EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 9: 1402 - 1410

DOI: https://doi.org/10.12082/dqxxkx.2019.190061

VLC and PDR Fusion Positioning by Incorporating High-Precision Indoor Map

  • YOU Chengzeng 1, 2 ,
  • PENG Ling , 1, * ,
  • WANG Jianhui 3 ,
  • WEN Congcong 1, 2 ,
  • CHEN Ruonan 1, 2
Expand
  • 1. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Institute of Information Engineering, People's Liberation Army of China Information Engineering University, Zhengzhou 450002, China
*PENG Ling, E-mail:

Received date: 2019-01-30

  Request revised date: 2019-05-13

  Online published: 2019-09-24

Supported by

National Key Technology Research and Development Program(2015BAJ02B03)

Copyright

Copyright reserved © 2010. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

In traditional indoor positioning field, there are many technical difficulties need to be solved. For instance, it is true that most researchers in their studies have neglected the accuracy of base map which is an indispensable factor and essential foundation of the overall accuracy of indoor positioning. On top of that, current indoor positioning system needs auxiliary facilities and multiple additional modules to assist the whole system to achieve positioning. Furthermore, beacons which are used to locate where the user is have the disadvantages of poor confidentiality while radiating strong signals at the same time. Aiming at those problems, this article proposed a fusion indoor positioning algorithm which was based on Visual Light Communication technology and Pedestrian Dead Reckoning algorithm. Particularly, we combined the information of high-precision indoor map and designed a high-precision indoor map-assisted positioning system to improve the accuracy of the positioning results. To be specific, abandoning the traditional mapping method which was generated by manual drawing, we used the Turtlrbot platform (an indoor drawing robot equipped with two-dimensional laser scanning radar) to construct the high-precision indoor map while it was moving in the interior space. In the process of indoor map construction, the Gmapping algorithm in the platform was run to build a two-dimensional grid map in a quite fast speed. Based on this, we used the Extended Kalman Filter algorithm to combine the Visual Light Communication technology with Pedestrian Dead Reckoning algorithm to achieve fusion positioning which was assisted with the high-precision map information. As shown in the experiments, the fusion positioning algorithm actually managed to combine the technical advantages of both Visual Light Communication and Pedestrian Dead Reckoning algorithm. Besides, the fusion algorithm realized a fairly ideal state where VLC positioning was able to combine with the information of high-precision map to provide adaptive and dynamic correction to the positioning results of Pedestrian Dead Reckoning algorithm, thus further providing better theoretical support and technical reference for the new kind of high-precision indoor positioning which had the characteristics of low-cost, no signal radiation, strong confidentiality with a small number of auxiliary facilities and additional modules. The experimental results showed as follows: Firstly, the ranging resolution during map construction was less than 0.5 mm; Secondly, the overall accuracy of fusion positioning was 1.33 m; Lastly, the average positioning response time was 0.58 s.

Key words： high precision indoor map; VLC positioning; PDR positioning; EKF algorithm; fusion positioning

Cite this article

YOU Chengzeng , PENG Ling , WANG Jianhui , WEN Congcong , CHEN Ruonan . VLC and PDR Fusion Positioning by Incorporating High-Precision Indoor Map[J]. Journal of Geo-information Science, 2019 , 21(9) : 1402 -1410 . DOI: 10.12082/dqxxkx.2019.190061

