CN115031723A - 一种uwb定位精度提升办法 - Google Patents

一种uwb定位精度提升办法 Download PDF

Info

Publication number
CN115031723A
CN115031723A CN202210233690.XA CN202210233690A CN115031723A CN 115031723 A CN115031723 A CN 115031723A CN 202210233690 A CN202210233690 A CN 202210233690A CN 115031723 A CN115031723 A CN 115031723A
Authority
CN
China
Prior art keywords
uwb
positioning
imu
distance
formula
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
Application number
CN202210233690.XA
Other languages
English (en)
Other versions
CN115031723B (zh
Inventor
吴明
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.)
Gauss Robot Shenzhen Co ltd
Original Assignee
Gauss Robot Shenzhen 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 Gauss Robot Shenzhen Co ltd filed Critical Gauss Robot Shenzhen Co ltd
Priority to CN202210233690.XA priority Critical patent/CN115031723B/zh
Publication of CN115031723A publication Critical patent/CN115031723A/zh
Application granted granted Critical
Publication of CN115031723B publication Critical patent/CN115031723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12Navigation; 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
    • G01C21/16Navigation; 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
    • G01C21/165Navigation; 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 combined with non-inertial navigation instruments
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12Navigation; 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
    • G01C21/16Navigation; 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
    • G01C21/183Compensation of inertial measurements, e.g. for temperature effects
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12Navigation; 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
    • G01C21/16Navigation; 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
    • G01C21/183Compensation of inertial measurements, e.g. for temperature effects
    • G01C21/188Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning systems
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations
    • G01C21/206Instruments for performing navigational calculations specially adapted for indoor navigation
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种UWB定位精度提升办法,包括构建UWB测距判别模型、构建随机森林算法、构建UWB/IMU的联合定位算法、构建基于IMU的PDR定位算法、通过卡尔曼滤波融合IUB和UWB***的定位结果、重新计算更新后的NLOS误差值对距离更新、再次获得最小二乘的估计位置更新偏航角,本发明采用机器学习算法建立模型,同时使用IMU的PDR定位算法和卡尔曼滤波实现IMU与UWB的联合精准定位,充分利用两个***的优点,在不同NLOS误差和复杂工况下都可以实现良好的定位精度。

