论文部分内容阅读
复杂环境下,定位信号的严重衰减甚至中断,会导致定位精度降低甚至定位失败。单一种类传感器的定位方法无法从根本上解决这一问题,而结合各种传感器的优势进行联合定位,是一种可行的方法。由于超宽带(Ultra-Wide Band,UWB)和惯性测量单元(Inertial Measurement Unit,IMU)在定位导航中拥有各自的特点,其中UWB信号测距精度高、穿透能力强;IMU能够根据加速度、角度等信息进行自主定位导航,因此本文结合了超宽带和IMU的优势,实现复杂环境下的精确定位。超宽带信号具备穿透大部分障碍物的能力,但是由于障碍物遮挡会在测量结果中引入正偏差。针对这一问题,本文提出了基于机器学习、低复杂度的K最近邻(K-Nearest Neighbor,K-NN)非视距误差消除算法。实验证明该算法能够有效地消除非视距误差均值。相比于最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)算法,两者对测距和定位精度提高效果基本相同,但K-NN算法极大地降低了样本训练时间,提高了算法实用性。本文还实现了超宽带定位系统的设计与开发,进一步验证超宽带定位精度以及K-NN算法在实际应用中的效果。在此基础上,本文研究了基于扩展卡尔曼滤波框架下,将超宽带测距值和IMU观测值进行数据融合,实现在锚节点不足情况下,仍然可以精确定位的目标。对于测距值和观测角度非线性问题,扩展卡尔曼滤波利用一阶泰勒展开式对观测方程进行线性化处理。仿真结果表明,在40 m?40 m的场景下,即使只能接收到一个视距条件下的测距值,联合定位也能将90%的误差控制在0.6 m以下。该研究表明,利用异构传感器信息深度融合是提高复杂环境下定位精度的有效方法。本文提出的K-NN非视距误差消除算法,以及通过超宽带和IMU异构信息深度融合进行联合定位的方法,能够为提高复杂环境下定位精度提供理论参考。