原始兴趣区域的一个顶点。
S5:确定目标节点所属的子区域以及子区域的顶点坐标
由于本实施例是在房间四个角落各设置一个锚节点房间,因此利用Min-Max算法进行定位时就会形成大小不同的两个矩形。计算方位相同的房间锚节点以及定位兴趣区顶点之间的距离差值的最小值的定位兴趣区顶点坐标作为目标节点所属的子区域标号。不仅能提高区域划分的准确性而且可以很大程度上减小运算量。利用定位兴趣区的坐标通过简单的几何运算进而计算出子区域的顶点坐标。
S6:在获得顶点坐标后根据六个加权公式中的一个获得子区域各顶点的权重,在获得子区域的权重之后我们通过加权质心公式最终获得目标节点的位置坐标。
实施例3:基于RSS的分区Min-Max室内定位方法的仿真实验
通过软件仿真的方式在MATLAB软件中设计了一个室内定位场景。仿真模拟的是面积为 20m*20m的室内房间,在房间的四个顶点固定放置了四个锚节点用于和目标节点进行通信,进而通过使用实施例1中基于RSS的分区Min-Max室内定位方法的进行目标节点坐标估计。
为了更加直观的显示分区Min-Max室内定位方法的性能优劣,将传统Min-Max算法和加权Min-Max算法作为性能参照对象,最终的结果如图4-6所示。
图4表示的分别是传统Min-Max算法,加权Min-Max算法以及本申请的分区Min-Ma定位方法的平均定位误差(ALE)对比图,通过图4可以得出当信噪比(SNR)大于15dB时,分区Min-Ma定位方法的定位精度将会下降到0.14米,相对于加权Min-Max算法降低了50%,而相对于传统Min-Max算法则下降了七分之六。
图5分别表示了传统Min-Max算法,加权Min-Max算法以及本文所提出的分区Min-Max算法平均定位误差的累积分布函数(CDF)曲线。通过图5可以清晰地看出,对于分区Min-Ma 定位方法来说其平均定位误差小于0.33米的概率达到了90%,而对于加权Min-Max算法以及传统Min-Max算法而言达到同样的概率时,其平均定位误差分别达到了0.46米和1.12米。
在图6中,当信噪比为30dB时,我们对随机选取的某一坐标为(5,6)的抽样点进行了定位过程比较,由图6可以清晰的看出分区Min-Ma定位方法相对于传统Min-Max算法和加权 Min-Max算法将会获得对于目标节点更加精准的估计。
仿真结果表明,与传统的Min-Max和加权Min-Max算法相比,本申请的分区Min-Ma定位方法具有更精确的定位性能。
以上所述仅为本发明的实施例,并非以此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的***领域,均同理包括在本发明的保护范围内。
Claims (6)
1.基于RSS的分区Min-Max室内定位方法,其特征在于,包括以下步骤:
S1:确定定位兴趣区并获取其顶点坐标和几何质心;
S2:利用至少一条穿过几何质心的直线将定位兴趣区划分成多个面积相等的子区域,其中,每个所述子区域均包含定位兴趣区的至少一个顶点;
S3:根据预设条件确定距离目标节点最近的定位兴趣区的顶点,并将包含该顶点的子区域作为目标节点的所属子区域;
S4:根据所属子区域的顶点坐标计算得到目标节点的位置坐标;
步骤S2具体包括:利用两条相互垂直的且穿过几何质心的直线将定位兴趣区划分成四个面积相等的矩形子区域,每个所述矩形子区域均包含一个定位兴趣区的顶点;
所述预设条件为表达式为:
2.根据权利要求1所述的基于RSS的分区Min-Max室内定位方法,其特征在于,步骤S4具体包括:
S401:根据所属子区域的顶点坐标利用加权公式得到所属子区域的各个顶点坐标的权重;
S402:通过加权质心公式得到目标节点的位置坐标。
6.根据权利要求1所述的基于RSS的分区Min-Max室内定位方法,其特征在于,步骤S1具体包括:
获取各个锚节点的位置坐标以及估计距离;其中,所述估计距离为由锚节点发出并在目标节点测得的RSS值转换后得到的;
根据各个锚节点的位置坐标以及估计距离利用Min-Max算法确定定位兴趣区并计算得到定位兴趣区的顶点坐标和几何质心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625570.XA CN113466787B (zh) | 2021-06-04 | 2021-06-04 | 基于RSS的分区Min-Max室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625570.XA CN113466787B (zh) | 2021-06-04 | 2021-06-04 | 基于RSS的分区Min-Max室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113466787A CN113466787A (zh) | 2021-10-01 |
CN113466787B true CN113466787B (zh) | 2023-06-02 |
Family
ID=77872287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110625570.XA Active CN113466787B (zh) | 2021-06-04 | 2021-06-04 | 基于RSS的分区Min-Max室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113466787B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106900057A (zh) * | 2017-04-26 | 2017-06-27 | 深圳市尧元科技有限公司 | 一种基于测距的室内定位方法及*** |
CN109375163A (zh) * | 2018-08-31 | 2019-02-22 | 福建三元达网络技术有限公司 | 一种高精度的室内定位方法及终端 |
CN111294921A (zh) * | 2020-02-17 | 2020-06-16 | 广东工业大学 | 一种rssi无线传感器网络三维协作定位方法 |
WO2020220800A1 (zh) * | 2019-04-28 | 2020-11-05 | 京东方科技集团股份有限公司 | 定位方法、装置、计算机设备及存储介质 |
