室内高精度融合定位在工业物联网的应用

来源:用户上传      作者:

　　摘 要：随着全球化速度加快，消费市场也对工业制造业生产线提出了更高的要求。通过智能化定位算法以确定货品的实时状态和位置来实时监控工业物联网中的生产链和厂房状态，是随着物联网进程逐步发展过程中渐渐成熟的技术。蓝牙，WiFi，UWB，RFID，可见光定位，伪卫星定位各种定位技术的发展，使得现有的定位产品在不同的应用层面上实现的定位效果参差不齐，对于工厂、生产车间、仓储存储间等工业物联网环境下常见的复杂的作业环境，单一的定位技术已经无法满足多环境下的效果展现，无法实现高精度定位，而融合定位算法可以达到更好的精度和展现效果。因此文中基于WiFi，UWB，蓝牙及各种不同的定位技术的融合，利用卡爾曼滤波采集行人航位推算（PDR）技术获取人员位置信息的，最终实现在工业物联网复杂环境下的室内外高精度定位功能。
　　关键词：融合定位;工业物联网;高精度定位;蓝牙;UWB;复杂作业环境
　　中图分类号：TP393 文献标识码：A 文章编号：2095-1302（2020）07-00-05
　　0 引 言
　　随着无线网络的覆盖率的扩大，对数据实时性上传要求的提高也越来越迫切，更多种类的数据被要求实时更新和上传，而实时定位技术也在这种要求下也被赋予更大的期望：要求更高的位置精确度、要求更快数据实时性、要求更少的位置漂移量、要求更精准的轨迹路线图等。而就定位技术而言，GPS在室内的定位偏差过大，无法做到精确定位;WiFi、蓝牙定位在存在性定位方面具有无可比拟的优势，且具有部署简单，成本低廉的特点，但在精度上仍然无法达到理想的状态;UWB定位虽然在精度上可以实现15～20 cm的误差范围，但基站部署工程繁琐，受干扰性强和成本高昂使其在应用过程中显得有心无力。因此，越来越多的高校和研究机构试图通过研究基于多传感技术融合的方式来实现室内外定位的深入研究与探索。本文主要探讨在面对工业物联网的复杂环境时，如何通过不同定位技术的融合和互相辅助，来实现在工厂车间及人行道路上的室内外高精度定位，通过各种技术的技术特征和优劣势互补，来实现工业物联网定位的最优解。同时通过卡尔曼滤波方程采集的行人航位推算（PDR）人员位置信息，通过算法来进行优化，实现工业物联网多复杂环境条件下的高精度室内外定位方案。
　　1 工业物联网
　　1.1 工业物联网概述
　　工业物联网（IIoT）描述了机器到机器（M2M）的通信。在工业物联网中，机器可以与其他机器、对象、环境和基础设施等进行交互和通信。与此同时，这些通信使得工业物联网势必会产生海量的数据，而将这些数据进行统计和分析研究，对于管理者和生产效能的提高都具有促进意义。
　　通用电气公司董事长兼CEO Jeffrey Immelt说过[1]：“工业企业已经置身于信息产业之中了，无论他们是否愿意。”而在工业生产环境中，如何充分的利用物联网发展和部署给人们带来的这些信息，并利用这些信息来提示运营效能，是所有工业化企业向工业信息化企业转型过程中都必须面临到的一个问题。IIoT的本质是让工业大数据流动起来，通过工业化数据的捕捉和传输，使得公司和企业可以更快地解决低效能等问题，节省时间和金钱。在提升质量控制、管理产品品质、供应链追溯和整体供应链效率等方面具有巨大的潜力。
　　目前在工业大环境的突飞猛进下，工业化流水线生产作业和工业仓储存储正在迈向一个全新的物联网时代，数十亿基于嵌入式技术的前端设备和终端产品，通过无线AP实现了无缝互联，并借助便捷的短距离无线通信技术进行实时数据交换和分享。也正是基于此，针对工业物联网中的室内高精度定位技术慢慢在厂区内发展开来，帮助工厂内的人员、物资、车辆、访客进行实时的高精度定位。通过这一技术，对生产车间和存储厂房内的实时情况进行全方位管控，做到“有预期、有计划、有组织、有管理”的人员物资定位管控效果，并通过人员定位数据的实时上传，分析人员行为数据，对可能存在的风险和不规范操作、不合理行为、不正常走动进行预警告警。
　　定位技术只是工业物联网技术应用过程中的一环，通过基础数据的采集和通信，支撑顶层应用实现更多具化功能的基础技术。
