基于UWB和IMU紧组合的室内定位导航算法

针对超宽带(UWB)在室内复杂环境中定位导航精度低,受非视距(NLOS)误差影响严重,且无法提供目标姿态信息的问题,提出一种基于UWB和惯性测量单元(IMU)紧组合的室内定位导航算法。以位置、速度、四元数、加速度计偏差和陀螺仪偏差为状态向量,通过扩展卡尔曼滤波算法融合UWB和IMU测量信息,加速度计偏差校正速度和位置,陀螺仪偏差校正四元数;用测量残差计算量测噪声因子,组成残差矩阵,动态调整量测噪声协方差矩阵,抑制NLOS误差对定位导航的影响。结果表明,在室内复杂环境下,基于UWB和IMU紧组合的定位导航算法比仅使用UWB定位时LS-Taylor算法精度提高了88.6%,增强了系统抗NLOS误差的能力,提高了动态定位精度,并能得到较准确的姿态信息,具有良好的实用性和鲁棒性。     

电力作业场景中一种高效的UWB和IMU融合定位算法

在电力作业场景等复杂环境中,超宽带（UWB）定位存在非直达情况（NLOS）性能下降严重的问题,利用UWB与惯性测量单元（IMU）融合可以改善定位精度,但IMU的测量存在误差累积,需要精确的UWB测量校正。对NLOS条件进行准确的鉴别和利用有助于定位精度的提升。提出一种基于扩展卡尔曼滤波（EKF）的UWB/IMU融合算法,利用电力作业场合中UWB测量分布性质来判定NLOS条件,并进行误差的缓解,有效提升NLOS条件下的定位精度。由于该算法不需要对环境有先验知识,也不需要进行IMU校正等操作,可用性较好。理论和实验结果表明,该算法的性能优于其他基线系统。     

基于WLS-KF的UWB室内定位滤波算法研究

针对室内超宽带(UWB)定位过程中受到非视距误差(NLOS)干扰而导致定位精度下降的问题,提出了基于抗差估计原理的自适应卡尔曼滤波方法,结合加权最小二乘法对测距信息解算得到定位坐标。在通视环境下进行测距,利用测得的数据计算新息向量和协方差,并基于此构建阈值信息,对NLOS环境产生的量测异常值进行判别,在此基础上利用Sage-Husa滤波对系统噪声协方差进行估计。采用加权最小二乘法对测距信息进行处理,得到标签解算坐标的最优估计。通过MATLAB仿真验证算法的可行性和有效性并在室内环境下进行测距、定位试验验证。仿真和实验结果表明,基于抗差估计原理的自适应卡尔曼滤波方法,结合加权最小二乘法能有效识别NLOS误差,且对定位过程中发生的状态突变能有效进行跟踪,解算得到的标签坐标x方向误差1 cm左右,y方向误差2 cm左右,提高了UWB室内定位的精度。     

基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法

针对噪声环境下,基于标准容积卡尔曼滤波的LANDMARC室内定位算法因噪声特性估计不准,引起滤波性能下降而导致定位误差较大的问题,提出一种基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法。该算法首先建立基于LANDMARC定位框架下的运动目标动态模型,然后引入量子粒子群优化技术对容积卡尔曼滤波中时间更新过程的状态预测值进行优化,以降低因畸变噪声引起的误差;最后将改进的容积卡尔曼滤波算法应用到运动目标状态估计中。实验结果表明,所提算法定位误差均值为0.175 m,与相同环境下传统的LANDMARC算法、基于容积卡尔曼滤波的LANDMARC算法以及基于粒子群优化容积卡尔曼滤波的LANDMARC算法相比,定位精度和稳定性均有明显提高,且运算时间比基于粒子群优化的算法少,应用在室内定位中能够得到较为真实的目标移动轨迹。     