1 引言

近年来,位置服务（Location Based Services, LBS）的相关技术和产业正从室外走向室内,呈现出蓬 勃发展的趋势[1,2]。目前室内定位常用的定位方法,从原理上主要分为三角定位法[3]、指纹定位法[4]、极点法[5]、邻近探测法[6,7]、多边定位法[8]、质心定位法[9]和航位推算法[10]。不同的室内定位方法选择不同的观测量（包括RSSI测量[11]、TOA测量[12]、TDOA测量[13]、AOA测量[14]、方向和距离[15]）,通过不同的观测量提取算法所需要的信息。依据定位原理与观测量,继而衍生出多种室内定位技术,包括蓝牙[16]、WIFI[17]、红外线[18]、UWB（Ultra Wide Band）[19] 、射频识别（Radio Frequency Identification）[20]、超声波定位[21]、地磁[22]、ZigBee[23]等典型的室内定位方法,设计出了多个具有代表性的室内定位系统。由于单一的定位技术受到信号测量和算法的限制,故需要多种定位技术的结合使用。华海亮[24]提出了基于优化贝叶斯估计与异构网络的WiFi和蓝牙融合定位算 法,有效削弱了高斯噪声对定位算法的影响。Zampella等[25]、Jiménez等[26]利用PDR（Pedestrian Dead Reckoning）定位和UWB定位融合,采用约束滤波器算法使得位置估计精度达到亚米级。宋宇等[27]融合惯性传感器、WIFI、地磁定位结果,采用UKF滤波（Unscented Kalman Filter）来进行融合定位, 定位效果显著。上述这些定位系统往往存在复杂度高、功耗大、硬件开销大、依赖于无线信号等问题,因此,采用融合多种方式增强系统定位的适用性实时性,实现部署低成本,成为当前室内定位 的关键。
智能移动终端具备以往普通移动终端无法企及的功能,同时也包含很多先进的硬件设施,如电子罗盘、磁力计、压力传感器等,研究人员可以使用内部的硬件设施开发更好更实用的室内定位系统[28,29]。基于移动端惯性传感器的PDR算法是当前最为精确有效的室内定位技术解决方案,但同时存在其自身无法克服的缺点（如连续误差累积、定位点随机漂移等）[30,31]。目前,大多数学者利用辅助基站（如WIFI、蓝牙）对PDR算法进行校准,但这些基站在实际应用中也存在稳定性差、受噪声干扰、定位精度低等问题[31]。而VLC（Visual Light Communication）定位以其高精度、高宽带、无辐射、同时兼顾照明与通信功能[32]成为辅助PDR定位的理想手段。同时PDR定位由于不受外界环境（如信号遮挡、磁场干扰等）的影响,又可有效弥补VLC单独定位过程中的技术缺陷。邹倩等[33]采用VLC定位与手机IMU（Inertial Measurement Unit）测量数据进行融合,得到了较好的融合定位效果。但该融合定位实验限制在比较小的室内空间,不适用于室内行人移动定位,同时忽略了室内地图对定位的辅助支撑作用。当前室内定位常常关注于定位点精度提升,而忽略了室内地图的精度对于整体定位精度的作用。实际上,总体定位精度取决于定位点精度与地图精度。普通室内地图的精度在5 m左右,只描绘了道路的位置和形态,没有反映室内的细节信息,无法准确知道定位点所在位置。而高精度室内地图的绝对精度为分米级,相对精度达到厘米级（通常为20 cm以内）,包含了室内丰富的可通行区域、通行区域边界、辅助服务设备等非常丰富的信息。
本文借助turtlrbot平台采用GMapping构图算法生成高精度室内地图,并在此基础上采用EKF滤波算法融合VLC和PDR两种定位方式,继而克服两种定位方式各自缺点,形成一种顾及室内地图精度与定位精度的融合定位方法。

2 研究方法

2.1 高精度室内地图构建

2.1.1 Gmapping算法构建栅格地图
本文采用Gmapping算法[34]构建高精度室内地图。该算法采用粒子滤波器（Particle Filter）原理[35],在机器人执行粒子滤波时,通过传感器对环境的观测值以及机器人的位置与姿态评估所需粒子数,从而保证了算法的时间复杂度不至太高而且又保证了计算的准确度。本文基于传感器Rplidar A2激光测距雷达,在turtlrbot平台上利用记录变换方式以及机器人激光扫描建立高精度室内地图（图1）。
图1 高精度室内地图数据构建

Fig. 1 High-precision indoor map construction

2.1.2 高精度室内地图辅助定位
图2展示了系统的架构图。高精度室内地图辅助室内定位系统主要分为底层算法,服务端和客户端3部分[36]。通过底层算法获取定位数据和地图数据,通过服务端封装成服务接口,从而供客户端的手机、pad和电脑访问,以实现位置查询、地图操作和路径规划等功能。
图2 高精度室内地图辅助定位系统结构

