导航定位算法

2024-07-08

导航定位算法（通用9篇）

导航定位算法篇1

0引言

水下滑翔机是一种无外挂推进系统、通过内置执行机构调整重心位置和净浮力来控制其运动的新型水下航行器, 主要用于长时间、大范围的海洋环境监测。与传统水下航行器相比, 水下滑翔机具有作业时间长、航行距离大、作业费用低和对母船的依靠性小等优点[1]。精确的导航能力是水下滑翔机有效应用和安全回收的一个关键技术[2]。然而, 水下滑翔机成本较低, 所携带的传感器数量和种类较少, 同时需要长时间, 大航程巡航, 实现精确导航定位是不易的。

本文针对水下滑翔机导航定位的特点, 提出了水面- 水下导航定位算法, 即水面通过GPS提供滑翔机的位置信息, 水下采用电子罗盘和AHRS提供的滑翔机运动姿态信息[3], 结合数据融合理论[4], 运用扩展卡尔曼滤波对滑翔机进行航位推算。通过Matlab进行仿真处理, 证明了该算法的有效性及鲁棒性。

1导航基本算法

导航定位算法示意图如图1所示。

图1中设滑翔机位于P (λ1, φ1) 点, 搜索目标点D (λ2, φ2) , 其中 (λ, φ) 为点的经度、纬度。滑翔机要航行的东向和北向距离 (单位:m) 分别为:

式中:kφ, kλ为距离标度因子 (单位:m/s) :

2坐标系的变换

由于水下滑翔机所携带的传感器中, GPS使用的是WGS-84坐标系, 电子罗盘和AHRS使用的是载体坐标系, 这就给数据处理带来了诸多不便。为解决这一问题, 必须进行坐标系转换, 将所用的导航数据全部转换到选定的坐标系中[5]。以下坐标系变换都是将滑翔机从三位空间坐标XYZ投影到二维平面坐标系XOY中进行的。

2.1地球坐标系

如图2所示, 该坐标系与地球固联, 坐标原点在地心, Z轴沿地球自转轴且指向北极, X轴与Y轴在地球赤道平面内, X轴指向零子午线, Y轴指向东经90°方向。运动体在该坐标系内的定位采用经度 λ 和纬度 φ 及距地心距离R来标定。

2.2 GPS坐标系转换为地球坐标系

GPS使用的是WGS-84地心大地坐标系, 将其中的点 (φ, λ, h) 转换为地球坐标系中的点 (x, y, z) 的转换关系如下:

式中:a为地球长半轴, b为短半轴, e2= (a2- b2) a2为第一偏心率平方;N = a (1 - e2sin2φ) 1 2为东西圆曲率半径[6]。

2.3载体坐标系转换为地球坐标系

水下滑翔机携带的电子罗盘和AHRS都是采用的载体坐标系 (以当前航向所在方向作为x轴) 。如图3所示, xy表示载体坐标系, XY表示地球坐标系, 三角形代表载体。载体坐标系转换为地球坐标的推导如下:

式中:从k时刻到k + 1时刻, Δ x表示载体在航向上的距离改变量, 可以由AHRS在载体坐标系x轴方向上的加速度对时间积分求得, 即:表示在把航向逆时针旋转90° 后的垂直航向方向上的距离改变量, 可以由AHRS在载体坐标系y轴方向上的加速度对时间积分求得, 即:表示k时刻地球坐标系X轴正方向在逆时针方向上与载体坐标系x轴的正方向的夹角, α = α + Δ θ。

3数据融合过程[7]

(1) 状态向量:

式中:x, y是地球坐标系下滑翔机的位置坐标;α 地球坐标系X轴正方向在逆时针方向上与载体坐标系x轴的正方向的夹角;ax, ay为滑翔机载体坐标系下东向和北向的分加速度。

(2) 状态方程:由k - 1时刻状态预测k时刻的状态, 对各个状态参量求导:

(3) 观测向量:

式中:ax, ay可以由AHRS[8]测得 Δθ 为转向角, 可由电子罗盘[9]的俯仰测得。观测向量误差协方差:

观测矩阵:

将状态预测和观测预测联系起来, 观测预测:

(4) 控制量:

对控制量求导:

控制量协方差矩阵:

4扩展卡尔曼滤波的执行过程

程序执行的流程图如图4所示。

由上述过程最终得到EKF递归方程[10]。

观测预测:

新息

预测方程:状态参量协方差估计

更新方程:卡尔曼增益

滑翔机姿态更新:

状态参量协方差矩阵更新:

5 Matlab仿真及结果分析

系统初始化如下:

下潜速度为20 m/min, 每30 min进行一次航位推算。倾角为20°, 航向角为15°, 俯仰角为0°。

初始位置点为:120.36°E, 36.15°N。

经过3 h的航位推算 (扩展卡尔曼滤波器) 得到数据见表1。

由任意两点A (α1, β1) , B (α2, β2) 的距离公式:

其中R为地球半径, α, β 分别为经度和纬度。

可以求出S1- S2= 864 m, 由预先设定可知水下滑翔机在虚拟水平面与初始点的距离为30×30×cos 20°=845 m, 推算距离与实际距离相差19 m, 符合系统对水下定位的要求。

对余下5个测试点进行验证, 可得其与实际距离差分别为:25 m, 21 m, 22 m, 27 m, 20 m, 平均误差在23 m左右。

仿真结果说明在模拟的环境中, 水下滑翔机航位推算算法的有效性, 同时扩展卡尔曼滤波器保证了航位推算误差不随时间增加而扩散, 使得系统稳定。

摘要：介绍了水下滑翔机定位导航的特点, 提出了水面-水下导航定位算法。通过Matlab进行扩展卡尔曼滤波仿真处理, 证明了该算法的有效性及鲁棒性。

关键词：水下滑翔机,导航定位,卡尔曼滤波,Matlab仿真

参考文献

[1]程雪梅.水下滑翔机研究进展及关键技术[J].鱼类技术, 2009, 17 (6) :1-6.

[2]董绪荣.一种低成本的GPS组合导航技术[J].指挥技术学院学报, 2000 (5) :18-20.

[3]FEEZOR M D, YATES S F, BLANKINSHIP P R, et al, Autonomous underwater vehicle homing/docking via electromagnetic guidance[J].IEEE Journal of Oceanic Engineering, 2001, 26 (4) :515-521.

[4]张爱军.水下潜器组合导航定位及数据融合技术[D].南京:南京理工大学, 2009.

[5]邓正隆.惯性技术[M].哈尔滨:哈尔滨工业大学出版社, 2006.

[6]朱海, 莫军.水下导航信息融合技术[M].北京:国防工业出版社, 2002.

[7]莫军, 丁宁.GPS与基于海流数据库的推算船位的数据融合[J].中国航海, 2002, 50 (1) :31-36.

[8]SIPOS M, PACES P, REINSTEIN M, et al.Flight attitude track reconstruction using two AHRS units under laboratory conditions[C]//Proceedings of 2009 IEEE Sensor.Christchurch, New Zealand:IEEE, 2009:675-678.