基于平滑滤波的多传感器异步融合方法研究

无人巴士在定位循迹过程中，采样信号受噪声方差、带宽和采样率的影响，易出现信号缺失或间断现象，加之相关滤波算法缺乏异步采样和平滑能力，导致定位失败。为了提高定位精度并补充缺失数据，本文基于异步扩展卡尔曼滤波和非因果滤波平滑，提出一种改进的传感器异步采样融合平滑算法。首先利用异步扩展卡尔曼滤波对连续时间随机微分方程进行指数离散化，以处理任意时刻的测量值，预测更新下一时刻状态值之后，引入非因果滤波平滑给定可用的初始方差信息，使噪声方差影响更小，估计性能更好。将本算法在无人巴士上进行物理实验验证，结果表明这种多传感器异步融合平滑算法在车辆行驶中效果良好，与异步卡尔曼滤波算法结果相比，可以达到优于05 m的定位精度，数据预测误差均有明显降低，提高了定位精度和补充缺失数据。     

一种基于CKF的改进LANDMARC室内定位算法

针对传统LANDMARC室内定位算法受室内环境的干扰存在定位精度不高,波动大的问题,提出一种基于CKF的改进LANDMARC室内定位算法。该算法首先通过传统LANDMARC算法得到待定位目标的状态预估值;然后将得到的状态预估值作为观测量并用容积卡尔曼滤波(CKF)算法对其进行滤波处理,以提高算法的定位精度并降低定位结果的波动;最后用滤波处理后的结果代替LANDMARC得到的预估值作为待定位目标的状态估计。实验研究表明,所提算法误差在0.5 m以下的标签达到60%,与传统LANDMARC定位算法和经由无迹卡尔曼滤波(UKF)算法滤波的LANDMARC定位算法相比,定位精度和波动性均有明显提高,应用在室内定位中能够得到较为真实的目标移动轨迹。     

基于自适应卡尔曼滤波算法的紧组合导航系统的研究

为了提高子滤波器滤波精度和优化信息融合算法,提出一种基于在线调节因子的自适应卡尔曼滤波算法。首先讨论采用卡尔曼滤波技术的理论依据,设计SINS/GPS紧组合导航系统。提出改进的自适应卡尔曼滤波算法,该方法通过构造自适应参数因子,并利用量测噪声协方差阵与自适应参数的比值实现在线修正量测噪声协方差阵。通过MATLAB仿真,与传统基于标准卡尔曼滤波算法的紧组合导航系统相比,其各向位置误差和速度误差均得到明显降低,从而达到提高组合导航定位精度和优化信息融合算法的目的。     

井下人员超宽带精确定位算法

针对恶劣的井下环境易对超宽带信号造成干扰导致现有井下人员定位算法误差较大的问题,提出基于超宽带的SDS-TWR优化算法与鲁棒卡尔曼滤波结合的改进算法。该算法在一次定位周期内可测得定位标签到相邻基站的两个测距值,随后将其作为鲁棒卡尔曼滤波的两个观测值,旨在提高算法定位精度及稳定性、抑制巷道随机NLOS时延误差。仿真实验表明,在同等条件下,本文算法较S-TDOA法误差降低35%,较异步测时法误差降低31%,且误差波动较小,同时抑制了巷道NLOS时延误差,有效提高了井下人员定位精度。     

基于UWB的无人运输车的导航定位算法研究

针对室内无人运输车的自主导航与定位提出一种全新的基于UWB信号的改进算法。该算法首先根据测距数值的标准差这一统计特征进行非视距误差的处理,再根据当前的运动特征(终点、横方向、纵方向速度等)与观测值进行改进的扩展卡尔曼滤波定位估计,创新性地提出了每次定位估计之后,更新状态的同时更新下一时刻运动特征(即更新预测依据)的思想,有效减小了定位误差,使定位精度达到厘米级,同时增强了算法的抗干扰性。     

非视距条件下的测距信息融合定位方法研究

为了改善在非视距传播条件下的定位精度,研究和提出了一种测距信息融合定位方法。在NLOS指数分布模型下,利用锚节点传感器测量来自未知节点的接收信号强度、电波到达时间和电波达到角信息,首先将3种测距信息测量值构成一个测距信息集数据库,建立有效的多级联合判决机制,然后利用各自测量量获得相关的距离信息,并进一步利用获得的测距信息进行两两联合求解,剔除异常信息,最后进行加权融合处理得到未知节点坐标。计算机仿真结果表明,本文所提定位方法能有效地抑制NLOS误差,较传统定位方法提高了定位精度。