Fig. 2 Illustration of the positioning system that incorporates high-resolution indoor map

底层算法：通过基于二维激光雷达和Kinect2深度相机扫描室内空间,得到室内空间的高精度地图。通过网络层,将上述地图数据上传到服务器的地图数据库中。同时,设计了一个移动端APP程序实现了上述定位算法,将定位数据实时上传到位置数据库中。
服务端：设计了定位数据库和地图数据库,通过接受实时传输的定位数据和扫描完成的地图数据,将其封装成对外的服务接口。主要开放了室内位置数据服务接口和室内地图数据服务接口供客户端访问。
客户端：提供了手机,平板和电脑3种终端供用户使用。用户可以使用这3种设备实现位置查询（当前位置,历史位置）,地图查看操作（放大、缩小、旋转和平移）和路径规划等功能。

2.2 VLC定位原理

VLC定位系统结构[37]主要分为LED发送机、可见光信号传输、LED接收机以及移动终端4个部分,如图3所示。
图3 可见光通信系统结构示意

Fig. 3 Schematic diagram of the visible light communication system

（1）LED发送机：主要针对脉冲信号进行预处理编码与调制,将灯具位置信息以及ID信息加载在LED发送机上,调制LED灯具发光;
（2）可见光信号传输：灯具的ID及位置信息加载在光波上,区别于其他可见光信号,以光速在空气中快速传输。
（3）LED接收机：加载位置信息的LED光波经过光电转换器将光信号转换成对应的第一电信号,并输入到信号接收模块及信号处理模块,然后将位置信息经过信号解调制模块解析出来。
（4）移动终端：LED接收机将解码出来的位置信息发送至移动终端,本研究在终端采用场景分析法将接收机接收到的光强信息与已知的光强分布做对比,寻找出光强特征相似的点作为接收机的坐标,主要分为指纹库建立和实时定位2个阶段[38]。该方法不受信道的多径反射等干扰的影响,并利于PDR定位结果的精确纠偏。

2.3 PDR定位原理

通常在很短的采样时间内认为行人的运动轨迹近似为直线,因而已知起点位置,通过计算行人在某个方向上的位移量就可以推断行人下一时刻的位置信息。PDR原理详见文献[39,40],此处不再赘述。

2.4 VLC-PDR融合定位

由于可见光定位依赖于手机接收的灯光信号,而灯光信号并非时刻存在,所以可见光定位的结果大约几米左右（取决于灯具布设密度）会更新一次。而对于PDR定位来说,行人位置是实时更新的,所以2种定位结果的输出是不同步的。因而本系统采用扩展Kalman滤波[41]（Extended Kalman Filter, EKF）的方式对可见光定位结果和惯性测量的结果进行融合,同时也便于弥补惯导长时间定位所产生的累积误差。
2.4.1 EKF算法原理
与离散Kalman滤波方法类似,扩展Kalman滤波模型中的观测方程和状态方程可定义为：
x k = f k x k - 1 + w k
z k = h k x k + v k
式中：fx(xk-1)表示状态向量在k时刻与前一时刻之间的非线性转移关系;hk(xk)表示k时刻观测向量与状态向量的非线性关系;wk为n×1维的状态向量 噪声矩阵;vk为m×1维的观测向量噪声矩阵。算法步骤如下：
（1）计算系统状态向量的预测值 x k -
x k - = f k x k - 1 +
（2）计算系统观测向量的预测值 z k -
z k - = h k x k -
（3）计算状态转移矩阵 ϕ k -
ϕ k ≈ ∂ f k ∂ x | x = x k -
（4）计算状态向量的方差预测矩阵 P k -
P k - = ϕ k P k - 1 + ϕ k + Q k
（5）计算增益矩阵Kk
K k = P k - H k T H k P k - H k T + R k - 1
（6）得到当前状态向量的最优估计值 x k +
x k + = x k - + K k z k - z k -
（7）更新当前状态向量的方差矩阵 P k +
P k + = ( I - K k H k ) P k -
2.4.2 EKF融合算法
基于EKF滤波算法,根据行进状态信息进行以下系统建模：
X k = x k y k θ k = x k - 1 + s ˜ cos θ k - 1 y k - 1 + s ˜ sin θ k - 1 θ k - 1 + θ ˜ + W k - 1
式中：（xk, yk）表示行人走过k步后的坐标;θk为第k步的方向角; s ˜ 为第k步的步长; θ ˜ 为第k步方向角增量;Wk-1为系统过程噪声;
观测方程建模如下：
Z k = x k y k s k θ ˜ k θ k = x k y k ( x k - x k - 1 ) 2 + ( y k - y k - 1 ) 2 θ k - θ k - 1 θ k + V k
式中：（xk, yk）为VLC定位得到的定位结果;sk为行人的第k步的步长; θ k 为行人的第k步的方向角增量; θ k 为第k步的方向角;Vk为系统观测噪声。本研究所采用VLC-PDR融合定位流程如图4所示。首先采用VLC定位结果来设定滤波初始状态向量,并以VLC定位为基准动态纠正PDR定位。利用加速度信息判断行进状态（步态检测等）,根据高精度室内地图信息结合方向传感器和陀螺仪得到行人航向。当行人行走时,通过同步调整模块通知VLC处理模块进行目标定位解算,启动测量更新和状态更新的迭代计算。
图4 VLC-PDR融合定位算法

