摘要
随着基于位置服务需求的增长,室内定位成为国内外学者研究的重点领域.研究发现采用多传感器信息融合方法可以提高定位准确度,目前人们普遍认为利用多传感器的互补特性,结合各融合算法提升导航系统的整体精度是室内定位领域未来的发展趋势.本文提出一种基于双层粒子群极限学习机(PSO-ELM)神经网络的融合视觉和惯性信息的室内定位算法.第1层粒子群极限学习机(PSO-ELM)引入图像模糊判断来解决采集图像模糊时视觉定位算法误差大的问题,并计算出全局最优仿射变换矩阵作为粒子群极限学习机(PSO-ELM)的输入.同时,提出了一种基于视觉静态反馈和惯性特性的漂移校正方法来有效控制惯性导航系统(INS)的误差累积.第2层粒子群极限学习机(PSO-ELM)神经网络用于融合第1层粒子群极限学习机(PSO-ELM)获得的视觉定位结果和漂移校正后获得的惯性定位结果.将本算法所得融合后的定位结果分别与改进后的惯性定位结果和视觉定位结果进行比较,实验结果表明融合后的效果要优于单一算法的实验效果,定位精度和稳定性均得到提升.同时通过对比实验证明了本算法在存在外界干扰时也能保持良好的定位精度,具有较强的鲁棒性.
NETL
NSTL
维普
万方数据