[9]蒋贤志.数字电子罗盘误差分析及校正技术研究[J].现代雷达, 2005, 27 (6) :39-41.

[10]付梦印, 邓志红.Kalman滤波理论及其在导航系统中的应用[M].北京:科学出版社, 2010.

导航定位算法篇2

教材分析

本科教学内容分为三个部分。第一部分通过对卫星导航仪的介绍，了解它的基本功能，并由此引出卫星定位导航技术。第二部分介绍了卫星定位导航技术的概念和应用，以及卫星定位系统的丞，强调了要想实现导航，首先必须定位，然后利用导航软件和数字地图进行路径的选择和优化。

学情分析

鉴于多数学生已亲身体验过卫星定位导航，可以让熟练的学生进行课堂演示，做一回“小老师”。

预设教学目标

1.认识卫星导航仪;2.认识卫星定位导航技术的应用。

教学重点认识卫星导航仪。

教学难点

认识卫星导航技术的应用。

课时安排： 1课时预设教学过程：

一、导入

大家知道或者了解卫星导航仪么？学生思考、讨论、交流。

二、新授

教师：介绍重量的知识和概念。1.生介绍卫星导航技术知识。①教师提出任务：生自读概念。②卫星导航仪又是如何工作的呢？

③生自读课本了解相关原理和知识。经验交流：把自己的亲身经历与大家分享。

2.认识卫星定位导航技术

①阅读课本，初步认识卫星导航仪。②指名学生说出卫星导航仪的操作特点。

③深入介绍，加深学生印象，使学生对物联网的应用有更加深入的了解。3.课后完成实践园。4.认识卫星导航仪的应用

①师介绍卫星导航仪的应用，使学生了解其应用非常广泛。②思考：北斗卫星导航系统的示意图，学生思考、讨论、交流。③按照要求完成探究屋的内容。（四人小组协作完成）填写成果篮。

三、课堂小结

教师：这节课同学们学习了卫星导航仪，认识卫星定位导航系统以及其在实际生活中的应用。课后希望大家通过自己的观察、调查等相关的途径，更加客观清楚的认识卫星导航仪，了解卫星定位导航的技术应用，在生活实践中体验到卫星导航带给我们的方便和巨大作用。

教后反思：

鉴于多数学生已亲身体验过卫星定位导航，建议可对卫星定位导航和百度地图导航的差异性进行适当讨论。百度地图提供了丰富的公交换乘、驾车导航的查询功能，以及最适合的路线规划，它主要是依靠的地图数据库和准确的地理位置来获得导航信息。而卫星定位导航则能根据当前的具体位置，进行实时的导航。

随着公路网的日趋增多，以及行车途中影响车速的因素愈加复杂，诸如天气、车流情况、路面质量、信号灯及路面吞吐量等，如何在出发点与目的地间选择一条最合适的路线就显得越来越重要。因此，建议在教学中适当引入对该问题的思考，激发学生科学探索的兴趣。

导航定位算法篇3

在诸多基于位置的服务(LBS, Location Based Service)中,车辆导航无疑现在是、将来仍是这一行业的支柱和主要增长点。因此,研究如何提高车辆导航仪的性能将是今后本行业研究的一个重点。这其中,定位精度和连续性是导航仪性能指标中最重要的两项内容。基于这个背景,本文旨在通过改进定位算法来提高定位精度,即提出以EM方法提高车辆定位的精度和连续性,并通过仿真实验验证了可行性,为下一步的产业化应用做好准备。

1 大中型城市车辆导航的特殊环境与传统对策的局限性

大中型城市市区往往高楼高架林立,不利于GPS(Global Positioning System,全球定位系统)信号的接收。在这样的环境下,信号接收不良所导致的结果有:多径效应、接收机可以跟踪的GPS卫星数目不足(即小于4颗或更低)以及跳变。多径效应主要导致接收机位置解算精度降低,而可跟踪的GPS卫星数目的不足与跳变将不仅影响到位置解算精度,还将影响某些应用如车载导航仪的服务质量。以上两点都是生产GPS卫星接收机芯片及其衍生产品如手持式或车载导航仪厂家所必须考虑的问题。

然而,现有的对策并不足以解决这三个问题。解决问题的对策不外乎两方面:软件算法和硬件改进。虽然各类卡尔曼滤波算法(Kalman Filtering)的理论与在其他行业中的应用已有40多年的历史,但目前车载导航仪的算法主要采用仍是扩展卡尔曼滤波(Extended Kalman Filtering)。考虑到导航方程的非线性以及动态系统噪声并非高斯白噪声[1],一般的扩展卡尔曼滤波不足以解决上述三个问题。此外,消除多路径效应以及各类误差源的硬件技术掌握在少数几家公司手中且往往只用于高端产品,而价格低廉的车载导航仪与此类技术无缘。

综上所述,如果存在具备性能及价格两方面优势的改进方案,那么车载导航仪的性能将有质的提升,市场前景也将更加宽广。基于此,本文提出了基于期望最大化(EM, Estimation Maximization)算法的车辆导航定位质量改进方案。

2 EM方法的基本原理

2.1 EM方法

本质上,EM算法是一类参数估计方法。当把GPS接收机定位看作一个动态系统时,视最终目的可以调整系统的复杂性。考虑到本文的目的在于提高定位的性能,因而把整个系统看作一个较为复杂的动态系统,内含一组未知参数。这组参数将用于描述系统的非白噪声。作为一种被广泛使用参数估计方法,EM算法将被用于估计这组参数。

EM算法分为前后两步:E-步(Expectation-Step)和M-步(Maximization-Step)。E-步的作用是根据某一段时间内观测到的输入数据和输出数据将该段时间内其他隐藏的状态估计出来。M-步的作用是利用E-步的结果重新估计该系统的参数。利用EM方法改进车载导航仪的定位质量,目的就是要利用它的参数学习特性提高当前及以后时刻的定位精度和连续性。本文的主要工作就是解决第一步即E-步的实现问题。

由于E-步是一个平滑(smoother)即涉及到动态系统状态估计的问题,因而很自然地想到使用卡尔曼平滑器来解决。考虑到车载导航系统的非线性,一般的作法是使用扩展卡尔曼平滑(EKS, Extended Kalman Smoother)。本文针对EKS的不足,在改进方案中提出采用平淡卡尔曼平滑(UKS, Unscented Kalman Smoother)进行状态解算。作为该平滑器的核心内容,本文接下去将简要介绍平淡卡尔曼滤波(Unscented Kalman Filtering)的优点以及适用于车载情况下的各项方程。

