[go: up one dir, main page]

CN117406170A - 一种基于超宽带的定位方法及系统 - Google Patents

一种基于超宽带的定位方法及系统 Download PDF

Info

Publication number
CN117406170A
CN117406170A CN202311724878.5A CN202311724878A CN117406170A CN 117406170 A CN117406170 A CN 117406170A CN 202311724878 A CN202311724878 A CN 202311724878A CN 117406170 A CN117406170 A CN 117406170A
Authority
CN
China
Prior art keywords
ultra
wideband
target
point
position coordinate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311724878.5A
Other languages
English (en)
Inventor
张超
吴海军
戴一诺
吴浩歌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Huaxin Dongguan Technology Co ltd
Original Assignee
Zhongke Huaxin Dongguan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongke Huaxin Dongguan Technology Co ltd filed Critical Zhongke Huaxin Dongguan Technology Co ltd
Priority to CN202311724878.5A priority Critical patent/CN117406170A/zh
Publication of CN117406170A publication Critical patent/CN117406170A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/04—Position of source determined by a plurality of spaced direction-finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/12—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于超宽带的定位方法及系统，涉及超宽带定位技术领域，该方法包括：当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合；将所述位置坐标集合输入坐标预测模型，得到所述目标点在当前时间点的预测位置坐标；所述坐标预测模型为采用训练集训练Transformer网络得到的；所述训练集中样本数据包括输入数据和标签数据，所述输入数据为目标车辆在取样时间点的，采用超宽带信号确定的目标跟踪点的位置坐标集合，所述标签数据为目标跟踪点在取样时间点的实际位置坐标。本发明提高了超宽带定位的准确性，同时降低了计算复杂性。