Fig. 4 VLC-PDR fusion positioning algorithm

3 实验分析

3.1 实验条件

中国科学院遥感与数字地球研究所包括了试验所需的室内环境以及相对应的可见光信号。选取大楼一层陈列展厅作为试验场,面积约为 196 km2。为降低部署成本及算法复杂度,实验场地中布设5盏LED改造光源,用于对惯导行进轨迹动态纠偏,以期望达到低布设、快速度、高精度定位的目标,更好地面向实际工程化应用需求。本实验使用华为HUAWEI P10 Plus（Android 4.0平台）型号智能手机作为试验平台进行系统的测试。

3.2 融合定位实验

3.2.1 高精度室内地图构建
经过Gmapping算法地图构建过程及构建过程中如图5所示。地图构建过程中,将地图构建过程中各项指标参数测量统计如表1所示。
图5 实验场景及Gmapping地图构建过程

注：黑色圆点为本研究采用的移动机器人平台,绿色直线为规划扫描路线,方形彩色区域为障碍搜索范围,供机器人及时调节状态并躲避障碍。

Fig. 5 Experimental scene and the Gmapping map construction process

表1 室内地图构建各指标测量值

Tab. 1 Indicator measurements of indoor map construction

项目 测量值
测距范围/m 0.15~18
扫描角度/° 0~360
角度分辨率/° 0.9
单次测距时间/ms 0.25
测量频率/hz 2000~8000
扫描频率/hz 5~15
测距分辨率/ms <实际距离的1%
从表1可以看出,Gmapping算法在地图构建过程中,单次平均测距时间为0.25 ms,测距分辨率在全部量程范围内小于实际距离的1%,可以以极短的时间、较高的精度快速出图。本研究将全部实验场景密集覆盖,使得测量物体均控制在1.5 m以内,测距分辨率<0.5 mm。
3.2.2 VLC-PDR融合定位
基于Gmapping算法构建的栅格地图,采用EKF算法,融合VLC与PDR定位结果对比如图6-图8所示。图6显示行人由起点A经过直角拐角B、C、D、E、F、G、H后保持匀速走到回起点A,共计184步。首先采用PDR定位结果作为起点A的初始定位位置,当检测到完整的一个计步周期时,同时记录VLC定位结果、PDR定位结果以及EKF融合定位结果,从而保证各个定位频率和步态周期一致。与此同时,本研究在试验区域随机标定了18个试验点,将3种定位算法各定位10次,从系统定位平均耗时的角度（图8）分析对比定位效果。表2为各项指标测量值,表3展示了部分点位的定位结果。由结果对比可知：
图6 3种定位结果对比