　　1.2 定位应用瓶颈
　　工业厂区内的作业环境通常比较复杂多样，例如针对生产过程的监督和控制、生产资料的管理和维护、现场服务等其他各种不同种类的作业环境和人员配备，都由不同专业的作业人员在不同的环境中完成。不同的环境适配的定位标签的产品形态也各有所异，标签胸卡、定位手环、定位安全帽、定位设备终端、巡检定位一体机等，不同的作业环境，不同的着装要求，不同的安全等级要求，对定位标签产品的形态提出了各种各样的要求。
　　同时，工业化生产设备/各类自动设备，也分为固定和移动的自动化产品和设备。固定设备主要包括离散自动化生产设备、工业机器人、电机驱动设备、伺服运动控制设备、电机发电机设备、产品流程控制设备、风机泵压缩机设备及各类传感器，开关设备等。
　　移动设备主要指各类AVG（自动引导小车）、抓车、叉车、扫描器、各类机器人等。
　　同时，考虑到定位产品的终端平台部署所实现的顶层业务功能需要有数据对接，可能会产生相关的工业软件平台还可以划分为：控制平台、传动系统、网络基建。
　　控制平台主要涉及到如MES（制造企业生产过程执行管理平台）、CRM（渠道管理平台/客户关系管理平台）、PLM（产品生命周期管理平台）等生产线管理平台及各类仿真平台、控制优化软件平台等。除此以外，还涉及到生产车间的生产控制系统主要有DCS（离散控制系统）、PLC（可编程逻辑控制器）、SCADA（数据采集与监视控制）等系统[2]。
　　传动系统主要包括工业自动化生产过程中涉及到的运动控制系统，例如伺服系统和各类计算机数控产品等。
　　网络基建则是定位产品部署的最基本环境之一，针对不同的工业厂区内的网络建设情况，融合定位通常会结合现有网络环境给出最便捷最优化的部署形态，因此需要考虑到现有部署的工业以太网、工业大数据、工业云、工控网络安全网等相关技术。 　　2 融合定位应用
　　室内定位技术一般是由服务器、无线传输介质、定位信号基站、信标介质和移动终端构成。本文希望通过融合多定位技术来实现工业物联网环境下的室内信号全覆盖，因此需要通过规划计算来合理的布置各个类型的定位信号基站和信标介质。同时，信标介质需要同时支撑多种不同定位技术的信号和网络，否则可能存在需要佩带多个信标介质的情况，来适应不同定位技术的切换。
　　2.1 WiFi定位技术
　　WiFi室内定位技术是基于IEEE 802.11b标准的一种无线网络定位技术，是当前无线定位环境下的主要技术之一。WiFi技术主要是通过信号接收端接受区域内所覆盖的无线局域网中的无线AP中发射的无线信号，再利用信号传输模型和相应的测距方法，最终得到所需要测量的目标物相对于无线AP的距离。在获取到所测目标物到不同的AP的距离之后，通过相应的测算定位方法，例如三边测量定位法、三角定位法、到达时间法等方法，得到所需要测量目标物的具体位置。
　　WiFi技术通过无线接入点（AP）组成的无线局域网络（WLAN），可以实现在复杂环境中的定位、监测和追踪任务。它以网络节点（无线接入点）的位置信息为基础指纹库和前提部署条件，采用经验测试和信号传播模型相结合的方式，对已经接入无线局域网的移动设备进行位置定位，最高精确度在10～20 m之间。且如果定位测算的设备仅基于当前连接的WiFi接入点，而不是参照周边WiFi的信号强度多维复合条件，则WiFi定位就很容易存在误差（例如会发生跨楼层定位的错误）。
　　WiFi定位技术的最大的优点是：定位的范围相对较广，部署成本低，系统整体的定位精度比较高。但同时，WiFi信号的传播也受到障碍物干扰、多径传播、频段干扰等相关因素的影响，从而影响WiFi定位技术的精度。
　　2.2 蓝牙定位技术
　　蓝牙定位技术是基于IEEE 802.15.1标准下的无线网络传输技术，他的主要原理是通过测量蓝牙无线信号的强度从而实现定位功能。目前最常见的定位量级是用蓝牙技术实现存在性定位，在一定的环境要求下，蓝牙信标的密集部署也可以实现精度在3～5 m的实时定位。是中距离补充定位技术的一种主要手段。
