To overcome the disadvantages of RFID application for outdoor vehicle positioning in completely GPS-denied environment, a fusion vehicle positioning strategy based on the integration of RFID and in-vehicle sensors is proposed. To obtain higher performance, both preliminary and fusion positioning algorithms are studied. First, the algorithm for preliminary positioning is developed in which only RFID is adopted. In the algorithm, through using the received signal strength, range from RFID tags to the reader is estimated by implementing the extreme learning machine algorithm, and then, the first-level adaptive extended Kalman filter (AEKF) which can accommodate the uncertainties in the observation noise description of RFID is employed to compute the vehicle’s location. Further, to compensate the deficiencies of preliminary positioning, the in-vehicle sensors are introduced to fuse with RFID. The second-level adaptive decentralized information filtering (ADIF) is designed to achieve fusion. In the implementation process of ADIF, the improved vehicle motion model is established to accurately describe the motion of the vehicle. To isolate the RFID failure and fuse multiple observation sources with different sample rates, instead of the centralized EKF, the decentralized architecture is employed. Meanwhile, the adaptive rule is designed to judge the effectiveness of preliminary positioning result, deciding whether to exclude RFID observations. Finally, the proposed strategy is verified through field tests. The results validate that the proposed strategy has higher accuracy and reliability than traditional methods.

中文翻译：

---

GPS拒绝环境中采用两阶段自适应滤波的可靠定位算法

为了克服RFID在完全拒绝GPS的户外车辆定位中的缺点，提出了一种基于RFID与车载传感器集成的融合车辆定位策略。为了获得更高的性能，研究了初步定位算法和融合定位算法。首先，开发了仅采用RFID的初步定位算法。在该算法中，通过使用接收信号强度，通过实施极限学习机算法来估计从RFID标签到阅读器的范围，然后，采用能适应观测不确定性的第一级自适应扩展卡尔曼滤波器（AEKF） RFID的噪声描述用于计算车辆的位置。此外，为了弥补初步定位的不足，引入了车载传感器以与RFID融合。第二级自适应分散信息过滤（ADIF）旨在实现融合。在ADIF的实施过程中，建立了改进的车辆运动模型以准确描述车辆的运动。为了隔离RFID故障并融合具有不同采样率的多个观测源，采用了分散式架构，而不是集中式EKF。同时，设计自适应规则来判断初步定位结果的有效性，从而决定是否排除RFID观测值。最后，通过现场测试验证了所提出的策略。结果验证了所提策略比传统方法具有更高的准确性和可靠性。第二级自适应分散信息过滤（ADIF）旨在实现融合。在ADIF的实施过程中，建立了改进的车辆运动模型以准确描述车辆的运动。为了隔离RFID故障并融合具有不同采样率的多个观测源，采用了分散式架构，而不是集中式EKF。同时，设计自适应规则来判断初步定位结果的有效性，从而决定是否排除RFID观测值。最后，通过现场测试验证了所提出的策略。结果验证了所提策略比传统方法具有更高的准确性和可靠性。第二级自适应分散信息过滤（ADIF）旨在实现融合。在ADIF的实施过程中，建立了改进的车辆运动模型以准确描述车辆的运动。为了隔离RFID故障并融合具有不同采样率的多个观测源，采用了分散式架构，而不是集中式EKF。同时，设计自适应规则来判断初步定位结果的有效性，从而决定是否排除RFID观测值。最后，通过现场测试验证了所提出的策略。结果验证了所提策略比传统方法具有更高的准确性和可靠性。建立改进的车辆运动模型以准确地描述车辆的运动。为了隔离RFID故障并融合具有不同采样率的多个观测源，采用了分散式架构，而不是集中式EKF。同时，设计自适应规则来判断初步定位结果的有效性，从而决定是否排除RFID观测值。最后，通过现场测试验证了所提出的策略。结果验证了所提策略比传统方法具有更高的准确性和可靠性。建立改进的车辆运动模型以准确地描述车辆的运动。为了隔离RFID故障并融合具有不同采样率的多个观察源，采用了分散式架构，而不是集中式EKF。同时，设计了自适应规则来判断初步定位结果的有效性，从而决定是否排除RFID观测值。最后，通过现场测试验证了所提出的策略。结果验证了所提策略比传统方法具有更高的准确性和可靠性。自适应规则旨在判断初步定位结果的有效性，并决定是否排除RFID观测值。最后，通过现场测试验证了所提出的策略。结果验证了所提策略比传统方法具有更高的准确性和可靠性。自适应规则旨在判断初步定位结果的有效性，并决定是否排除RFID观测值。最后，通过现场测试验证了所提出的策略。结果验证了所提策略比传统方法具有更高的准确性和可靠性。