Description

一种基于超宽带的定位方法及系统
技术领域
本发明涉及超宽带定位技术领域，特别是涉及一种基于超宽带的定位方法及系统。
背景技术
传统超宽带（Ultra Wide Band，UWB）定位技术具有出色的穿透力和抗干扰能力。目前，UWB定位技术无法满足全地形车导航定位的高精度定位要求，具体是指UWB定位方法普遍存在计算复杂度高和定位误差大的问题。
发明内容
本发明的目的是提供一种基于超宽带的定位方法及系统，提高了超宽带定位的准确性，同时降低了计算复杂性。
为实现上述目的，本发明提供了如下方案：
一种基于超宽带的定位方法，包括：
当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合；
将所述位置坐标集合输入坐标预测模型，得到所述目标点在当前时间点的预测位置坐标；所述坐标预测模型为采用训练集训练Transformer网络得到的；
所述训练集中样本数据包括输入数据和标签数据，所述输入数据为目标车辆在取样时间点的，采用超宽带信号确定的目标跟踪点的位置坐标集合，所述标签数据为目标跟踪点在取样时间点的实际位置坐标。
可选地，所述目标车辆上超宽带定位标签的数量为三个以上。
可选地，当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合，具体包括：
利用三角测量原理，利用每三个超宽带定位标签接收的超宽带信号计算出目标点的一个位置坐标，共计算出个位置坐标，/>个位置坐标构成所述位置坐标集合，n表示所述目标车辆上超宽带定位标签的数量。
可选地，所述Transformer网络包括依次连接的输入层、编码层、解码层和全连接层；
所述编码层包括多个依次串联的编码器，每个所述编码器均包括依次连接的第一多头自注意力层和第一前馈神经网络层；
所述解码层包括多个依次串联的解码器，每个所述解码器均包括依次连接的带掩码的多头自注意力层、第二多头自注意力层和第二前馈神经网络层。
可选地，所述输入层用于对输入的位置坐标集合进行线性投影，将所述位置坐标集合的维度转换为设定隐藏维度。
可选地，采用训练集训练Transformer网络时采用均方误差损失函数作为损失函数。
可选地，采用训练集训练Transformer网络时，采用随机梯度下降优化器对所述Transformer网络进行训练。
本发明公开了一种基于超宽带的定位系统，包括：
位置坐标集合确定模块，用于当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合；
预测位置坐标确定模块，用于将所述位置坐标集合输入坐标预测模型，得到所述目标点在当前时间点的预测位置坐标；所述坐标预测模型为采用训练集训练Transformer网络得到的；
所述训练集中样本数据包括输入数据和标签数据，所述输入数据为目标车辆在取样时间点的，采用超宽带信号确定的目标跟踪点的位置坐标集合，所述标签数据为目标跟踪点在取样时间点的实际位置坐标。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明当目标车辆行驶时，将采用超宽带信号确定目标点的位置坐标集合输入训练好的Transformer网络，得到目标点在当前时间点的预测位置坐标，实现了通过Transformer网络对超宽带信号确定的位置坐标的修正，提高了定位的精确性和鲁棒性，计算过程简单，降低了计算复杂性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于超宽带的定位方法流程示意图；
图2为本发明实施例提供的坐标预测模型构建流程示意图；
图3为本发明实施例提供的Transformer网络结构示意图；
图4为本发明实施例提供的Transformer网络训练过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于超宽带的定位方法及系统，提高了超宽带定位的准确性，同时降低了计算复杂性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供的一种基于超宽带的定位方法，包括如下步骤。
步骤101：当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合。
步骤102：将所述位置坐标集合输入坐标预测模型，得到所述目标点在当前时间点的预测位置坐标；所述坐标预测模型为采用训练集训练Transformer网络得到的。
其中，步骤101中上n个超宽带定位标签设置在目标车辆的前端，每个超宽带定位标签上部署一个超宽带基站。
所述目标车辆上超宽带定位标签的数量为三个以上。
其中，步骤101具体包括：
利用三角测量原理，利用每三个超宽带定位标签接收的超宽带信号计算出目标点的一个位置坐标，共计算出个位置坐标，/>个位置坐标构成所述位置坐标集合，n表示所述目标车辆上超宽带定位标签的数量。更具体的，对于每个超宽带信号，解算超宽带信号飞行时间，获得目标车辆与目标点之间的初始距离和方位角，并将初始距离和方位角转化为世界坐标系下的三维坐标，其中每三个超宽带基站之间与超宽带标签信号的范围圆的交际能解算出一个三维坐标S_m（因UWB自身误差的关系，三个圆的交集可能为一个空间），其中，m等于/>。即每个时间点t存在测算出的超宽带标签信号可能位于的坐标合集有X_t=[S_1,S_2,…,S_m]。
Transformer网络训练过程中，每个时间点t时标签位于世界坐标系的真实坐标Y_t，经过大量的真实测量和收集X_t和Y_t，将获得的数据X_t和Y_t划分为训练集、测试集和验证集。
所述训练集中样本数据包括输入数据和标签数据，所述输入数据为目标车辆在取样时间点的，采用超宽带信号确定的目标跟踪点的位置坐标集合，所述标签数据为目标跟踪点在取样时间点的实际位置坐标。
坐标预测模型的构建过程如图2所示。
Transformer网络由编码器（Encoder）和解码器（Decoder）组成。输入层用于处理输入的X_t传递给编码器，编码器通过多层堆叠的自注意力层和前馈神经网络层，对输入序列X_t进行特征提取和编码，解码器将编码器的输出传递给多层堆叠的带掩码的自注意力层、普通的注意力层和前馈神经网络层生成对应的预测坐标，将预测坐标传递给全连接层生成对应的预测位置坐标Y_t。
如图3所示，所述Transformer网络包括依次连接的输入层、编码层、解码层和全连接层。