　　蓝牙定位技术的发展，主要依靠蓝牙局域网的建设。在特定的需求定位的区域中，部署适当的蓝牙接入点，同时将蓝牙局域网配置成为基础的网络架构，并通过蓝牙技术将蓝牙定位标签产品和蓝牙信标基站同时接入所部属的蓝牙局域网中，实现数据的双向通信，最后通过特定的定位算法来实现蓝牙定位标签的位置计算。
　　蓝牙定位技术的优点是设备体积较小，蓝牙定位标签可以集成在各种终端设备中，例如笔记本电脑、手机或其他手持终端设备。蓝牙定位基站可以安装在马路边角，房间墙角，过道走廊处，安装简洁方便，功耗低，使用寿命长。但蓝牙定位技术仍然存在不容忽视的缺点，低版本的蓝牙定位技术稳定性相對较差，比较容易受到噪声信号的干扰，更适合在一些短距离、小范围的通信定位中应用。
　　2.3 超宽带定位技术
　　超宽带（UWB）定位技术，采用了TOF算法和TDOA算法相结合的形式。基于TOF测距的无线定位系统采用的策略是分布式定位策略[3]，其是通过本地移动标志点实现的，运算结束后，通过ZigBee短距离无线通信网络把定位的结果发送到主控标志点。UWB定位测距是采取基于传输时间特征的TOF测距机制来实现的。TDOA测距主要依据了双曲线的定位原理，通过测得所需定位目标的UWB信号同时到达两个定位基站的时间差，通过时间差乘以光的传播速度，从而获得距离差值。而到达两个定点定位基站的距离差是一个定值的双曲线，因此可以根据两个或者多个双曲线的交点，来得到所需定位的目标点位的位置信息。
　　TOF算法是通过到达时间TOA传世时间差测距的方法来实现的，距离测量使用了双向通信传输时间，而传输时间测量的机制相对于其他定位算法来说是很精确的。TOF测距算法可以实现前向测距和反向测距两个方向。在前向测距中，测距的主动标志点是本地标志点，在系统中被认为是移动标志点。由本地标志点发送的数据包，在系统中的定位锚点就是远程标志点，接受的数据包会马上进行自动响应[4];相反，反向测距的主动标志点是远程标志点，由本地标志点进行通知，远程标志点采取测距操作，再由远程标志点发送数据包，本地标志点接收数据包再理科进行自动响应。
　　TDOA算法是指信号到达的时间差，某个定位标签发送无线信号，通过利用到达不同基站的时间差值，来计算出定位标签到每个定位基站之间的距离差值（计算无线信号波的传输速度来实现）。得到的距离差值若符合双曲线方程中的相应条件，那么这个定位标签就在双曲线的其中一条分支上，则可以直接得出所需要定位的目标的坐标位置（通过计算两个或两个以上的双曲线的交点）。
　　UWB技术主要的优势在于定位精确，可以做到实时的高精度的定位，通常误差在20～30 cm之间，可以做到厘米级的定位效果，在定位路线回溯和地图显示上有很好的展示效果。但同时，UWB的基站成本大、造价高，同样容易受到障碍物干扰，多径干扰，部署复杂通常使用有线连接等缺点较突出，也造成了UWB定位技术无法得到大面积普及和应用的局面。
　　2.4 可见光定位技术
　　可见光定位的基本原理是通过对每个LED灯进行编码，将ID调制在灯光上，灯会不断发射自己的ID，通过利用手机前置摄像头或者其他接收的终端设备来识别这些编码，利用所获取的识别信息在地图指纹数据库中确定对应的位置信息，完成定位。目前国内外对于可见光通信定位的研究主要集中在五个方向：LED灯身份信息识别定位（LED-ID）、到达时间及时间差定位（TOA/TDOA）、光强模拟定位（RSS）、信号到达角定位（AOA）及图像传感定位。
　　可见光定位通过天花板上的LED灯组发出高频的闪烁信号，接收端则是通过CMOS摄像头或是终端PD接收，通过终端接收的信号，动态范围大，可以实现很高速率的通信;通过CMOS摄像头接受的，通过图像处理的而方法获取数据，是目前智能手机可以实现可见光定位的最佳手段，但缺点是图像处理耗时太大，实时性的效果比较差。 　　同时可见光光通信具有极强的保密性，不占用无线信道资源，且由于照明灯具的大量存在，这种定位技术可以大量集成到各种型号的灯具中，从而实现易部署，降成本的目的。
　　2.5 数据传输通信
　　数据传输模块的主要功能是负责将前端设备通过各种技术采集到的数据，通过数据传输模块的各种网络协议通过有线或者无线的形式上传到数据网关，再由数据网关与人员定位与应用平台进行数据交互，最终形成定位数据的互相通信传播，展现和应用。
