CN109141427A - 在非视距环境下基于距离和角度概率模型的ekf定位方法 - Google Patents
在非视距环境下基于距离和角度概率模型的ekf定位方法 Download PDFInfo
- Publication number
- CN109141427A CN109141427A CN201810992786.8A CN201810992786A CN109141427A CN 109141427 A CN109141427 A CN 109141427A CN 201810992786 A CN201810992786 A CN 201810992786A CN 109141427 A CN109141427 A CN 109141427A
- Authority
- CN
- China
- Prior art keywords
- distance
- probability
- angle
- base station
- sight
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种在非视距环境下基于距离和角度概率模型的EKF定位方法，用于对移动目标(x,y)进行定位，具有这样的特征，包括以下步骤：步骤1，在多个基站和样本点间找出存在非视距因素的样本点；步骤2，求出距离区间中存在非视距因素的样本点的概率；步骤3，求出角度区间中存在非视距因素的样本点的概率；步骤4，进行多项式曲线拟合，得到距离‑非视距概率和角度‑非视距概率；步骤5，求得第i个基站(xi,yi)与移动目标(x,y)间存在非视距因素的概率；步骤6，求取到每个基站的概率密度函数；步骤7，对移动目标(x,y)的位置进行估计；步骤8，根据估计位置来校正目标与基站的距离；步骤9，根据卡尔曼滤波算法对移动目标的状态进行预测、校正以及更新来完成定位。
Description
技术领域
本发明涉及一种定位方法，具体涉及一种在非视距环境下基于距离和角度概率模型的EKF定位方法。
背景技术
移动机器人代表了机电一体化较高的水平，该机器人的广泛应用以自主导航作为前提，而较高的导航精度离不开较高的定位精度。在室内环境中布置传感器网络可以较好完成机器人定位与导航的功能。
现有技术中，通常使用多个距离信息组成多个距离方程，使用最小二乘法求出目标点的坐标，从而使得方程的残差最小，但是由于室内环境的复杂性，传感器网络在测距过程中由于遮挡等原因，所得的距离信息会与实际距离信息产生较大差异，从而会使得定位信息存在较大偏差，如何根据传感器网络的距离信息来识别并削弱由于非视距产生的误差，从而提高在非视距环境中的定位精度也成为了亟待解决的问题，因此提出了本发明的一种在非视距环境下基于距离和角度概率模型的EKF定位方法。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种在非视距环境下基于距离和角度概率模型的EKF定位方法。
本发明提供了一种在非视距环境下基于距离和角度概率模型的EKF定位方法，用于对移动目标(x,y)进行定位，具有这样的特征，包括以下步骤：
步骤1，设置n个基站和多个样本点，将第i个基站(xi,yi)与第j个样本点之间的实际距离记为dr,i,j，方向角记为θr,i,j，测量距离记为zi,j，测量距离zi,j为进行多次测量后取的均值，设定一个阀值与实际距离dr,i,j和测量距离zi,j的差值进行比较，找出存在非视距因素的样本点；
步骤2，将第i个基站(xi,yi)与多个样本点之间的最大距离记为drmax,i，将距离区间(0,drmax,i]平均划分为ndi个距离小区间，其中第ids个距离小区间的距离范围为每个距离小区间对应的中心点为将第ids个距离小区间中的样本点的个数记为同时将其中存在非视距因素的样本点的个数记为求得在第ids个距离小区间中存在非视距因素的概率
步骤3，将方向角θr,i,j的角度区间(-π,π]平均划分为nθi个角度小区间，其中第iθs个角度小区间的范围为第iθs个角度小区间对应的中心点为将第iθs个角度小区间中的样本点的个数记为并将其中存在非视距因素的样本点的个数记为求得在第iθs个角度小区间中存在非视距因素的概率
步骤4，根据每个小距离区间的中心点dc,i、每个角度小区间的中心点θc,i、对应的每个小距离区间中存在非视距因素的概率以及每个角度小区间中存在非视距因素的概率进行多项式曲线拟合，得到距离-非视距概率和角度-非视距概率
