随着无线网络技术和移动互联网的不断发展,越来越多的服务依赖于用户的位置信息,这些应用涵盖了商业、工业、军事的各个方面,推动室内定位技术成为了当前的一大研究热点。室内定位通常分为系统部署和应用这两个阶段,部署阶段完成硬件平台的搭建和测试工作,并为后续应用提供支持,应用阶段则在硬件平台的基础上,根据接收到的数据利用定位算法对目标进行定位。由于许多算法必须事先采集大量有标签的数据来评估系统性能,或是需要大量专业知识和数据来对信号或环境进行建模,显著增加了定位系统的成本、降低了系统的运行效率,因此对人工干预的过度依赖是部署阶段面临的挑战。而在应用阶段中,由于室内环境具有封闭、复杂、多变的特性,无线信号的传输会受到大量干扰,使得数据中含有高斯噪声、非视距传输(none-line-of-sight,NLOS)、异常值等各类噪声,定位算法的精确性和有效性都受到了严重影响,因此如何处理数据噪声是这一阶段的研究难点。为了解决室内定位系统中部署阶段存在的依赖人工干预以及应用阶段存在的噪声复杂这两大问题,本文将针对其中两个关键的研究方向:基站质量评估和基于时间差(Time Difference of Arrival,TDOA)的定位分别提出一种新的算法,并将其应用到商用定位系统中。本文的主要贡献如下:·本文提出了一种基于拓扑学习和特征选择的快速基站评估算法。该算法将基站质量评估看作一个非监督的特征选择问题,首先在定位场景中采集无标签的数据,随后利用拓扑学习在保留数据隐含信息的同时极大地降低数据量,接着采用低维嵌入和L1正则化学习得到各基站特征的重要性表示,最后通过对特征重要性的排序完成对基站质量的评估。相比传统的基站质量评估算法,该算法具有无需人工干预、快速高效的优势,同时它也是一个快速非监督特征选择算法,在一般数据集上有良好的速度和性能表现。·本文提出了一种基于多级去噪和分层求解的鲁棒TDOA定位算法。该算法主要包含三个精心设计的子步骤:多级数据去噪策略、Taylor-WLS算法和受限粒子滤波算法,它们分别用来处理异常值和NLOS、估计目标当前的位置以及降低由严重高斯噪声引起的误差,多种策略的结合使得算法能够在同时包含各类噪声的复杂室内环境中,得到目标精确、稳定、平滑的运动轨迹。值得注意的是,该算法无需人工干预,具有很强的通用性。·在上述工作的基础上,本文将提出的算法应用于高精度UWB室内定位系统中。为了推动定位设备和技术的国产化,该系统采用国产的UWB基站和标签,并取得了较高的定位精度。通过在商业领域的成功推广,证明了提出算法的有效性和实用性。
暂无评论