　　定位软件应用平台的数据传输模块至少需要用到一种或多种短距离无线通信技术，由于工业工厂生产环境负责，针对设备较多的生产车间，有线布设的环境约束比较大，布设条件困难的情况下，可以考虑对部分特定环境条件的车间进行无线部署。而针对已经布设覆盖了无线局域网（AP）的工厂环境，则可以考虑利用现有的AP进行复用传输，来达到更高效的传输效果。
　　相对于其他的比较常用的短距离无线通信技术（蓝牙、无线宽带、超宽带、近场通信等），由于ZigBee技术具有低复杂度、低功耗、低速率、低成本等优势，因此在工业物联网应用平台中，ZigBee传输技术占有相对较大的优势。
　　ZigBee技术在单独作为定位技术时，也可以实现简单的定位功能。主要原理是通过一个已知位置的参考节点和若干个待定位的盲节点与通信网关之间形成组网，每个单一的盲节点之间相互协调通信来实现相对位置的确定，从而实现定位功能。这个定位技术的缺点在于信号传输收到多径效应和目标移动的影响相对比较大，而且定位的精度也取决于ZigBee信道的物理品质、信号源密度、环境和算法等相关因素的影响，如果需要精确定位，会造成相对过大的造价成本。
　　而ZigBee无线组网主要有三种逻辑设备类型：Coordinator（协调器），Rouert（路由器）和End-Device（终端传输设备）。ZigBee模块采用CC2530传输模块，是基于IEEE 802.15.4标准下关于无线组网、安全和应用等方面的技术标准。协调器由CC2530核心板、CC2530底板分别组成，分别负责网络的配置、启动和维护、节点验证等相关功能。路由器则由CC2530核心板、CC2530底板组成负责数据的分发。终端设备通常由多个传感器组成，主要负责数据采集[5]。
　　通常一个ZigBee网络会由一个协调器以及多个路由器和终端设备组成。通常的网络拓扑架构如图1所示。
　　2.6 融合定位
　　目前在融合定位的实现上主要有两种方式，一种是通过算法融合来通过对前端的AP点位的选择来实现定位精度的提高[6]。这类融合定位通常使用单一的定位技术，但后台算法通过定制化优化实现对前端高密度覆盖的无线网络传输节点进行优化选择，同时对定位结果上传之后的偏移量进行优化;另一种方式是通过多种定位技术的维度，计算得出不同测量物体的相对位置，通过对算法、定位技术、信号强度和信道频段情况，對被测物体的相对位置进行综合考量和优化。这类融合定位通常使用到两种或两种以上的定位技术，对前端设备和基站网关需要用到的技术标准提出了较高的要求，因为需要前端设备，定位卡片需支持多种定位技术的数据分发，但从使用上来说，不需要无线局域网承担太大的部署压力，且相对更灵活，更能够根据不同的工厂生产情况进行变化，有效控制成本输出。
　　目前，基于接收信号强度（RSS）的WiFi定位算法中，对无线局域网节点（AP）的选取要求相对较高，因此通常使用第一种对前端AP点位的算法融合选择，来实现高精度实时定位的效果。通过实现新的AP融合策略的选择，可以在实现提高定位精度的同时，兼并减小定位的延时影响，进一步改善整体的定位效果展现。AP选取的主要策略是：线下阶段完成的基于联合信息增益（IG）的AP选取策略，位置估计精度较高的基于标准方差（TD）的AP选取策略，以及线上阶段耗时较小的基于信号丢失率（LR）的AP选取策略。
　　基于JIG的AP选取策略，基于信号丢失率（SLR）的AP选取策略和基于STD的AP选取策略是三种不同的AP选取算法原理。
　　基于JIG最大化的AP选取主要是依据AP对于位置区分度的贡献大小进行最优AP的选择，将AP的RSS观测值作为主要特征，利用信息增益衡量特征给AP的指纹点分类带来的信息量的大小，带来的信息量越大，表示AP越重要。
　　而类似于基于最大均值（MM）的AP选取策略，基于SLR的AP选取策略同时考虑到环境动态变化所引起的AP信号丢失的问题，相比较基于MM的AP选择策略，基于SLR的AP选择策略对线上观测时间的要求相对宽松，因此更适用于实时定位精度要求较高的室内定位需求。
