CN112562077A - 一种融合pdr和先验地图的行人室内定位方法 - Google Patents

一种融合pdr和先验地图的行人室内定位方法 Download PDF

Info

Publication number
CN112562077A
CN112562077A CN202011338426.XA CN202011338426A CN112562077A CN 112562077 A CN112562077 A CN 112562077A CN 202011338426 A CN202011338426 A CN 202011338426A CN 112562077 A CN112562077 A CN 112562077A
Authority
CN
China
Prior art keywords
indoor
pedestrian
time
map
track
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011338426.XA
Other languages
English (en)
Other versions
CN112562077B (zh
Inventor
李慧平
陈青山
周良荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202011338426.XA priority Critical patent/CN112562077B/zh
Publication of CN112562077A publication Critical patent/CN112562077A/zh
Application granted granted Critical
Publication of CN112562077B publication Critical patent/CN112562077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/14—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by recording the course traversed by the object
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/18—Stabilised platforms, e.g. by gyroscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种融合PDR和先验地图的行人室内定位方法，首先分别获取室内地图和行人的IMU数据，对所获得的室内地图进行LSD特征提取，将地图信息转化为具有墙壁信息的矩阵；然后对所获得的行人IMU数据进行PDR处理，得到原始的行人室内轨迹，再经过处理后与地图对准；利用地图信息和处理后的轨迹信息判别“穿墙”现象，得到穿墙点及其坐标；最后采用粒子滤波算法得到最优轨迹坐标，进行定位结果更新，得到最优的行人室内轨迹。本发明方法修正了由于PDR积分特性引起的定位误差，提高了定位精度，得到了更好的定位效果。