2.2 UKF

用于解决非线性系统状态估计的传统卡尔曼滤波方法是EKF。但EKF存在三大缺陷。①EKF要求将系统的过程模型(Process Model,也称状态模型)线性化,通常的作法是在某一点附近作一阶泰勒展开,得到线性化的过程模型后,再应用一般的卡尔曼滤波方法,结合测量模型(Measurement Model)和当前观测值对系统的状态进行估计。因此,由于迭代过程所使用的过程模型的线性化,导致EKF对系统状态的估计只能是次优的[6]。②传统的车辆导航模型为了使用卡尔曼滤波,将过程模型噪声和测量模型噪声模型化为高斯白噪声。这并不能反映实际情况。③EKF要求计算雅可比矩阵(Jacobian Matrices),增加了系统的计算负担。

而UKF是选取一组能够完全反映系统状态的均值和方差的取样点(称为Sigma点),通过未经非线性化的过程模型、结合初值和测量模型准确估计系统状态。对状态的均值和方差的估计精度可以达到二阶,而EKF只能达到一阶[2]。本文将使用文献[2]中的算法实现UKF。

3 车辆导航模型

3.1 测量模型

设在观测时刻(epoch)k,第i颗(i=1,2,…,n)GPS卫星与用户接收机天线之间(以下简称接收机)的真实距离为Rik:

$R_{i k} = \sqrt{(x_{r k} - x_{i k})^{2} + (y_{r k} - y_{i k})^{2} + (z_{r k} - z_{i k})^{2}} (1)$

这里,(xrk,yrk,zrk),(xik,yik,zik)分别是接收机和GPS卫星在地心地固(ECEF)坐标系中的坐标。则第i颗卫星与接收机之间的伪距ρik为:

ρik=Rik+cδtk+εik+ν1ik (2)

这里,δtk是k时刻接收机钟差,εik是信号传播通道误差(包括电离层、对流层误差等),设为非白噪声[3],ν1ik为观测误差,c为光速。此外,多普勒测量值描述了接收机的速度信息:

$\begin{array}{l} D_{i k} = [(x_{r k} - x_{i k}) (\dot{x}_{r k} - \dot{x}_{i k}) + (y_{r k} - y_{i k}) (\dot{y}_{r k} - \\ \dot{y}_{i k}) + (z_{r k} - z_{i k}) (\dot{z}_{r k} - \dot{z}_{i k})] / R_{i k} + \\ c \dot{δ} t_{k} + δ R_{k} + ν 2_{k} (3) \end{array}$

其中,( $\dot{x}$ rk, $\dot{y}$ rk, $\dot{z}$ rk),( $\dot{x}$ ik, $\dot{y}$ ik, $\dot{z}$ ik)分别是接收机、GPS卫星在ECEF系中的速度矢量, $\dot{δ}$ t是接收机钟漂,δRk是由于廉价接收机所使用的晶振所引起的、观测时间间隔内、真实伪距变化与由接收机计算的伪距率之间的常数偏差[3]。ν2k为观测误差。

为了更加完整地描述车辆导航系统,将伪距和多普勒测量值取为观测量yk:

yk=[ρ1k,ρ2k,…,ρnk,D1k,D2k,…,Dnk]T (4)

3.2 过程模型

将接收机的位置(xrk,yrk,zrk),速度( $\dot{x}$ rk, $\dot{y}$ rk, $\dot{z}$ rk),cδtk,c $\dot{δ}$ tk,δRk,通道误差ε1k,ε2k,…,εnk设为状态量xk:

$\begin{array}{l} x_{k} = [x_{r k}, \dot{x}_{r k}, y_{r k}, \dot{y}_{r k}, z_{r k}, \dot{z}_{r k}, c δ t_{k}, c \dot{δ} t_{k}, δ R_{k}, \\ ε_{1 k}, ε_{2 k}, \dots, ε_{n k}]^{Τ} (5) \end{array}$

需要说明的是,考虑到今后的车辆导航将与三维电子地图紧密结合,因此状态量中包含高程值和同坐标轴上的速度分量,为今后的应用扩展留下接口。

过程模型为:

xk=Fxk-1+Cwk-1 (6)

wk为过程模型噪声:

式中, $\ddot{x}_{r k}$ , $\ddot{y}_{r k}$ , $\ddot{z}_{r k}$ 描述了接收机的加速度,因为普通车辆的运行是低动态的,所以在此过程中作为模型噪声处理。w1k,w2k为描述接收机钟差和钟漂模型的噪声[4]。wδRk用于描述δRk的噪声,wεik(i=1,…,n)是第i个通道模型噪声。作为描述过程模型和测量模型非白噪声的参数,η和σ的取值如下[3]:

$η = \frac{2 τ - 1}{2 τ + 1}, σ = \frac{2 τ}{2 τ + 1} (8)$

使用经验参数τ=100(秒)[4]代入上式,得η=199/201≈0.99,σ=200/201≈0.995。

4 改进方案的试验验证

实验数据来自诺瓦泰公司的SuperStar II接收机,同时采用一台高精度的Trimble公司的MS750 RTK接收机作为参考数据源。将接收机天线安装在汽车顶部,然后记录接收机在直线行进一段距离的过程中所输出的原始数据。按照上一节所述之模型与UKF算法进行编程,经手提式计算机解算得出最终结果如图1所示。这里为了描述方便,选取前170秒的结果进行绘图。

横轴代表时间,纵轴代表使用不同滤波方法得到的定位结果与作为参考的RTK接收机输出结果的差值。在定位结果之上,还显示了当时可用于定位的卫星数量。

实验结果表明,在x轴、y轴和z轴方向(地心地固坐标系,ECEF系)上,使用UKF得到的定位结果比EKS的更为精确与平滑。特别是在本次实验中,z方向上UKF定位(即高程)精度达到了1至2米,这十分有利于在实际应用中判断车辆是否行使在高架道路上。需要注意的是,这里的UKF结果未经平滑。可以预计,UKS的结果将比UKF更为平滑。此外,在可用于定位计算的GPS卫星数目有所变化时,使用UKF的定位解算其结果也没有出现明显跳变。根据以上分析可以作出以下结论,即采用UKS作为E-M方法中E-步的解决方案能够有效地提高车载环境下接收机的定位精度和稳定性,进而提高车载导航的服务质量。

5 结束语

首先简述了车载导航的特殊环境,然后在此基础上提出了利用EM算法提高导航状态解算精度的构想。通过使用平淡卡尔曼滤波,解决了期望最大化两步算法中的第一步即状态估计问题。基于实测数据的仿真结果证明,该方法能够有效地提高车载环境下接收机的定位精度和稳定性,进而提高车载导航的服务质量。

对过程模型的非白噪声进行了单独处理,但未能对测量模型的非白噪声进行处理。事实上,由于电离层、对流层等一系列因素的影响,相邻两个时刻的测量值是相关的[5]。此外,目前出现了一些UKF的改进算法。针对这些算法在车载导航上的有效性,将是下一步研究的方向。

摘要：随着GPS车载导航系统的普及,围绕车载导航系统性能的研究主要集中在了如何提高导航精度的问题上。然而,车载导航应用的特殊环境决定了传统的精度提高方法的局限性。文中首先简述了车载导航的特殊环境,然后在此基础上提出了利用EM(Expectation Maximization,期望最大化)算法提高导航状态解算精度的构想。通过使用平淡卡尔曼滤波,解决了期望最大化两步算法中的第一步即状态估计问题。基于实测数据的仿真结果证明,该方法能够有效地提高车载环境下接收机的定位精度和稳定性,进而提高车载导航的服务质量。

关键词：车载导航,期望最大化算法,平淡卡尔曼滤波

参考文献

[1] Bradford W Parkison.No Selective Ability (S/A) for GPS III, National Space-Based PNT Advisory Board, Second Meeting, Washington, American, October 4&5, 2007[C].Washington: National Space-Based PNT Executive Committee,c,2007.

