一种基于智能手机的室内地磁定位系统

研究分析了手机传感器和室内地磁场的性质后,针对室内定位问题提出了一种基于客户端 服务器架构的定位系统.因智能手机大多搭载了能够收集地磁信号的三轴磁通门传感器,提出了两种构建位置指纹的方法:将地磁传感器的数据水平化,或是结合方向信息和地磁数据构建混合位置指纹,并通过将定位区域划分为网格的方式构建定位基准图.针对两种位置指纹设计了基于欧几里得距离的匹配算法.最后,在Android平台部署应用并进行实验,分别对比了两种位置指纹的定位准确度、地磁匹配速度,实验结果表明系统能够达到1 m的定位精度.      

一种基于智能手机的室内融合定位方法

随着室内无线终端与智能手机的快速发展,室内定位技术成为近几年的研究热点之一。本文研究了基于低功耗蓝牙(BLE)和行人航位推算(PDR)技术,利用扩展卡尔曼滤波(EKF)进行融合处理的室内定位方法。该方法包含3部分:①离线阶段利用蓝牙指纹快速采集方法建立指纹库,在线阶段利用加权K邻近算法进行指纹定位;②利用手机内置传感器准确估计航向角,并结合步态识别算法和步长估计算法推算行人位置;③利用EKF对两种定位结果进行融合,获取最优位置估计。试验结果表明,融合定位方法的平均定位精度为1.17 m,90%的概率定位精度达到2 m。     

智能手机传感器标定的似线性模量方法

探讨了智能手机惯性传感器校正的九参数模型的6种形式,利用模量方程构建椭球模型,并通过多项式分解得到类似线性化的迭代模型,进而提出了一种似线性模量标定方法。利用该方法进行手机传感器多位置标定实验时,无需严格控制传感器标定位置或姿态,便可获得传感器的校正参数。以三星S3手机采集的加速度计和陀螺仪数据进行标定实验,计算结果与分析表明,所提方法适用于智能手机传感器的快速标定。     

基于机器人的室内指纹地图更新

为满足大室内空间高精度指纹定位的需求,需采集大量的室内指纹地图数据,但传统室内指纹采集方法人工作业反复,费时费力;同时指纹地图还需频繁更新以保证更好的现势性从而得到更高的定位精度,更增加了在大室内空间中实现高精度指纹定位的难度。针对室内定位中的指纹地图采集提出了一种基于机器人的扫描采集更新方法。该方法不仅能大量节省人力成本,而且能高效地得到更丰富、更准确的指纹点信息以组成高质量的指纹地图,从而提高室内指纹定位的精度。     

采用无线信号测距加权的室内协同定位

随着基于位置服务应用的普及,室内外无缝定位已成为下一代定位系统的核心,但是精确的室内定位至今仍是难点问题。众多学者提出过无线信号定位算法,然而无线信号具有不稳定性,且需要事先建立信号特征指纹数据库,这给定位带来了误差和繁琐性。通过对室内环境中超宽带信号测距结果分析以及对快速生成无线信号数据库方法的探讨,提出一种基于多用户测距约束的融合多传感器信息的协同室内定位算法。该算法利用粒子滤波集成了航向推算数据、WiFi数据、用户间测距以及室内地图等信息。测距约束能够剔除由于信号不稳定或数据库没有及时更新造成的误差。通过集成室内采集的数据,验证了该算法能够有效提高室内定位精度及稳定性。结果表明该算法比航向推算或WiFi定位结果提高了40%以上。     

仿射传播聚类在室内定位指纹库中的应用研究

基于位置指纹的室内定位,由于指纹数据结构复杂,信号时变性强等原因验证影响了定位的时效性。K-means聚类算法虽可以有效地减少数据遍历的工作量,但该方法仅仅考虑采样点在信号域的相关性,使定位精度下降,同样难以满足室内定位的实时性要求。本文基于位置指纹方法,借鉴K-Means聚类算法的思路,研究了指纹的样本点位置域和信号域特征的融合方法,并将融合后的特征引入了仿射传播聚类算法。实验测试表明：本文使用的方法可在保证精度的前提下,时间消耗平均减少40%,有效地提高了系统的实时性,可以满足室内定位的基本要求。     

融合惯导信息的单目视觉室内定位方法

针对单目视觉定位方法定位精度高但数据源不稳定,而惯性测量组件可稳定获取定位数据却存在累计误差的问题,提出了一种融合惯导信息的单目视觉室内定位方法．该方法利用四参数拟合模型将图像数据转换成定位定姿数据,并在惯导数据解算过程中引入互补滤波修正陀螺仪读数,最后将处理后的数据作为观测值输入到扩展卡尔曼滤波器中,得到最优位置信息．实验结果表明,该方法能够有效地提高室内定位的精度和稳定性.      