步骤5，根据距离-非视距概率以及角度-非视距概率得到第i个基站(xi,yi)与目标(x,y)间存在非视距因素的概率pi,nlos＝αi·pdi,nlos+(1-αi)·pθi,nlos；
步骤6，根据每个基站在视距环境下的概率密度函数
和在非视距环境下的概率密度函数
结合第i个基站(xi,yi)与目标(x,y)间存在非视距因素的概率后得到每个基站的概率密度函数
p(zi)＝pnlos(zi)·pi,nlos+plos(zi)·(1-pi,nlos)，
根据每个基站的概率密度函数建立联合密度函数
步骤7，根据距离修正公式：
来确定移动目标(x,y)所在位置，计算得到的即为对移动目标(x,y)所在位置的最优估计，中包括横坐标的估计位置以及纵坐标的估计位置
步骤8，根据求得的移动目标(x,y)的横坐标的估计位置以及纵坐标的估计位置来校正移动目标(x,y)与第i个基站(xi,yi)之间的距离，基站的数量为n个，距离校正公式如下：
步骤9，构建移动目标(x,y)的预测模型：
然后利用卡尔曼滤波算法对移动目标(x,y)的状态变量X进行预测、校正以及更新，状态变量X中包括移动目标(x,y)的x坐标、y坐标、x方向速度以及y方向速度，
预测阶段：Xk|k-1＝AXk-1|k-1，
Pk|k-1＝APk-1|k-1AT+Q，
上述式中，Xk-1|k-1＝[x(k-1),y(k-1),vx(k-1),vy(k-1)]T，Xk-1|k-1为k-1时刻对状态变量X的估计，Xk|k-1为k时刻对状态变量X的预测，Xk|k-1＝[xk|k-1，yk|k-1，vx，k|k-1，vy，k|k-1]T，Pk|k-1为k时刻的预测误差协方差矩阵，Pk-1|k-1为k-1时刻的校正误差协方差矩阵，Q为过程噪声协方差矩阵，过程噪声协方差矩阵设置为对角矩阵，
校正阶段：
上述式中，(xk|k-1,yk|k-1)从所述预测阶段预测的所述移动目标(x,y)在k时刻的状态变量Xk|k-1中获取，h(Xk|k-1)为所述移动目标(x,y)在k时刻的预测位置(xk|k-1,yk|k-1)与所述n个基站之间的距离，Hk为向量h(Xk|k-1)的雅可比矩阵，
更新阶段：
Kk＝Pk|k-1Hk T(HkPk|k-1Hk T+R)，
Xk|k＝Xk|k-1+Kk(d′k-hk)，
Pk|k＝Pk|k-1-KkHkPk|k-1，
上述式中，R为测量协方差矩阵，该测量协方差矩阵设置为对角矩阵，求得的Kk为卡尔曼增益，d′k为步骤8中求得的校正距离，hk为k时刻的h(Xk|k-1)，更新阶段求得的状态向量Xk|k即为最终所需要的状态向量，状态向量中包括移动目标(x,y)在k时刻的x坐标、y坐标、x方向速度以及y方向速度，
其中，步骤4中的aai和abi为多项式曲线拟合后的系数，pdi,nlos和pθi,nlos分别为在距离dai和角度θbi下存在非视距因素的概率，
步骤5中的k0为正的常数，θi＝a tan2(yi-y,xi-x)，
步骤9中的x(k)与vx(k)为k时刻移动目标(x,y)在世界坐标系下X轴方向的位置与速度，y(k)与vy(k)为k时刻移动目标(x,y)在世界坐标系下Y轴方向的位置与速度。
在本发明提供的一种在非视距环境下基于距离和角度概率模型的EKF定位方法中，还可以具有这样的特征：其中，基站的数量至少为4个。
在本发明提供的一种在非视距环境下基于距离和角度概率模型的EKF定位方法中，还可以具有这样的特征：其中，目标(x,y)上设置有用于与基站进行通信的标签，该标签与基站均使用占用带宽大的超宽带模块来进行通信。
在本发明提供的一种在非视距环境下基于距离和角度概率模型的EKF定位方法中，还可以具有这样的特征：其中，目标(x,y)的高度与基站的高度均已知。
发明的作用与效果
根据本发明所涉及的一种在非视距环境下基于距离和角度概率模型的EKF定位方法中，因为该算法通过采样环境信息来获取基于距离和角度下的概率模型，并通过概率模型对移动目标的位置进行确定，所以能够有效的提高定位的准确性；因为使用了卡尔曼滤波算法对移动目标的状态信息进行预测、校正以及更新，所以能够进一步的增强对于移动目标的定位准确性；因为基站与移动目标之间使用了带宽大的超宽带模块，所以能够实现快速通信，更加快速的完成对移动目标的定位。因此，本发明的一种在非视距环境下基于距离和角度概率模型的EKF定位方法能够识别并削弱由于非视距产生的误差，并通过卡尔曼滤波算法对移动目标的状态信息进行修正，能够有效的提高在非视距环境中定位的准确性。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例对本发明作具体阐述。
