基于iBeacon和多自由度MEMS的室内融合定位技术研究

由于GPS信号在室内环境下不能有效地实现定位和导航,因此精确的室内定位技术仍然是一个十分活跃的研究课题。行人航迹推算(PDR)可以使用智能手机的自带传感器实现室内连续定位。然而,它会随着行走距离的变长产生很大的累计误差。因此,提出一种基于iBeacon和手机MEMS相融合的精确的室内定位方法。在行走路径上加入iBeacon信标和二维码信标,系统自适应地选择相应的校正模式纠正PDR算法产生的累计误差。最后完成了基于Android平台的室内定位软件的开发。实验结果显示,文中方法的定位结果与PDR定位结果相比较,定位精度有了显著的提高,融合定位的平均误差在2m以内,定位精度满足项目需要。     

融合地图信息与WiFi地标的室内粒子滤波定位算法

目前行人航迹推算(pedestrian dead reckoning,PDR)和WiFi指纹定位成为室内定位的主流技术,WiFi指纹定位由于无线信号的波动性导致定位结果不稳定,PDR算法随着应用时间的延长传感器累计误差增大,同样会导致定位精度降低。本研究提出一种基于地图信息的粒子滤波(particle filter,PF)与WiFi地标相结合的混合定位算法(WL+PF)。该算法通过地图信息约束粒子的位置,同时利用WiFi信号峰值检测相应地标信息,对观测信息修正的同时,更新粒子权重,从而实现最终的定位。实验结果表明,优化后的算法定位精度优于其他常规滤波融合定位算法。     

一种关于地标辅助行人航位推算技术的改进室内定位方法

近年来,基于智能手机的行人航位推算技术(pedestrian dead reckoning , PDR)、Wi-Fi以及多种融合室内定位技术得到了较快发展,与此同时,其存在对定位环境要求较高,定位结果偏差较大等缺点。为解决这一问题,我们在传统PDR基础上提出了一种结合地标库匹配的改进室内定位方法——地标辅助PDR定位算法(Landmark-aided PDR algorithm, LaPDR)。首先,将在传感器实时数据上识别出的特定地理位置(如墙,门,拐角,Wi-Fi接入点等)当做地标。然后,针对实验环境建立相应的地标库,目的是纠正传统PDR定位算法由于传感器安装精度较低及定位时间过长而产生的漂移。实验结果表明与传统PDR相比,地标辅助PDR定位精度明显提高,系统定位误差基本控制在1.5 m以内。     

激光雷达和行人航迹推算融合的室内目标定位方法

激光雷达(LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。本文提出一种LiDAR和PDR融合的室内定位方法,以扩展卡尔曼滤波(EKF)为基础,通过对LiDAR的位移增量、角度观测值以及PDR的位姿信息等量测值进行解算,令二者互补融合,有效抑制非视距影响和误差累积的问题,并对单一类组合算法和融合类组合算法的定位精度进行对比分析。实验结果表明：当室内人员为行走状态时,LiDAR和PDR融合定位算法较单一定位方法在精度和稳定性均有效提高,PDR定位误差为0.98m,LiDAR定位误差为0.6m,EKF滤波融合后定位误差可以下降到0.32m。     

基于改进IMM-UKF算法的一种融合航迹推演的红外路标室内定位方法

在结构化环境中,针对室内机器人导航对精度和实时性的要求,在一种新型红外路标定位方法的基础上,为满足全局导航的需要并简化硬件结构,提出一种融合航迹推演的红外路标室内定位方法,将单个大功率红外发射管作为路标,移动机器人上的红外摄像头作为接收传感器,融合采用改进的交互多模型无迹卡尔曼滤波(interacting multiple models unscented Kalman filter,IMM-UKF)算法.将融合航迹推演的红外路标室内定位方法和一般的定位方法做了比较,并将融合所采用改进的IMM-UKF算法与一般的融合算法做了比较.实验结果表明,提出的基于改进IMM-UKF算法的融合航迹推演的红外路标室内定位方法获得了比一般的定位方法更快的定位速度和更高的定位精度,且改进IMM-UKF算法比一般融合算法获得的定位精度更高.     