Fig. 6 Comparison of three positioningresults

图7 3种定位误差对比

Fig. 7 Comparison of positioning error of 3 methods

图8 3种定位方式耗时对比

Fig. 8 Comparison of positioning time of 3 methods

表2 VLC定位各项指标测量值

Tab. 2 Indicators measurements of VLC positioning

项目 测量值
整体定位精度/m 2.64
定位点误差范围/m 0.8
响应时间/s 平均时间0.32
定位稳定性 定位点零漂移,体验感强
布设设备成本 嵌入式调制模块成本1元以内
表3 3种定位结果对比（部分）

Tab. 3 Comparison of the three positioning methods (part)

目标位置 VLC定位 PDR定位 VLC-PDR定位
x y x y 误差 x y 误差 x y 误差
3.30 5.97 2.80 5.60 0.62 2.67 5.46 0.81 2.27 6.85 1.36
4.84 3.12 2.80 2.80 2.06 8.83 6.38 5.15 4.32 2.68 0.68
7.88 6.78 7.00 2.80 4.08 11.82 10.00 5.09 8.46 7.28 0.77
9.90 8.54 7.00 8.40 2.90 6.41 11.39 4.50 9.03 7.80 1.14
6.24 7.40 4.90 7.40 1.34 9.91 4.40 4.74 6.80 7.88 0.74
（1）EKF可以很好地用于VLC-PDR融合定位。从图6和图7可看出,PDR定位随时间不断增大且不够稳定,最大误差达5.54 m,平均误差为4.33 m。VLC最大定位误差达7.52 m,平均定位误差为2.64 m。经过EKF滤波融合后,平均定位误差达到了1.33 m,超出了2种定位方式单独的定位精度。由于EKF启动值是采用VCL定位结果给出的,故起始状态EKF融合定位误差和VLC定位误差大致相同,但随着滤波算法的启动与滤波次数的增加,定位误差被很快的收敛至零误差。
（2）EKF融合定位效果因不存在长时间惯导积分,使得平均响应时间达到0.58 s,相比于惯导提升了约0.25 s。如图8所示,在较好的情况下（如点位2、5、7、9）,整体定位响应接近VLC定位响应时间。
（3）高精度室内地图具有很好的辅助定位作用。由于EKF融合定位算法充分结合了高精度室内地图信息,使行人轨迹在地图可通行区域内运行十分平滑。相比于PDR定位多次漂移至不可通行区域,EKF融合定位多次行走复杂拐角区域均未出现过大的定位漂移,且定位结果最大可能的趋近于行人轨迹。
（4）VLC定位可以以较低的成本,在保证定位稳定性的同时,实现高精度快速度定位。由图6可以看出,VLC定位在行人沿起点A到拐角B、C、D方向行进时,行进轨迹与真实轨迹近乎重合,但由于灯具之间距离较远,因而定位误差较大。而对于D到E、F、G、H复杂路段,虽然行人行进轨迹偏移增大,但与此同时总体定位误差降低,最大误差控制在3 m以内。
（5）从图7可看出,PDR单独定位误差随时间不断累积,累积速度呈现先快后慢的趋势。从图6可看出,PDR轨迹在拐角位置较易出现漂移,对于多转折多拐角的室内复杂场景的适应性差。这是因为惯性传感器对于快速的方向转变无法快速适应,也使得轨迹偏移较大。
（6）PDR定位误差除随时间累积之外,还与运动方向有关。从图7可看出,行人从行进开始到100步左右,定位点误差随时间累积增大,而100步往后误差出现下行趋势。这是因为100步左右位于拐角C处,拐角C到拐角D的运动方向与拐角A到拐角B的方向相反,造成纵轴方向部分累积误差的抵消。

4 结束语

针对VLC与PDR两种定位方式的特性,引入高精度室内地图辅助VLC-PDR融合定位。2种定位方式可实现优势互补,整体定位精度达到了1.33 m,优于2种定位方式单独定位的效果。定位响应时间为0.58 s,可实现实时快速响应。该融合定位算法仅需布设少量LED改造光源,无须其它额外硬件设备,无电磁干扰且能兼具照明/通信/定位功能,可以在诸多室内环境下（如加油站,保密部门,大型城市综合体等特殊场景）及配备照明系统的室外场景（如街道路灯场景、大型室外露天场景）利用普通智能手机快速实现室内人员定位。同时立足于可见光通信衍生出来的多种位置信息服务（如基于LIFI技术的语音交互等）,有望实现一灯多用、灯具智能化的技术革新。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Chen X, Pang J . Protecting query privacy in location-based services[M]. Kluwer: Academic Publishers, 2014.

