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。     

矿山环境三维激光雷达SLAM算法建图与定位

针对矿山地形测绘中存在的建图失真和累计误差大等问题,本文基于三维激光雷达的同步定位与地图构建算法。首先对激光雷达（LiDAR）和惯性测量单元（IMU）进行内外参数标定,以解决无法建图的问题。然后通过巡检机器人采集3组场景（街区道路、矿山斜坡、采矿区）的数据集,对主流的ALOAM、LeGO-LOAM和LIO-SAM等算法进行对比,并利用GNSS数据作为轨迹真值。试验表明,在矿山环境多传感器融合算法LIO-SAM具有更好的稳健性和定位精度,轨迹绝对位置误差较ALOAM和LeGOLOAM分别降低了21.53%和60.10%。此外,特征提取部分引入强度特征的IALIO算法误差较LIO-SAM降低了20.16%。     

煤矿井下基于Attention机制的LSTM地磁定位算法

针对利用无线射频信号对井下人员定位受环境影响大的问题,本文提出了基于Attention机制的LSTM地磁定位算法。利用矿用智能手机以路径连续采集方式获取井下地磁数据,通过分析井下巷道地磁信号变化的空间差异性和时间稳定性,建立面向井下拓扑结构的地磁指纹数据库;在LSTM模型中引入Attention机制,使其能够根据地磁序列与位置的相关性进行训练且给予不同的权重;将井下实时采集的地磁数据输入模型后进行位置估计。试验结果表明,通过神经网络LSTM学习地磁序列与相应位置的映射关系,可有效提高定位精度。     

煤矿井下动态环境下的改进OSELM定位算法

在复杂多变的煤矿井下环境及时并准确地获取井下作业人员位置非常重要,井下通信环境高动态变化导致模型定位精度降低。本文将在线顺序极限学习机（OSELM）算法用于井下定位,与批量式定位算法GA-BP和ELM相比,OSELM算法能更有效地维持原模型定位精度。但OSELM算法存在病态矩阵求逆和平等对待所有新增数据的不足,导致该算法的稳定性和对动态环境的适应能力较差。本文在OSELM算法的基础上分别提出正则化OSELM算法、遗忘因子OSELM算法,以及融合正则化技术和遗忘因子机制的OSELM算法。试验表明,试验环境变化后,OSELM算法的定位精度比GA-BP和ELM算法的定位精度分别高1.428 2和1.162 2 m;在3 m误差距离范围内,所提正则化和遗忘因子的OSELM算法的定位精度均比OSELM算法高,融合两种机制的OSELM算法的定位准确率最高,比OSELM算法高5%左右。OSELM及其改进算法均能有效提高模型定位精度。