实施例：
一种在非视距环境下基于距离和角度概率模型的EKF定位方法，用于对移动目标(x,y)进行定位，具有这样的特征，包括以下步骤：步骤1，设置n个基站和多个样本点，将第i个基站(xi,yi)与第j个样本点之间的实际距离记为dr,i,j，方向角记为θr,i,j，测量距离记为zi,j，测量距离zi,j为进行多次测量后取的均值，设定一个阀值与实际距离dr,i,j和测量距离zi,j的差值进行比较，找出存在非视距因素的样本点，当得到的差值大于阀值时，第i个基站(xi,yi)与第j个样本点之间即存在非视距因素；
基站的数量至少为4个。
目标(x,y)上设置有用于与基站进行通信的标签，该标签与基站均使用占用带宽大的超宽带模块来进行通信。
目标(x,y)的高度与基站的高度均已知。
步骤2，将第i个基站(xi,yi)与多个样本点之间的最大距离记为drmax,i，将距离区间(0,drmax,i]平均划分为ndi个距离小区间，其中第ids个距离小区间的距离范围为每个距离小区间对应的中心点为将第ids个距离小区间中的样本点的个数记为同时将其中存在非视距因素的样本点的个数记为求得在第ids个距离小区间中存在非视距因素的概率
步骤3，将方向角θr,i,j的角度区间(-π,π]平均划分为nθi个角度小区间，其中第iθs个角度小区间的范围为第iθs个角度小区间对应的中心点为将第iθs个角度小区间中的样本点的个数记为并将其中存在非视距因素的样本点的个数记为求得在第iθs个角度小区间中存在非视距因素的概率
步骤4，根据每个小距离区间的中心点dc,i、每个角度小区间的中心点θc,i、对应的每个小距离区间中存在非视距因素的概率以及每个角度小区间中存在非视距因素的概率进行多项式曲线拟合，得到距离-非视距概率和角度-非视距概率
步骤5，根据距离-非视距概率以及角度-非视距概率得到第i个基站(xi,yi)与目标(x,y)间存在非视距因素的概率pi,nlos＝αi·pdi,nlos+(1-αi)·pθi,nlos；
步骤6，根据每个基站在视距环境下的概率密度函数
和在非视距环境下的概率密度函数
结合第i个基站(xi,yi)与目标(x,y)间存在非视距因素的概率后得到每个基站的概率密度函数
p(zi)＝pnlos(zi)·pi,nlos+plos(zi)·(1-pi,nlos)，
根据每个基站的概率密度函数建立联合密度函数
步骤7，根据距离修正公式：
来确定移动目标(x,y)所在位置，计算得到的即为对移动目标(x,y)所在位置的最优估计，中包括横坐标的估计位置以及纵坐标的估计位置
步骤8，根据求得的移动目标(x,y)的横坐标的估计位置以及纵坐标的估计位置来校正移动目标(x,y)与第i个基站(xi,yi)之间的距离，基站的数量为n个，距离校正公式如下：
步骤9，构建移动目标(x,y)的预测模型：
然后利用卡尔曼滤波算法对移动目标(x,y)的状态变量X进行预测、校正以及更新，状态变量X中包括移动目标(x,y)的x坐标、y坐标、x方向速度以及y方向速度，
预测阶段：Xk|k-1＝AXk-1|k-1，
Pk|k-1＝APk-1|k-1AT+Q，
上述式中，Xk-1|k-1＝[x(k-1),y(k-1),vx(k-1),vy(k-1)]T，Xk-1|k-1为k-1时刻对状态变量X的估计，Xk|k-1为k时刻对状态变量X的预测，Xk|k-1＝[xk|k-1，yk|k-1，vx，k|k-1，vy，k|k-1]T，Pk|k-1为k时刻的预测误差协方差矩阵，Pk-1|k-1为k-1时刻的校正误差协方差矩阵，Q为过程噪声协方差矩阵，过程噪声协方差矩阵设置为对角矩阵，
校正阶段：
上述式中，(xk|k-1,yk|k-1)从所述预测阶段预测的所述移动目标(x,y)在k时刻的状态变量Xk|k-1中获取，h(Xk|k-1)为所述移动目标(x,y)在k时刻的预测位置(xk|k-1,yk|k-1)与所述n个基站之间的距离，Hk为向量h(Xk|k-1)的雅可比矩阵，
更新阶段：
Kk＝Pk|k-1Hk T(HkPk|k-1Hk T+R)，
Xk|k＝Xk|k-1+Kk(d′k-hk)，
Pk|k＝Pk|k-1-KkHkPk|k-1，
上述式中，R为测量协方差矩阵，该测量协方差矩阵设置为对角矩阵，求得的Kk为卡尔曼增益，d′k为步骤8中求得的校正距离，hk为k时刻的h(Xk|k-1)，
