Hybrid Data Fusion (HDF)——数据融合

目前，大多数无线环境都包含了异构的无线资源，例如LTE femto基站、WLAN APs和WSNs。此外，这种环境的特点是多标准ud之间在中短期范围内的密集合作。此外，为了提高连接性能和支持基于场景的服务或室内导航，在这种情况下，无线定位能力是有效的。然而，由于信号衰减和无线电信号反射引起的多路径传播问题，无线室内定位的精度在不受控制的环境中严重下降。许多研究人员结合其他传感器来源(如惯性测量单元(IMU)、摄像机和测距仪)来弥补这些问题。采用不同物理原理融合不同定位系统的信息，可以提高整个系统的精度和鲁棒性。值得注意的是，各种无线设备，如蓝牙、无线局域网和射频识别(RFID)，提供了从几米到几厘米的建筑物内的定位精度。因此，我们将在本节中首先回顾基于HDF的传统技术。然后，我们将讨论与地图和指纹的融合，与惯性信息的融合，与相机信息的融合，与其他信息的融合，如环境的空间结构信息

传统的HDF技术

近年来，HDF的研究工作主要集中在集中式和非集中式两方面。迭代定位和合作链接选择与非集中式方法一起使用。此外，这种异质性和合作性的环境还包含了一些复杂的现象，如有害的稀疏连接、各种无线电接入技术之间的时空关联以及精度几何稀释差(GDOP)条件。此外，联合异构和8种协同无线室内场景中的测量运动使用具有RSS测量能力的ZigBee设备。HDF方法为通信提供可靠的位置信息。[65]的工作介绍了无线混合增强移动无线电估计器(WHERE)欧洲项目评估的无线定位的主要无线电技术和场景。两种新的基于粒子滤波的HDF技术用于直接从接收到的信号或路径相关参数跟踪位置。此外，在获得与LOS和non LOS传播相对应的适当数学表示的基础上，采用新的协同方案，提高了移动通信系统的位置精度和可靠性
另一项有趣的工作是基于角度的定位、地图过滤和行人航迹推算的组合[66]，其中绝对位置估计由基于角度的定位系统提供。另一方面，在没有绝对位置和航向信息的情况下，通过行人航迹推算(PDR)得到准确的路线长度和形状。将PDR运动和基于角度的定位技术得到的估计结果与粒子滤波中的建筑矢量图相结合，作为本研究的融合滤波器。因此，不同定位技术的信息融合可以提高几种室内场景的定位精度。混合算法也用于航迹跟踪。通常，这种混合技术通过卡尔曼滤波器将惯性测量和RSS信息相结合。经典的航迹跟踪混合方法基于基于地图或指纹的RSS定位方法。然而，这需要一个耗时的校准步骤，以便通过匹配地图测量值和移动s测量值，创建用于移动节点位置估计的环境的无线电地图。另一方面，另一种混合定位方法使用了信道建模技术，其中传播信道模型提供了两个节点与RSS之间距离的直接关系;然后，利用一种定位技术或三角剖分技术，从已知的锚节点的一组距离估计节点的位置。然而，指纹法提供了更高的准确率;然而，这种方法具有最小的校准成本。此外，惯性测量和基于通道的定位之间的融合在定位精度方面比指纹方法更强。通常，基于LS的技术主要用于协同定位方案。

迭代多边算法

值得一提的是，在HDF中，通过迭代多边算法，分布式定位也应用到HDF中。未知节点的位置一旦估计了，该节点就被用作虚拟锚节点，其估计位置将广播到所有相邻节点。该过程如图9所示，目标节点不仅可以使用相邻的锚节点，还可以使用在早期迭代中已完成位置估计的虚拟锚节点，从而实现自定位。虚拟锚节点具有不同程度的精度。迭代过程一直持续，直到所有节点（至少有三个参考节点）都完成位置估计。在这个过程中下，节点只需要局部邻近区域内的信息，从而以错误传播的代价降低了通信成本。因此，考虑到虚拟锚节点的精度参差不齐，参考节点的选择要格外小心，以减少误差的累积，这是非常必要的。