一种基于传播模型和位置指纹的混合室内定位方法

提出了一种结合传播模型的位置指纹室内定位方法。首先利用无线信号传播模型公式建立定位环境中已测定位置坐标的参考点距离各AP的理论距离的指纹数据库;然后再根据传播模型公式确定待定点到AP的理论距离;最后通过匹配待定点和匹配度最大的3个参考点之间的欧氏距离的倒数作为计算待定点坐标的权值,计算待定点坐标。试验结果表明,相对于传统的单独使用传播模型法或位置指纹法,本方法通过对两种方法结合进行室内定位,取得了更高的精度。     

高斯滤波在Zigbee室内定位中的应用研究

通过对无线传感器网络RSSI定位和Zigbee网络指纹数据库的研究,本文利用指纹数据库计算用户坐标位置,提出利用高斯滤波对Zigbee网络指纹数据库进行信息采集和优化,在定位阶段对数据进行高斯滤波处理,从而建立高精度的指纹数据库。结果表明:利用Zigbee指纹数据库实现短距离范围内定位效果较好,而且在优化指纹数据库后再进行定位时,定位精度显著提高。     

基于粒子滤波的PDR/地磁指纹室内定位

针对行人航位推算（PDR）定位存在误差累积和地磁指纹不唯一导致的误匹配问题,本文改进了基于粒子滤波的PDR/地磁指纹室内定位方法。在PDR定位过程中利用地图信息控制粒子权重更新,得到较为准确的位置信息后,利用动态时间规整（DTW）算法在PDR推算位置基础上进行快速序列匹配,获取最优位置估计。试验结果表明,融合定位方法有效解决了行人位置穿墙问题,最大定位误差小于1.5 m,53.33%概率定位精度1 m。     

一种顾及用户朝向的加权贝叶斯指纹定位方法

为了减少用户遮挡对基于Wi-Fi指纹的室内定位的影响,该文提出了一种顾及用户朝向的加权贝叶斯指纹定位方法。离线阶段,利用4个方向的位置指纹及用户朝向构建Wi-Fi方向指纹库;在线阶段,测试点信号指纹在指纹筛选机制的辅助下从Wi-Fi方向指纹库中选取方向指纹,按照贝叶斯估计原理计算信号指纹位于参考点的概率,选出n个最大概率对应的参考点,以概率为权值计算坐标加权平均值,作为位置估计结果。实验结果表明,基于普通指纹库的贝叶斯指纹定位方法的平均定位精度为4.979m,而顾及用户朝向的加权贝叶斯指纹定位方法的平均定位精度为2.333m,定位精度提高了53.1%。顾及用户朝向的加权贝叶斯指纹定位方法减少了用户遮挡对Wi-Fi指纹室内定位的影响,可以提高Wi-Fi指纹室内定位的精度。     

低功耗蓝牙手机终端室内定位方法

为满足高精度室内定位的需求,提出了基于地图匹配技术和指纹技术的高精度室内蓝牙定位方法。该方法以低功耗蓝牙手机终端为指纹采集和定位媒介,通过获取蓝牙信号强度参数,并与室内地图进行匹配处理,建立蓝牙信号指纹库。在定位阶段,通过手机终端获取附近蓝牙信号强度信息,与指纹进行对比。在位置计算过程中,采用地图匹配技术,通过空间叠加分析过滤后确定手机终端的空间位置。本文选取了一典型商业环境,通过测试,当蓝牙锚点部署密度间隔15 m时,平均定位精度在3 m以内。     

面向室内WLAN定位的动态自适应模型

提出了一种面向无线局域网(wireless local area network,WLAN)位置指纹匹配定位的动态自适应模型,借助多个基站的实时数据为稳健室内定位提供更新的匹配数据库——radio map。基于基站与radio map采样点之间的空间关联性,将基站数据和radio map分别作为多层神经网络的输入和输出,动态更新radio map;利用多元数据异常探测技术检验基站数据捕获环境的时空变化;根据探测结果采用顾及室内布局的数值内插和再训练的方式更新模型,从而使其适应环境的时空变化。在室内动态环境中进行了多次验证试验。试验结果显示,在时变因素作用下,相比较传统方法,采用所提模型的定位方法的平均误差至少下降10%;在空间变化因素(以信标移动为例)作用下,其他方法平均定位误差大幅增加了至少165%,而采用所提模型方法的平均定位误差只增加了10%~20%,定位精度维持在3m左右(即原始精度)。结果证明采用了所提模型的定位系统能够自适应环境的时空变化而保持原有定位表现。不过,与传统位置指纹匹配定位方法相比,该模型带来了更多的计算负荷。     