基于行人航位推算的后向地磁匹配算法

针对行人航位推算(pedestrian dead reckoning,PDR)定位存在误差累积和智能手机内置传感器精度不高的问题,采用PDR结合地磁的方法进行室内定位研究,提出一种改进的基于PDR的后向地磁匹配算法.在构建地磁基准库阶段,使用克里金插值算法有效减少数据采集所耗费的大量时间并构建出双分辨率地磁基准库.在地磁匹配阶段,改进了基于动态时间规整(dynamic time warping,DTW)的后向地磁匹配算法,改进后的算法避免传统DTW地磁匹配需要全局搜索地磁序列的缺点,在保证定位精度的前提下,增强了定位实时性.实验结果表明,本文算法最大定位误差小于1.5m,可以满足普通室内定位需求.     

分布式传感器网络中基于数据融合的目标定位算法研究

利用分布式传感器网络以及数据融合方法来提高探测系统的检测与定位精度正在成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。算法采用两级自适应调整得到最优加权因子。首先利用线性最小方差估计(LMSE)算法得到权系数的初始值,然后利用训练节点和递归最小二乘(RLS)算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真。仿真结果表明,相比单节点定位,融合算法的定位精度有约一到两个数量级的提高。     

基于改进粒子滤波的超宽带与惯性测量单元融合定位算法

为了提高UWB与IMU融合定位算法的定位精度,提出了一种基于改进自适应加权数据融合的粒子滤波定位算法。首先利用自适应最优加权融合算法中最小方差估计理论,对粒子滤波中粒子分布权重进行调整;利用阈值限制所求观测方差,避免了因实际环境导致观测方差发散;利用观测噪声协方差和测量值,在粒子滤波后RMSE限制区间求得各传感器最优加权因子,避免因传感器信号弱或丢失产生的算法发散问题。最后,进行了UWB与IMU融合定位的对比实验,实验结果显示该算法与EKF融合算法相比定位精度提高了15%以上。     

基于智能手机Tango传感器的室内三维场景实时感知

室内三维场景实时感知是室内增强现实、三维测图和机器人自主定位与导航的关键技术之一。利用智能手机Tango传感器搭载的单目摄像头和深度相机,根据实时获取的彩色图像和深度信息,研究并提出了一种实时的室内三维场景感知方法;该方法首先根据智能手机Tango传感器获取的彩色图像存在的问题,采用多项式函数对彩色相机进行校正。接着,使用ORB(oriented FAST and rotated BRIEF)算子对彩色图像进行特征提取,利用RANSAC算法剔除误匹配点;并根据优化后的匹配点对采用ICP算法对手机姿态进行初步估计。最后,基于融合空间关系的视觉词典(SDBo W2)对感知的初步室内场景进行闭环检测;并通过图优化得到实时感知的室内三维场景模型。实验表明,方法能利用Tango传感器高效地获取室内场景完整的三维结构信息与纹理。     

基于主观贝叶斯多传感器数据融合的AGV精确定位研究

针对室内自动导引运输车（Automated Guided Vehicle,AGV）定位偏差大、精度不足的问题，提出了一种基于主观贝叶斯网络的传感器数据融合定位方法.该方法首先结合卡尔曼滤波模型，对不同传感器的数据进行滤波处理，并通过主观贝叶斯网络模型计算信息增益大小，从而自主地选择传感器数据；再将选择的传感器数据进行融合；最后根据融合后的传感器信息进行AGV位置状态更新，获得更精确的AGV位姿信息.仿真实验结果表明，在室内实验环境中，主观贝叶斯网络融合算法能够实现多传感器的数据互补.与RUKF算法相比，该方法的均方根误差缩小到了0.17 m，定位精度提高了43.6%，定位时间缩短了0.071 s，效率提高了4.5%，数据稳定性提高了47.8%，其定位偏差明显小于单传感器的定位偏差，证明了该方法的有效性.