更新阶段求得的状态向量Xk|k即为最终所需要的状态向量，状态向量中包括移动目标(x,y)在k时刻的x坐标、y坐标、x方向速度以及y方向速度，
其中，步骤4中的aai和abi为多项式曲线拟合后的系数，pdi,nlos和pθi,nlos分别为在距离dai和角度θbi下存在非视距因素的概率，
步骤5中的k0为正的常数，θi＝a tan2(yi-y,xi-x)，
步骤9中的x(k)与vx(k)为k时刻移动目标(x,y)在世界坐标系下X轴方向的位置与速度，y(k)与vy(k)为k时刻移动目标(x,y)在世界坐标系下Y轴方向的位置与速度。
实施例的作用与效果
根据本实施例所涉及的一种在非视距环境下基于距离和角度概率模型的EKF定位方法中，因为该算法通过采样环境信息来获取基于距离和角度下的概率模型，并通过概率模型对移动目标的位置进行确定，所以能够有效的提高定位的准确性；因为使用了卡尔曼滤波算法对移动目标的状态信息进行预测、校正以及更新，所以能够进一步的增强对于移动目标的定位准确性；因为基站与移动目标之间使用了带宽大的超宽带模块，所以能够实现快速通信，更加快速的完成对移动目标的定位。因此，本实施例的一种在非视距环境下基于距离和角度概率模型的EKF定位方法能够识别并削弱由于非视距产生的误差，并通过卡尔曼滤波算法对移动目标的状态信息进行修正，能够有效的提高在非视距环境中定位的准确性。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。
Claims (4)
1.一种在非视距环境下基于距离和角度概率模型的EKF定位方法，用于对移动目标(x,y)进行定位，其特征在于，包括以下步骤：
步骤1，设置n个所述基站和多个样本点，将第i个所述基站(xi,yi)与第j个所述样本点之间的实际距离记为dr,i,j，方向角记为θr,i,j，测量距离记为zi,j，所述测量距离zi,j为进行多次测量后取的均值，设定一个阀值与所述实际距离dr,i,j和所述测量距离zi,j的差值进行比较，找出存在非视距因素的所述样本点；
步骤2，将第i个所述基站(xi,yi)与所述多个样本点之间的最大距离记为drmax,i，将距离区间(0,drmax,i]平均划分为ndi个距离小区间，其中第ids个所述距离小区间的距离范围为每个所述距离小区间对应的中心点为将第ids个所述距离小区间中的所述样本点的个数记为同时将其中存在所述非视距因素的所述样本点的个数记为求得在第ids个所述距离小区间中存在所述非视距因素的概率
步骤3，将所述方向角θr,i,j的角度区间(-π,π]平均划分为nθi个角度小区间，其中第iθs个所述角度小区间的范围为第iθs个所述角度小区间对应的中心点为将第iθs个所述角度小区间中的所述样本点的个数记为并将其中存在所述非视距因素的所述样本点的个数记为求得在第iθs个所述角度小区间中存在所述非视距因素的概率
步骤4，根据每个所述小距离区间的所述中心点dc,i、每个所述角度小区间的所述中心点θc,i、对应的每个所述小距离区间中存在所述非视距因素的概率以及每个所述角度小区间中存在所述非视距因素的概率进行多项式曲线拟合，得到距离-非视距概率和角度-非视距概率
步骤5，根据所述距离-非视距概率以及所述角度-非视距概率得到第i个所述基站(xi,yi)与所述移动目标(x,y)间存在所述非视距因素的概率pi,nlos＝αi·pdi,nlos+(1-αi)·pθi,nlos；
步骤6，根据每个所述基站在视距环境下的概率密度函数
和在非视距环境下的概率密度函数
结合第i个所述基站(xi,yi)与所述移动目标(x,y)间存在所述非视距因素的概率后得到每个所述基站的概率密度函数
p(zi)＝pnlos(zi)·pi,nlos+plos(zi)·(1-pi,nlos)，
根据每个所述基站的概率密度函数建立联合密度函数
步骤7，根据位置确定公式：
来确定所述移动目标(x,y)所在位置，计算得到的即为对所述移动目标(x,y)所在位置的最优估计，中包括横坐标的估计位置以及纵坐标的估计位置
步骤8，根据求得的所述移动目标(x,y)的横坐标的估计位置以及纵坐标的估计位置来校正所述移动目标(x,y)与第i个所述基站(xi,yi)之间的距离，所述基站的数量为n个，距离校正公式如下：
步骤9，构建所述移动目标(x,y)的预测模型：
然后利用卡尔曼滤波算法对所述移动目标(x,y)的状态变量X进行预测、校正以及更新，所述状态变量X中包括所述移动目标(x,y)的x坐标、y坐标、x方向速度以及y方向速度，
