發(fā)布時(shí)間：2025-03-20 03:33

　　隨著科學(xué)技術(shù)的飛速發(fā)展和人們生活水平的日益提高,基于室內(nèi)定位的服務(wù)應(yīng)用受到了越來越多的關(guān)注。經(jīng)過大量的研究,室內(nèi)定位領(lǐng)域公認(rèn)的發(fā)展趨勢(shì)是從多個(gè)成本低廉的傳感器獲取不同的數(shù)據(jù)信息,利用融合技術(shù)實(shí)現(xiàn)精確且魯棒的定位結(jié)果。許多科研成果已證明在視覺特征豐富的環(huán)境中基于圖像的定位效果很好,但當(dāng)外界存在干擾時(shí)會(huì)產(chǎn)生較大且無法預(yù)測(cè)的誤差。近年來,慣性測(cè)量單元憑借性價(jià)比高、可實(shí)現(xiàn)自主定位而廣受歡迎。其不足之處在于長(zhǎng)時(shí)間運(yùn)行會(huì)產(chǎn)生誤差累積問題。針對(duì)室內(nèi)定位的發(fā)展趨勢(shì),及視覺和慣性定位的各自優(yōu)缺點(diǎn),從不同融合結(jié)構(gòu)角度出發(fā),本論文主要提出了以下三種融合定位算法:第一,提出了一種利用改進(jìn)的卡爾曼濾波器融合現(xiàn)有視覺和慣性定位結(jié)果的算法。該算法利用分布式融合結(jié)構(gòu),通過設(shè)計(jì)包括位置、速度、加速度差三狀態(tài)的卡爾曼濾波器模型及引入特征匹配閾值的概念,實(shí)現(xiàn)了視覺與慣性定位的融合。其利用了慣性定位在短時(shí)間內(nèi)準(zhǔn)確的優(yōu)點(diǎn),又可有效控制視覺定位在存在外界干擾時(shí)定位不準(zhǔn)確的問題。實(shí)驗(yàn)表明,融合定位后的精度要好于僅基于慣性數(shù)據(jù)或視覺特征的結(jié)果。第二,提出了一種基于全局特征和差分零速度校正的加權(quán)定位算法。本算法對(duì)傳統(tǒng)的視覺及慣性定位方法...

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 引言
    1.2 課題的研究背景與意義
    1.3 室內(nèi)定位技術(shù)國(guó)內(nèi)外發(fā)展現(xiàn)狀
        1.3.1 基于單一信息源的定位技術(shù)
        1.3.2 基于多源信息融合的定位技術(shù)
    1.4 論文創(chuàng)新點(diǎn)及組織結(jié)構(gòu)
        1.4.1 論文創(chuàng)新點(diǎn)
        1.4.2 論文組織結(jié)構(gòu)
第2章 信息融合技術(shù)基礎(chǔ)概述
    2.1 信息融合概念簡(jiǎn)介
    2.2 信息融合的分類
        2.2.1 基于處理層次的信息融合分類
        2.2.2 基于融合結(jié)構(gòu)的信息融合分類
    2.3 信息融合的主要實(shí)現(xiàn)方法
第3章 基于改進(jìn)的卡爾曼濾波器的融合定位算法
    3.1 慣性定位系統(tǒng)
        3.1.1 慣性傳感器簡(jiǎn)介
        3.1.2 慣性導(dǎo)航系統(tǒng)
        3.1.3 慣性測(cè)量值預(yù)處理
        3.1.4 慣性導(dǎo)航基本原理
    3.2 視覺定位系統(tǒng)
        3.2.1 k近鄰算法原理
        3.2.2 基于視覺特征的定位算法
    3.3 基于改進(jìn)的卡爾曼濾波器的定位算法
        3.3.1 卡爾曼濾波器基本原理
        3.3.2 基于卡爾曼濾波器的融合模型設(shè)計(jì)
    3.4 實(shí)驗(yàn)設(shè)置
    3.5 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第4章 基于全局特征和差分零速度校正的加權(quán)定位算法
    4.1 基于圖像全局特征的視覺定位方法
        4.1.1 模糊C-均值聚類方法
        4.1.2 聚類全局特征
    4.2 差分零速度校正方法
        4.2.1 基于傳統(tǒng)零速度校正的行人航跡推算原理
        4.2.2 基于差分統(tǒng)計(jì)的零速度校正方法原理
    4.3 基于主成分分析的指標(biāo)權(quán)重確定原理
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 聚類全局特征有效性驗(yàn)證
        4.4.2 差分零速度校正實(shí)驗(yàn)結(jié)果
        4.4.3 基于PCA的加權(quán)定位算法實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第5章 基于極限學(xué)習(xí)器和Dempster-Shafer證據(jù)理論的定位算法
    5.1 極限學(xué)習(xí)器原理
        5.1.1 神經(jīng)網(wǎng)絡(luò)概述
        5.1.2 極限學(xué)習(xí)器基礎(chǔ)原理簡(jiǎn)介
    5.2 Dempster-Shafer證據(jù)理論原理
    5.3 轉(zhuǎn)角判定及處理
    5.4 基于ELM和 D-S證據(jù)理論的定位算法
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 ELM不同隱含層節(jié)點(diǎn)設(shè)置下的算法性能比較
        5.5.2 SURF特征數(shù)的選取
        5.5.3 與僅基于圖像的定位算法比較結(jié)果
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
發(fā)表論文和參加科研情況說明
致謝



本文編號(hào)：4037316