一种基于地图匹配辅助行人航位推算的室内定位方法

针对行人航位推算算法中误差积累问题,提出并实现了地图匹配方法,辅助惯性测量装置进行自主定位。根据室内几何布局特征划分矢量域,修正方向传感器数据来确定航向角,同时通过投影匹配模型判定界点的最优坐标,最终进行最佳室内位置估计。经实验证明:在保持惯性传感器短时间内自主性强、定位精度高等优点的同时,该方法能够很好地抑制误差积累,提高定位算法的精度与稳定性。     

一种基于蓝牙的室内定位导航技术

为解决GNSS定位技术的"最后一公里"问题,室内定位近年来成为定位领域的研究热点。为了满足室内定位和导航服务的需要,该文采用iBeacon信标节点,设计了一种蓝牙技术为基础的室内定位系统。利用不同AP对位置的影响差异,实现空间分割以自动构建指纹数据库,结合用户的运动状态实现室内定位。研究结果表明:该文的定位方案在500m2的室内环境下,定位精度优于2m,完全可以满足日常定位导航功能。     

激光SLAM移动机器人室内定位研究

针对目前室内移动导航定位精度低和累积误差大的问题，提出了一种激光雷达（LiDAR）和惯性测量单元（IMU）相融合的导航定位系统。首先，该方法是从LiDAR扫描测量中提取环境特征和构建地图，然后，由IMU采集的姿态信息通过卡尔曼滤波，补偿由于LiDAR扫描引起的位置和姿态输出的误差，以提高机器人移动的定位精度。试验结果表明，该方法可以提高室内移动机器人定位和构建地图的精度和稳健性。     

RSS室内定位信号经验模型重构研究

介绍低秩矩阵填充理论,结合RSS室内信号图的特点,借鉴地形图中的地物特征点概念,提出RSS欧氏空间信号特征点概念;提出RSS室内定位信号经验模型的具体重构算法和流程。最后,分析RSS几何空间特征点构建指纹库的精度分析和RSS欧氏空间信号特征点信号模型重构的精度分析,对不同类型的特征点赋予不同的权值,并将这些特征点用在RSS室内定位信号经验模型的重构中。实验结果表明,在数据采样量略高于位置指纹(约为1.37倍)的情况下,利用RSS室内定位信号经验模型的定位精度显著高于位置指纹的定位精度(约为2倍),特别是0.5m以内的定位精度。     

基于FDE-IRF的室内指纹定位方法

针对传统指纹库存在建立工作量大以及随机森林匹配误差大等问题,提出了一种基于指纹库自动扩充的改进随机森林指纹定位方法(FDE-IRF)以提升指纹库构建的效率和指纹匹配的精度. 该方法对传统全采样构建指纹库方法和随机森林回归定位方法进行改进,稀疏采样多时间段的指纹数据和Kriging插值方法组合补全未采样指纹点,提升建库效率,得到强代表性的指纹库. 同时,利用决策树加权策略改进传统随机森林平均投票的方式,根据袋外数据评估决策树的预测误差,分配相应的权重,提高该算法的回归准确率. 实验结果表明:该方法的平均定位误差为1.26 m,其误差值比同类方法至少降低14.3%,验证了算法的准确性和有效性.      

融合CNN和CapsNet的Wi-Fi室内定位方法

针对基于位置指纹的Wi-Fi室内定位方法定位精度低的问题,本文提出了一种融合卷积神经网络(CNN)和胶囊网络(CapsNet)的Wi-Fi室内定位算法模型,记为CNN-CapsNet。首先将采集的RSSI时间序列信息,生成位置指纹图像数据集;然后通过由卷积层和池化层构成的CNN初级特征提取器,完成定位图像到初级特征图的转换;最后将初级特征图输入到CapsNet中,获得最终的分类结果。试验结果表明,在不同的向量维度,迭代次数等参数下,该模型的准确率高达99.99%,损失函数值低至0.009 91,优于其他的传统定位方法。     

基于微惯性技术的室内定位理论及应用

室内定位方法的可行性及准确性成为位置信息服务体系的研究热点,针对移动智能终端普及率的提高,提出了基于内置微惯性传感器的定位理念。通过采用Allan方差分析惯性器件误差参数,并基于频谱分析采用滤波降噪方案提高器件输出信噪比,结合人体运动特征准确判定步态,为零速修正算法的实现提供依据,通过建立局部区域的地磁信息数据库,实现磁匹配零速修正卡尔曼组合误差修正。实验结果验证了基于微惯性技术的室内定位方法的可行性。