室内定位系统和技术综述
利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位,通过测试不同的机器学习模型和无线技术,评估室内环境下的定位精度和稳定性。
Feb, 2024
通过使用发展的射频识别(RFID)追踪装置和多种物联网无线技术,本文提出了一种基于分区的混合室内定位方法。这种混合方法通过线性位置估计从不同的物联网无线技术获得的实验结果验证了 RFID 追踪装置和蓝牙、WiFi 和 ZigBee 技术的基于 RSSI 的定位结果。
Jul, 2023
本文介绍了一种基于强化学习信息融合框架(RL-IFF)的新型解决方案,通过将到达角度(AoA)与 RSSI 基于粒子滤波和 IMU 基于 Dead Reckoning(PDR)框架相结合,旨在解决 Bluetooth Low Energy 在智能城市中室内动态跟踪 / 定位方法的无法靠谱的问题,实验证明其性能优于同类方案。
Oct, 2022
本文研究使用无线电、视觉和音频传感器进行室内定位的方法。通过对最先进的算法和真实数据集的评估,我们更具体地评估了一种基于无线电的机器学习算法与大规模 MIMO 技术、基于视觉的 ORB-SLAM3 算法与 RGB-D 相机以及基于音频的 SFS2 算法与麦克风阵列进行室内定位。讨论了定位精度、可靠性、校准要求和潜在系统复杂性等方面,以分析不同传感器在室内定位任务中使用的优势和局限性。结果可作为鲁棒高精度多传感器定位系统进一步发展的指南和基础,例如通过传感器融合、上下文和环境感知适应。
Sep, 2023
本研究论文重点介绍物联网(IoT)中的本地化技术,着重分析由 LPWAN 产生的各种误差,如何评估和解决这些误差对 IoT 的定位能力产生重大影响,并提供了详尽的指导和建议。
Apr, 2020
通过结合多种最先进的传感器的数据,我们提出了一个多功能的测量系统,对其进行比较和融合,展示了单一数据融合技术在应对情境转换时的可行性和鲁棒性。特别是,在结合射频(RF)定位技术和惯性测量单元(IMU)时,这种方法在解决定位问题上具有极高的鲁棒性和可靠性。
May, 2021
该研究提出了一种基于压缩感知框架的直接定位方法,通过联合处理分布式大规模 MIMO 基站获得的观测值来区分 LOS 和非 LOS 信号路径,以实现用户位置的高精度定位。
Jul, 2016
本研究使用毫米波技术,在室内常见的大型办公室环境下,通过使用基站和构建 3D 环境图,结合精确的到发射角信息和时间信息,开发出一种精度达到 12.6 cm 至 16.3 cm 的射线跟踪定位方法,并通过增加基站数量提高室内非视距环境下的平均位置定位精度至 5.5 cm。
Aug, 2019