[2] Eric A Wan,der Merwe R V. Kalman Filtering and Neural Networks[M].New York: John Wiley & Sons, Inc., 2001: 175-280.

[3] Xuchu Mao. Study on Nonlinear Filter Signal Processing for Standalone GPS[D].Tokyo: University of Tokyo,2003.

[4]Cooper S,Durrant-Whyte H.A Kalman Filter Model for GPS Naviga-tion of Land Vehicles[C].IEEE Transactions on Aerospace and Elec-tronic Systems(IROS’94),Munich,Germany,September,1998.

导航定位算法篇4

打开手机“设置”——“更多无线连接” 打开“便携式WLAN热点”后，“点击设置WLAN热点” 使用小米平板，搜索WIFI“AadroidAP”输入密码就可以连接无线，使用手机网络进行定位

优点：方便、经济

缺点：定位有偏差

方法二：随身无线路由器

市面上类似的产品有很多，使用方面也很简单，就是普通的连接wifi，用wifi进行定位

优点：方便

缺点：价钱贵、定位有偏差

方法三：蓝牙GPS导航接收器

这种设备叫”蓝牙GPS导航接收器“，市面上的种类较多，价格也有差异性，看个人喜好而定

使用方法：

“设置”——“开发者选项”——打开“允许模拟位置”

然后在桌面打开蓝牙GPS 点击开启就可以使用GPS导航地图了

优点：定位较准

缺点：搜星慢

导航定位算法篇5

关键词：粒群优化,导航,定位,控制系统

随着经济社会的发展以及人们对生活水平要求的提高,定位导航技术的应用越来越广泛,根据导航定位技术的方法不同,可分为航位推算导航、无线电导航、惯性导航、地图匹配、卫星导航和组合导航等等。对导航定位准确度的提升而设计的控制系统主要从以下若干方面展开:(1)传感器方面,通过提升传感器精度或者通过多传感器融合技术完成更高准确的定位导航要求。目前传感器的种类繁多,但是定位原理主要集中在测距法和惯性导航法。(2)通过大量的数据处理工作进行准确度的优化,在此种方法的过程中,需要进行优化算法的设计,目前已经有多种成熟的数学算法应用于导航定位技术中,本文所采取的粒群优化算法就是在此层面上辅助完成导航定位任务[1,2]。

本文提出的基于粒群优化算法的导航定位控制系统主要在数据处理方面完成对节点位置信息的准确控制,通过对节点位置信息与定位数据库参考数据进行比对,利用粒群优化算法的全局最优及局部最优算法,对节点位置进行导航定位控制。同时,在本文中对设计的控制方法进行测试验证。

1基于粒群优化算法的导航定位控制方法

1.1粒群优化算法的设计

本文设计的导航定位控制算法中,粒群所处的初始状态由若干随机例子组成,通过不断地迭代过程寻求最优解。当粒子在迭代过程中时,其更新自身属性的依据是跟踪两个“极值”(pbest,gbest),获得“极值”信息后,更新方式如公式(1)、(2)所示。粒子的速度和位置即控制节点的速度和位置[3]。

式中,i=1,2…M,M是该群体粒子的总数;Vi代表粒子移动的速度;rand()是某个随机数,其取值范围是rand();xi是粒子所处的位置;c1和c2代表学习因子,一般情况下取c1=c2=2[4]。

本文采用的粒群优化算法需要不断地进行数据的更新处理,实现的步骤如下:

Step1:对微粒节点进行初始化操作,同时设定群体的规模大小为M,粒子主要包含的属性是位置信息以及速度信息。

Step2:对所有粒子进行适应度评价。

Step3:针对所有粒子,将其适应值与其之前的最优位置pbest进行对比,若其更好,则替换掉当前最优的位置pbest。

Step4:针对所有粒子,将其适应值与其之前的最优位置gbest进行对比,若其更好,则替换掉当前最优的位置gbest。

Step5:通过Step2和Step3的更迭变化对所有粒子节点的速度信息以及位置信息进行调整更新。

Step6:如果没有达到结束条件,则转到Step2继续进行。本文设定的迭代结束条件为迭代次数为200次或者最小误差小于阈值10-2。即找到到达目的节点的最优解,完成导航定位任务。

1.2导航定位控制方法设计

首先假定各类节点数据分别存储在服务器上,数据包含了移动节点所有可能的路径选择及其路径所经过的必要的标记节点[5,6]。

数据关键词相似度的判断根据最小编辑距离算法来决定,整个导航定位数据控制过程如下。

Step1:设置当前数据服务器数量为N,服务器为Serveri,且i=1,2…N,需要存储的数据流集合为D,第i条数据设为Di,其对应的关键词为keyi,设置关键词集合key,满足下式。

Step2:初始化一群微粒,群体规模为M,且满足M>N,包括随机位置和速度。

Step2:当输入位置数据时,微粒开始扩散,同时评价每个微粒的适应度。

Step3:对每个微粒,将其适应值与其经过的最好的搜索对应结果Pbest作比较,如果较好,则将其作为当前最好的结果储备pbest。

Step4:对每个微粒,将其适应值与其经过的最好的搜索对应结果gbest作比较,如果较好,则将其作为当前最好的结果储备gbest。

Step5:根据第二步和第三步调整所有微粒的速度和位置。

Step6:未达到结束条件则转Step3。迭代结束条件根据具体问题一般选为最大迭代次数或微粒群迄今为止匹配到的最接近的最终搜索路径满足预定最小适应阈值。

2仿真实现及分析

为了测试本文设计的导航定位方法的稳定性,对模型进行稳定性及性能测试。

3结论

综上所述本文提出的基于粒群优化算法的导航定位控制系统主要在数据处理方面完成对节点位置信息的准确控制,通过对节点位置信息与定位数据库参考数据进行比对,利用粒群优化算法的全局最优及局部最优算法,对节点位置进行导航定位控制。通过实验表明该控制方法具有较高的精度及稳定性。在模型应用方面,导航最优解响应延时较随机查询模型减少了34.7%,且准确率达到99.6%。

参考文献

[1]Holland R A,Thorup K,Vonhof M J,et al.Navigation:bat orientation using Earth's magnetic field.[J].Nature,2006,444(7120):702-702.