[2]
承达瑜, 秦坤, 裴韬 , 等. 基于室内定位数据的群体时空行为可视化分析[J]. 地球信息科学学报, 2019,21(1):36-45.

[ Cheng D Y, Qin K, Pei T , et al. Visual analysis design and implementation for group spatiotemporal behavior based on indoor position data[J]. Journal of Geo-information Science, 2019,21(1):36-45. ]

[3]
黄华晋, 秦建息 . 基于三角定位算法的WiFi室内定位系统设计[J]. 广西科学院学报, 2016,32(1):59-61.

[ Huang H J, Qin J X . WiFi indoor positioning system design based on the triangle positioning algorithm[J]. Journal of Guangxi Academy of Sciences, 2016,32(1):59-61. ]

[4]
张梦丹, 光跃, 王宏刚 , 等. 基于指纹算法的无线室内定位技术[J]. 电信科学, 2016,32(10):77-86.

[ Zhang M D, Lu G Y, Wang H G , et al. Wireless indoor localization technology based on fingerprint algorithm[J]. Telecommunications Science, 2016,32(10):77-86. ]

[5]
阮陵, 张翎, 许越 , 等. 室内定位:分类、方法与应用综述[J]. 地理信息世界, 2015(2):8-14.

[ Ruan L, Zhang L, Xu Y , et al. Indoor positioning: Classification, methods and applications[J]. Geomatics World, 2015(2):8-14. ]

[6]
王琦 . 基于RSSI测距的室内定位技术[J]. 电子科技, 2012,25(6):64.

[ Wang Q . Research on an indoor positioning technology based on rssi ranging[J]. Electronic Science and Technology, 2012,25(6):64. ]

[7]
汪苑, 林锦国 . 几种常用室内定位技术的探讨[J]. 中国仪器仪表, 2011(2):54-57.

[ Wang Y, Lin J G . Indoor location technique based on RFID[J]. China Instrumentation, 2011(2):54-57. ]

[8]
孙大洋, 钱志鸿, 韩梦飞 , 等. 无线传感器网络中多边定位的聚类分析改进算法[J]. 电子学报, 2014,42(8):1601-1607.

[ Sun D Y, Qian Z H, Han Meng F , et al. Improving multilateration algorithm by cluster analysis in WSN[J]. Acta Electronica Sinica, 2014,42(8):1601-1607. ]

[9]
胡斌斌, 倪晓军 . 基于RSSI测距室内定位改进质心算法[J]. 计算机技术与发展, 2017,27(9):133-136.

[ Hu B B, Ni X J . An improved indoor localization algorithm of centriod with RSSI[J]. Computer Technology and Development, 2017,27(9):133-136. ]

[10]
周晓军 . 基于室外辅助和惯性导航的室内定位方法的研究与实现[D]. 杭州:杭州电子科技大学, 2014.

[ Zhou X J . Indoor localization research and implementation based on outdoor assist and inertial sensor[D]. Hangzou: Hangzhou Dianzi University, 2014. ]

[11]
Pivato P, Palopoli L, Petri D . Accuracy of RSS-Based centroid localization algorithms in an indoor environment[J]. IEEE Transactions on Instrumentation & Measurement, 2011,60(10):3451-3460.

[12]
Chen H, Huang P, Liang J , et al. Mobility-assisted node localization based on toa measurements without time synchronization in wireless sensor networks[J]. Mobile Networks & Applications, 2012,17(1):90-99.

[13]
Ho K C . Bias reduction for an explicit solution of source localization using TDOA[J]. IEEE Transactions on Signal Processing, 2012,60(5):2101-2114.

DOI

[14]
Yang S L, Park J W, Barolli L . A localization algorithm based on AOA for Ad-Hoc sensor networks[J]. Mobile Information Systems, 2014,8(1):61-72.