预测阶段：Xk|k-1＝AXk-1|k-1，
Pk|k-1＝APk-1|k-1AT+Q，
上述式中，Xk-1|k-1＝[x(k-1),y(k-1),vx(k-1),vy(k-1)]T，Xk-1|k-1为k-1时刻对所述状态变量X的估计，Xk|k-1为k时刻对所述状态变量X的预测，Xk|k-1＝[xk|k-1，yk|k-1，vx，k|k-1，vy，k|k-1]T，Pk|k-1为k时刻的预测误差协方差矩阵，Pk-1|k-1为k-1时刻的校正误差协方差矩阵，Q为过程噪声协方差矩阵，过程噪声协方差矩阵设置为对角矩阵，
校正阶段：
上述式中，(xk|k-1,yk|k-1)从所述预测阶段预测的所述移动目标(x,y)在k时刻的状态变量Xk|k-1中获取，h(Xk|k-1)为所述移动目标(x,y)在k时刻的预测位置(xk|k-1,yk|k-1)与所述n个基站之间的距离，Hk为向量h(Xk|k-1)的雅可比矩阵，
更新阶段：
Kk＝Pk|k-1Hk T(HkPk|k-1Hk T+R)，
Xk|k＝Xk|k-1+Kk(dk′-hk)，
Pk|k＝Pk|k-1-KkHkPk|k-1，
上述式中，R为测量协方差矩阵，该测量协方差矩阵设置为对角矩阵，求得的Kk为卡尔曼增益，dk′为所述步骤8中求得的校正距离，hk为k时刻的h(Xk|k-1)，
所述更新阶段求得的状态向量Xk|k即为最终所需要的状态向量，所述状态向量中包括所述移动目标(x,y)在k时刻的x坐标、y坐标、x方向速度以及y方向速度，
其中，所述步骤4中的aai和abi为多项式曲线拟合后的系数，pdi,nlos和pθi,nlos分别为在距离dai和角度θbi下存在所述非视距因素的概率，
所述步骤5中的k0为正的常数，θi＝atan2(yi-y,xi-x)，
所述步骤9中的x(k)与vx(k)为k时刻所述移动目标(x,y)在世界坐标系下X轴方向的位置与速度，y(k)与vy(k)为k时刻所述移动目标(x,y)在世界坐标系下Y轴方向的位置与速度。
2.根据权利要求1所述的一种在非视距环境下基于距离和角度概率模型下的EKF定位方法，其特征在于：
其中，所述基站的数量至少为4个。
3.根据权利要求1所述的一种在非视距环境下基于距离和角度概率模型下的EKF定位方法，其特征在于：
其中，所述移动目标(x,y)上设置有用于与所述基站进行通信的标签，该标签与所述基站均使用占用带宽大的超宽带模块来进行通信。
4.根据权利要求3所述的一种在非视距环境下基于距离和角度概率模型下的EKF定位方法，其特征在于：
其中，所述移动目标(x,y)的高度与所述基站的高度均已知。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810992786.8A CN109141427B (zh) | 2018-08-29 | 2018-08-29 | 在非视距环境下基于距离和角度概率模型的ekf定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810992786.8A CN109141427B (zh) | 2018-08-29 | 2018-08-29 | 在非视距环境下基于距离和角度概率模型的ekf定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109141427A true CN109141427A (zh) | 2019-01-04 |
| CN109141427B CN109141427B (zh) | 2022-01-25 |
Family
ID=64828831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810992786.8A Expired - Fee Related CN109141427B (zh) | 2018-08-29 | 2018-08-29 | 在非视距环境下基于距离和角度概率模型的ekf定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109141427B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947116A (zh) * | 2019-04-18 | 2019-06-28 | 北京主线科技有限公司 | 无人驾驶汽车的定位方法及装置 |
