近年来,室内定位算法吸引了大量的关注和研究。为了改善现有定位算法的复杂度以及精确度等问题,提出了一种先利用Elman神经网络进行室内位置预测,使用加权K近邻算法(WKNN)对预测结果进行修正的可见光室内定位算法。该算法应用在由单LED灯作为发射器,4个水平光电探测器(PD)构成接收器的室内定位系统中。4个水平光电探测器分别位于接收器的4个角,待测位置位于接收器的中心。通过两个Elman神经网络分别预测待测点的横坐标和纵坐标来确定待测点的初步位置,找出定位误差大于神经网络预测平均误差的待测点,用加权K近邻算法进行修正来确定待测点的精确位置,将修正后的精确位置更新到整体待测点的位置中。仿真结果表明,在3.6 m×3.6 m×3 m的室内环境下,本研究算法的平均定位误差为7.13 cm,平均定位时间为0.24 s。

针对室内定位中相邻定位点之间信道状态信息（CSI）指纹特征易模糊和定位算法鲁棒性低等问题，提出了一种基于局部线性嵌入（LLE）和梯度提升决策树（GBDT）的定位算法。离线阶段，首先将经过预处理的幅值和相位作为CSI联合指纹，然后再用LLE降维前用弹性网络（EN）对联合指纹的不同子载波进行加权，既保证了降维后CSI指纹的真实性又增强了其独有的特征，最后用基于果蝇优化算法（FOA）改进的GBDT算法训练降维后的数据以提高CSI指纹的可靠性和稳定性，并建立指纹库。在线阶段，将待测点的联合指纹代入LLE+GBDT算法训练出指纹信息，然后通过与指纹库匹配预测出待测点的物理位置。室内定位实验结果表明，所提算法相较于对比算法具有较高的定位精度和鲁棒性，具有一定的应用价值。

提出了一种基于深度学习的门牌检测方法,以实现室内环境中移动机器人的全局定位。具体步骤为:基于MobileNet-SSD算法对单目相机获取的图像进行门牌区域检测;提出一种改进的旋转投影方法用于倾斜图像校正;通过kNN(k-Nearest Neighbors)算法进行门牌号识别;根据事先采集的各个门牌的正视模板图片进行SURF(Speeded Up Robust Features)特征点匹配,进而实现基于n点透视(PnP)问题的相机位姿求解;根据坐标变换实现移动机器人的全局定位。使用移动机器人在室内办公环境下进行定位实验,结果表明,基于该方法实现的平均位置误差约为7 cm,朝向误差为0.1712 rad,相较于只使用自适应蒙特卡罗方法时位置误差减小了约50%,朝向误差减小了约57%。

针对室内定位技术精度较低及数据量过大影响运算时间等问题,提出基于OCAE-SOM(Optimized Convolutional Autoencoder-Self Organizing Map)的室内指纹定位算法。离线阶段,先将信道状态信息的幅值相位预处理矩阵作为原始输入数据,并调整为RGB(Red, Green, Blue)格式训练卷积自编码器,使其可深度挖掘参考点的指纹特征,采用Adam算法优化CAE算法的参数,既降低数据维度又能提升训练效率;然后采用OCAE-SOM算法训练模型,可以缩短单独训练模型的时间;最后采用Adam算法优化SOM的权重,可较好地保留输出特征间的相关性,避免权重参数出现局部最优。在线阶段,将调整后的测试数据输入到OCAE-SOM算法中,经匹配后可得到输出位置点。实验结果表明,该算法模型在定位时间与精度上显著优于已有算法,具有一定的应用价值。

基于可见光通信的指纹定位,提出一种低复杂度、稀疏度自适应的压缩感知算法。首先,利用位置指纹的稀疏性,将定位问题转换为稀疏矩阵的重构问题。其次,根据重构的残差值,自适应地计算近邻值。最后,详细分析指纹采样间距、信噪比、调制带宽及发射功率对定位误差的影响,详细分析所提定位算法的时间复杂度、最优近邻值的分布、发光二极管个数及最大近邻指纹数对定位误差的影响。仿真结果表明,所提定位算法的平均计算时间低、定位误差小,当信噪比为10 dB,指纹点之间的间距为40 cm时,所提定位算法的平均定位误差为1.56 cm,显著低于现有的同类算法。

为了实现低成本、低复杂度以及高精度的室内定位系统，提出了基于指纹的室内可见光定位方法。该方法利用可见光发光二极管作为信号源，根据接收到的可见光信号强度信息，结合三角定位算法和指纹定位算法，实现室内高精度定位。定位过程主要分为两步：第一步，通过三角定位算法确定移动目标粗略的位置范围; 第二步，以该位置范围作为限制条件，使用指纹定位算法实现更精确定位。实验结果表明，该方法与传统的基于可见光信号强度的定位方法相比，平均定位精度提高了64.71%; 同时，与传统的基于指纹的定位方法相比，可以在更低复杂度的情况下，实现更精确定位。

为了实现移动机器人的快速高精度定位, 提出了一种基于多个传感器的室内定位模型, 研究了其可见光通信技术(VLC)室内定位算法, 并对该算法进行了实验验证。首先研究基于AOA定位算法, 利用传感器的响应曲线, 结合室内定位模型, 通过拟合预测算法计算出信号到达角度实现定位; 然后综合多个传感器的定位模型和AOA定位算法, 分析得出一种室内定位的实现方式, 通过实验验证了该定位模型和定位算法的实现可行性。结果表明：其定位精度达13.6cm, 定位周期为0.1s, 相较于传统的AOA定位算法, 该算法定位精度高、成本低、可行性高且定位速度快。

针对移动机器人的室内精确定位问题，设计了基于可信度的自适应联邦滤波定位方法。首先，根据移动机器人和室内环境特点，设计了一个多传感器定位系统，并对传感器进行了具体配置。为处理多传感器数据，引入联邦滤波器，并对各子滤波器进行具体设计, 在此基础上对测量数据进行融合，从而获取移动机器人的位姿估计。然后，基于具体传感器特性，根据模糊推理给出了相应传感器测量数据的可信度因子, 同时，基于可信度因子，设计了联邦滤波器的自适应融合算法，并给出了室内移动机器人的定位结果。最后，通过仿真分析验证了所设计定位算法的有效性。

搭建了室内可见光定位系统, 实验上探索了接收信号强度比定位算法的可行性。通过控制多个LED光源在不同时隙的亮暗, 分别传输直流与正弦信号, 使用照度计及光电探测器测试接收信号强度, 对接收机位置进行了估计。其中使用直流信号时, 在与光源所在平面相距59cm的接收平面内, 得到最大误差为2.05cm、平均误差为8.64mm的定位精度; 使用正弦信号时, 在与光源平面相距30cm的接收平面内, 得到最大误差为1.09cm、平均误差为5.6mm的定位精度, 并且使用交流信号时实验结果不受环境杂散光的干扰。