[15]
Scherhaufl M, Pichler M, Muller D , et al. Phase-of-arrival-based localization of passive UHF RFID tags: Microwave Symposium Digest, 2013[C].

[16]
刘云, 房飞翔 . 多输入融合卡尔曼滤波算法在矿井定位中的优化研究[J]. 传感器与微系统, 2018,37(1):83-86.

[ Liu Y, Fang F X . Study on optimization of MIFKF algorithm for personnel positioning in mine[J]. Transducer and Microsystem Technologies, 2018,37(1):83-86. ]

[17]
Lim J S, Jang W H, Yoon G W , et al. Radio map update automation for wifi positioning systems[J]. IEEE Communications Letters, 2013,17(4):693-696.

DOI

[18]
曾显彬 . 基于超声波与红外线的室内实时定位系统的研究与实现[D]. 泉州:华侨大学, 2017.

[ Zeng X B . Research and implementation of ultrasonic and infrared based real-time indoor positioning system[D]. Quanzhou: Huaqiao University, 2017. ]

[19]
周群, 沈重, 张鲲 , 等. 基于融合算法的GPS/UWB/MARG协同定位系统研究[J]. 现代电子技术, 2018(6):82-86.

[ Zhou Q, Shen Z, Zhang K , et al. Research on GPS/UWB/MARG cooperative positioning system based on fusion algorithm[J]. Modern Electronics Technique, 2018(6):82-86. ]

[20]
赵晶亮, 姚金杰, 苏新彦 , 等. 基于射频识别的室内定位系统设计[J]. 计算机测量与控制, 2011,19(11):2848-2850.

[ Zhao J L, Yao J J, Su X Y , et al. Indoor positioning hardware system design based on RFID[J]. Computer Measurement & Control, 2011,19(11):2848-2850. ]

[21]
赵延鹏, 时伟, 艾明曦 . 室内行人航迹推算/超声波组合定位融合算法[J]. 中南大学学报(自然科学版), 2016,47(5):1588-1598.

[ Zhao Y P, Shi W, Ai M X . Fusion algorithm in indoor integrated position system for pedestrian dead reckoning/ultrasonic[J]. Journal of Central South University(Science and Technology), 2016,47(5):1588-1598. ]

[22]
Liu F, Zhang Y, Dong Q , et al. Full tensor geomagnetic gradient reference map building and its integrated navigation algorithm[J]. Acta Geodaetica Et Cartographica Sinica, 2014.

[23]
Kuo W H, Chen Y S, Jen G T, et al. An intelligent positioning approach: RSSI-based indoor and outdoor localization scheme in Zigbee networks[C]. International Conference on Machine Learning and Cybernetics, 2010.

[24]
华海亮 . 基于WiFi和蓝牙的室内定位技术研究[D]. 吉林:辽宁工业大学, 2016.

[ Hua H L . Study on indoor localization technology based on wifi and bluetooth[D]. Jilin: Liaoning University of Technology, 2016. ]

[25]
Zampella F, Angelis A D, Skog I , et al. A constraint approach for UWB and PDR fusion: International Conference on Indoor Positioning and Indoor Navigation, 2013[C].

[26]
Jiménez A R, Seco F, Zampella F , et al. PDR with a foot-mounted IMU and ramp detection[J]. Sensors, 2011,11(10):9393-9410.

DOI

[27]
宋宇, 喻文举, 程超 , 等. 基于WiFi、PDR、地磁相融合的室内定位研究[J]. 微电子学与计算机, 2018,35(6):66-70.

[ Song Y, Yu W J, Cheng C , et al. Research on indoor positioning based on fusion of WiFi, PDR and geomagnetism[J]. Microelectronics & Computer, 2018,35(6):66-70. ]

[28]
Sanchez-Cervantes J L, Alor-Hernandez G, Juarez-Martinez U. ITOHealth: A multimodal location-based system for discovering medical entities[C]. Electronics, robotics and automotive mechanics conference, IEEE, 2010.

[29]
刘涛, 张星, 李清泉 , 等. 一种运动恢复结构和航位推算结合的室内行人视觉定位方法[J]. 地球信息科学学报, 2017,19(6):744-753.

