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。     

UWB与IMU融合的室内动态定位算法

针对超宽带(UWB)定位易受多种噪声和非视距(NLOS)的影响产生定位误差的问题,提出了一种基于UWB与惯性测量单元(IMU)融合的室内动态定位算法。该算法首先采用扩展卡尔曼滤波算法对基于到达角度(AOA)定位方法的位置信息进行滤波,并与IMU数据进行时间同步,通过相邻时刻UWB位置信息变化速度与IMU所测量标签运动速度对比,实现对NLOS数据的识别及补偿,从而降低NLOS对定位精度的影响;然后基于改进粒子滤波算法对融合后的数据进行最优估计,以抑制噪声的干扰,最终实现对标签的准确定位。实验结果表明,所提算法采用基于AOA的定位方法可以在保证定位精度的前提下节约硬件成本;与单一使用UWB传感器的定位方案相比,所提算法可根据IMU提供的先验信息有效降低UWB的定位误差,在非视距环境下具备较高可靠性;与基于扩展卡尔曼滤波和无迹卡尔曼滤波的融合算法相比,定位精度分别提高了65.6%和56.0%;与标准粒子滤波算法相比,所提算法基于改进的粒子滤波算法运行时间缩短了42.3%。     

GPS/BDS和IMU融合技术在无人配送车定位解算中应用研究

为了提高无人配送车定位精度,将GPS/BDS和惯性测量单元（IMU）多传感器融合技术用于无人配送车定位系统。为了解决GPS/BDS和IMU定位解算时产生的信号缺失和累计误差而导致的定位精度不高,抗干扰差等问题。本文采用CKF算法将GPS/BDS和（捷联惯导）SINS解算出的定位结果进行滤波处理,从而提高定位精度。当GPS/BDS定位接收模块信号缺失时,将IMU提供的数据结合SINS算法解算出无人配送车的当前位置;在IMU定位过程出现的累计误差问题处理上,利用CKF处理过GPS/BDS接收机数据进行矫正。为了验证融合GPS/BDS和IMU的定位解算方法的优越性,实验中使用单个BDS定位系统进行定位结果比较。实验结果表明,使用本文所述方法速度误差减少了27.89%,位置误差减少了38.81%,能有效提高无人配送车在配送物品的过程中定位的精确度和稳定性。     

基于误差校正和自适应算子的SVR-PSO定位算法

针对室内复杂环境易受多径效应和非视距影响，导致RSSI值不可靠，影响SVR模型预测性能和系统定位精度的问题，提出一种基于误差校正和自适应算子的SVR PSO算法。该算法提出利用近邻参考标签的预测误差对待测标签的预测距离进行误差校正，从而弥补SVR模型因RSSI值不可靠而预测不准确的问题。然后构建求解待测标签位置坐标的非线性方程组，利用PSO算法迭代求解。针对标准PSO算法存在的易陷入局部最优且收敛速度慢的问题，设计了一种自适应算子，分别对PSO算法的惯性权重和学习因子进行改进。仿真结果表明，误差校正和自适应算子对提升室内定位精度均有一定的作用。与SVR PSO相比，系统平均定位精度提升了316%。在相同定位精度下，该算法使用的参考标签数量更少。     

面向PDR定位系统的多层感知机IMU阵列数据融合方法

为提高低成本惯性测量单元(intertial measurement unit, IMU)阵列的行人航位推算(pedestrian dead reckoning, PDR)定位精度,首次提出了采用多层感知机(multi-layer perceptron, MLP)实现低成本IMU阵列数据融合的算法,通过将自主设计的IMU阵列和高精度IMU同步运动来获得IMU阵列的测量数据(包括三轴加速度和三轴角速度)和高精度IMU的测量数据,以高精度IMU的测量数据作为标签,利用MLP将IMU阵列的测量数据融合,预测出物体的实际加速度和角速度,并用定位算法进行验证。在定位实验中,使用MLP融合后的预测数据的PDR定位精度比使用单个IMU测量数据的PDR定位精度提高了33.9%;比使用简单平均处理的IMU阵列测量数据的PDR定位精度提高了20.8%;比使用最小二乘法融合的IMU阵列测量数据的PDR定位精度提高了11.6%,证明了本文所提出方法的可行性和有效性。     

