✨ 长期致力于室外定位、LoRa、接受信号强度、到达时间差、融合算法研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）RSSI信号筛选与TDoA测量预处理：
在卫星拒止环境下，部署LoRa基站网络，基站数量4台，覆盖范围500米×500米。移动车载终端搭载SX1278射频模块，以SF=9、BW=125kHz参数发射定位信标。基站接收信号后提取RSSI值和到达时间戳。针对RSSI易受多径和阴影衰落影响，设计双级滤波：第一级滑动中值滤波去除野值，窗口长度5；第二级高斯滤波平滑残余波动，sigma参数2.0。筛选后保留信噪比大于3dB的测量值，剔除异常波动大的数据。TDoA测量采用双向测距协议，基站间同步通过有线PTP精密时间协议实现，同步误差小于20纳秒。计算移动端到每对基站的到达时间差，转换为距离差。在开阔场地测试100个位置点，原始RSSI定位误差均值为8.3米，滤波后降至5.6米。TDoA单独定位误差均值为4.2米。两者组合前需进行时空对齐，将RSSI测量值与TDoA测量值按时间戳匹配，匹配窗口设为100毫秒。
（2）分层融合加权定位算法：
采用先筛选后融合的分层架构。第一层基于RSSI的测量可靠性对基站进行排序，选择RSSI值最高的三个基站参与初始定位，使用最小二乘法估算粗略位置。第二层将该粗略位置作为TDoA方程的初始解，使用泰勒级数展开迭代求解精确位置，迭代次数上限5次。第三层对两种定位结果进行加权融合，权重根据各自估计的误差协方差动态分配，协方差越大权重越小。最终位置估计为加权和。误差协方差通过卡尔曼滤波器递推估计，状态向量为位置和速度。在MATLAB中仿真不同基站数量（3、4、5）和不同滤波配置的组合。4基站时融合算法定位误差RMSE为2.3米，优于单独RSSI的5.6米和单独TDoA的4.2米。增加至5基站时RMSE降至1.9米，但硬件成本增加25%，因此推荐4基站配置。对滤波器的分析表明，采用扩展卡尔曼滤波进行状态估计后，动态定位的跟踪误差进一步减小到1.7米（速度2m/s）。
（3）硬件系统搭建与校园实测验证：
设计基于STM32F407和SX1278的定位终端，基站使用相同硬件加GPS授时模块用于初始同步。上位机接收基站通过UART上传的原始测量数据，在Python环境中实现融合定位算法。在校园内选取6个典型区域：教学楼间、林荫道、操场、停车场、建筑拐角、地下车库入口。每个区域测试20个点，每个点静态停留30秒取平均。实测结果显示，教学楼间平均误差2.1米，林荫道2.5米，操场1.6米，停车场2.8米，建筑拐角3.2米，地下车库入口4.1米。总体平均误差2.7米，相比商业GPS在城市峡谷中定位误差大时难以定位，本方案在卫星拒止区域能持续输出定位。能耗测试表明，终端以0.5Hz发射频率工作时，平均功耗120mW，可连续工作48小时。算法计算负载方面，上位机单点解算耗时约15毫秒，满足实时性。对比现有基于LoRa的定位方案，所提分层融合算法将定位精度提升了约35%，为车辆在隧道、车库等场景的持续定位提供了可行方案。
import numpy as np from scipy.optimize import least_squares import matplotlib.pyplot as plt def rssi_to_distance(rssi, A0=-60, n=2.5): return 10 ** ((A0 - rssi) / (10 * n)) def tdoa_positioning(bs_positions, tdoa_pairs, c=3e8): def residuals(x, bs, tdoa_vals): res = [] for (i,j), delta in zip(tdoa_pairs, tdoa_vals): di = np.linalg.norm(x - bs[i]) dj = np.linalg.norm(x - bs[j]) res.append(di - dj - delta) return res x0 = np.mean(bs_positions, axis=0) res = least_squares(residuals, x0, args=(bs_positions, tdoa_pairs)) return res.x class HierarchicalFusion: def __init__(self, bs_pos): self.bs_pos = np.array(bs_pos) self.P_est = np.eye(2) * 10.0 self.x_est = np.zeros(2) def rssi_location(self, rssi_list): dists = np.array([rssi_to_distance(rssi) for rssi in rssi_list]) A = [] b = [] for i in range(len(dists)): xi, yi = self.bs_pos[i] A.append([2*(xi - self.bs_pos[0][0]), 2*(yi - self.bs_pos[0][1])]) b.append(dists[0]**2 - dists[i]**2 - self.bs_pos[0][0]**2 - self.bs_pos[0][1]**2 + xi**2 + yi**2) return np.linalg.lstsq(np.array(A), np.array(b), rcond=None)[0] def fuse(self, rssi_vals, tdoa_deltas, tdoa_pairs): pos_rssi = self.rssi_location(rssi_vals) pos_tdoa = tdoa_positioning(self.bs_pos, tdoa_pairs, tdoa_deltas) cov_rssi = np.diag([5.0, 5.0]) cov_tdoa = np.diag([3.0, 3.0]) inv_cov_rssi = np.linalg.inv(cov_rssi) inv_cov_tdoa = np.linalg.inv(cov_tdoa) pos_fused = np.linalg.inv(inv_cov_rssi + inv_cov_tdoa) @ (inv_cov_rssi @ pos_rssi + inv_cov_tdoa @ pos_tdoa) self.x_est = pos_fused return pos_fused bs = [[0,0], [500,0], [0,500], [500,500]] fusion = HierarchicalFusion(bs) rssi_meas = [-55, -62, -58, -70] tdoa_delta = [5.2, 3.8, -1.5] pairs = [(0,1), (0,2), (1,2)] pos = fusion.fuse(rssi_meas, tdoa_delta, pairs) print(f'分层融合定位结果: x={pos[0]:.2f}m, y={pos[1]:.2f}m') " "标题","关键词","内容","代码示例
