长沙理工大学电气与信息工程学院, 长沙 410000
针对无人机室内无全球定位系统(GPS)信号、定位精度较低的问题, 提出融合视觉和惯性数据来实现无人机室内定位。前端改进特征匹配算法, 针对图像发生旋转运动提出了利用主成分分析法(PCA)计算旋转角度, 改变特征点所在网格及其8邻域网格, 并根据邻域特征点与匹配特征点欧氏距离设定高斯阈值, 提出新的分数统计模型, 使正确匹配对的数量增多, 提高了特征匹配的快速性和视觉室内定位的准确性。针对图像局部相似产生误匹配问题, 提出了利用特征点之间的几何关系确定数据集, 通过Pearson相关系数分析数据的相似性, 设定阈值剔除置信度较低的特征匹配对, 优化视觉估计无人机的位姿信息、后端采用视觉惯性基于滑动窗口的紧耦合优化位姿信息。通过设计室内光线正常与室内光线较暗情况下的无人机悬停实验, 分析其飞行日志可知, 改进后网格运动统计(GMS)算法的特征匹配速度是原算法的3倍, 并在局部相似区域剔除误匹配, 特征匹配准确率能达到94%, 无人机室内定位精度达到0.02 m, 能在复杂**环境中有更好的应用。
无人机 室内定位 剔除误匹配 惯性测量单元 视觉定位 UAV indoor positioning mismatch elimination GMS GMS IMU visual positioning
北京信息科技大学, 信息与通信工程学院, 北京 100101
针对测距式射频识别(RFID)室内定位算法的精确度会受到测距误差严重影响的问题, 提出一种基于多天线到达相位差 (M-PDOA)的室内定位算法。通过 M-PDOA测距方法进行测距, 采用三边测量算法对目标标签进行定位。仿真结果显示, 本算法的测距平均误差为 0.102 7 m, 性能提升 65.76%; 定位平均误差为 0.180 7 m, 性能提升 56.67%, 说明本文算法能够有效减少测距误差, 并且定位精确度较高。
室内定位 射频识别 多天线 到达相位差 indoor positioning Radio Frequency Identification multi-antenna Phase Difference Of Arrival 太赫兹科学与电子信息学报
2023, 21(10): 1224
江苏第二师范学院 物理与信息工程学院, 江苏 南京 210013
为克服时分复用技术中需要时钟同步和频分复用系统不够灵活的问题,提出了一种基于码分复用技术的高精度可见光定位算法。算法在异步场景下实现了码元同步和可见光定位的过程,仿真结果表明,在覆盖房间80%以上的区域时,算法的平均定位误差为6.9cm,最大定位误差为11cm,适用于绝大多数室内基于位置信息的服务。此外,分析了系统定位精度与接收机视场角及接收机离地高度的关系,在一定范围内,接收机视场角越大,系统的定位性能越差; 接收机的离地高度越大,系统的定位性能越好。
应用光学电子学 码分复用 可见光通信 室内定位技术 码元同步 applied optoelectronics CDMA visible light communication indoor positioning technology symbol synchronization
江苏商贸职业学院 电子与信息学院, 江苏 南通 226000
针对基于接收信号强度的可见光通信系统室内定位精度低的问题, 提出一种基于深度神经网络的可见光通信系统室内定位方法。方法采用可见光信道估计技术进行室内距离测量, 以解决接收信号强度稳定性与可靠性不足的问题。此外, 设计了深度神经网络在离线阶段学习光电二极管距离向量的分布特性, 以避免光信号不稳定导致误差升高的问题.在线上阶段基于多距离向量对目标进行定位, 可在满足时间效率要求的情况下提高定位精度。仿真结果表明, 在室内场景下, 该方法的平均定位精度优于传统三角定位法与基于接收信号强度的定位方法。
可见光通信 接收信号强度 室内距离测量 光信道估计 深度神经网络 室内定位 visible light communication received signal strength indoors distance measurement optical channel estimation deep neural networks indoors positioning0 引 言
常州工学院 光电工程学院， 江苏 常州 213032
为了提高现行室内可见光定位系统的定位精度，提出考虑噪声干扰的动态惯性权重及认知因素的改进型粒子群算法。首先，将决定定位精度的欧式距离转换为目标函数最小值优化问题; 其次，利用惯性权重动态赋值，增强粒子群算法初期的全局搜索能力和后期的局部搜索能力; 然后，利用正弦函数使得个体认知因素值非线性地减小，利用余弦函数使得群体认知因素值线性地增加，以进一步提升定位精度; 最后，通过仿真与实验测试对所提定位算法进行验证。仿真测试结果表明，在5m×5m×3m和5m×4m×3m两种定位模型中，在0，0.5，1.0和1.5m四个高度平面的空间定位平均误差分别为0.65和0.54cm; 实验结果显示，在搭建的1m×1m×0.8m和1m×0.8m×0.8m室内空间中的平均定位误差分别为2.67和1.81cm。