| CN110401915A (zh) * | 2019-08-27 | 2019-11-01 | 杭州电子科技大学 | 一种nlos条件下sekf与距离重构相结合的移动目标定位方法 |
| CN110824453A (zh) * | 2020-01-10 | 2020-02-21 | 四川傲势科技有限公司 | 一种基于图像跟踪与激光测距的无人机目标运动估计方法 |
| CN111537950A (zh) * | 2020-04-14 | 2020-08-14 | 哈尔滨工业大学 | 一种基于位置指纹和二步多项式拟合的卫星位置预测跟踪方法 |
| CN112710312A (zh) * | 2020-12-24 | 2021-04-27 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 融合距离残差和概率残差的激光slam前端匹配方法 |
| CN113108791A (zh) * | 2021-03-05 | 2021-07-13 | 深圳大学 | 一种导航定位方法及导航定位设备 |
| CN115147475A (zh) * | 2022-09-02 | 2022-10-04 | 汕头大学 | 目标位置定位方法、装置、设备及存储介质 |
| CN117270692A (zh) * | 2023-10-12 | 2023-12-22 | 江南大学 | 一种视线状态预测方法、装置及应用 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050255864A1 (en) * | 2004-04-28 | 2005-11-17 | The Regents Of The University Of California | Position estimation of transceivers in communication networks |
| CN101483805A (zh) * | 2009-02-11 | 2009-07-15 | 江苏大学 | 一种视距和非视距混合环境下的无线定位方法 |
| CN101509969A (zh) * | 2009-03-31 | 2009-08-19 | 江苏大学 | 联合非视距误差消除和运动状态估计的无线定位方法 |
| CN101526605A (zh) * | 2009-03-31 | 2009-09-09 | 江苏大学 | 一种具有非视距误差消除功能的鲁棒定位方法 |
| CN102088769A (zh) * | 2010-12-23 | 2011-06-08 | 南京师范大学 | 直接估计和消除非视距误差的无线定位方法 |
| US20110161855A1 (en) * | 2009-12-29 | 2011-06-30 | Nokia Corporation | Method and apparatus for visually indicating location probability |
| CN103618997A (zh) * | 2013-11-22 | 2014-03-05 | 北京邮电大学 | 一种基于信号强度概率的室内定位方法和装置 |
| CN106885575A (zh) * | 2017-02-17 | 2017-06-23 | 浙江工商职业技术学院 | 一种室内定位引导方法及系统 |
| CN107817469A (zh) * | 2017-10-18 | 2018-03-20 | 上海理工大学 | 基于非视距环境下超宽频测距实现室内定位方法 |
-
2018
- 2018-08-29 CN CN201810992786.8A patent/CN109141427B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050255864A1 (en) * | 2004-04-28 | 2005-11-17 | The Regents Of The University Of California | Position estimation of transceivers in communication networks |
| CN101483805A (zh) * | 2009-02-11 | 2009-07-15 | 江苏大学 | 一种视距和非视距混合环境下的无线定位方法 |