Description

一种UWB定位精度提升办法
技术领域
本发明涉及定位方法领域,具体涉及UWB/IMU的联合定位算法,依靠UWB***测距值对IMU统定位值进行修正。
背景技术
随着近距离通信技术及无线定位技术的发展,人们期待移动设备可以感知位置从而提供导航定位服务。而室内定位技术弥补了GPS因信号受建筑物遮挡而无法用于室内环境定位的不足,将定位服务从城市室外空间扩展至建筑物内部空间,目前出现了各式各样的室内定位技术,比如红外线定位、超声波定位、Wi-Fi定位、蓝牙定位、UWB定位、IMU定位等。这些定位技术各有优缺点,应对的场景也各不相同,在较为复杂的环境下UWB的测距精度达不到要求,利用联合定位算法,可以大大提高精度,而IMU不需要锚点辅助,还可以提供加速度、方位角,将测距信息和方位信息充分融合。
发明内容
为解决上述技术问题,本发明提供的技术方案为:一种UWB定位精度提升办法,包括以下步骤:
S1、构建UWB测距判别模型,获得锚点数和移动目标的距离;
S2、构建随机森林算法,预测S1所建立判别模型的性能好坏与精度要求;
S3、构建UWB/IMU的联合定位算法,通过IMU进行机器人轨迹推算;
S4、构建基于IMU的PDR定位算法,融合S3中IMU推算的机器人轨迹信息;IUB推测得到预测距离,根据距离公式计算预测位置与锚节点之间的距离,将UWB距离测量值与IUB的计算公式所获得的距离测量值做差来获得误差估计值;
S5、通过卡尔曼滤波融合IUB和UWB***的定位结果;
S6、获得S5的定位结果后,重新计算更新后的NLOS误差值对距离更新,再次获得最小二乘的估计位置更新偏航角,卡尔曼滤波融合两个***的结果,反复执行如上结果便可以获得好的定位结果。
优选地,步骤S1机器人实时测距判别模型中接收端和发送端的时间同步,通过获取信号获得的时间间接获得锚点数和移动目标的距离。
优选地,步骤S3中机器人轨迹推算包括移动检测、速度估计、方向估计,其中,速度估计包括加速度、角速度,方向估计包括方位角信息。
优选地,步骤S3中基于UWB/IMU的联合定位算法,包括以下步骤:
(1)设k时刻行人与UWB的第i(i=1,2,...,N)个基站间距离的真实距离为:
Figure BDA0003540922320000011
上式中,(xi,yi)为第i个基站坐标,i=1,2,…,N;(pk,x,pk,y)为k时刻行人位置理论值;
(2)k时刻通过IMU解算得到的定位值为(pk,x,x,IMU,pk,y,IMU),利用该结果即可计算得到行人与第i个基站的距离:进行一节泰勒展开:
Figure BDA0003540922320000021
上式中,k时刻行人与第i个基站间距离的真实距离,是使用精度较高的UWB测距值作为参考,它们的关系如下所示:
di,k,UWB=di,k+ε (3)
上式中,ε为测量噪声;
(3)IMU的定位误差可表示为:
Figure BDA0003540922320000022
融合公式(3)、公式(4),可以得到:
Figure BDA0003540922320000023
上式即为基于第i个基站的观测向量,进而可以得到紧组合观测向量的完整表达式:
Figure BDA0003540922320000024
其中,nK为***的测量噪声矩阵,h(Xk)的第i项hi(Xk)的值为:
Figure BDA0003540922320000025
将观测方程线性化之后,可以得到观测矩阵,如下式所示:
Figure BDA0003540922320000031
优选地,步骤S4中基于IMU的PDR定位算法,包括以下步骤:
(1)基于UWB定位初始坐标;
(2)步长估计:
采用Weinberg非线性估计模型,公式如下:
Figure BDA0003540922320000032
上式中,L2为步长,K1为常数,amax和amin分别表示行走过程中的最大加速度值和最小加速度值;
步长与平均加速度的关系,公式如下:
Figure BDA0003540922320000033
上式中,L3表示步长,K3为系数,ai为第i个采样点的三轴加速度幅值,N为采样数。
优选地,步骤S5中卡尔曼滤波融合IUB和UWB***的定位结果,包括以下步骤:
设状态变量n维,k时刻的状态为Xk;k时刻的m维测量量Zk,则:
状态方程为:xk=φk-1xk-1k-1wk-1 (11)
测量方程为:zk=Hkxk+Vk (12)
其中,φk-1为状态转移矩阵;Γk-1为状态噪声系数矩阵;wk-1为状态噪声;Hk测量矩阵;Vk为测量噪声,一般为零期望白噪声;
根据匀加速运动模型有:
Figure BDA0003540922320000034
Figure BDA0003540922320000035
上式中,s(k)为移动目标的一维位置信息,
Figure BDA0003540922320000036
为移动目标的速度,根据卡尔曼滤波远离可得如下方程组:
Figure BDA0003540922320000041
由于***采样频率较高,在一个采样周期内可以近似认为移动目标做匀速运动,因此上述公式可改写为:
Figure BDA0003540922320000042
考虑到二维情形下的状态模型包含水平方向和垂直方向的位置和速度,因此可以将状态方程定义为:
Figure BDA0003540922320000043
上式中,x(k)、
Figure BDA0003540922320000044
分别为x方向的位置和速度,y(k)、
Figure BDA0003540922320000045
分别为y方向的位置和速度;
则***方程可以表示为:
Figure BDA0003540922320000046
相应的测量误差方程和状态方程分别为:
Figure BDA0003540922320000047
Figure BDA0003540922320000048
上式中,Vk和Vx分别为观测量Lk和状态预测量Xk的残差向量。
采用以上方案后,本发明具有如下优点:本发明采用机器学习算法建立模型,同时使用IMU的PDR定位算法和卡尔曼滤波实现IMU与UWB的联合精准定位,充分利用两个***的优点,在不同NLOS误差和复杂工况下都可以实现良好的定位精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解的是,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明一种UWB定位精度提升办法的流程示意图。
图2是本发明一种UWB定位精度提升办法中基于UWB定位初始坐标的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例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。
UWB在复杂环境下的测距精度在面对精密问题时还是无法达到要求,本发明利用联合定位算法,不断提高UWB的精度,减小非视距误差。因为在极度复杂的环境下,***无法接收到锚点个数,联合定位也就失去了意义,此时只能靠IMU进行基础定位。同时配合使用IMU,可以做到全方位信息与测距信息的完美融合。
结合附图1,本发明公开一种UWB定位精度提升办法,包括以下步骤:
S1、构建UWB测距判别模型,获得锚点数和移动目标的距离;
S2、构建随机森林算法,预测S1所建立判别模型的性能好坏与精度要求;
S3、构建UWB/IMU的联合定位算法,通过IMU进行机器人轨迹推算;机器人轨迹推算包括移动检测、速度估计、方向估计,其中,速度估计包括加速度、角速度,方向估计包括方位角信息。
要求接收端和发送端时间同步,通过获取信号获得的时间间接获得锚点数和移动目标的距离;结合所建立的模型,UWB和IMU联合定位时,***要能自动识别超宽带的锚点数;对于接收到的UWB信号,自动判断测距精度。
基于UWB/IMU的联合定位算法,包括以下步骤:
(1)设k时刻行人与UWB的第i(i=1,2,...,N)个基站间距离的真实距离为:
Figure BDA0003540922320000051
上式中,(xi,yi)为第i个基站坐标,i=1,2,…,N;(pk,x,pk,y)为k时刻行人位置理论值;
(2)k时刻通过IMU解算得到的定位值为(pk,x,x,IMU,pk,y,IMU),利用该结果即可计算得到行人与第i个基站的距离:进行一节泰勒展开:
Figure BDA0003540922320000052
上式中,k时刻行人与第i个基站间距离的真实距离,是使用精度较高的UWB测距值作为参考,它们的关系如下所示:
