基于超宽带(ultra-wideband,UWB)室内定位技术得到了广泛的发展,然而,在LOS(line-of-sight)和NLOS(non-line-of-sight)环境下的UWB的测距信息均存在不同程度的误差,因此,提出了一种改进的卡尔曼滤波算法对UWB原始数据进行平滑处理;之后提出卡尔曼滤波(Kalman filters and particle filters,KPF)和粒子滤波融合的算法。通过卡尔曼滤波得到的状态量和误差协方差进行粒子采样,克服了传统粒子滤波进行粒子采样时的运动学模型与实际运动不相符的缺点,大幅减少了粒子退化的现象。经过实验,该算法在LOS和NLOS环境中的定位精度分别提升了20.6%和15.6%。
随着社会的发展，人们对移动通信服务的需求与日俱增，因此移动通信的各种应用也在随着人们的需求不断进步。到了今天，人们在通过无线网络随时随地获得话音、数据等服务的同时，也能够享受到例如导航、上网、紧急救援定位等多项个性化服务。而这些服务绝大多数是基于无线定位技术。在室外，定位技术已经比较完善，比如GPS等卫星导航系统可以提供精确的定位信息。而在室内，由于室内环境的特殊性，如拐角及障碍物较多，多径衰落非常严重，尤其是非视距传播普遍存在，无线网络室内定位技术成为新的研究难点和热点。
本文对国内外无线室内定位算法的研究经验加以总结，提出了改进后的基于RSSI（Received Signal Strength Indictor）的室内无线定位算法。首先用卡尔曼滤波算法滤除接收信号的噪声，然后利用多次重复算术平均的方法来求解距离—损耗模型中的环境因子，最后用三角质心定位算法求解未知节点位置。并且应用Matlab对定位算法进行仿真。通过仿真结果可以看出，改进后的室内定位算法相比于传统的质心定位算法，在定位精度上有了比较明显的提高。
无线传感器网络室内定位技术作为无线传感器网络的关键技术之一，有很重要的研究意义。论文针对无线传感器网络中固定节点和移动节点定位算法的不足，分别提出一种改进算法。\n 首先，针对室内固定节点的定位，目前较成熟的算法是虚拟参考标签消除法(VitualReference Elimination，VIRE)，该算法使用线性插值法计算虚拟标签的信号强度值(Received Signal Strength Indication，RSSI)，定位误差较大，论文针对该问题提出一种改进算法即VIRES(VIRE based on Spline Interpolation)算法，使用更为平滑的样条插值函数计算虚拟标签的RSSI，同时使用一种误差修正模型校正初始的定位值。仿真表明VIRES算法的定位精度高于VIRE算法。\n 其次，对于无线传感器网络中的移动节点目标，传统的定位算法由于实时性差，无法及时获取当前时刻的观测值。蒙特卡洛定位算法(Monte Carlo Localization，MCL)通过上一时刻的观测值可以预测当前时刻的观测值，但是蒙特卡洛算法的采样区域较大，采样失败率较高，采样时间较长。MCB算法(Monte Carlo Localization Boxed)通过使用“锚盒子”缩小采样区域，但是采样区域仍然比较大。论文针对两种算法采样区域较大的问题，提出了一种优化算法即MCLR((Monte Carlo Localization based on RSSI)算法。\n 该算法通过信标节点RSSI等级环模型进一步减小采样区域，针对信标节点较多时计算量较大的问题，使用最远距离模型选取合适的信标节点数目，同时该模型也可以很好的解决三点共线导致定位不准确的问题，最后使用加权平均法计算节点的位置。仿真表明，相同条件下，MCLR算法相比MCL算法和MCB算法定位更快、精度更高。
暂无评论