所述编码层包括多个依次串联的编码器，每个所述编码器均包括依次连接的第一多头自注意力层和第一前馈神经网络层，图3中r表示编码器的数量。
所述解码层包括多个依次串联的解码器，每个所述解码器均包括依次连接的带掩码的多头自注意力层、第二多头自注意力层和第二前馈神经网络层，m表示解码器的数量。
所述输入层用于对输入的位置坐标集合进行线性投影，将所述位置坐标集合的维度转换为设定隐藏维度（hidden_dim）。所述位置坐标集合的维度为所述位置坐标集合中的元素数量。
Transformer网络中，将解码器层的输出传递给全连接层，它将最后一个时间步（解码层里的最后一层）的隐藏状态映射到预测的Y_t坐标。
如图4所示，采用训练集训练Transformer网络时采用均方误差损失函数作为损失函数。均方误差损失函数用于衡量预测值与真实值之间的差异，其表达式为：MSE=(1/N)*Σ(Y_p－Y_t)²，其中，MSE表示均方误差，Y_p是预测值，Y_t是真实值，N是样本数量。
采用训练集训练Transformer网络时，采用随机梯度下降优化器对所述Transformer网络进行训练,训练过程中调整超参数以优化模型的性能，并保存效果最优的模型。
使用训练集对Transformer网络进行训练。在每个训练步骤中，将X_t输入到编码层，通过解码层生成对应的坐标预测。将预测值与真实值Y_t进行比较，并计算损失。通过反向传播和使用随机梯度下降更新模型的权重，逐步减小损失。
坐标预测模型的预测和验证：使用验证集进行坐标预测模型的预测和验证。通过将输入X_t输入到经过训练的Transformer网络中，得到对应的Y_t坐标预测结果，并与真实值进行比较。
坐标预测模型部署：将坐标预测模型部署到云端测算修正后的标签车辆真实坐标实现UWB对目标的精确导航定位，获得精确的位置信息。
相对于现有技术，本发明具有以下优点：
高精度定位：基于Transformer的UWB定位模型能够提供精确的无人车位置信息，提高了定位的准确性。
抗干扰能力强：Transformer的自注意力机制可以有效地处理UWB信号中的多径效应和干扰，提高了定位的鲁棒性。
实时性高：由于采用Transformer，具备较高的计算效率和响应速度，能够满足实时导航定位的需求。
实施例2
本发明公开了一种基于超宽带的定位系统，包括：
位置坐标集合确定模块，用于当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合。
预测位置坐标确定模块，用于将所述位置坐标集合输入坐标预测模型，得到所述目标点在当前时间点的预测位置坐标；所述坐标预测模型为采用训练集训练Transformer网络得到的。
所述训练集中样本数据包括输入数据和标签数据，所述输入数据为目标车辆在取样时间点的，采用超宽带信号确定的目标跟踪点的位置坐标集合，所述标签数据为目标跟踪点在取样时间点的实际位置坐标。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于超宽带的定位方法，其特征在于，包括：
当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合；
将所述位置坐标集合输入坐标预测模型，得到所述目标点在当前时间点的预测位置坐标；所述坐标预测模型为采用训练集训练Transformer网络得到的；
所述训练集中样本数据包括输入数据和标签数据，所述输入数据为目标车辆在取样时间点，采用超宽带信号确定的目标跟踪点的位置坐标集合，所述标签数据为目标跟踪点在取样时间点的实际位置坐标。
2.根据权利要求1所述的基于超宽带的定位方法，其特征在于，所述目标车辆上超宽带定位标签的数量为三个以上。
3.根据权利要求2所述的基于超宽带的定位方法，其特征在于，当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合，具体包括：
利用三角测量原理，利用每三个超宽带定位标签接收的超宽带信号计算出目标点的一个位置坐标，共计算出个位置坐标，/>个位置坐标构成所述位置坐标集合，n表示所述目标车辆上超宽带定位标签的数量。
4.根据权利要求1所述的基于超宽带的定位方法，其特征在于，所述Transformer网络包括依次连接的输入层、编码层、解码层和全连接层；
所述编码层包括多个依次串联的编码器，每个所述编码器均包括依次连接的第一多头自注意力层和第一前馈神经网络层；
所述解码层包括多个依次串联的解码器，每个所述解码器均包括依次连接的带掩码的多头自注意力层、第二多头自注意力层和第二前馈神经网络层。
5.根据权利要求4所述的基于超宽带的定位方法，其特征在于，所述输入层用于对输入的位置坐标集合进行线性投影，将所述位置坐标集合的维度转换为设定隐藏维度。
6.根据权利要求1所述的基于超宽带的定位方法，其特征在于，采用训练集训练Transformer网络时采用均方误差损失函数作为损失函数。
7.根据权利要求1所述的基于超宽带的定位方法，其特征在于，采用训练集训练Transformer网络时，采用随机梯度下降优化器对所述Transformer网络进行训练。
8.一种基于超宽带的定位系统，其特征在于，包括：
位置坐标集合确定模块，用于当目标车辆行驶时，基于所述目标车辆上多个超宽带定位标签在当前时间点接收到目标点的超宽带信号确定目标点在当前时间点的位置坐标集合；
预测位置坐标确定模块，用于将所述位置坐标集合输入坐标预测模型，得到所述目标点在当前时间点的预测位置坐标；所述坐标预测模型为采用训练集训练Transformer网络得到的；
所述训练集中样本数据包括输入数据和标签数据，所述输入数据为目标车辆在取样时间点的，采用超宽带信号确定的目标跟踪点的位置坐标集合，所述标签数据为目标跟踪点在取样时间点的实际位置坐标。
CN202311724878.5A 2023-12-15 2023-12-15 一种基于超宽带的定位方法及系统 Pending CN117406170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311724878.5A CN117406170A (zh) 2023-12-15 2023-12-15 一种基于超宽带的定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311724878.5A CN117406170A (zh) 2023-12-15 2023-12-15 一种基于超宽带的定位方法及系统