[2]Chen S E.Quick Time VR:an image-based approach to virtual environment navigation[C]//ACM,2013:29-38.

[3]胡旺,李志蜀.一种更简化而高效的粒子群优化算法[J].软件学报,2007,18(4):861-868.

[4]Park J B,Lee K S,Shin J R,et al.A particle swarm optimization for economic dispatch with nonsmooth cost functions[J].IEEE Transactions on Power Systems,2005,20(1):34-42.

[5]Bergh F V D,Engelbrecht A P.A study of particle swarm optimization particle trajectories[J].Information Sciences,2006,176(8):937-971.

导航定位算法篇6

1 系统结构及功能

图书馆书籍定位系统由三部分组成:安装在用户手机上的定位软件(客户端),后台服务器以及分布在图书馆里的蓝牙信号发射点,如图1所示。

客户端实现了用户在手持设备无线查询书籍以及用户的定位导航功能。用户首次登录软件后,软件通过无线网络自动从后台数据库下载地形和蓝牙点分布的XML文件,并根据文件描述绘制出图书馆地形图。之后用户可以在书籍查询界面以书名,作者,ISBN方式模糊查询所需要的书籍。用户选择书籍后,软件将所选书籍的位置标注在地图上,同时开启蓝牙,检测周边蓝牙信号点信号强度并进行定位。定位成功后软件自动计算用户从当前位置到书籍位置的最佳路径,并标注在地图上。同时,在用户找书的过程中,系统会实时测量用户所在位置,实时更新最佳路径,引导用户找到所需书籍。

后台服务器储存书籍详细信息、图书馆地形图以及各个蓝牙信号发射点分布情况。并及时响应用户的不同请求。

蓝牙信号发射点分布在整个图书馆内,信号范围覆盖整个图书馆,每个蓝牙信号发射点有自己惟一的ID标识号,当用户定位时通过标识号即可从配置文件中知道此蓝牙信号发射点的位置。

通过三个子系统的分工合作,系统实现了查询定位导航一体化的高效图书查询功能。

2 定位系统软件设计

2.1 定位系统客户端软件设计

软件采用Windows Mobile 6.0作为开发平台,多普达838手机作为软件测试平台,使用C#编程实现。目标手机内置蓝牙协议栈,直接调用Winsock API搜索周围蓝牙设备并得到信号强度信息。软件主要分为四部分:书籍搜索部分;地图绘制引擎部分;蓝牙定位部分;路径计算部分。

书籍搜索用户在搜索界面里(图2)选择搜索条件(书名,ISBN,作者)输入关键字进行搜索,数据包利用HTTP协议通过无线网络以POST请求方式发送到服务器,服务器解析出关键字(Query Word)后查询数据库得到书籍详细信息,并序列化(Serialization)为标准XML文档通过HTTP协议返回到用户手机。软件反序列化(Deserialization)这些信息并呈现给用户。

地图绘制引擎在获得图书馆地形描述的XML数据后,绘制引擎解析文档中的地形轮廓、书架位置以及蓝牙点位置数据,当用户选择地图界面时,绘制引擎生成地图,并将人物当前位置、计算好的最佳路径绘制到地图上,最后显示在PictureBox中(图3)。

蓝牙定位定位系统每隔2 min搜索周围蓝牙信号发射点,并把ID号有效的10个蓝牙信号发射点存入队列中。每10 s从队列中选取6个点并且三三组合测试信号强度并利用TOA算法估算出用户所在位置,最后从得到的20个点中计算中心位置作为当前用户位置。

路径计算系统得到用户位置后,路径计算系统通过启发式搜索算法计算出用户到书籍的最短路径,并储存在内存中。

2.2 定位系统服务器端软件设计

服务器端使用Asp.net开发,具备以下3项主要功能:在线书籍查询;在线帮助服务;客户端配置更新。

当接收到客户端书籍查询请求时,在线书籍查询根据请求类型查询数据库系统并以XML文档的形式返回结果。书籍信息包括书名,作者,所在的书架,这样通过书架位置就可以大致确定书的确切位置。所有数据利用无线网络传输,极大地方便了用户。

图书馆地形信息以及蓝牙点分布图的数据储存在数据库中。地形信息包括图书馆的形状以及各个书架的位置、长度,以数据库表的形式存放。蓝牙信号发射点分布图包括每个蓝牙信号发射点位置,惟一标识符(ID)。手机客户端可以通过客户端自动更新模块获得这些信息。

3 关键技术的设计与研究

3.1 蓝牙定位原理

3.1.1 传统测量算法

(1)通过传播时间测量方法

它通过在已知传播速度的情况下,无线电波传播的距离与它传播的时间成正比。但上述方法存在两个问题,影响了方法的使用性:

时钟精度因为蓝牙信号的传播速度很快,又考虑到各种延迟,所以为了减小测量误差必须使用高精度的时钟,时间单位采用ns,这对硬件的要求过高,不实用。

时钟同步参与同一个定位过程的参考点之间必须保证时钟的同步,这样才能保证测量结果的正确性和精度。

(2)信号衰减测量方法

在理想的传播环境下,无线信号的衰减与1/r2成正比(其中r为传播距离)。但实际上,无线信号在空间传播时能量的衰减是多种因素共同作用的结果,而不单单与传播距离有关。在一个地形地物较为复杂的环境中,无线信号传播时的衰减会受到反射、折射、多径效应等多种因素的影响,所以这种利用能量衰减测量距离的方法不如传播时间测量方法精度高。

3.1.2 改进的TOA算法

从可行性和精度两个方面综合考虑之后,我们决定采用依靠经验的定位方法:它同样是基于无线电波能量来定位的,不同的是它不是根据能量衰减与距离平方的正比关系来计算距离,而是通过一个数据库来记录一定数量的参考位置的信号强度,然后把待测物体检测到的信号强度与之相比而得到待测物体的信号强度。如果参考位置足够多的话,这种方法具有很好的精度,并且不受实际地理位置的影响,因为参考位置正是从实际的测量中来的。这种方法的一个缺陷是它要求每次实施时要测量大量的参考位置上的信号强度,并且随着时间推移,地理环境必定会有所改变,这时又要对所有的参考位置重新进行测量。

如图4所示,系统从检测到的有效蓝牙点(通过ID判断)选取三个点利用图3所示方法定位。我们检测到的信号强度值在263~230,随着距离增大而减小,但不是线性变化。通过数据分析发现0~3 m,3~6 m,6~9 m区间内可以近似成三个线性区间。于是分别测量并统计了一些蓝牙点0,3,6,9 m的信号强度值,用来辅助计算。蓝牙信号强度数据拟合结果如图5所示。

我们把用户便携设备(手机)接收到的信号强度值与它到该蓝牙信号发射点的距离拟合为三个线性的函数,信号强度与距离的函数关系为:

距离在[0,3]m时:Bi=257.323 1*di-1.028 8即di=(1.028 8+Bi)/257.323 1;