一种改进的NLOS消除算法

在蜂窝移动定位中,由于移动台与基站之间电波传播的视距(LOS)路径被阻挡,电波只能以非视距(NLOS)方式传播,由此对电波测量值TOA、TDOA等带来较大的误差分量.用带有较大NLOS误差的TOA、TDOA测量值估计移动台位置,必然造成定位精度的显著下降.本文在对NLOS传播特性和机理分析的基础上,提出一种改进的NLOS误差消除算法,仿真结果表明,该算法能够显著提高定位精度,满足E-911定位要求.     

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。     

融合超宽带方位和距离的移动机器人定位

可靠定位是机器人完成导航和路径规划的前提,机器人通过多个超宽带(ultra-wideband, UWB)基站的测距信息实现定 位,但基站数量不足时定位精度受限。 针对这一问题,提出融合超宽带距离和方位的移动机器人定位方法。 根据方位标准差区 分信号来自基站前方(视场)或背后(非视场),消除方位的前后奇异性。 在此基础上,利用 UWB 距离和方位测量值构建约束函 数,通过图优化算法融合里程计和 UWB 测量数据实现全局位姿优化。 实验结果表明,该方法在 13 m×6 m 的室内环境中,移动 机器人无规则运动能够达到 0. 093 m 的定位精度,比传统的基于测距 UWB 和里程计融合方法定位性能提升了 46%,且具有较 强的鲁棒性。     

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。     

一种抑制NLOS传播非线性最小二乘法TOA 校正因子估算法

本文在分析基于时间定位数学模型的基础上,对已有的几个经典算法进行比较,引入了校正因子的概念,由面积最小二乘和角度约束关系,提出了在NLOS环境下的约束条件下的非线性最小二乘TOA校正因子估计算法.仿真结果表明,在NLOS环境下,其LOS校正效果良好,再对校正结果,利用经典算法进行定位.这种先预处理,再定位的方式,尽可能克服了NLOS干扰,同时充分利用了经典算法,从而达到提高精度、抑制NLOS传播误差的目的.     

一种改进的UWB空间定位方法研究

超宽带(ultra wide band,UWB)技术由于自身抗多径能力强等特点被广泛应用于定位,但采用UWB进行定位时存在定位结果不稳定的现象。对于实时性定位要求不高的应用场景,文中提出了一种改进的UWB空间定位方法。该方法仅需要3个基站便可进行空间定位,通过将优化后的UWB测距数据运用到空间测边交会法中求解待定点坐标。经实验分析得该方法简单易行,计算量小且测距精度及定位精度较高。同时该方法仅需3个基站便可测得待测点的三维坐标,一定程度上节省了硬件成本,对于电力部门仓库货品定位、电厂巡检人员定位等场景有一定的适用性。     

减小超宽带穿墙定位中NLOS误差的方法

超宽带穿墙定位中,需考虑NLOS传播效应对定位结果的影响以提高定位精度.在对室内目标穿墙定位的应用中,为了减小由NLOS传播引起的定位误差,建立了信号的穿墙传播模型,基于该模型提出了一种NLOS误差减小方法,该方法能够有效减小误差并提高对目标的定位精度.文中推导了定位误差与几何的关系,为实际系统的布设提供了理论依据.仿真结果验证了基于传播模型的NLOS误差减小方法对提高定位精度的有效性.     