　　基于STD的AP选取策略则认为，RSS的标准直接反映了RSS序列的抖动情况，STD越小则RSS的不规则衰落效应越小，对于的AP则越有利于相对位置的估算，因此STD在相对较小的情况下，选择此AP的定位抖动越小，精度越高。
　　针对上述三类AP选取策略，实验表明JIG，SLR和STD分别利用三种不同的AP选取策略选出的AP子集，进行位置估计得融合定位结果，结果的偏差均值约为1.7 m，小于融合前3～5 m的偏移。同时容和定位的定位误差最大值和RMS（均方根）也优于其他三种定位策略。但融合定位由于计算量远大于其他三种AP选取策略，线上耗时相对于其他三种策略来说相对更大，综合而言，新提出的位置融合定位策略能够提高位置估计的精度，同时保证了定位结果的可靠性，其整体定位性能相对更优。
　　另一种多定位技术融合方式，以WiFi和蓝牙融合为例，WiFi和蓝牙在现有的定位技术交叉应用过程中，使用基于KL散度核函数的位置指纹定位算法进行优化，随后利用基于K-means的聚类算法，对通过WiFi和蓝牙技术分别获取到的经过KL散度核函数优化之后的定位结果进行最终的决策层融合[7]。
　　基于KL散度核函数的位置指纹定位算法，一方面利用了核函数的特征映射，充分提取RSS的特征值，另一方面KL散度核函数没有假设RSS是服从任何一种函数分布的，而是直接与离散的RSS序列进行交叉对比。因此，KL散度核函数有效保留了原始上传的定位信息，解决了RSS的不确定特性，由此显著提高了定位精度。 　　K-means聚类算法通常情况下会应用与大数据分析计算，属于探索类方法，利用聚类分析可以将无序的数据进行分类。K-means算法是一种针对“簇”数据聚集的分析算法，算法通过不断迭代计算进行中心点的集合，从而将所有的样本划分到若干集合中区。该算法的主要思想是通过先作粗略的样本分类，再通过最优原则不断迭代修改不合理的类别，从而使得所有分类都满足聚类要求。
　　K-means聚类算法主要解决了空间样本点的问题，通过某种算法将所有样本点合理划分为若干类别，而划分是基于某种度量标准完成的，因此划分的每个类别的点具有一定的相关性或相似性。因此，通过对WiFi和蓝牙定位技术得到的结果集进行K-means聚类，在聚类的最终结果中，选择包含点元素最多的作为最终融合定位的结果点，能够更好地对定位区域进行区域性的分类，对定位的结果进行可靠修正。
　　3 工业场景修正
　　目前室内高精度定位技术应用虽然发展迅猛，但是在技术的发展特别是融合应用的过程中，仍然出现了各种各样的难题，面临着技术瓶颈的挑战。
　　通常室内环境的复杂性和多变性是高精度定位的最大难题，在结合工业物联网环境的应用下，工厂生产车间，工厂装配车间，工厂内的存储仓库环境布置通常比较粗犷，钢结构的设备和隔断，立柱等建筑结构对定位信号的传输和接收交互存在反射和折射干扰。除此之外，因为工业生产环境的多变性，通常可能会因为货架的方向调整，或者是仓库内简单的大件货物搬动，都有可能会影响到高精度定位的准确性，如何能让其对环境的敏感度下降，能够适用更多更复杂的环境，是室内高精度定位的难点和挑战。
　　同时，在工业物联网环境下，用户的供电、网络布置都成为了定位基站部署和应用的难点，通常情况下，工厂内不会在前期配置预留的网络和供电设备，这也导致了现阶段室内高精度定位项目普遍需要比较高的成本，且施工难度和部署的复杂性也大大提高。这一现象直接导致了室内高精度定位在工业物联网各个不同厂区不同行业之间的可扩展性和可复制性不够强，目前的大多数室内定位的处理方案，通常是针对特定的环境提出的针对性方案，不能够直接的移植到其他的環境中去。
　　因此针对工业物联网的部署环境，需要通过定位算法来对应用场景进行修正。通常针对定位技术，大家会用到行人航位推算算法和卡尔曼滤波方程对其信号进行优化。
　　行人航位推算（PDR）的基本原理是在已知当前时刻位置的条件下，通过测得每个用户的二维坐标系下移动的长度、距离和方位角，来实现连续、实时计算下一时刻坐标的一种方法[8]。将用户的室内活动看作是在一个二维平面坐标系上的运动。通过已知个人用户的初始位置和初始方位角，可以通过实时获取个人行走步距和方位角变化情况推算出行人用户的方向位置信息。行人航位推算原理如图2所示。