距离在[3,6]m时:Bj=255.192 6*dj-0.504 5即dj=(0.504 5+Bj)/255.192 6;

距离在[6,9]m时:Bk=270.625 6*dk-3.083 3即dk=(3.083 3+Bk)/270.625 6;

此时,设用户手机终端(M)位置为(x,y),蓝牙信号发射点BSi,BSj,BSk的坐标分别为(xi,yi),(xj,yj),(xk,yk),用户从M到BSi,BSj,BSk的距离为:di,dj,dk,则下式成立:

令Ki=xi2+yi2,整理上式,可得:

每次定位用户手机终端从搜索到的有效蓝牙信号发射点中每10 s从队列中选取最多6个点并且三三组合测试信号强度。之后分别利用上述算法估算出用户所在位置,最后从得到的20个点中计算中心位置作为当前用户位置。如果搜索到的有效蓝牙信号发射点小于3个则休眠半分钟后继续寻找,直到找到为止。如果测试得到的信号强度值不在230~270之间,系统则会重新测试其信号强度,如果仍然没有得到正确结果系统会暂时抛弃这个蓝牙信号发射点,搜索其他有效蓝牙信号发射点进行定位。

3.2 寻路原理

寻路时使用启发式广度优先搜索算法。在盲目广度搜索算法中,人所在的每一个可行位置都可以有4个方向可以行走(前、后、左、右),向任意一个方向行走后如果没有遇到障碍,则将新的状态装在一个队列里,然后每次再从队列里取出一个新的状态来进行扩展,直到走到要找的书那里(终点)。人走的每一个新节点都要记录下来上一个节点的编号,最后经过回溯找到从起点到终点的路径。用一个自定义的结构体Queue来记录节点。

在找出路径后,将其记录在类的一个私有列表成员ListTLP中,其中Path为自定义的结构体,记录路径上的横坐标和纵坐标。

4 结语

通过蓝牙技术和定位导航技术相给合,实现了图书馆书籍定位导航系统。本文论述了书籍定位导航系统的设计,研究了改进的TOA定位算法在蓝牙定位中的应用。研制的系统极大地缩短了在图书馆查找图书的时间,方便了人们的生活,并且本系统在室内定位的实际应用中仍不断的改进,还可以做出各种改进以适应更多的具体应用,如在博物馆、展会等地方,实践证明本文给出的图书馆书籍定位导航系统具有广阔的应用前景。

参考文献

[1]Zeev Weissman.Indoor Location white paper[EB/OL].http://www.tadlys.com.2004.

[2]仉树军,李红艳.无线网络中TOA定位算法的误差分析[J].现代电子技术,2007,30(2):115-117.

[3]叶芝慧,鲁侃,宋铁成,等.基于Bluetooth和半GPS定位算法的车域网智能车辆管理系统[J].东南大学学报,2006,36(6):880-885.

[4]王宗原.基于电子地图的路径规划的设计与实现[D].哈尔滨:哈尔滨工程大学,2005.

[5]Lu Ming,Chen Wu,Shen Xuesong,et al.Jianye Positioningand Tracking Construction Vehicles in Highly Dense UrbanAreas and Building Construction Sites.

[6]高明,王春东,齐鸿飞.无线定位系统研究[J].天津理工大学学报,2006,22(5):50-52.

[7]Bruce Potter Wireless-based Location Tracking.

[8]王金龙,王呈贵,吴启晖,等.Ad Hoc移动无线网络[M].北京:国防工业出版社,2004.

[9]Bluetooth SIG.Specification of the Bluetooth System CoreVersion 1.1[EB/OL].(2000-11-01)[2006-05-01].http://www.bluetooth.com.

导航定位算法篇7

1) 惯导系统 ( SINS) 是一种完全自主的导航系统, 可提供速度、位置和姿态等信息, 但导航误差随时间积累［1］。

2) 全球定位系统 ( GPS、BD2) 具有全天候、覆盖面广、基本不受时间限制和高精度的优点, 但数据输出频率低, 在动态环境中可靠性差, 而且依赖GPS将在非常时期完全受制于人。

3) 多普勒计程仪 ( DVL) 测得的速度精度高, 使用方便, 但单独使用不能给出载体的绝对地理位置。

因此, 上述的哪一种导航方式都没有办法满足长时间且高精度导航定位的要求。为了克服单一导航方式的缺点, 本文利用联邦滤波器理论将SINS、 GPS、BD2和DVL四者结合在一起, 构成了具有高精度、长时间导航系统。以下对SINS/GPS/BD2/ DVL联邦滤波器的进行设计。

1 SINS /GPS /BD2 /DVL联邦滤波器设计方案

本文设计的联邦滤波器如图1所示, 包括一个主滤波器 ( MF) 和三个子滤波器 ( LF) 。SINS为公共参考系统。SINS与GPS构成子滤波器LF1, 进行位置信息和速度信息的组合。SINS与BD2构成子滤波器LF2, 进行位置信息和速度信息的组合。 SINS与DVL组成子滤波器LF3, 进行速度信息的组合。

LF1、LF2 、LF3都是卡尔曼滤波器, 将它们经过滤波得到的数据送入MF进行最终的数据融合, 其中主滤波器采用联邦滤波。主滤波器的信息不反馈给子滤波器, 因而不同的子滤波器之间没有相互影响, 故此方案容错性能较好, 满足该船舶导航系统对可靠性的要求。

2 SINS /GPS /BD2 /DVL联邦滤波器设计

2. 1各导航方式的误差模型

2. 1. 1 SINS误差模型［2］

1) 惯性仪表误差

捷联惯导系统 ( SINS) 工作在水平阻尼状态时的主要仪表误差源包括北向、东向加速度计零位误差 ΔAN, ΔAE和东向、北向及方位陀螺漂移误差 εE、 εN、εU。这5个误差源都能够近似表述为“随机游动+ 白噪声”的形式, 即

上述式中 ΔAES、ΔANS、εES、εNS、εUS和wAE、 wAN、wεE、wεN、wεU为白噪声。把随机游动 ΔAEC、 ΔANC和 εEC、εNC、εUC列为状态量, 把白噪声 ΔAES、 ΔANS、εES、εNS、εUS作为系统噪声。

2) 导航参数误差

其中位置信息误差方程

下标E、N、U代表地理坐标的东、北、天, δL、δλ 为惯导系统输出的经纬度。

速度信息误差方程

式 ( 2) 中 Ω 表示地球的自转角速率, Ω = 15°/h。k1、 k2、k3为阻尼系数。

姿态误差角

外速度误差

δL、δλ 为惯导系统输出的经纬度; δVE、δVN为东向、北向速度误差; δVE*、δVN*为外速度误差。

2. 1. 2 GPS误差模型

1) GPS的位置信息误差方程:

相关时间 τLG= τλG= 1 s, RLG ( 0) = RλG ( 0) = 0. 005, δLG、δλG为GPS系统的经纬度。

2) GPS速度信息误差方程为:

相关时间 τVGE= τVGN= 1 s, 均方差RVGE ( 0) = RVGN ( 0) =0. 01 m/s, δVGE, δVGN为GPS的东向、北向误差。

2. 1. 3多普勒计程仪的误差分析

1) 相关误差

相关误差可以用一阶马尔可夫过程表示:

2) 刻度系数误差

刻度系数误差认为是随机常数, 均方值为0. 000 1。

2. 2各子滤波器的状态方程、量测方程

2. 2. 1状态方程

该子滤波器的状态方程为, 即

2. 2. 2量测方程

惯导位置、速度信息以及GPS位置、速度信息分别为

2. 3 SINS /BD2位置速度信息子滤波器［3］

2. 3. 1状态方程

上述式中: 下标E 、N分别代表地理坐标的东向和北向; L为纬度, λ 为经度; φE、φN、φU代表着东、北、天方向的姿态角误差; εbxεbyεbz代表东、北、天方向的等效陀螺漂移误差, !ax!ay!az代表东、北、天方向的加速度计漂移误差。

2. 3. 2量测方程

2. 3. 3 SINS / DVL速度信息子滤波器

SINS/DVL子滤波器的状态方程为

SINS / DVL子滤波器量测方程如下

3 SINS /GPS /BD2 /DVL联邦滤波器算法

3. 1子滤波器算法

为了方便在计算机中联邦滤波的实现, 将各子滤波器连续形式的状态方程和量测方程离散化, 得到如下形式的差分方程［4］:

3. 1. 1时间更新

各个子滤波器根据状态方程进行时间更新, 如下:

3. 1. 2量测更新

当有量测值时, 各子滤波器进行量测值的修正, 即量测更新, 算法如下:

3. 2主滤波器算法

3.2.1信息分配[5]

在初始时分配一次信息。由于惯导系统同时参与三个子滤波器的滤波, 惯导系统的状态为公共的状态, 其按信息守恒原理在各个子滤波器之间进行信息的分配:

式 ( 15) 中, βi为信息分配系数, βi< 1 , 并且满足∑ βi= 1; Q为公共状态的过程噪声方差强度阵, 下标c表示为SINS状态; g表示全局估计［6］。

3. 2. 2全局融合算法

在各子滤波器计算出各自的局部估计之后, 由主滤波器把各子滤波器的公共状态X·ci、Pci ( i = 1, 2) 按如下的公式进行信息的全局融合, 得到全局估计［7］:

4 SINS /GPS /BD2 /DVL联邦滤波器的仿真

对以上设计的SINS/GPS/BD2/DVL联邦滤波器, 本文进行计算机仿真, 首先仿真了船舶的航行轨迹, 仿真时间1 000 s。

仿真初始条件: 初始纬度32°, 经度118°平台初始误差角取为东向10', 北向10'; 速度、位置信息误差分别为1 m / s, 5 m, 陀螺漂移误差为0. 1 ( °) / h, 等效加速度计零偏为10－ 4g, 陀螺相关时间为0. 1 ( °) / h, 陀螺白噪声漂移误差为0. 1 ( °) / h。初始航向90°, 速度0 m/ s。对上述航行轨迹进行仿真分析, 仿真后的航行轨迹、导航参数误差曲线分别如图2 ~ 图4所示。

由图4可以看出, 经过本文所设计的SINS/ GPS / BD2 / DVL联邦滤波器滤波后各导航参数误差均得到极大降低, 本文所设计的滤波器滤波效果十分显著, 满足系统高精度导航定位的要求, 具有重要的工程价值。

参考文献

[1]吴铁军, 马龙华, 李宗涛.应用捷联惯导系统分析.北京:国防工业出版社, 2011:1—2

[2] 黄德鸣.惯性导航系统.北京:国防工业出版社, 1986

[3] 林雪原, 刘建业, 范胜林.三星定位/SINS伪距组合导航系统的研究.中国空间科学技术, 2002; (6) :6—11

[4] Carlson N A.Federated square root filter for decentralized parallel processes.IEEE Transactions on AES, 1990;AES-26 (3) :517—527

[5] Carlson N A, Berarducci M P.Federated Kalman filter simulation results.Navigation, 1994;41 (3) :297—321

[6] 杨常松, 徐晓苏, 汪丽云, 等.信息融合技术在INS/GPS/DVL组合导航中的应用研究.中国惯性技术学报, 2006; (10) :4—6

导航定位技术研究篇8

众所周知, 跟踪定位运动的目标, 关键在于获取到目标的位置信息, 通过目标的位置信息构成一定的运动轨迹, 从而确定目标的运动方向。在目前的无线导航定位技术中, 常用的GPS定位技术, 但由于GPS定位技术存在盲区[1], 比如下在地方停车场位置、深山峡谷中、高楼大厦间等地理区域都存在严重的定位盲区, 使得GPS卫星信号收到严重的遮挡, 从而无法确定目标的位置信息, 不能判断目标的运动方向, 导致跟踪任务的失败。因此, 出现很多新的无线导航定位技术, 例如, GLONASS、伪卫星定位技术、中国北斗定位技术、电视定位技术、室内定技术、UWB定位技术、无线传感网络定位技术等等, 这些新技术的出现, 解决了单一定位技术所存在的难点问题。

1 无线定位导航

所谓导航的概念指的是一门科学, 而该科学指的是目标用户的位置变化情况。在平时人们的活动当中, 几乎每一个人都会涉及到各种各样的导航形式, 比如说学生走路去学校, 是依靠同学们使用他们的眼睛以及地标等信息, 但是在某些情况下人们还需要使用其它的导航信息, 并且该信息要与地标等信息不相同, 如设置在汽车里的里程表等装置, 来为人们提供更为准确的位置坐标信息[2], 以及到达目的地所需要的具体时间长短。与此同时, 市场上还存在一些通过发射电子信号来实现定位功能的较为复杂的导航装置, 他们被称为无线电导航装置。此时, 人们可以利用这些信号, 来定位出目标用户的位置坐标信息。

2 GPS定位技术

全球定位系统 (GPS) 可以对全球目标用户提供位置、速度以及时间[2]信息等相关数据, 在航空、海上以及陆地等诸多领域都得到了广泛的应用。然而它的高精度性能等优点是依赖于几何精度因子的好坏程度, 如果GPS卫星布局好, 则几何精度因子低, 最终定位精度误差小, 满足实际需要。当采用GPS卫星来获取目标的位置信息, 一般至少需要4颗卫星信号来完成, 如果卫星信号越多, 定位效果越好, 但是此时的计算量非常大, 一般在满足定位精度的前提下, 采用尽可能少的定位卫星来参与定位计算, 减少计算的工作量。