| CN101509969A (zh) * | 2009-03-31 | 2009-08-19 | 江苏大学 | 联合非视距误差消除和运动状态估计的无线定位方法 |
| CN101526605A (zh) * | 2009-03-31 | 2009-09-09 | 江苏大学 | 一种具有非视距误差消除功能的鲁棒定位方法 |
| US20110161855A1 (en) * | 2009-12-29 | 2011-06-30 | Nokia Corporation | Method and apparatus for visually indicating location probability |
| CN102088769A (zh) * | 2010-12-23 | 2011-06-08 | 南京师范大学 | 直接估计和消除非视距误差的无线定位方法 |
| CN103618997A (zh) * | 2013-11-22 | 2014-03-05 | 北京邮电大学 | 一种基于信号强度概率的室内定位方法和装置 |
| CN106885575A (zh) * | 2017-02-17 | 2017-06-23 | 浙江工商职业技术学院 | 一种室内定位引导方法及系统 |
| CN107817469A (zh) * | 2017-10-18 | 2018-03-20 | 上海理工大学 | 基于非视距环境下超宽频测距实现室内定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHRISTINA STADLER,ET.AL: "A Line-of-Sight probability model for VANETs", 《2017 13TH INTERNATIONAL WIRELESS COMMUNICATIONS AND MOBILE COMPUTING CONFERENCE (IWCMC)》 * |
| 张彬等: "融合异质传感器信息的机器人精准室内定位", 《控制工程》 * |
| 张雅等: "基于基站LOS鉴别的TDOA室内定位算法", 《云南大学学报(自然科学版)》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947116A (zh) * | 2019-04-18 | 2019-06-28 | 北京主线科技有限公司 | 无人驾驶汽车的定位方法及装置 |
| CN110401915A (zh) * | 2019-08-27 | 2019-11-01 | 杭州电子科技大学 | 一种nlos条件下sekf与距离重构相结合的移动目标定位方法 |
| CN110401915B (zh) * | 2019-08-27 | 2021-02-05 | 杭州电子科技大学 | 一种nlos条件下sekf与距离重构相结合的移动目标定位方法 |
| CN112229405B (zh) * | 2020-01-10 | 2024-03-26 | 四川傲势科技有限公司 | 一种基于图像跟踪与激光测距的无人机目标运动估计方法 |
| CN110824453A (zh) * | 2020-01-10 | 2020-02-21 | 四川傲势科技有限公司 | 一种基于图像跟踪与激光测距的无人机目标运动估计方法 |
| CN112229405A (zh) * | 2020-01-10 | 2021-01-15 | 四川傲势科技有限公司 | 一种基于图像跟踪与激光测距的无人机目标运动估计方法 |
| CN111537950A (zh) * | 2020-04-14 | 2020-08-14 | 哈尔滨工业大学 | 一种基于位置指纹和二步多项式拟合的卫星位置预测跟踪方法 |
| CN112710312A (zh) * | 2020-12-24 | 2021-04-27 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 融合距离残差和概率残差的激光slam前端匹配方法 |
| CN112710312B (zh) * | 2020-12-24 | 2023-12-01 | 长三角哈特机器人产业技术研究院 | 融合距离残差和概率残差的激光slam前端匹配方法 |
| CN113108791B (zh) * | 2021-03-05 | 2023-08-04 | 深圳大学 | 一种导航定位方法及导航定位设备 |
