.png){kind=icon}
返回
A probilistic markov model-based framework for indoor localization
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-63265-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，室内定位的需求显著增加，这主要得益于其在医疗保健、安全和其他位置感知服务中的重要应用。然而，由于测量噪声、多径传播以及复杂和拥挤的环境，精确的室内定位仍然具有挑战性。此外，许多传统方法在每一时刻独立估计位置，可能导致预测不稳定且连续位置之间出现不现实的跳跃。为解决这些局限性，本文提出了一种基于马尔可夫的室内定位方法，用于建模离散位置状态之间的转移概率。在所提出的框架中，每个室内位置被表示为一个状态，并构建一个转移概率矩阵（TPM）来描述相邻状态之间移动的可能性。通过引入时间依赖性和空间运动约束，所提出的方法在嘈杂的室内环境中产生更一致和稳健的未来位置估计。本工作的主要贡献在于利用状态转移结构捕捉室内位置之间的关系，并通过强制物理上合理的运动来提高定位稳定性。此外，所提出的方法具有快速处理、低计算复杂度和低定位误差的特点，同时保持令人满意的精度。该方法使用三个来自不同室内环境的数据集进行评估，包括工程学部的第二层网络与嵌入式系统研究实验室（NetSys Lab）、同一楼层的走廊以及工程学部第一层的一个区域。实验结果表明，所提出的马尔可夫模型（MM）在NetSys Lab、走廊和第一层环境中分别实现了均方根误差（RMSE）为0.26 m、0.30 m和0.33 m，对应的标准差（SD）分别为0.38 m、0.17 m和0.57 m。在定位精度方面，所提出的模型在三个环境中分别实现了平均绝对误差（MAE）为0.3794 m、0.1793 m和0.5781 m。此外，对应的定位中值误差分别为NetSys Lab的0.1974 m、走廊的0.1563 m和第一层环境的0.1687 m。这些发现证实，所提出的方法在多样化的室内场景中提供了准确、稳定且计算高效的室内定位性能。