di,k,UWB=di,k+ε (3)
上式中,ε为测量噪声;
(3)IMU的定位误差可表示为:
Figure BDA0003540922320000061
融合公式(3)、公式(4),可以得到:
Figure BDA0003540922320000062
上式即为基于第i个基站的观测向量,进而可以得到紧组合观测向量的完整表达式:
Figure BDA0003540922320000063
其中,nK为***的测量噪声矩阵,h(Xk)的第i项hi(Xk)的值为:
Figure BDA0003540922320000064
将观测方程线性化之后,可以得到观测矩阵,如下式所示:
Figure BDA0003540922320000065
S4、为了融合IMU的加速度、角速度、方位角信息,在保证误差与精度的同时,维持长时间的精度在较高水平,需要使用基于IMU的PDR定位算法;
构建基于IMU的PDR定位算法,融合S3中IMU推算的机器人轨迹信息;IUB推测得到预测距离,根据距离公式计算预测位置与锚节点之间的距离,将UWB距离测量值与IUB的计算公式所获得的距离测量值做差来获得误差估计值;
基于IMU的PDR定位算法,包括以下步骤:
(1)基于UWB定位初始坐标,结合附图2,包括以下步骤:
判断是非视距;若是,则选取最后两个视距定位坐标,然后确定外推方向角、时间内步数/步长;若否,则确定初始坐标;
(2)步长估计:
非线性模型综合考虑行走过程中的多项特征,能够较好地实现步长估计。此外有学者引入神经网络构建非线性步长估计模型,也取得良好的估计效果;
采用Weinberg非线性估计模型,公式如下:
Figure BDA0003540922320000071
上式中,L2为步长,K1为常数,amax和amin分别表示行走过程中的最大加速度值和最小加速度值;
步长与平均加速度的关系,公式如下:
Figure BDA0003540922320000072
上式中,L3表示步长,K3为系数,ai为第i个采样点的三轴加速度幅值,N为采样数。
S5、通过卡尔曼滤波融合IUB和UWB***的定位结果,实现更加准确的机器人位置估计;
S6、获得S5的定位结果后,重新计算更新后的NLOS误差值对距离更新,再次获得最小二乘的估计位置更新偏航角,卡尔曼滤波融合两个***的结果,反复执行如上结果便可以获得好的定位结果。
卡尔曼滤波融合IUB和UWB***的定位结果,包括以下步骤:
设状态变量n维,k时刻的状态为Xk;k时刻的m维测量量Zk,则:
状态方程为:xk=φk-1xk-1k-1wk-1 (11)
测量方程为:zk=Hkxk+Vk (12)
其中,φk-1为状态转移矩阵;Γk-1为状态噪声系数矩阵;wk-1为状态噪声;Hk测量矩阵;Vk为测量噪声,一般为零期望白噪声;
根据匀加速运动模型有:
Figure BDA0003540922320000073
Figure BDA0003540922320000074
上式中,s(k)为移动目标的一维位置信息,
Figure BDA0003540922320000075
为移动目标的速度,根据卡尔曼滤波远离可得如下方程组:
Figure BDA0003540922320000076
由于***采样频率较高,在一个采样周期内可以近似认为移动目标做匀速运动,因此上述公式可改写为:
Figure BDA0003540922320000081
考虑到二维情形下的状态模型包含水平方向和垂直方向的位置和速度,因此可以将状态方程定义为:
Figure BDA0003540922320000082
上式中,x(k)、
Figure BDA0003540922320000083
分别为x方向的位置和速度,y(k)、
Figure BDA0003540922320000084
分别为y方向的位置和速度;
则***方程可以表示为:
Figure BDA0003540922320000085
相应的测量误差方程和状态方程分别为:
Figure BDA0003540922320000086
Figure BDA0003540922320000087
上式中,Vk和Vx分别为观测量Lk和状态预测量Xk的残差向量。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。

