本发明属于无线定位技术领域,涉及的是一种基于机器学习的复杂环境下无线定位方法。主要步骤是采用视距(Line of Sight,LOS)环境下基于UWB(Ultra‑Wide Band,超宽带)的几何定位模块、非视距(Non Line of Sight,NLOS)环境下基于深度学习的指纹定位模块、基于加速度和陀螺仪的航位推算(Dead Reckoning,DR)模块和基于视觉的同步定位与地图构建(Visual Simultaneous Localization and Mapping,VSLAM)模块对终端进行多信号源定位,同时利用基于粒子滤波和扩展卡尔曼滤波对无线定位结果进行融合平滑处理,通过机器学习实现样本的自动更新以及深度置信网络(Deep Boltzmann Machine,DBN)的自动训练,以适应室内布局多变的空间和电磁环境。本发明可以适应复杂的室内环境,为终端提供高精度、连续、稳定的无线定位服务。
本发明属于无线通信技术领域,涉及的是一种基于粒子滤波的多源融合定位方法。主要步骤是主滤波器中采用粒子滤波器对基于UWB(Ultra Wide Band,超宽带)的短距离高精度无线定位信息、基于扩展卡尔曼滤波的DR(Dead Reckoning,航位推算)与VSLAM(Visual Simultaneous Localization And Mapping,视觉同步定位与地图构建)运动平滑融合定位、基于深度置信网络的地磁信号指纹定位,多种不同信号源定位数据不断融合、逐步求精,并对定位结果进行反馈校正,实现在LOS(Line Of Sigh,视距)与NLOS(Non Line Of Sigh,非视距)环境下的高精度、连续定位。本发明可以适应在非视距、复杂电磁环境以及在室内布局多变环境,实现高精度、连续、稳定的定位,为智慧城市室内定位提供技术支撑。