WiFi-PDR室内组合定位的无迹卡尔曼滤波算法

针对当前室内定位的应用需求和亟待解决的关键问题,结合城市室内环境下广泛存在的WiFi无线信号以及智能手机传感器信息,提出了一种WiFi无线信号联合行人航迹推算(PDR)的室内定位方法。该方法采用无迹卡尔曼滤波(UKF)算法对WiFi和PDR定位信息进行融合处理,有效克服了WiFi单点定位精度低和PDR存在累计误差的问题。针对融合算法中WiFi指纹匹配计算量大的问题,用k-means聚类算法对WiFi指纹库进行聚类处理,降低了指纹匹配算法的计算量,提高了算法的实时性。通过在华为P6-U06智能手机平台上实际测试,在时间效率上经过聚类处理后系统定位耗时有很大程度的改善,平均降幅为51%,其中最大降幅达到64%,最小的也达到了36%;在定位精度上,当室内人员为行走状态时WiFi定位平均误差为7.76m,PDR定位平均误差为4.57m,UKF滤波融合后平均定位误差下降到1.24m。     

一种用于RSS提取的改进粒子滤波算法

针对室内WiFi指纹位置定位中取RSS的平均值作为其定位特征值在室内环境的复杂性和动态性不能准确地反映RSS信号真值的问题,以及卡尔曼滤波和粒子滤波算法等用于RSS信号的提取只针对线性噪声或非线性噪声中的一种,在室内动态多变、干扰复杂多样的环境下鲁棒性不理想的问题,结合卡尔曼滤波和粒子滤波,提出一种用于RSS提取的改进的粒子滤波算法。给出了算法实现的步骤,并且在不同地点不同环境条件(静态环境和动态环境)下分别进行了指纹定位在线端的数据采集实验。实验结果表明:基于改进粒子滤波的RSS提取算法的定位精度和鲁棒性均优于均值算法、卡尔曼滤波算法、粒子滤波算法等已有算法。     

用卡尔曼滤波进行GPS动态定位

采用卡尔曼滤波进行GPS单点定位,必须合理地构造系统动态特性,才能使滤波平稳进行。介绍两种确定GPS观测数据方差的方法,然后针对卡尔曼滤波的发散问题进行讨论,并给出一种避免滤波发散的渐消因子改进算法,实现滤波的自适应。最后结合算例验证了该方法的有效性。     

基于GPS／BDS组合的浅海AUV定位性能分析

针对水下机器人在浅海工作时定位误差大的问题,在浅海电磁波信号衰减不大的情况下,文中重点介绍一种基于GPS/BDS双模组合定位技术的浅海水下机器人高精度定位导航系统,为了比较双模定位系统的定位性能,设置了GPS和BDS单模定位系统作对比,提出了使用中值滤波算法和卡尔曼滤波算法相结合的定位数据处理方法,通过对双模定位系统测试数据的滤波处理,得出系统的定位性能。测试结果表明,双模定位系统的定位精度要高于单模定位系统;中值滤波和卡尔曼滤波相结合算法的应用能够明显提高双模定位系统的定位精度。      

光源编码+PDR组合的室内行人定位方法

针对光源编码定位系统存在定位不连续、易受遮挡导致定位性能下降等问题,提出了一种光源编码/行人航迹推算(PDR)组合的室内行人定位方法。该方法采用扩展卡尔曼滤波(EKF)对PDR位置和光源编码位置进行融合处理,并运用新息滤波对光源编码位置进行抗差处理。试验结果表明,光源编码+PDR组合算法能有效改善光源编码定位不连续、非视距环境中存在粗差的问题,实现连续、高精度的室内行人定位。     

后向平滑与抗差估计融合的SRCKF滤波

将后向平滑平方根容积卡尔曼滤波用于GPS动态单点定位数据处理,并探讨了粗差对后向平滑滤波的影响。借鉴经典卡尔曼滤波抗差估计思想,给出平方根容积卡尔曼滤波的抗差算法以抵抗量测粗差,而当判断不含粗差时使用后向平滑算法,在有效提高滤波精度的同时避免了抗差滤波对每个历元都需进行迭代运算。实测GPS动态数据验证了算法的有效性。     