当用户在空旷的区域, 同一时刻可以接收到的卫星信号在8颗左右, 足够用来完成用户的定位, 此时的卫星信号充足, 接收机可以选用几何精度因子好的组合卫星来参与定位解算, 求解出目标的位置信息。然而在实际使用中的难点在于, 目标处于运动的状态, 当它运动在深山峡谷中, 或者运动到高楼耸立的楼层间时, 很多卫星信号会收到遮挡, GPS卫星轨迹在设计时, 是保证地面上同一时刻在毫无遮挡的情况下, 至少可以接收到4颗卫星信号, 然而, 当被遮挡后, 少于4颗卫星信号, 用户根本无法定位, 接收机接收不到足够的卫星, 从而无法正常工作。

另外, GPS接收机系统在定位开始时, 需要先进行冷定位启动, 而这个启动工作一般情况下是需要花费几分钟, 如果说在这个启动的时间段内, 正好存在着生命危险的情况发生, 则冷启动的时间就会耽搁对生命的援救。再者, 加上美国国防部对GPS采用选择可用性政策, 使得在某些特殊的情况下, 比如说处于战争时期或者是两国关系非常紧张的时期, 在这个阶段内, 其他国家想要继续采用GPS卫星来进行定位目标就会受到严重的干扰。最后, 通过研究发现, GPS的较高精度性能主要是集中在水平方向上, 由于受到电离层、对流层延迟误差等众多因素的影响, 导致采用它来定位目标时, 在垂直方向上精度较差, 并且其误差通常是水平方向上的2倍或者3倍左右, 很难满足一些精密应用场合的要求。

3 组合导航定位技术

因GPS定位技术在使用过程中存在某些缺陷, 目前的导航定位技术组合采用组合定位方式[3], 在GPS卫星信号不足的情况下, 采用其他导航定位方式来弥补它的不足, 比如说, 可以采用俄罗斯GLONASS系统进行组合, 这些不同系统的导航定位原来大体上相似, 因此在同一时刻可以观测到的卫星信号就增多, 为解决定位盲区的难题提供了一种很好的方案, 但是两种不同导航卫星的组合方式, 又存在数据融合定问题, 需要进一步考虑不同组合卫星下的导航方式。同时, 如果用户运动到室内, 这两种卫星信号都接收不到时, 需要采用其他的组合方式, 如无线传感网络定位技术、室内定位技术、UWB定位技术等等。

4 结论

本文介绍了导航定位技术的发展状况, 阐述了GPS定位所存在的不足, 通过采用组合导航定位技术的方法可以解决单一导航定位的难题。

参考文献

[1]谭述森.卫星导航定位工程[M].北京:国防工业出版社, 2007, 3:1-15.

[2]贾广泛.卫星基导航定位接收机信息处理的方法[D].中国科学院研究生院, 2008, 6:21-26.

大型船舶内部定位导航方法篇9

在大型船舶尤其是航母复杂的舱内环境中, 船舶建造施工人员和科研人员对环境不熟悉很容易迷路, 造成时间、人力等资源的浪费。为实现陌生人员在舱内快速定位并寻址导航, 设计简单快捷的舱内定位导航系统很有必要[1-4]。基于二维码和空间数据库技术的定位导航方法不依赖于网络信号, 不需布线, 很适合应用于船舱内定位导航[5-7]。基于二维码和空间数据库技术的舱内定位导航系统不仅能够实现精确定位与导航, 而且具有成本低、易维护、投入使用速度快、定位导航方便快捷的特点, 而且此技术为其他大型室内定位导航研究提供了新的思路。

舱内定位导航原理

二维码技术

二维码技术可实现信息的存储、传递和识别, 二维码是一种能被计算机类设备快速识别的信息载体, 其中有一类QR二维码即Quick Response码, 这类二维码因具有使用方便、储存空间大、纠错性强等优点, 而得到应用广泛。

二维码在信息存储和传输方面的优点可应用于地图制图, 将舱内地图中各个标志性地理位置用一个独一无二的二维码布点与之对应, 最后将舱内地图转换为二维码布点图, 可通过对二维码布点实施经典最优路径算法以实现对实际地理路线的最优规划。

空间数据库

空间数据库指的是地理信息系统在计算机物理存储介质上存储的与应用相关的地理空间数据的总和, 一个复杂庞大的室内地图的地理位置信息的数据容量很大, 空间数据库能完整存储查询相关的文字数字和图形图像等信息, 能高效访问大量数据, 对信息有强大的检索和分析能力。

最优路径规划

Dijistra算法

Dijstra算法的基本思想是将所有节点分为两个集合, 其中一个集合S存储的是到源点最短距离已经确定的节点, 另一个集合V中的节点到源点的最短距离还没有被确定。将源点的最短距离初始化为0, 并将集合S初始化为空。然后先得到距离源点最近的最短路径, 在依次循环得到路径递增的节点的最短路径。每次循环时从集合V中选出距离源点最近的节点, 求得最短路径并将该节点移入集合S中, 并在集合V中移除若求取最短路径时需要经过其他节点, 这些中间点必须是出自集合S中, 这样, 直到集合V为空, 或是集合V中节点的最短路径为无穷大时, 源点到所有节点的最短路径就全部都得到了。在这个过程中, 当有新节点加入S集合时, 集合中的节点最短距离可能会需要改动, 因为经过新加入点的路径可能会比之前节点的最短路径距离更短。

Floyd算法

Floyd即弗洛伊德算法, 又称插点法,

基本思想是从节点i到节点j的最短路径有2种可能, 一种是从i不经过其它点直接到j, 另一种情况是从i经过其它若干个节点后到达j。因此, 我们先假设两点的直接距离map[i, j]为节点i到节点j的最短路径的距离, 对于其中任意节点k, 我们反复验证map[i, k]+map[k, j]<min[i, j]是否成立, 若成立, 则说明从i到k再到j的路径比直接由i到j的路径要短, 则取min[i, j]=map[i, k]+map[k, j], 遍历完i点和j点的所有节点k后, min[i, j]即是i到j的最短路径长度。

舱内定位导航系统设计

建立舱内二维码标识图

单层船舱地图太简单, 不具有普遍性, 而两层船舱具有多层船舱的绝大部分

功能需求, 为了实现系统功能和研究方便, 以两层船舱为空间模型建立舱内定位导航系统。

为实现基于二维码的精确定位及导航, 需要在各房间门上或其它标志性地点处粘贴不同的二维码标识, 用来区分不同的房间和地理位置。所布置的二维码标识越多, 不仅方便用户确认当前位置, 而且定位精度也会相对提高。二维码布点与室内的房间位置一一对应, 相当于将复杂的室内布局抽象成用二维码布点表示的室内地图。

完成以上内容后, 通过测量各个舱室间的距离, 画出舱室的二维码布点图, 建立空间数据库的有向图和邻接矩阵。

根据有向图测得的数据可得邻接矩阵, 对应于两层船舱分别建立两个独立的32×32邻接矩阵, 这样得到的邻接矩阵与两层船舱室内地图、二维码布点的有向图一一对应。

数据库建立

将舱室的标号信息以及舱室作用信息存到64个相互独立的二维码中, 建立舱内

地图的数据库, 见表1。

系统导航实现

【导航定位算法】推荐阅读：