随着社会的不断进步与发展,传统矿山设备的安全性、可靠性以及智能化等方面已不能满足人们的要求,所以对这些矿山设备进行现代化改造的需求十分迫切。其中,矿井机车是极其重要的部分,也是容易出故障的部分,因此对矿井机车进行位置跟踪十分必要。目前,国内矿井机车的定位方法还存在精度低、成本高、易受干扰等问题。针对这些问题,本文利用里程计、惯性测量单元(Inertial Measurement Unit,IMU)以及Wi Fi位置指纹相结合的定位方法来降低定位系统成本,并提升对目标定位的可靠性与准确性。本文的主要工作有以下几点:(1)通过构建无线接收信号强度(Received Signal Strength Indicator,RSSI)对数距离损耗模型,以及利用射线跟踪仿真技术,生成了仿真实验数据,并对五种位置指纹匹配算法(逻辑回归、支持向量机、随机森林、神经网络多层感知器以及K最近邻)进行仿真实验。在对实验结果进行分析对比后选取了K最近邻算法,并进一步优化了该算法的超参数。但在线匹配定位阶段,单独使用加权K最近邻算法进行位置定位的偶然误差仍然较大,故需进一步融合机车的里程计与IMU传感器数据,从而提高定位结果的精度。(2)由于当前矿井中,无论有轨机车或是无轨机车都以轮式机车为主,故本文主要以轮式机器人作为研究目标模型。首先依据矿井机车的运动学特点与里程计模型,建立了直线-圆弧近似模型,再结合IMU模型与改进互补滤波算法(自适应互补滤波)可得到机车的运动轨迹,并经过实验验证了该方案的定位效果。但此方法会随着时间的推移而造成误差的累计,针对此问题,进一步地提出了基于里程计、IMU与Wi Fi位置指纹的扩展卡尔曼融合定位算法。(3)为了验证里程计、IMU以及Wi Fi指纹的扩展卡尔曼融合定位算法在实践中的定位效果,设计并搭建了无线定位系统的试验平台,且对该融合算法的定位结果进行了实测分析。首先通过手机APP采集RSSI信号,并由此制作位置指纹库。接着通过实验车平台获取里程计、IMU以及Wi Fi数据,并上传至上位机系统,利用上位机中的扩展卡尔曼融合算法,获得最终的定位结果。本定位系统使用的Wi Fi模组与其它定位方式的定位器件相比,具有成本低、通信范围广等优势,故可以有效地降低部署终端的成本;最终的定位结果表明该融合定位方法与单独的Wi Fi定位方法相比,偶然性误差大大降低,与单独使用惯性传感器定位相比,基本消除了累计误差。综上所述,本无线机车融合定位方法可以有效地降低系统成本,且具有较高的可靠性与准确性。