粒子滤波在高动态GPS定位中的应用

针对高动态GPS定位系统的特点,引入了一种基于粒子滤波的高动态GPS定位系统滤波算法。借助于移动目标的速度矢量模型建立了系统状态方程,论文给出了标准的卡尔曼滤波算法模型,重点讨论了粒子滤波算法在高动态GPS定位中的应用,详细描述了算法的推导过程。对算法进行仿真,结果表明当GPS接收机作大范围机动或GPS信号受到干扰时,粒子滤波要优于标准的卡尔曼滤波。     

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。     

改进的衰减记忆UKF算法在伪距定位中的研究

研究伪距定位中衰减记忆无迹卡尔曼滤波(MAUKF)方法,针对衰减记忆UKF滤波器可能因衰减因子引入造成滤波精度降低、滤波收敛速度并没有得到改善的问题,本文依据预测残差的统计量,对衰减记忆UKF滤波算法进行了改进。仿真结果表明,该算法相比衰减记忆UKF算法提高了定位精度和收敛速度。     

一种新的自适应滤波及在单频GPS精密动态单点定位的应用

应用扩展卡尔曼滤波(EKF)进行单频GPS精密动态单点定位时,只有当动力学模型和随机模型准确无误时,卡尔曼滤波才能提供系统状态向量的最优解。而实际上,卡尔曼滤波解会受到许多因素的影响。尝试利用支持向量机来辅助卡尔曼滤波,先选择具有全局意义的样本,把信息向量作为支持向量机的输入,输出是相应的滤波解差值。然后在动态定位中,在线利用训练好的支持向量机预测出当前历元的滤波解差值,实时地修正滤波解,从而提高定位精度。最后通过一个实际算例验证该算法的适用性。     

扩展卡尔曼滤波的虚拟格网伪距差分算法研究

针对传统伪距差分服务端压力大,以及在复杂环境下进行导航定位,某些历元卫星信号弱、卫星数不足、无法连续定位的问题,该文提出了基于扩展卡尔曼滤波算法的虚拟格网伪距差分方法。该方法充分利用先验信息和动力学模型,解决了复杂环境中动态定位结果不连续、定位精度低等问题。为验证算法的有效性,该文分别进行了动态、静态实验,并与最小二乘结果进行对比,实验结果表明:静态模式下,卡尔曼滤波算法比最小二乘算法的定位精度,在N、E、U方向分别提高48.3%、47.1%、52.5%;动态模式下,卡尔曼滤波算法比最小二乘算法更加稳定,更适合复杂环境定位。     

基于卡尔曼滤波的Wi-Fi/PDR融合室内定位方法研究

当前智能手机大多集成了多种传感器,组合多种传感器数据进行室内定位已成为研究热点。本文针对传统的Wi-Fi位置指纹室内定位精度不高的问题,提出了一种基于卡尔曼滤波结合行人航位推算的融合定位方法,经测试,融合定位方法的平均定位精度为3.1 m,较单独Wi-Fi指纹定位精度提升了43%。同时针对PDR步数检测不准确的问题,本文提出了基于低通滤波和阈值滤波的组合滤波方法,将计步准确率提高至99%,对于不同的应用场景具有较强的适应性。     

顾及有色噪声的自适应粒子滤波UWB定位算法

传统卡尔曼滤波算法要求噪声模型符合高斯分布,在UWB室内定位中,由于载体本身的机制等干扰,观测噪声不仅仅是白噪声,也存在有色噪声的情况,而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度,同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明：观测噪声为白噪声时,拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪;观测噪声为有色噪声时,自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。     

BDS精密单点定位滤波方法分析

针对精密单点定位(precise point positioning,PPP)初始阶段定位精度较低、无法利用定位结果的问题,验证平滑滤波算法在BDS静态PPP定位解算中的可行性并分析定位性能;针对平滑滤波算法具有平均效应,探讨不同时长的观测值对于点位精度的影响。实验表明:平滑滤波算法在BDS精密单点定位中的结果优于前向和后向滤波,相对于单向滤波在E、N、U方向RMS值平均减少73%—80%,极大地提高了BDS静态PPP定位的精度;其次,随着观测时间的增加,定位精度在质量好的数据下仅会造成毫米级的浮动。     

