一种基于RAUKF的RSSI室内定位算法制造技术

本发明专利技术公开了一种基于RAUKF的RSSI室内定位算法，通过采集待定位节点至离其最近的三个锚节点之间的RSSI值，利用信号传播模型将RSSI值转化为距离。通过得到的距离，利用最小二乘法确定待定位节点的具体位置，运用无迹卡尔曼滤波对待定位节点运动轨迹进行预测，最终运用RAUKF方法对运动轨迹进行平滑处理，得到精确结果。RAUKF方法对无迹卡尔曼滤波的过程噪声协方差和测量噪声协方差进行了优化，进一步提高了准确度，解决了传统自适应滤波数值偏移、迭代发散等问题，为室内定位提供了一种优良的定位算法。定位算法。定位算法。

【技术实现步骤摘要】
一种基于RAUKF的RSSI室内定位算法


[0001]本专利技术涉及一种基于RAUKF的RSSI室内定位算法，属于室内定位


技术介绍

[0002]基于位置的服务(Location
‑
based services)在人们的生活中发挥着越来越重要的作用，据统计，人们有70％以上的实践是在室内进行，因此室内环境的定位服务有极大的应用前景。传统的室外定位方法，如GPS、GALILEO等在面对室内环境下的位置服务时，受到建筑、室内摆设、装饰等物体的影响较大，精度有限。受益于近年来物联网技术的发展，基于无线传感网(WSN)的室内定位方案逐渐成为主流；按照是否需要测量锚节点与待定位节点之间的距离，基于WSN的室内定位方法可以分为基于测距的定位技术和基于非测距的定位技术。大多数基于测距的定位技术需要在场景内预先部署至少三个锚节点，采用一定的算法获取待定位节点的坐标。基于非测距的定位算法主要包括基于定位区域的信号强度(RSSI)的指纹定位，基于目标节点自身行动姿态的惯性定位以及计算机视觉方法等。随着近年来深度学习的发展，基于RSSI的本文档来自技高网...

【技术保护点】

【技术特征摘要】
z(k)＝H
k
X
k
+V
k
其中上式中x(k)代表系统状态向量，Φ代表系统转移矩阵，W
k
‑1代表过程噪声，z(k)代表测量向量，H
k
代表状态观察矩阵，V
k
代表测量噪声；通过无迹卡尔曼滤波公式，利用下式更新卡尔曼增益，状态向量和方差：通过无迹卡尔曼滤波公式，利用下式更新卡尔曼增益，状态向量和方差：P(k+1|k+1)＝P(k+1|k)
‑
K(k+1)P
zz
K
T
(k+1)。6.根据权利要求5所述的一种基于RAUKF的RSSI室内定位算法，其特征在于：所述步骤(4)中，引入奇异值分解的方法代替传统卡尔曼滤波中的cholesky分解法，提高数值的稳定性；方程如下：而在室内定位中，P
k|k
是一个对称的正定矩阵，因此上述公式中的矩阵V
k|k
替代并且忽略V
k|k
来减少计算量，则得矩阵S
k|k
：上述r
i
代表奇异值，且均为正；利用上式生成矩阵D：则传统无迹卡...

【专利技术属性】
技术研发人员：陈志强，刘弘祥，刘昊，
申请(专利权)人：东南大学，
类型：发明
国别省市：