关于 PDR 算法步长估计模型的改进研究

为了更加精确地判别基于微惯性测量单元( IMU)的行人定位信息,本文深入研究了传统行人航迹推算(PDR)算法模 型,发现传统算法所采用的判别条件单一且精准度不高。 针对传统算法中步长估计模型不准确的问题,本研究首先提出一种基 于扩展卡尔曼滤波的误差补偿优化算法,以实现 IMU 内集成的加速度计、陀螺仪等传感器的误差补偿。 将优化后的原始数据 放入 BP 神经网络算法对单参数步长估算经验模型进行训练。 实验结果表明,基于 BP 神经网络融合基础模型的步长算法相比 单纯的基础步长模型,闭环精度提高了 0. 3%以上,开环误差减小了 8. 5 倍,基于 BP 神经网络的改进 PDR 算法可以有效抑制惯 性算法的误差发散。     

基于蛇优化算法的Otsu图像分割方法

Otsu算法是图像处理中运用广泛的图像分割方法,尽管有着计算简单、准确的特性,但因为需要进行穷举运算,所以计算效率不高。为提高图像分割的实时性,引入了蛇优化算法(SO)对Otsu进行了优化,创建了基于蛇优化算法的Otsu图像分割方法(SO-Otsu)。在该算法中,利用蛇优化算法来模拟蛇的特性进行最佳阈值的寻找,以降低迭代时间,提升计算速度。在仿真实验中,利用经典的Lena、Peppers、Goldhill、Cameraman图片进行测试,与基于果蝇优化算法的Otsu方法(FOA-Otsu)和基于麻雀搜索算法的Otsu方法(SSA-Otsu)进行对比。并通过计算峰值信噪比(PSNR)、结构相似性(SSIM)、特征相似性(FSIM)和计算时间作为评价指标结果进行评估。结果表明,与其他算法相比,算法计算效率高、分割细节效果好且综合分割性能优异,为提高图像分割的计算效率提供了一种理想的工具。     

复杂环境下机器人多传感器融合定位方法

为了解决在斜坡、特征退化以及GNSS信号丢失等复杂环境下连续精确的定位问题,提出了基于地面约束的多传感器融合方案,用于提高SLAM算法的整体性能。首先提出了不同系统状态下的关键帧选取策略。通过在起始位置增加关键帧的数量,避免了因子图优化后产生的定位跳变,从而得到连续准确的位姿输出。同时,针对误差累积所导致回环检测失效,利用该关键帧策略,有效地增大当前帧的子关键帧集合,提高了回环检测算法的鲁棒性。其次,针对IMU在长时间运行后高度方向上漂移过大的问题,本文根据提取的地面点构建地面约束,并引入因子图中进行优化。最后,利用搭建的移动机器人实验平台,完成了校园不同场景的数据采集,验证本文算法的有效性,并在KITTI数据集与LIO-SAM算法进行了对比测试,通过误差分析表明本文算法具有更优的定位精度。     

基于 SST-SCKF 的运动目标超宽带定位算法研究

使用超宽带(UWB)进行定位过程中,卡尔曼滤波是一种常见的降噪方法,但由于对非线性系统滤波性能差,且定位目标运动轨迹易超出基站布局区域以及受到异常噪声干扰,会影响定位系统的准确性和稳定性。针对这一问题,提出一种对称强跟踪(SST)平方根容积卡尔曼(SCKF)算法,通过引入对称时变渐消因子调节各协方差矩阵,实现改变误差协方差矩阵中多重衰落因子矩阵的工作方式,进而调整滤波增益,计算复杂度虽略有增加,但增强定位模型的适应性与鲁棒性。仿真验证表明,在异常噪声干扰下,改进后的算法(SST-SCKF)相较于SCKF/多重渐消因子的SCKF(ST-ASCKF)算法可有效提高定位准确度,且定位轨迹较于单渐消因子的SCKF算法(STSCKF)更为平滑;利用SST-SCKF算法设计基于UWB技术的定位方案,通过动态模拟实验表明,本文提出的SST-SCKF算法较之SCKF/STSCKF/ST-ASCKF滤波性能更优,为复杂环境噪声下人员UWB定位提供更好的降噪,使定位更为精准。