平方根 UKF及其在 GNSS多径估计中的应用

针对一般的加性高斯白噪声系统,结合平方根无迹卡尔曼滤波和加性噪声无迹卡尔曼滤波的优点,提出了无须增广变量的加性高斯白噪声系统的平方根无迹卡尔曼滤波方法,并给出了其详细算法.该算法较传统方法具有较小的运算负担,较高的精度,并能有效克服滤波的发散.该方法应用于卫星导航系统动态多径估计问题,能够高效准确地得到直射信号与多径信号的各个参数的估计,从而抑制多径的影响.仿真试验表明,该方法在诸多方面改进了已有方法,是一种高效准确的非线性滤波方法.     

基于卡尔曼滤波方法的BDS/GPS动态伪距单点定位算法研究

为了解决在单系统动态过程中伪距单点定位精度不足的问题,提出了一种基于卡尔曼滤波并顾及多普勒频移的双系统伪距单点定位算法。通过实测数据的处理发现,在静态和慢动态两种测试环境下,基于卡尔曼滤波方法并顾及多普勒频移算法定位精度要优于最小二乘算法。     

利用渐消自适应EKF算法进行PDR-WiFi融合定位

针对基于指纹库的WiFi定位存在的点位重积、回跳,行人航位推算算法中误差积累的问题,提出了并实现了通过一种自适应加权扩展卡尔曼滤波对两种定位算法进行松耦合。首先给出了WiFi无线定位和行人航位推算进行位置解算的原理,采用渐消因子的自适应加权EKF算法实现了两者的融合,最后通过实测数据验证算法的有效性。试验表明,该方法在保持了WiFi定位单次定位高精度的特性的同时,继承了航位推算的连贯性,不仅减少了WiFi定位所存在的重复堆积点以及回跳点,并在一定程度上削弱了行人航位推算所存在的积累误差,提高了融合算法的效率,大大提高了室内定位的精度与稳定性。     

基于卡尔曼滤波的北斗伪距单点定位算法研究

为了提高北斗伪距单点定位的精度,提出了一种基于多普勒频移和伪距观测值的北斗卡尔曼滤波单点定位算法,并利用实测数据对该算法的可行性与稳定性进行了验证。试验结果表明,该算法在一定程度上提高了伪距单点定位的定位性能。其中,静态定位在平面方向提高42%,高程提高22%;动态定位在平面方向提高33%,高程提高21%。     

一种融合WiFi/地磁/PDR的室内定位方法

提出了一种改进的粒子滤波方法,利用室内常见的WiFi信号、地磁源并结合智能手机廉价传感器进行室内定位。WiFi室内定位错误匹配情况较少,地磁指纹室内定位具有较强的抗干扰能力,本文利用两者的优点并结合PDR提供连续的位置信息。与传统的粒子滤波相比,采用MD-DTW（多维动态时间规整算法）对粒子定权并提出分段粒子定权的方法对粒子序列长度进行约束,能有效加快粒子滤波收敛速度。仿真试验表明利用改进的粒子滤波进行定位结果可达1 m,有较强的实用性。     

基于卡尔曼滤波重建的GPS点位修正

由于单点定位的结果受卫星星历误差、卫星钟误差以及卫星信号传播过程中大气延迟误差的影响较为显著,因此解算出的定位结果在真值附近上下浮动。文中采用ARMA模型建立卡尔曼滤波的观测方程和状态方程,并对定位结果进行滤波;采用一次滤波后的坐标值作为初值,建立ARMA模型并二次滤波。实验表明,滤波有效防止了定位结果偏差过大情况的发生,使滤波收敛值与准确值最大偏差不超过3cm,表明采用一次滤波后的坐标值建立的模型更为合理,从而为单点定位结果的时间序列模型的建立提供一种新方法。