- 博客(16)
- 收藏
- 关注
RSS订阅原创 把 EKF 学懂：从公式总览到 RSSI×PDR 融合全流程
把PDR当“里程表+指南针”，把RSSI/指纹当“路边地标”，EKF就是“交警+裁判”，在“预测”里顺着里程表滚动地图，在“更新”里用地标纠偏，靠一套可计算的误差协方差和雅可比矩阵来量化“我有多不确定”。
2025-08-21 09:45:27
759
原创 PDR与RSSI融合定位入门：从原理到实践
本文介绍了PDR（惯性导航）与RSSI定位的融合方法。PDR通过IMU传感器估算行人轨迹，连续性好但会累积误差；RSSI定位通过信号强度推断位置，误差不累积但易受环境影响。融合两者可实现连续且准确的定位。文章详细讲解了PDR的基本原理、RSSI最邻近定位算法，并提供了融合流程：数据准备、单独定位和轨迹融合。融合方法包括简单的坐标重置法和进阶的卡尔曼滤波。最后解答了常见问题，如PDR漂移原因和RSSI跳变问题，并推荐了相关开源项目。
2025-08-19 20:37:27
527
原创 PDR 入门：从零讲清“步长 & 步频”的计算
摘要： 通过手机加速度传感器分析步行数据，主要识别三个关键信息：①传感器捕捉的步行信号表现为加速度曲线的峰（抬脚最高点）和谷（落地最低点）；②通过预处理（去除重力、滤波平滑）和峰谷检测（阈值判断）确定每一步；③步频由峰谷间隔时间计算，步长则需模型估算，常用Weinberg模型将摆幅强度映射为步长，并通过实地标定提高准确性。步频反映节奏快慢，步长体现跨距大小，两者结合完整描述步行特征。
2025-08-19 20:32:52
883
原创 一文读懂：基于随机子集抽样的高效室内指纹定位算法（RS-WKNN）
今天给大家分享一篇论文：《基于随机子集抽样的高效室内指纹定位算法》👤 作者：雷若兰📚 出处：上海理工大学学报我们都知道，传统的 KNN / WKNN 算法在室内定位中应用很广，但它们也存在一些RSSI 信号容易波动，有时非常不稳定特征维度（信标数量）多，但不是越多越好，反而容易“冗余干扰”少量异常值就可能严重拖垮定位结果所以，本文提出了一个非常——：不再依赖全量特征，而是通过“随机选一部分维度 + 多次预测平均”的方式来提升鲁棒性与定位精度。
2025-03-29 19:48:55
1228
原创 SE-WKNN（Spearman Enhanced Weighted KNN）融合结构相似性的室内定位算法
在众多指纹定位算法中，KNN 和 WKNN 是最常见的，但今天我们来聊一个“升级版”的算法 —— SE-WKNN（Spearman Enhanced WKNN）。
2025-03-29 19:33:34
654
原创 卡尔曼滤波（Kalman Filter）深入解析：从零开始彻底搞懂预测与修正（适合小白，无需数学基础，一步步深入讲解）
卡尔曼滤波（Kalman Filter）深入解析：从零开始彻底搞懂预测与修正（适合小白，无需数学基础，一步步深入讲解）
2025-03-13 18:14:11
12616
19
原创 滤波入门：从零开始理解滤波
滤波（Filtering）是信号处理中的一个重要概念，它的目的是 去除数据中的噪声，提取有用的信息。在很多应用场景中（如 传感器数据处理、室内定位、图像处理 等），原始数据通常会受到外部环境的干扰，导致数据波动较大，影响后续计算和分析。滤波技术能够减少这些误差，使数据更加平滑、稳定、精准。
2025-03-12 18:13:54
2533
原创 室内定位算法全解析：从 NN 到 WKNN 及其变体
在我们的日常生活中，导航和定位已经成为不可或缺的一部分。例如，在商场里寻找某家餐厅，在停车场找到自己的车，或者在医院里快速找到某个科室，这些都依赖于室内定位技术。然而，GPS 在室内通常无法提供高精度的定位，这就需要使用“基于位置指纹（Location Fingerprinting）”的方法来进行室内定位。本文将从最简单的 NN（最近邻）算法 开始，逐步讲解 KNN、WKNN 及其不同变体
2025-03-12 17:13:47
1918
原创 基于距离的蓝牙定位方式介绍
三边定位是一种常见的定位方法，广泛应用于无线通信、GPS、蓝牙等技术中 本文介绍了常见的三边定位及基于最小二乘的三边定位方法
2025-03-06 20:28:33
715
原创 《NavSense平台使用手册》
图 1 NavSense系统使用流程图由于平台涉及到站点数据的管理和数据分析功能，需要用户注册成功后方能使用。图 15给出了系统的登录界面截图。新用户需要首先通过邮箱进行注册，提交注册信息后邮箱会受到一封验证邮件，点击验证邮件后即可成功注册。已注册用户可以直接点击登录选项卡，进行登录。 图 2 系统处理界面注册登录页面用户登录成功后，直接进入处理界面： 图 3 处理界面处理界面针对非专业用户(其他行业集成应用开发)和专业用户（进行GNSS测试评估分析）提供了不同的配置选项，具体介绍如下： 快速处理用户仅需
2023-07-28 12:55:23
773
4
原创 GNSS定位坐标序列抽稀算法及Python实现
由于动态轨迹数据量比较大，通过网页显示的时候会出现加载非常慢，卡顿的问题，所以需要对数据进行抽稀。本文主要介绍两个python代码 分别实现：读取利用python代码read_pos.py中的read_posECEF_rtklib函数读取坐标后转换为BLH。对经纬度序列进行抽稀：抽稀过程需要考虑Q的状态：1、2、5分类进行抽稀。如果单类的点数较少，如少于500，则不进行抽稀。
2023-07-01 19:32:17
1004
原创 接收机静态与动态的区别
在GNSS接收机中，动态和静态是描述接收机状态的两个关键术语。它们指的是接收机在使用过程中的不同运行模式和应用场景。我们简略阐述两者的区别
2023-06-22 11:06:39
1141
3
原创 Python调用GFZRNX和RTKLIB实现GNSS数据批处理
小时解数据处理是一个常见的任务，特别是在地理测量、导航和地理空间分析等领域。它涉及对每个小时解文件进行处理，并生成定位结果。为了简化这一过程，我们将使用Python编程语言编写代码，以自动化处理小时解数据。
2023-06-21 11:01:00
1423
1
原创 Python调用GFZRNX实现GNSS观测值文件分割
在科学研究和工程应用中，我们经常需要处理大量的时间序列数据，例如卫星观测数据、气象数据等。然而，在处理这些数据时，我们常常只关注特定时间段内的数据，而不需要处理整个数据集。通过使用os.listdir()函数，我们可以获取文件夹中的所有文件，并根据文件名进行筛选，找出满足条件的文件列表。通过该处理流程，可以将观测数据按小时进行切割，并使用GFZRNX软件对每个小时的数据进行解算，实现数据的有效管理和分析。通过以上步骤，我们可以将GPS观测数据按小时进行分割，并使用GFZRNX软件对每个小时的数据进行解算。
2023-06-21 11:00:45
540
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人