-
公开(公告)号：CN114578335B
公开(公告)日：2024-08-16
申请号：CN202210207643.8
申请日：2022-03-03
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明属于无人机辅助轨迹定位的方法，具体涉及一种基于多智能体深度强化学习与最小二乘算法的定位方法。本发明建模一个无人机群与目标机器人相互通信的场景，利用有标签的无人机群和目标机器人的轨迹数据，以及二者之间的接收信号强度进行定位。首先使用最小二乘算法对目标位置进行定位，然后基于多智能体深度强化学习算法对无人机群进行自主定位，同时评估对目标位置的估计。训练过程中，使用深度神经网络处理高维状态输入，借助标签位置信息计算奖赏值，并考虑到多个智能体之间的异构性，进行了相关的仿真实验。通过训练可以得到一个自适应的网络模型，对处理高维异构数据也有一定的鲁棒性。因此，本发明是一种良好的定位替代技术。
-
公开(公告)号：CN117098067A
公开(公告)日：2023-11-21
申请号：CN202311051384.5
申请日：2023-08-21
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04W4/021 , H04W4/33 , G06F18/214 , G06F18/213 , G06F18/25 , G06F18/27 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明属于室内定位技术领域，具体涉及一种基于梯度融合的多模态深度学习室内定位方法。本发明的方法先提取不同模态数据的特征向量，在学习特征到现实坐标映射关系的同时，通过误差函数反过来影响特征向量的形成。由于各单模态的过拟合和泛化速度不同，多模态融合网络往往容易过度拟合。本发明中将单模态网络和多模态网络的梯度融合，增强了多模态网络的泛化性，改善了过拟合现象。因此，本发明提出的基于梯度融合的多模态深度学习定位方法是一种能够在复杂室内环境中实现准确定位的方法。
-
公开(公告)号：CN109143161B
公开(公告)日：2023-01-10
申请号：CN201811155779.9
申请日：2018-09-30
Applicant: 电子科技大学
IPC: G01S5/02 , H04W64/00 , H04B17/318
Abstract: 本发明属于室内定位技术领域，涉及基于混合指纹质量评价模型的高精度室内定位方法。本发明首先在离线阶段构建群指纹，相比于传统指纹定位方法只使用RSS指纹，本方法还引入了信号强度差指纹和双曲线定位指纹，它们由AP间的相对信息提取得到，对RSS波动更加稳健。在线定位阶段，接收到待定位目标信号后，首先构建多支撑集。然后通过引入混合指纹质量对多支撑集进行概率建模，获得混合指纹质量评价模型。最后利用Gibbs‑EM算法求解模型获得位置估计。相比于传统指纹融合方法，本方法提出的混合指纹质量在线上阶段实时估计，无需离线阶段的权值训练，存储和匹配，因此消除了传统融合方法中的匹配误差并减少了系统负担。
-
公开(公告)号：CN114727229A
公开(公告)日：2022-07-08
申请号：CN202210325226.3
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明属于室内定位技术领域，具体是涉及一种面向异构环境的基于深度强化学习的轨迹定位方法。本发明充分利用了环境中的观测和智能体自身的历史动态信息，以智能体的位置、环境中具有设备异构性的RSS向量和过去n个时刻的历史动作为状态，用于动作的选择。再基于近场条件选择强于RSS阈值对应的APs，以构成选定的APs集合，再根据集合的大小计算最终奖赏值。依据MDP中设计的各要素对智能体的位置进行估计，并以奖赏值为学习导向基于经验重放机制和目标网络进行深度强化学习算法的迭代训练。本发明基于路径损耗模型得到具有设备异构性的仿真RSS数据，实验结果证明本发明所提方法能够实现较高的定位精度，并对处理异构RSS数据也具有一定的鲁棒性。
-
公开(公告)号：CN112953659A
公开(公告)日：2021-06-11
申请号：CN202110102435.7
申请日：2021-01-26
Applicant: 电子科技大学
IPC: H04B17/309 , H04B17/12 , H04B17/27
Abstract: 本发明属于室内定位技术领域，具体涉及一种信道状态信息CSI幅度指纹优化方法。本发明主要步骤为：从基站中获取一次测量得到的N个子载波的CSI数据；对一次测量的CSI数据做快速傅里叶逆变换(IFFT)，得到时域的信道冲激响应(CIR)；设置噪声门限，识别当前CIR在噪声门限以上的路径；保留主路径，去除其余路径，从而抑制由多径效应带来的CSI幅度误差；以相同变化点数，对处理后的CIR做快速傅里叶变换(FFT)，得到稳定且低维度的CSI幅度。该方法不仅能够解决多径效应导致CSI幅度不稳定使得在多径严重情况下定位精度低的问题，而且还降低了CSI幅度指纹的维度，有效降低了指纹定位算法的时间复杂度，对于室内指纹定位的应用推广具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN109348410A