Publications (1)

Publication Number Publication Date
CN117406170A true CN117406170A (zh) 2024-01-16

Family

ID=89500364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311724878.5A Pending CN117406170A (zh) 2023-12-15 2023-12-15 一种基于超宽带的定位方法及系统

Country Status (1)

Country Link
CN (1) CN117406170A (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080039119A1 (en) * 2004-03-18 2008-02-14 Crawford Jason R Radiolocation in a wireless network using time difference of arrival
CN101403793A (zh) * 2008-11-03 2009-04-08 华南理工大学 一种无线传感器网络分布式节点定位方法
CN107135541A (zh) * 2017-04-21 2017-09-05 广东技术师范学院 基于optics密度聚类和bp神经网络的超宽带室内定位方法
CN107492113A (zh) * 2017-06-01 2017-12-19 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN108828519A (zh) * 2018-05-24 2018-11-16 桂林电子科技大学 一种基于机器学习的高精度室内可见光定位方法
CN110385720A (zh) * 2019-07-26 2019-10-29 南京航空航天大学 一种基于深度神经网络的机器人定位误差补偿方法
CN110536245A (zh) * 2019-08-28 2019-12-03 杭州电子科技大学 一种基于深度学习的室内无线定位方法及系统
CN112069820A (zh) * 2020-09-10 2020-12-11 杭州中奥科技有限公司 模型训练方法、模型训练装置和实体抽取方法
CN112653991A (zh) * 2020-12-23 2021-04-13 北京工业大学 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法
CN113068118A (zh) * 2021-03-22 2021-07-02 深圳市锐迪芯电子有限公司 一种NB-IoT定位精度提升方法及系统
WO2022036859A1 (zh) * 2020-08-18 2022-02-24 浙江吉利控股集团有限公司 一种基于超宽带的车载定位组件、方法、装置和设备
CN114364015A (zh) * 2021-12-10 2022-04-15 上海应用技术大学 一种基于深度学习的uwb定位方法
CN114719860A (zh) * 2022-04-25 2022-07-08 天津大学 一种基于多头注意力机制的惯性导航方法
CN114924225A (zh) * 2022-04-28 2022-08-19 合肥工业大学 一种高精度室内定位方法、装置、设备及介质
CN115866517A (zh) * 2022-12-09 2023-03-28 华东师范大学 基于经验模态分解和空间自回归神经网络的室内定位系统
CN116170746A (zh) * 2023-01-03 2023-05-26 中国人民解放军63983部队 基于深度注意力机制和几何信息的超宽带室内定位方法
CN116170744A (zh) * 2023-02-28 2023-05-26 西南大学 一种基于超宽带的室内跨区域盲点定位方法和系统
CN116744441A (zh) * 2023-05-30 2023-09-12 网络通信与安全紫金山实验室 无线定位方法、装置、设备及存储介质
CN117119377A (zh) * 2023-07-12 2023-11-24 北京工业大学 基于滤波Transformer的室内指纹定位方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080039119A1 (en) * 2004-03-18 2008-02-14 Crawford Jason R Radiolocation in a wireless network using time difference of arrival
CN101403793A (zh) * 2008-11-03 2009-04-08 华南理工大学 一种无线传感器网络分布式节点定位方法
CN107135541A (zh) * 2017-04-21 2017-09-05 广东技术师范学院 基于optics密度聚类和bp神经网络的超宽带室内定位方法
CN107492113A (zh) * 2017-06-01 2017-12-19 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN108828519A (zh) * 2018-05-24 2018-11-16 桂林电子科技大学 一种基于机器学习的高精度室内可见光定位方法
CN110385720A (zh) * 2019-07-26 2019-10-29 南京航空航天大学 一种基于深度神经网络的机器人定位误差补偿方法
CN110536245A (zh) * 2019-08-28 2019-12-03 杭州电子科技大学 一种基于深度学习的室内无线定位方法及系统
WO2022036859A1 (zh) * 2020-08-18 2022-02-24 浙江吉利控股集团有限公司 一种基于超宽带的车载定位组件、方法、装置和设备
CN112069820A (zh) * 2020-09-10 2020-12-11 杭州中奥科技有限公司 模型训练方法、模型训练装置和实体抽取方法
CN112653991A (zh) * 2020-12-23 2021-04-13 北京工业大学 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法
CN113068118A (zh) * 2021-03-22 2021-07-02 深圳市锐迪芯电子有限公司 一种NB-IoT定位精度提升方法及系统
CN114364015A (zh) * 2021-12-10 2022-04-15 上海应用技术大学 一种基于深度学习的uwb定位方法
CN114719860A (zh) * 2022-04-25 2022-07-08 天津大学 一种基于多头注意力机制的惯性导航方法
CN114924225A (zh) * 2022-04-28 2022-08-19 合肥工业大学 一种高精度室内定位方法、装置、设备及介质
CN115866517A (zh) * 2022-12-09 2023-03-28 华东师范大学 基于经验模态分解和空间自回归神经网络的室内定位系统
CN116170746A (zh) * 2023-01-03 2023-05-26 中国人民解放军63983部队 基于深度注意力机制和几何信息的超宽带室内定位方法
CN116170744A (zh) * 2023-02-28 2023-05-26 西南大学 一种基于超宽带的室内跨区域盲点定位方法和系统
CN116744441A (zh) * 2023-05-30 2023-09-12 网络通信与安全紫金山实验室 无线定位方法、装置、设备及存储介质
CN117119377A (zh) * 2023-07-12 2023-11-24 北京工业大学 基于滤波Transformer的室内指纹定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邱锡鹏: "神经网络与深度学习", vol. 1, 31 July 2020, 机械工业出版社, pages: 388 - 390 *