| CN113108791A (zh) * | 2021-03-05 | 2021-07-13 | 深圳大学 | 一种导航定位方法及导航定位设备 |
| CN115147475A (zh) * | 2022-09-02 | 2022-10-04 | 汕头大学 | 目标位置定位方法、装置、设备及存储介质 |
| CN117270692A (zh) * | 2023-10-12 | 2023-12-22 | 江南大学 | 一种视线状态预测方法、装置及应用 |
| CN117270692B (zh) * | 2023-10-12 | 2024-06-07 | 江南大学 | 一种视线状态预测方法、装置及应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109141427B (zh) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109141427A (zh) | 在非视距环境下基于距离和角度概率模型的ekf定位方法 | |
| CN108534779B (zh) | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 | |
| CN112533163B (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
| CN104807460B (zh) | 无人机室内定位方法及系统 | |
| CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
| CN114501300A (zh) | 一种基于空间环境误差模型的分布式定位算法 | |
| CN103379619A (zh) | 一种定位方法和系统 | |
| US7974632B2 (en) | Method and system for the localization of a mobile WLAN client | |
| CN108896957A (zh) | 一种无人机操控信号源的定位系统及方法 | |
| CN104507159A (zh) | 一种基于WiFi接收信号强度的混合室内定位方法 | |
| CN111698774A (zh) | 基于多源信息融合的室内定位方法及装置 | |
| CN107371133B (zh) | 一种提高基站定位精度的方法 | |
| CN109769206B (zh) | 一种室内定位融合方法、装置、存储介质及终端设备 | |
| CN109506653A (zh) | Nlos环境下基于改进粒子滤波的室内定位行人方法 | |
| KR20190122423A (ko) | 머신러닝 기반의 실내 측위 방법 및 시스템 | |
| 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 | |
| CN109764865A (zh) | 一种基于mems和uwb的室内定位方法 | |
| CN109640253B (zh) | 一种移动机器人定位方法 | |
| CN110687502B (zh) | 一种基于最小二乘定位的短波测向数据集标注方法 | |
| CN112800889A (zh) | 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法 | |
| CN117241224A (zh) | 一种定位方法、设备及存储介质 | |
| US11519998B2 (en) | Methods for geolocation using electronic distance measurement equipment | |
| CN113359787A (zh) | 一种基于超宽带定位的无人机机库降落方法 | |
| CN108848447B (zh) | 一种采用未知节点修正的差分DV_Distance节点定位方法 | |
| CN101711057B (zh) | 一种移动用户通话信息定位方法 |
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 | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220125 |