Claims (6)

1.一种UWB定位精度提升办法,其特征在于,包括以下步骤:
S1、构建UWB测距判别模型,获得锚点数和移动目标的距离;
S2、构建随机森林算法,预测S1所建立判别模型的性能好坏与精度要求;
S3、构建UWB/IMU的联合定位算法,通过IMU进行机器人轨迹推算;
S4、构建基于IMU的PDR定位算法,融合S3中IMU推算的机器人轨迹信息;IUB推测得到预测距离,根据距离公式计算预测位置与锚节点之间的距离,将UWB距离测量值与IUB的计算公式所获得的距离测量值做差来获得误差估计值;
S5、通过卡尔曼滤波融合IUB和UWB***的定位结果;
S6、获得S5的定位结果后,重新计算更新后的NLOS误差值对距离更新,再次获得最小二乘的估计位置更新偏航角,卡尔曼滤波融合两个***的结果,反复执行如上结果便可以获得好的定位结果。
2.根据权利要求1所述的一种UWB定位精度提升办法,其特征在于,步骤S1机器人实时测距判别模型中接收端和发送端的时间同步,通过获取信号获得的时间间接获得锚点数和移动目标的距离。
3.根据权利要求1所述的一种UWB定位精度提升办法,其特征在于,步骤S3中机器人轨迹推算包括移动检测、速度估计、方向估计,其中,速度估计包括加速度、角速度,方向估计包括方位角信息。
4.根据权利要求1所述的一种UWB定位精度提升办法,其特征在于,步骤S3中基于UWB/IMU的联合定位算法,包括以下步骤:
(1)设k时刻行人与UWB的第i(i=1,2,...,N)个基站间距离的真实距离为:
Figure FDA0003540922310000011
上式中,(xi,yi)为第i个基站坐标,i=1,2,…,N;(pk,x,pk,y)为k时刻行人位置理论值;
(2)k时刻通过IMU解算得到的定位值为(pk,x,x,IMU,pk,y,IMU),利用该结果即可计算得到行人与第i个基站的距离:进行一节泰勒展开:
Figure FDA0003540922310000012
上式中,k时刻行人与第i个基站间距离的真实距离,是使用精度较高的UWB测距值作为参考,它们的关系如下所示:
di,k,UWB=di,k+ε (3)
上式中,ε为测量噪声;
(3)IMU的定位误差可表示为:
Figure FDA0003540922310000021
融合公式(3)、公式(4),可以得到:
Figure FDA0003540922310000022
上式即为基于第i个基站的观测向量,进而可以得到紧组合观测向量的完整表达式:
Figure FDA0003540922310000023
其中,nK为***的测量噪声矩阵,h(Xk)的第i项hi(Xk)的值为:
Figure FDA0003540922310000024
将观测方程线性化之后,可以得到观测矩阵,如下式所示:
Figure FDA0003540922310000025
5.根据权利要求1所述的一种UWB定位精度提升办法,其特征在于,步骤S4中基于IMU的PDR定位算法,包括以下步骤:
(1)基于UWB定位初始坐标;
(2)步长估计:
采用Weinberg非线性估计模型,公式如下:
Figure FDA0003540922310000026
上式中,L2为步长,K1为常数,amax和amin分别表示行走过程中的最大加速度值和最小加速度值;
步长与平均加速度的关系,公式如下:
Figure FDA0003540922310000027
上式中,L3表示步长,K3为系数,ai为第i个采样点的三轴加速度幅值,N为采样数。
6.根据权利要求1所述的一种UWB定位精度提升办法,其特征在于,步骤S5中卡尔曼滤波融合IUB和UWB***的定位结果,包括以下步骤:
设状态变量n维,k时刻的状态为Xk;k时刻的m维测量量Zk,则:
状态方程为:xk=φk-1xk-1k-1wk-1 (11)
测量方程为:zk=Hkxk+Vk (12)
其中,φk-1为状态转移矩阵;Γk-1为状态噪声系数矩阵;wk-1为状态噪声;Hk测量矩阵;Vk为测量噪声,一般为零期望白噪声;
根据匀加速运动模型有:
Figure FDA0003540922310000031
Figure FDA0003540922310000036
上式中,s(k)为移动目标的一维位置信息,
Figure FDA0003540922310000037
为移动目标的速度,根据卡尔曼滤波远离可得如下方程组:
Figure FDA0003540922310000032
由于***采样频率较高,在一个采样周期内可以近似认为移动目标做匀速运动,因此上述公式可改写为:
Figure FDA0003540922310000033
考虑到二维情形下的状态模型包含水平方向和垂直方向的位置和速度,因此可以将状态方程定义为:
Figure FDA0003540922310000035
上式中,x(k)、
Figure FDA0003540922310000038
分别为x方向的位置和速度,y(k)、
Figure FDA0003540922310000039
分别为y方向的位置和速度;
则***方程可以表示为:
Figure FDA0003540922310000034
相应的测量误差方程和状态方程分别为:
Figure FDA0003540922310000041
Figure FDA0003540922310000042
上式中,Vk和Vx分别为观测量Lk和状态预测量Xk的残差向量。
CN202210233690.XA 2022-03-10 2022-03-10 一种uwb定位精度提升方法 Active CN115031723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210233690.XA CN115031723B (zh) 2022-03-10 2022-03-10 一种uwb定位精度提升方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210233690.XA CN115031723B (zh) 2022-03-10 2022-03-10 一种uwb定位精度提升方法

