激光雷达(light detection and ranging,LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。提出了一种LiDAR和行人航迹推算(pedestrian dead reckoning,PDR)融合的室内定...激光雷达(light detection and ranging,LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。提出了一种LiDAR和行人航迹推算(pedestrian dead reckoning,PDR)融合的室内定位方法,以扩展卡尔曼滤波(extended Kalman filter,EKF)为基础,通过对LiDAR的位移增量、角度观测值以及PDR的位姿信息等量测值进行解算,令二者互补融合,有效抑制非视距影响和误差累积的问题,并对单一类组合算法和融合类组合算法的定位精度进行对比分析。实验结果表明:当室内人员为行走状态时,LiDAR和PDR融合定位算法较单一定位方法在精度和稳定性方面均有效提高,PDR定位误差为0.98 m,LiDAR定位误差为0.6 m,EKF融合后定位误差下降到0.32 m。展开更多
为了解决当前密闭环境下超宽带(Ultra-wide Band,UWB)技术在非视距(Non Line of Sight,NLOS)条件下无法实现精确定位的问题,提出了一种行人航迹推算(Pedestrian Dead Reckoning,PDR)辅助UWB结合移动基站融合定位方法。首先,将已知位置...为了解决当前密闭环境下超宽带(Ultra-wide Band,UWB)技术在非视距(Non Line of Sight,NLOS)条件下无法实现精确定位的问题,提出了一种行人航迹推算(Pedestrian Dead Reckoning,PDR)辅助UWB结合移动基站融合定位方法。首先,将已知位置的标签作为移动基站,利用移动基站和固定基站与标签的通信进行距离测量以增加LOS情况的定位信息。其次,通过分析和利用PDR的高频噪声特性,能够在融合过程中有效抑制UWB的NLOS误差。提出改进的扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法,通过对多传感器(UWB、PDR和移动基站)的信息进行更为精细的融合,来处理非线性问题。与单纯UWB/PDR数据融合算法以及使用KF融合算法相比,所提的融合策略定位误差分别提升0.6 m和1.8 m左右。展开更多
文摘为了解决当前密闭环境下超宽带(Ultra-wide Band,UWB)技术在非视距(Non Line of Sight,NLOS)条件下无法实现精确定位的问题,提出了一种行人航迹推算(Pedestrian Dead Reckoning,PDR)辅助UWB结合移动基站融合定位方法。首先,将已知位置的标签作为移动基站,利用移动基站和固定基站与标签的通信进行距离测量以增加LOS情况的定位信息。其次,通过分析和利用PDR的高频噪声特性,能够在融合过程中有效抑制UWB的NLOS误差。提出改进的扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法,通过对多传感器(UWB、PDR和移动基站)的信息进行更为精细的融合,来处理非线性问题。与单纯UWB/PDR数据融合算法以及使用KF融合算法相比,所提的融合策略定位误差分别提升0.6 m和1.8 m左右。