可见光通信 室内定位 动态惯性权重 改进型粒子群算法 visible light communication indoor positioning dynamic inertia weight improved particle swarm optimization algorithm
1 中山大学 物理学院，广东 广州 510275
2 湛江幼儿师范专科学校（岭南师范学院基础教育学院），广东 湛江 524084
3 中山大学 电子与信息工程学院，广东 广州 510275
视觉定位和导航在物流仓储等领域具有广泛的应用前景，传统单目视觉难以实现准确的定位，而双目视觉虽能完成精确的定位和导航，但硬件成本高且影响车体尺寸。提出一种基于特征物形变的单目定位技术，利用单个相机对地面铺设的特征物（带编码的圆环图案）的畸变进行记录，以嵌入式图像处理单元（graphics processing unit,GPU）进行分析，实现端到端的单目视觉定位。其中嵌入式GPU对相机采集的图像通过深度学习目标检测算法识别特征圆环的编码图案，经传统图像处理获取图案物像的形变信息，将该形变信息输入至经极端梯度提升算法（extreme gradient boosting，XGBoost）训练好的回归模型，预测出相机相对图案中心的坐标，同时结合该特征圆环的绝对坐标，最终解算出相机的室内绝对坐标。实验结果表明：在2 m×2 m 的范围内定位平均误差仅为0.55 cm，优于文献报道1个数量级，且算法在电脑端和在嵌入式GPU上的定位解算帧率分别为20帧和4帧，具有实时性。
嵌入式GPU 室内定位 深度学习 回归模型 圆环编码图案 embedded GPU indoor positioning deep learning regression model ring encoded patterns
1 江苏大学 汽车工程研究院，江苏镇江2203
2 清华大学 苏州汽车研究院（相城），江苏苏州15133
3 安徽工程大学 机械工程学院，安徽芜湖241000
4 清华大学 汽车安全与节能国家重点实验室，北京10008
为了解决智能车辆在全球定位系统（Global Positioning System， GPS）信号缺失的地下停车场中的定位与路径规划问题，本文使用双目离线建图、单目在线定位的视觉方法在场景中进行定位，并使用改进的路径规划算法规划全局行驶路线。首先，利用双目相机在地下停车场中的多个节点位置进行场景采集，节点的不同信息分层存储入视觉多层级地图。然后，利用单目相机进行由粗到精的地图匹配和位姿计算实现快速高精度定位。最后，使用改进的路径规划算法在地图中对各路口位置进行检测并生成路口路径图（Intersection Roadmap， IRM），全局可行驶路线根据定位结果和路径图规划得到。实验结果表明：使用单目相机的视觉定位平均误差为1.3 m，平均误差率为7.4%，基于路口路径图的规划算法相比概率路径图（Probabilistic Roadmap， PRM）算法，规划时间由5 s左右缩短至0.2 s以内，路径长度缩短了约9.56%。定位导航系统能够实时准确地实现车辆在停车场环境中的定位与路径规划，具备良好的实用性。
智能汽车 室内定位 停车场导航 路径规划 路口路径图 intelligent vehicle indoor location parking lot navigation path planning intersection roadmap（IRM）
西安工业大学 电子信息工程学院, 西安 710032
针对传统室内定位算法精度较低的问题, 提出一种基于Elman神经网络的室内定位算法。使用Elman神经网络进行指纹库插值扩充, 完备指纹库, 两者结合减少定位误差, 并对该算法模型进行了实验验证。实验结果表明: 在0.8 m×0.8 m×0.8 m环境中, 所提算法的平均定位误差为4.6 cm, 满足室内定位对于精度的要求。
可见光通信 室内定位 Elman神经网络 数据插值 visible light communication indoor positioning Elman neural network data interpolation
针对传统室内可见光定位精度较低、基于神经网络的室内可见光定位收敛速度慢且泛化能力弱等问题，提出一种结合基于Circle混沌映射的优化麻雀搜索算法-极限学习机（ISSA-ELM）神经网络和接收信号强度指示（RSSI）的室内可见光定位方法，在考虑天花板、墙壁和地板反射作用的情况下，将每个参考点处的RSSI和光电探测器的真实位置坐标作为训练集数据，对优化后的ISSA-ELM神经网络模型进行训练，建立室内可见光定位预测模型，并利用测试集对定位模型进行测试。仿真结果表明，优化后的ISSA-ELM神经网络的训练时间为0.0454 s，平均定位时间为3.5 ms，在5 m×5 m×3 m的室内环境，对位于0、0.5、1.0、1.5 m高度参考点的平均定位误差分别为1.01、1.14、1.36、3.87 cm，相比极限学习机（ELM）神经网络的定位精度分别提高了20.47%、19.72%、37.91%、42.32%。因此，所提的室内可见光定位方法具有定位速度快、定位精度高、系统性能稳定等优点。
光通信 Circle混沌映射 麻雀搜索算法 ELM神经网络 室内定位