Publications (2)

Publication Number Publication Date
CN115031723A true CN115031723A (zh) 2022-09-09
CN115031723B CN115031723B (zh) 2024-07-23

Family

ID=83119676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210233690.XA Active CN115031723B (zh) 2022-03-10 2022-03-10 一种uwb定位精度提升方法

Country Status (1)

Country Link
CN (1) CN115031723B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116761253A (zh) * 2023-08-17 2023-09-15 湘江实验室 一种基于三角形面积的uwb加权定位方法
CN117119586A (zh) * 2023-08-29 2023-11-24 长春理工大学 一种基于uwb和imu室内定位融合算法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5985672A (en) * 1996-04-26 1999-11-16 Dade Behring Inc. Method and apparatus for pre-treating samples in an automatic chemical analyzer
JP2009085730A (ja) * 2007-09-28 2009-04-23 Kyowa Medex Co Ltd 自動免疫分析装置
CN102183639A (zh) * 2011-03-14 2011-09-14 哈尔滨工业大学(威海) 全自动化学发光免疫分析仪
CN103562727A (zh) * 2011-05-30 2014-02-05 株式会社日立高新技术 试样处理装置、试样处理方法以及所使用的反应容器
JP2015068701A (ja) * 2013-09-27 2015-04-13 東ソー株式会社 自動分析装置
CN106645765A (zh) * 2017-01-06 2017-05-10 刘丹 自动分析装置及样本分析方法
CN106932601A (zh) * 2017-05-02 2017-07-07 深圳市活水床旁诊断仪器有限公司 一种生化分析仪及其检测方法
US20180136096A1 (en) * 2015-06-12 2018-05-17 A.M.T. S.R.L. A machinery for an automated analysis of the slides in accordance with the indirect immunofluorescence assay - IFA
CN108226549A (zh) * 2018-01-15 2018-06-29 重庆博奥新景医学科技有限公司 一种用于化学发光免疫分析仪的时序控制方法与***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5985672A (en) * 1996-04-26 1999-11-16 Dade Behring Inc. Method and apparatus for pre-treating samples in an automatic chemical analyzer
JP2009085730A (ja) * 2007-09-28 2009-04-23 Kyowa Medex Co Ltd 自動免疫分析装置
CN102183639A (zh) * 2011-03-14 2011-09-14 哈尔滨工业大学(威海) 全自动化学发光免疫分析仪
CN103562727A (zh) * 2011-05-30 2014-02-05 株式会社日立高新技术 试样处理装置、试样处理方法以及所使用的反应容器
JP2015068701A (ja) * 2013-09-27 2015-04-13 東ソー株式会社 自動分析装置
US20180136096A1 (en) * 2015-06-12 2018-05-17 A.M.T. S.R.L. A machinery for an automated analysis of the slides in accordance with the indirect immunofluorescence assay - IFA
CN106645765A (zh) * 2017-01-06 2017-05-10 刘丹 自动分析装置及样本分析方法
CN106932601A (zh) * 2017-05-02 2017-07-07 深圳市活水床旁诊断仪器有限公司 一种生化分析仪及其检测方法
CN108226549A (zh) * 2018-01-15 2018-06-29 重庆博奥新景医学科技有限公司 一种用于化学发光免疫分析仪的时序控制方法与***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116761253A (zh) * 2023-08-17 2023-09-15 湘江实验室 一种基于三角形面积的uwb加权定位方法
CN116761253B (zh) * 2023-08-17 2023-10-20 湘江实验室 一种基于三角形面积的uwb加权定位方法
CN117119586A (zh) * 2023-08-29 2023-11-24 长春理工大学 一种基于uwb和imu室内定位融合算法
CN117119586B (zh) * 2023-08-29 2024-05-24 长春理工大学 一种基于uwb和imu室内定位融合方法

Also Published As

Publication number Publication date
CN115031723B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN111207774B (zh) 一种用于激光-imu外参标定的方法及***
CN110375730B (zh) 基于imu和uwb融合的室内定位导航***
CN105589064B (zh) Wlan位置指纹数据库快速建立和动态更新***及方法
CN112747747B (zh) 一种改进的uwb/imu融合室内行人定位方法
CN107389063B (zh) 基于gsm/mems融合的高精度室内融合定位方法
US10508970B2 (en) System for precision measurement of structure and method therefor
CN112347840A (zh) 视觉传感器激光雷达融合无人机定位与建图装置和方法
CN115031723A (zh) 一种uwb定位精度提升办法
Zampella et al. Robust indoor positioning fusing PDR and RF technologies: The RFID and UWB case
CN109059907B (zh) 轨迹数据处理方法、装置、计算机设备和存储介质
CN105263113A (zh) 一种基于众包的WiFi位置指纹地图构建方法及其***
Liu et al. Indoor localization using smartphone inertial sensors
Ibrahim et al. Inertial measurement unit based indoor localization for construction applications
CN113108791A (zh) 一种导航定位方法及导航定位设备
CN111683337B (zh) 基于Wifi和传感器的融合定位方法、***、电子设备及存储介质
CN111983660A (zh) Gnss拒止环境下四旋翼无人机定位***和方法
CN113324544A (zh) 一种基于图优化的uwb/imu的室内移动机器人协同定位方法
CN114739400A (zh) 一种基于uwb和imu信息融合的室内定位方法
CN111783492A (zh) 基于二维码的室内定位方法、装置、移动终端和存储介质
Chen et al. Hybrid ToA and IMU indoor localization system by various algorithms
CN112540345A (zh) 一种基于高斯分布检测uwb质量的双模型定位方法及***
CN116105726A (zh) 一种多传感器融合的爬壁机器人立面定位方法
CN116380052A (zh) 一种基于uwb融合imu的室内定位方法
KR102367403B1 (ko) 관성 데이터 및 무선신호 데이터 기반 실내 측위 방법 및 장치
CN115951369A (zh) 面向复杂港口环境的多传感器融合定位方法

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