Similar Documents

Publication Publication Date Title
CN101620270B (zh) 基于聚类融合的无线定位方法
CN103501538B (zh) 基于多径能量指纹的室内定位方法
CN108253976B (zh) 一种充分借助车辆航向的三阶段在线地图匹配算法
CN107271957B (zh) 基于tdoa和toa的室内三维定位方法
CN113777557B (zh) 基于冗余距离筛选的uwb室内定位方法及系统
CN106093849A (zh) 一种基于测距和神经网络算法的水下定位方法
CN110658492A (zh) 一种室内目标与散射体位置优化的迭代方法
CN103096465B (zh) 一种环境自适应的多目标直接定位方法
CN110738275A (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN110132281A (zh) 一种基于询问应答模式的水下高速目标高精度自主声学导航方法
CN111323746B (zh) 一种双圆阵的方位-等效时延差被动定位方法
CN114545400B (zh) 基于毫米波雷达的水面机器人的全局重定位方法
CN101730224B (zh) 基于分布式优化策略的无线传感器网络节点定位方法
CN108761384A (zh) 一种抗差的传感器网络目标定位方法
CN113466819B (zh) 一种基于先验数据的高分辨三维点迹凝聚方法
CN117406170A (zh) 一种基于超宽带的定位方法及系统
CN102288107B (zh) 基于无线传感网络引导的超大几何参量测量系统自标定方法
CN109633531B (zh) 一种复合噪声条件下的无线传感器网络节点定位系统
CN113822415B (zh) 一种室内位置的反向传播神经网络概率密度预测方法
CN116304504A (zh) 一种基于航迹时间函数的传感器优化管理方法
CN108564171A (zh) 一种基于快速全局k均值聚类的神经网络声源角度估计方法
CN103941230B (zh) 一种基于半定规划的声阵列网络自定位方法
CN106405496A (zh) 一种基于tdoa的室内定位方法
Cui et al. POSTER: Wi-Fi indoor positioning based on sparse autoencoder and deep belief network
CN119165443B (zh) 一种基于多径信息的无接入点指纹定位方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20240116