　　从行人航迹推算原理可以获知，在已知初始位置和行走航线的情况下，通过结合人步行行走的运动生理学特性，利用行人行走时加速度传感器输出波形的周期性特征来进行计步，并利用行走速度相关的特点来估算行走步距，最后根据加速度传感器和磁力计公关解算算出每一步的航向，来实现对人员实时航向的估算和人在室内行走轨迹的优化重现。本方案将陀螺仪等传感器集成到前端的定位卡片中，然后通过PDR算法中获取到的人员方向，位置估算的信息，来对前端融合定位给出的决策信息予以修正和判断，通过对人员方向角的判定，来优化后台人员轨迹的链接，加大陀螺仪传感器的通信频段，可以获得高频的PDR测算结果，也可以对移动目标实现更高精度的定位。
　　卡尔曼滤波是一种高效的自回归滤波器，它的目标是从一系列完整的包含噪声的测量信息中，估计出动态系统的状态。人们应用卡尔曼滤波来实现对室内人员定位的动态模型的算法优化，提高人员定位精度。但由于卡尔曼滤波只适用于线性领域，因此这里用到了UKF算法。
　　UKF算法是基于Unscented变化（称作为UT变换）的改进卡尔曼滤波器，对非线性系统具有较强的适应性[9]。定位系统中的定位点位通常都是散列分布，连线也基本不可能形成线性，因此UKF算法相对于简单的卡尔曼滤波，更适合应用在定位的算法优化领域，其加强噪声离散形式的状态方程和观测方程如下：
　　式中：X是符合分布的n维状态向量;Z是m维观测向量;f，h分别是状态方程和观测方程，可以是线性或者非线性的;wk-1，vk是互不相关的零均值白噪声向量;us，um分别是状态方程和观测方程的控制量。UKF算法通过利用这一些力近似高斯分布的σ点，通过UT变换来进行状态和误差协方差阵列的递推和更新。UKF算法在每次迭代的过程中，采样点会随着非线性状态方程的传播而且随着非线性测量方程来变换，可以捕获到较高精度后验均值和协方差数值。因此无论系统非线性程度如何，在理论上来说，UT变换均可以保证至少三组泰勒展开精度来逼近高斯系统的统计特性，应用于工业物联网这类高复杂度的生产环境，具有滤波精度高，收敛性好的优势。
　　4 结 语
　　本文介绍了工业物联网大环境下的定位技术应用的复杂性和困难所在，着重介绍了前端无线接入点的算法融合定位和多种定位技术融合的方式来提高决策层的定位准确性，同时基于工业物联网的实际应用场景，对融合定位的结果进行了场景修正，通过PDR算法和UKF算法进一步优化了动态的定位准确性，提高了定位的可靠性。
　　参考文献
　　[1]吴坚.为什么你的仓库和工厂运营需要工业物联网[J].中国自动识别技术，2019（1）：44-46.
　　[2]周万木.工业物联网及其连接、采集的市场机会[J].电子产品世界，2019，26（3）：9-14.
　　[3]高思琪，孙建平.UWB定位技术的应用研究[J].仪器仪表用户，2019，26（3）：77-82.
　　[4]李婧，温蜜，薛梅.面向电网监测的无线传感器网络关键技术研究[J].上海电力学院学报，2017，33（4）：367-371.
　　[5]吴佳怡，冯锋.基于多传感信息融合的仓储定位追踪系统研究[J].计算机技术与发展，2019，29（6）：134-137.
　　[6]王华强，鲁晶，张海涛.基于位置融合的WiFi室内定位新策略[J].全球定位系统，2017，42（5）：29-32.
　　[7]孙纬民，杜庆治.基于WiFi与蓝牙的室内定位技术探究[J].软件导刊，2018，17（3）：169-171.
　　[8]谢红，曹欢，刘利国.基于iBeacon和多自由度MEMS的室内融合定位技术研究[J].应用科技，2017，44（5）：85-92.
　　[9]宋宇，喻文举，程超，等.基于WiFi、PDR、地磁相融合的室内定位研究[J].微电子学与计算机，2018，35（6）：60-64.
　　[10]杨悦梅，宋执环.工业物联网安全及防护技术研究[J]物联网技术，2015，5（3）：64-66.
转载注明来源:https://www.xzbu.com/8/view-15280087.htm