CN111965600A (zh) * | 2020-08-14 | 2020-11-20 | 长安大学 | 一种强遮挡环境下基于声音指纹的室内定位方法 |
-
2021
- 2021-06-04 CN CN202110625570.XA patent/CN113466787B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106900057A (zh) * | 2017-04-26 | 2017-06-27 | 深圳市尧元科技有限公司 | 一种基于测距的室内定位方法及*** |
CN109375163A (zh) * | 2018-08-31 | 2019-02-22 | 福建三元达网络技术有限公司 | 一种高精度的室内定位方法及终端 |
WO2020220800A1 (zh) * | 2019-04-28 | 2020-11-05 | 京东方科技集团股份有限公司 | 定位方法、装置、计算机设备及存储介质 |
CN111294921A (zh) * | 2020-02-17 | 2020-06-16 | 广东工业大学 | 一种rssi无线传感器网络三维协作定位方法 |
CN111965600A (zh) * | 2020-08-14 | 2020-11-20 | 长安大学 | 一种强遮挡环境下基于声音指纹的室内定位方法 |
Non-Patent Citations (2)
Title |
---|
Thomas Janssen等.Benchmarlcing RSS-based localization algorithms with LoRaWAN.《Internet of Things》.2020,全文. * |
徐小良等.基于RSS空间线性相关的WLAN位置指纹定位算法.《电信科学》.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113466787A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3646062B1 (en) | Three-dimensional city models and shadow mapping to improve altitude fixes in urban environments | |
CN110118549B (zh) | 一种多源信息融合定位方法和装置 | |
CN106912105B (zh) | 基于pso_bp神经网络的三维定位方法 | |
CN108534779B (zh) | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 | |
Chen et al. | Bayesian fusion for indoor positioning using bluetooth fingerprints | |
Roos et al. | A probabilistic approach to WLAN user location estimation | |
CN110926461B (zh) | 一种基于超宽带室内定位方法和***、导航方法和*** | |
Wang et al. | TOA-based NLOS error mitigation algorithm for 3D indoor localization | |
CN109379711B (zh) | 一种定位方法 | |
CN102288938B (zh) | 一种有效的无线传感器网络节点的三维定位方法 | |
CN115685060A (zh) | 一种室内指纹地图的构建方法及相关装置 | |
Wen et al. | An indoor localization and tracking system using successive weighted RSS projection | |
CN112367614A (zh) | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 | |
Junoh et al. | Floor map-aware particle filtering based indoor navigation system | |
CN114727384A (zh) | 一种基于加权min-max的蓝牙RSSI定位方法 | |
Pan et al. | Map-aided and UWB-based anchor placement method in indoor localization | |
Zhuang et al. | Autonomous WLAN heading and position for smartphones | |
Chen et al. | Path distance-based map matching for Wi-Fi fingerprinting positioning | |
CN111444467B (zh) | 基于实时定位轨迹数据进行局部线性插值和预测的方法 | |
CN113466787B (zh) | 基于RSS的分区Min-Max室内定位方法 | |
CN109640253B (zh) | 一种移动机器人定位方法 | |
KR102118981B1 (ko) | 비콘 신호와 핑거프린트 맵 기반의 실내 측위 방법 및 시스템 | |
CN112639503A (zh) | 使用电子测距设备进行地理定位的方法 | |
Wang et al. | An improved particle filter indoor fusion positioning approach based on Wi-Fi/PDR/geomagnetic field | |
Gu et al. | The effect of ground truth accuracy on the evaluation of localization systems |
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 |