文献综述（或调研报告）：
Jichao Jiao等人[1] 提出了一种无线信号和RGB图像混合的室内定位方法。他们使用连续小波变换（CWT）将一维无线信号转化为W图像，然后从RGB图像和W图像中提取局部二值模式（LBP）特征，使不同结构的两个信号在LBP特征维度中融合，从而提高定位精度。
Zhenghua Chen等人[2] 提出了一种基于卡尔曼滤波的WiFi/手机传感器/地标的组合室内定位方法。首先他们基于无线信号传播损耗模型建立了加权路径损耗（WPL）算法以实现WiFi室内定位，而且WPL算法的精简确保它能在资源有限的手机上快速运行。然后引用了PDR算法，根据过去的位置、步长和行走方向来确定当前位置。此外还引入了地标，通过采集的数据判断人的行为模式从而判断出所处的地标，结合实际地图就能得到准确的位置，把这些位置作为算法的新起点来消除系统的累积误差。最后他们使用轻量级的卡尔曼滤波器把上述方法融合，实现了比较高的精度。
文献[3] 中也研究了一种WiFi/惯性/地图组合导航定位技术，通过WiFi指纹技术来确定位置，应用陀螺仪数据获得行走方向，并且使用拟合线性模型来估计步长。另外，他们还提出了一种室内地图的障碍线分组方法来减少整个系统的计算量。
李平等人[4] 提出了RFID和PDR组合的室内定位技术。RFID信号易受环境影响，造成信号减弱甚至缺失以至于无法定位；PDR算法则会产生随时间累积的误差。两种方法结合能够解决两者各自的缺陷，提高室内定位的精度，并且可以获得更多的运动状态信息。
Bargshady[5] 使用超宽带（UWB）和WiFi混合定位方法来用于室内机器人合作任务。其中UWB系统能够提供精确的定位，但覆盖范围有限，使用时需要设计和搭建新的硬件基础设施；而WiFi定位可以在软件中和现有的广泛分布的基础设施上实现，其覆盖范围比UWB系统宽得多。因此两者混合能带来更好的室内定位效果。
文献[6] 提出了超宽带与惯性导航组合的室内导航定位方法。该方法利用INS推算的位置和速度信息与UWB解算的位置和速度信息差值为量测信息，通过阈值进行判断，并利用扩展卡尔曼滤波进行参数解算，获得室内二维环境下的速度和位置信息。这样既可以校正惯导中的累积定位误差,又能够减小UWB定位存在的非视距NLOS误差，从而提升定位精度和稳定性。
Schatzberg等人[7] 研究了WiFi ToF定位与传感器惯性导航结合的技术，通过WiFi的传播时间和PDR算法来组合导航定位，提升导航定位的精度。但是由于室内环境复杂，且存在电磁干扰及多径效应等因素，导致WiFi ToF测量时间误差较大。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
