基于强化学习的室内定位算法研究
发布时间：2022-12-09 01:39
在现代商业、医疗、生活等领域中,人们对室内位置的需求量不断增加,传统的室内定位技术存在成本高,精度低等问题。地图数据是一种可以约束行人轨迹的数据,融合地图信息的室内定位方法可以达到低成本,高精度的定位效果。本文立足于惯性导航技术,结合深度学习和强化学习,将惯导数据与地图数据进行融合,提出了基于深度学习的地图匹配算法,以及基于深度强化学习的地图匹配算法。首先,本文研究了惯导与地图进行融合的方法,针对传统地图匹配方法中需要人工提取地图特征的问题,提出了基于深度学习的自动地图匹配算法。深度学习是一种基于大量数据的表征学习方法。基于真实环境下的数据集,本文搭建了三组深度学习模型实现地图匹配,分别是CNN模型、RNN模型和CRNN模型。在研究过程中,我们通过惯导设备收集了567组数据,经数据增强,整理得到了带标签的训练数据集。对比分析单纯利用惯导进行定位的方法,本文三种模型的定位误差分别降低了59.9%、52.4%和64.9%。实验表明,本文中提出的基于深度学习模型的地图匹配的方法,实现了地图与惯导数据的融合,满足室内定位精度要求。随后,本文针对传统地图匹配算法中出现的局部最优问题,利用行人惯导...
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 论文结构与安排
第二章 地图匹配数据融合算法
2.1 引言
2.2 基于惯性导航的室内定位分析
2.3 传统地图匹配数据融合算法
2.3.1 基于粒子滤波的地图匹配算法
2.3.2 基于条件随机场的地图匹配算法
2.4 深度学习和强化学习在地图匹配中的应用
2.4.1 基于深度学习的地图匹配算法
2.4.2 基于强化学习的地图匹配算法
2.5 本章小结
第三章 基于深度学习的地图匹配算法研究
3.1 引言
3.2 深度学习的建模分析
3.3 基于深度学习的室内定位算法
3.3.1 基于卷积神经网络的数据融合
3.3.2 基于循环神经网络的数据融合
3.3.3 基于CRNN的数据融合
3.4 数据采集与数据预处理
3.5 实验结果与分析
3.5.1 实验数据与模型训练
3.5.2 实验结果分析
3.6 本章小结
第四章 基于深度强化学习的地图匹配算法研究
4.1 引言
4.2 深度强化学习建模分析
4.3 深度强化学习的基本模块设计
4.3.1 动作空间模块设计
4.3.2 状态空间模块设计
4.3.3 奖励空间模块设计
4.4 实验结果与分析
4.4.1 实验数据与模型训练
4.4.2 实验结果分析
4.5 本章小结
第五章 结束语
5.1 总结
5.2 展望
致谢
参考文献
个人简历及攻读硕士学位期间的研究成果
【参考文献】：
期刊论文
[1]基于深度学习的蜂窝信号室内定位算法[J]. 杨伊璇. 中国电子科学研究院学报. 2019(09)
[2]基于矩阵填充和压缩感知的蓝牙室内定位方法[J]. 杨刚,柴雅文. 光通信研究. 2019(05)
[3]基于Wi-Fi信道状态信息的室内定位技术现状综述[J]. 陈锐志,叶锋. 武汉大学学报(信息科学版). 2018(12)
[4]基于条件随机场模型的室内地图匹配算法[J]. 郭红雨,任明荣,王普. 仪器仪表学报. 2018(05)
[5]基于智能手机的室内定位技术的发展现状和挑战[J]. 陈锐志,陈亮. 测绘学报. 2017(10)
[6]基于粒子滤波的WiFi行人航位推算融合室内定位[J]. 周瑞,李志强,罗磊. 计算机应用. 2016(05)
[7]LBS定位技术研究与发展现状[J]. 刘成. 导航定位学报. 2013(01)
[8]智慧校园:数字校园发展的必然趋势[J]. 黄荣怀,张进宝,胡永斌,杨俊锋. 开放教育研究. 2012(04)
[9]从数字城市到智慧城市的理论与实践[J]. 李德仁,邵振峰,杨小敏. 地理空间信息. 2011(06)
[10]基于RFID的智能停车场管理系统的研究与设计[J]. 郭稳涛,何怡刚. 自动化技术与应用. 2010(06)
硕士论文
[1]基于深度学习的图像与无线信号的融合定位关键技术研究[D]. 王鑫.北京邮电大学 2019