公开(公告)日：2019-02-15
申请号：CN201811372033.3
申请日：2018-11-16
Applicant: 电子科技大学
Abstract: 本发明属于室内定位技术领域，特别是一种基于全局和局部联合约束迁移学习的室内定位方法。本发明的方法通过最小化域间的边缘和条件概率分布差异，以及最大化潜在子空间的样本方差约束全局结构的一致性。同时，通过最小化类内方差，最大化类间方差来保持每一个类别与其对应样本的依赖性，以及通过流形正则化保持局部的邻域关系，进而约束局部结构的一致性。可解决目前迁移学习方法知识迁移不充分的问题，从源域中迁移得到的知识可有效地提高目标域的定位精度，解决因环境变化而引起RSS波动的问题。从而本发明提出的基于全局和局部联合约束迁移学习的定位方法是一种适合在复杂室内环境下的高精度定位新方法。
-
公开(公告)号：CN109151995A
公开(公告)日：2019-01-04
申请号：CN201811023659.3
申请日：2018-09-04
Applicant: 电子科技大学
Abstract: 本发明提供一种基于信号强度的深度学习回归融合定位方法，涉及基于信号强度的定位方法领域。本发明包括如下步骤：步骤1，在待定位环境中建立指纹库；步骤2，对指纹库中的数据进行预处理；步骤3，将预处理后的数据输入自动编码模型中进行预训练；步骤4，在自动编码模型的基础上构建DNN模型，再对DNN模型进行训练；步骤5，构建CNN模型并将预处理后的数据输入CNN模型进行训练；步骤6，根据DS证据融合理论对DNN模型与CNN模型的输出概率值进行融合，计算预测结果；步骤7，根据模型估计结果与真实结果之间的误差值来调整DNN模型和CNN模型；步骤8，根据调整好的分类模型进行实时定位。本发明利用DNN和CNN的互补优势能全面地提取特征，提高了定位的准确度。
-
公开(公告)号：CN101799532A
公开(公告)日：2010-08-11
申请号：CN201010028128.0
申请日：2010-01-19
Applicant: 电子科技大学
Abstract: 该发明属于采用单站多信道对室内带无线传播信号源的目标进行定位的方法，包括设立定位网格及监测器候选位置，建立含基础数据库、综合参数数据库在内的初始数据库，确定监测器在各候选位置处的最优信道组合，确定监测器的最终设置位置、定位用信道组合及实际定位数据库，确定待定位的管理目标位置。该发明首先在定位区域内设立定位网格及监测器候选位置，然后利用单个监测器在多个信道、不同位置上采集RSS数据，经优选处理后确定监测器的位置、最优信道组合及定位数据库；同时在管理目标上设置与定位用信道组合相同的信号源。从而具有采用一个检测器通过多个信道即可对拟管理目标进行定位，有效降低了定位成本等特点。
-
公开(公告)号：CN114727229B
公开(公告)日：2025-01-17
申请号：CN202210325226.3
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明属于室内定位技术领域，具体是涉及一种面向异构环境的基于深度强化学习的轨迹定位方法。本发明充分利用了环境中的观测和智能体自身的历史动态信息，以智能体的位置、环境中具有设备异构性的RSS向量和过去n个时刻的历史动作为状态，用于动作的选择。再基于近场条件选择强于RSS阈值对应的APs，以构成选定的APs集合，再根据集合的大小计算最终奖赏值。依据MDP中设计的各要素对智能体的位置进行估计，并以奖赏值为学习导向基于经验重放机制和目标网络进行深度强化学习算法的迭代训练。本发明基于路径损耗模型得到具有设备异构性的仿真RSS数据，实验结果证明本发明所提方法能够实现较高的定位精度，并对处理异构RSS数据也具有一定的鲁棒性。
-
公开(公告)号：CN114581522A
公开(公告)日：2022-06-03
申请号：CN202210207656.5
申请日：2022-03-03
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明属于单目视觉室内定位技术领域，具体涉及一种支撑点搜索的单目视觉定位方法。本发明主要针对普通单目摄像头与定位环境较为固定的场景。通过本发明方法对可视环境中的目标进行高精度二维定位。具体可分为离线与在线两个阶段。离线阶段，对单目摄像头进行标定，获取内参矩阵以及畸变系数。采集定位环境图像，构建参考面定位坐标系。然后选择像素坐标与世界坐标点对求解单应矩阵。在线阶段，首先用目标检测网络对可视区域内的定位目标进行检测，根据输出结果对背景图像进行更新。然后根据输出的目标类别在目标检测框内进一步搜索，估计目标在参考面的定位像素点。最后定位像素点经畸变矫正与投影映射，估计得到目标在真实环境下的二维坐标。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.021 seconds)
