基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统

本发明涉及一种基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统，属于室内定位领域。该系统通过引入神经网络（Neural Network,），将深度学习方法CNN‑LSTM应用于UWB NLOS/LOS信号分类，然后再引入分布式扩展卡尔曼滤波DEKF将超宽带UWB经过CNN‑LSTM优化过后的数据与惯性测量单元IMU的数据进行融合，抑制IMU随时间漂移造成累计误差从而保证测距数据精度的同时也保证各个传感器数据融合不会出现累计误差和时间同步的问题。本发明所提出的基于分布式扩展卡尔曼滤波深度学习优化算法CNN‑LSTM‑DEKF能够自动适应不同的传感器特性及环境变化，在复杂的室内环境中提供更加准确、鲁棒的定位结果。实验结果表明，在多径效应显著和信号遮挡间隙的室内环境中，本发明方法显着提升了定位精度。