[2]基于LSTM和TCN的室内定位系统研究与实现[D]. 刘炽.山东大学 2019
[3]基于深度学习的多传感器室内定位[D]. 宋小妹.华中科技大学 2019
[4]基于WiFi的室内定位关键技术研究[D]. 张天琦.哈尔滨理工大学 2017
[5]基于深度学习的室内定位算法研究[D]. 高欢斌.电子科技大学 2016
[6]基于智能手机平台的地磁室内定位系统[D]. 谢宏伟.南京大学 2015
[7]基于WiFi室内定位关键技术的研究[D]. 姜莉.大连理工大学 2010
本文编号：3714551
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 论文结构与安排
第二章 地图匹配数据融合算法
2.1 引言
2.2 基于惯性导航的室内定位分析
2.3 传统地图匹配数据融合算法
2.3.1 基于粒子滤波的地图匹配算法
2.3.2 基于条件随机场的地图匹配算法
2.4 深度学习和强化学习在地图匹配中的应用
2.4.1 基于深度学习的地图匹配算法
2.4.2 基于强化学习的地图匹配算法
2.5 本章小结
第三章 基于深度学习的地图匹配算法研究
3.1 引言
3.2 深度学习的建模分析
3.3 基于深度学习的室内定位算法
3.3.1 基于卷积神经网络的数据融合
3.3.2 基于循环神经网络的数据融合
3.3.3 基于CRNN的数据融合
3.4 数据采集与数据预处理
3.5 实验结果与分析
3.5.1 实验数据与模型训练
3.5.2 实验结果分析
3.6 本章小结
第四章 基于深度强化学习的地图匹配算法研究
4.1 引言
4.2 深度强化学习建模分析
4.3 深度强化学习的基本模块设计
4.3.1 动作空间模块设计
4.3.2 状态空间模块设计
4.3.3 奖励空间模块设计
4.4 实验结果与分析
4.4.1 实验数据与模型训练
4.4.2 实验结果分析
4.5 本章小结
第五章 结束语
5.1 总结
5.2 展望
致谢
参考文献
个人简历及攻读硕士学位期间的研究成果
【参考文献】：
期刊论文
[1]基于深度学习的蜂窝信号室内定位算法[J]. 杨伊璇. 中国电子科学研究院学报. 2019(09)
[2]基于矩阵填充和压缩感知的蓝牙室内定位方法[J]. 杨刚,柴雅文. 光通信研究. 2019(05)
[3]基于Wi-Fi信道状态信息的室内定位技术现状综述[J]. 陈锐志,叶锋. 武汉大学学报(信息科学版). 2018(12)
[4]基于条件随机场模型的室内地图匹配算法[J]. 郭红雨,任明荣,王普. 仪器仪表学报. 2018(05)
[5]基于智能手机的室内定位技术的发展现状和挑战[J]. 陈锐志,陈亮. 测绘学报. 2017(10)
[6]基于粒子滤波的WiFi行人航位推算融合室内定位[J]. 周瑞,李志强,罗磊. 计算机应用. 2016(05)
[7]LBS定位技术研究与发展现状[J]. 刘成. 导航定位学报. 2013(01)
[8]智慧校园:数字校园发展的必然趋势[J]. 黄荣怀,张进宝,胡永斌,杨俊锋. 开放教育研究. 2012(04)
[9]从数字城市到智慧城市的理论与实践[J]. 李德仁,邵振峰,杨小敏. 地理空间信息. 2011(06)
[10]基于RFID的智能停车场管理系统的研究与设计[J]. 郭稳涛,何怡刚. 自动化技术与应用. 2010(06)
硕士论文
[1]基于深度学习的图像与无线信号的融合定位关键技术研究[D]. 王鑫.北京邮电大学 2019
[2]基于LSTM和TCN的室内定位系统研究与实现[D]. 刘炽.山东大学 2019
[3]基于深度学习的多传感器室内定位[D]. 宋小妹.华中科技大学 2019
[4]基于WiFi的室内定位关键技术研究[D]. 张天琦.哈尔滨理工大学 2017
[5]基于深度学习的室内定位算法研究[D]. 高欢斌.电子科技大学 2016
[6]基于智能手机平台的地磁室内定位系统[D]. 谢宏伟.南京大学 2015
[7]基于WiFi室内定位关键技术的研究[D]. 姜莉.大连理工大学 2010
本文编号：3714551
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3714551.html