[ Liu T, Zhang X, Li Q Q , et al. An indoor pedestrian positioning approach based on the integration of SFM and PDR[J]. Journal of Geo-information Science, 2017,19(6):744-753. ]

[30]
赵鹏 . 手术导航系统中光学和惯性组合定位方法的研究[D]. 北京:清华大学, 2015.

[ Zhao P . Research on integration of optical and inertial positioning for surgical navigation system[D]. Beijing: Tsinghua University, 2015. ]

[31]
刘明伟, 刘太君, 叶焱 , 等. 基于低功耗蓝牙技术的室内定位应用研究[J]. 无线通信技术, 2015,24(3):19-23.

[ Liu M W, Liu T J, Ye Yan , et al. The application research of indoor positioning based on low-power bluetooth technology[J]. Wireless Communication Technology, 2015,24(3):19-23. ]

[32]
Do T H, Hwang J, Yoo M . Analysis of the effects of LED direction on the performance of visible light communication system[J]. Photonic Network Communications, 2013,25(1):60-72.

DOI

[33]
邹倩, 夏玮玮, 张静 , 等. 基于VLC与IMU融合的移动物体跟踪室内定位系统[J]. 东南大学学报(英文版), 2018(4):451-458.

[ Zou Q, Xia W W, Zhang J , et al. An indoor positioning system for mobile target tracking based on VLC and IMU fusion[J]. Journal of Southeast University(English Edition), 2018(4):451-458. ]

[34]
高文研, 平雪良, 贝旭颖 , 等. 两种基于激光雷达的SLAM算法最优参数分析[J]. 传感器与微系统, 2018,37(4):28-30.

[ Gao W Y, Ping X L, Bei X Y , et al. Optimal parameter analysis of two SLAM algorithms based on laser radar[J]. Transducer and Microsystem Technologies, 2018,37(4):28-30. ]

[35]
宫婉婷, 孙作雷, 潘盼 . 基于二维激光的机器人室内构图[J]. 微型机与应用, 2017,36(18):55-58.

[ Gong W T, Sun Z L, Pan P . Indoor mapping of robot based on 2D laser[J]. Microcomputer & its Applications, 2017,36(18):55-58. ]

[36]
Wen Congcong, You C, Peng L . Research on indoor visible light positioning system based on SLAM maps: Video Processing and Artificial Intelligence, 2018[C].

[37]
赵嘉琦, 迟楠 . 室内LED可见光定位若干关键技术的比较研究[J]. 灯与照明, 2015(1):34-41.

[ Zhao J Q, Chi N . Comparative research on several key indoor positioning technologies based on LED visible light communication[J]. Light & Lighting, 2015(1):34-41. ]

[38]
吴楠, 杨爱英, 冯立辉 , 等. 可见光定位关键技术的研究与展望[J]. 南京信息工程大学学报(自然科学版), 2017,9(2):159-167.

[ Wu N, Yang A Y, Feng L H , et al. Review on indoor positioning technology based on visible light communications[J]. Journal of Nanjing University of Information Science & Technology, 2017,9(2):159-167. ]

[39]
宋敏, 申闫春 . 室内定位航位推测算法的研究与实现[J]. 计算机工程, 2013,39(7):293-297.

[ Song M, Shen Y C . Research and realization of dead reckoning algorithm for indoor localization[J]. Computer Engineering, 2013,39(7):293-297. ]

[40]
陈国良, 张言哲, 汪云甲 , 等. WiFi-PDR室内组合定位的无迹卡尔曼滤波算法[J]. 测绘学报, 2015,44(12):1314-1321.

[ Chen G L, Zhang Y Z, Wang Y J , et al. Unscented Kalman filter algorithm for WiFi-PDR integrated indoor positioning[J]. Acta Geodaetica et Cartographica Sinica, 2015,44(12):1314-1321. ]

[41]
Shi Y, Sun K, Huang L , et al. Online identification of permanent magnet flux based on extended Kalman Filter for IPMSM drive with position sensorless control[J]. IEEE Transactions on Industrial Electronics, 2012,59(11):4169-4178.

DOI

Options
Outlines

/

〈 〉