Description

一种融合PDR和先验地图的行人室内定位方法
技术领域
本发明属于定位技术领域，具体涉及一种行人室内定位方法。
背景技术
位置服务分为室内室外，在室外有全球定位***辅助进行定位。但在室内环境里，由于墙体结构复杂等原因导致无法接收卫星信号。PDR定位方法其无源特性并且定位不需要外部协助，仅由IMU就可以完成行人室内定位的特点已经成了行人室内定位的常用方法。但是PDR定位会产生定位误差，虽然可以利用惯性元件IMU来采集行人的步态数据，然后进行步态检测，判断出行人静止的时刻，并以该时刻下的速度作为卡尔曼滤波的观测量，进而对定位误差进行修正。然而，由于该方法是基于加速度的双重积分，因此随着时间的累积，定位误差也会随之累积。虽然可以采用ZUPT和ZARU的方法对误差进行修正，但依旧不能让定位结果达到一个最优的状态。同时由于步态检测的方法可能不够准确，所以定位误差依旧会存在。
因此为了修正定位误差，提高定位精度，便加入室内地图这一先验信息，通过PDR和先验地图的融合进一步校正定位误差，从而提高行人室内定位的精度。
发明内容
为了克服现有技术的不足，本发明提供了一种融合PDR和先验地图的行人室内定位方法，首先分别获取室内地图和行人的IMU数据，对所获得的室内地图进行LSD特征提取，将地图信息转化为具有墙壁信息的矩阵；然后对所获得的行人IMU数据进行PDR处理，得到原始的行人室内轨迹，再经过处理后与地图对准；利用地图信息和处理后的轨迹信息判别“穿墙”现象，得到穿墙点及其坐标；最后采用粒子滤波算法得到最优轨迹坐标，进行定位结果更新，得到最优的行人室内轨迹。本发明方法修正了由于PDR积分特性引起的定位误差，提高了定位精度，得到了更好的定位效果。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：绘制室内地图；
步骤2：对IMU进行标定处理，使用IMU采集行人室内运动数据；
步骤3：使用IMU数据，利用PDR定位方法得到行人室内轨迹；
步骤4：对行人室内轨迹进行平滑处理；
步骤5：对平滑处理后的行人室内轨迹进行旋转和平移，与室内地图对准；
步骤6：对室内地图进行LSD线特征提取，把室内地图转化为具有墙壁特征的地图向量矩阵；
步骤7：将步骤5与室内地图对准后的行人室内轨迹转换成轨迹向量矩阵；使用LSI算法对地图向量矩阵和轨迹向量矩阵进行判断，得到行人室内轨迹与墙壁的交叉点，即穿墙点；
步骤8：采用粒子群算法，对步骤5与室内地图对准后的行人室内轨迹进行粒子滤波；
步骤9：在粒子滤波过程中，使用LSI算法检测粒子群中是否有穿墙的粒子，并对穿墙的粒子进行权重归零，得到地图信息修正后的粒子群；
步骤10：粒子滤波完成后，计算出粒子群所表示的最优值，得到最优坐标，即最优行人室内轨迹。
进一步地，所述步骤1中绘制室内地图采用ARCGIS进行绘制。
进一步地，所述步骤2中对IMU进行标定处理的方法为：将IMU器件放入二十一面体中，然后把每个平面静止十秒，利用采集到的数据对IMU进行标定处理。
进一步地，所述步骤3中使用IMU数据，利用PDR定位方法得到原始的行人室内轨迹，包括如下步骤：
步骤3-1：MSINS初始对准：确定初始捷联矩阵；
步骤3-2：MSINS捷联解算；
进行四元数更新，即求解下式四元数微分方程：
Figure BDA0002797855930000021
其中，n表示导航坐标系，矩阵
Figure BDA0002797855930000022
表示载体坐标系相对于n系的姿态四元数，定义载体坐标系为b系，
Figure BDA0002797855930000023
是姿态角速率；
使用等效旋转矢量法求解(1)式，通过旋转矩阵链乘规则将式(1)写成数字递推的形式，如式(2)所示：
Figure BDA0002797855930000024
其中，
Figure BDA0002797855930000025
是tk时刻从b系到n系的变换四元数，
Figure BDA0002797855930000026
是tk-1时刻的姿态四元数；
Figure BDA0002797855930000027
是以地心惯性坐标系为参考系时，n系从tk-1时刻到tk时刻的变换四元数，定义地心惯性坐标系为i系；
Figure BDA0002797855930000031
是以i系为参考系时，b系从tk-1时刻到tk时刻的变换四元数；
计算n系从tk-1时刻到tk时刻的转动等效旋转矢量：
Figure BDA0002797855930000032
其中，
Figure BDA0002797855930000033
是t时刻在导航坐标系下的角速度，
Figure BDA0002797855930000034
是k-1时刻在导航坐标系下的角速度，
Figure BDA0002797855930000035
是k时刻在导航坐标系下的角速度，τk＝tk-tk-1是采样间隔；
根据等效旋转与旋转四元数之间的转换关系，得到：
Figure BDA0002797855930000036
记b系从tk-1时刻到tk时刻的转动等效旋转矢量为
Figure BDA0002797855930000037
采用角增量二子样等效旋转算法进行求解：
Figure BDA0002797855930000038
Δθk＝Δθk，1+Δθk，2 (6)
其中，
Figure BDA0002797855930000039
是陀螺仪测量得到的载体角速度，是一个快变量；Δθk是陀螺仪在tk-1时刻到tk时刻的角增量；Δθk，1和Δθk，2分别对应于陀螺仪从tk-1时刻到
Figure BDA00027978559300000310
时刻和从
Figure BDA00027978559300000311
时刻到tk时刻的角增量，计算方法为：
Figure BDA00027978559300000312
Figure BDA00027978559300000313
其中
Figure BDA00027978559300000314
是tk-1时刻的载体角速度，
Figure BDA00027978559300000315
是
Figure BDA00027978559300000316
时刻的载体角速度，
Figure BDA00027978559300000317
是tk时刻的载体角速度；
采用高速率采样，使用单子样算法求解
Figure BDA00027978559300000321
计算方法为：
Figure BDA00027978559300000318
其中
Figure BDA00027978559300000319
是单子样方法下tk-1时刻的载体角速度，
Figure BDA00027978559300000320
是单子样方法下tk时刻的载体角速度；
根据等效旋转矢量与旋转四元数之间的转换关系，得到：
Figure BDA0002797855930000041
将式(4)和式(10)代入到(1)式中，即完成姿态更新过程；
如果
Figure BDA0002797855930000042
和
Figure BDA0002797855930000043
有关的
Figure BDA0002797855930000044
为[1，0，0，0]T，则式(1)简化为：
Figure BDA0002797855930000045
对式(9)进行简化，得到：
Figure BDA0002797855930000046
步骤3-3：行人步态检测和静止检测；
对于陀螺仪向量序列
Figure BDA0002797855930000047
和加速度计向量序列
Figure BDA0002797855930000048
Figure BDA0002797855930000049
构造如下统计量：
Figure BDA00027978559300000410
式中，
Figure BDA00027978559300000411
是陀螺仪在x轴的M个序列的平方和，
Figure BDA00027978559300000412
是陀螺仪在y轴的M个序列的平方和，
Figure BDA00027978559300000413
是陀螺仪在z轴的M个序列的平方和；
Figure BDA00027978559300000414
Figure BDA00027978559300000415
是加速度计在x轴的M个序列的平方和，
Figure BDA00027978559300000416
是加速度计在y轴的M个序列的平方和，
Figure BDA00027978559300000417
是加速度计在z轴的M个序列的平方和；
Figure BDA00027978559300000418
Figure BDA00027978559300000419
种
Figure BDA00027978559300000420
分别是陀螺仪和加速度计向量的二范数平方；
Figure BDA00027978559300000421
是陀螺仪序列
Figure BDA00027978559300000422
的均值，
Figure BDA00027978559300000423
是加速度计序列
Figure BDA00027978559300000424
的均值；
由均值不等式，存在以下不等式的成立：
Figure BDA0002797855930000051
Figure BDA0002797855930000052
式中，
Figure BDA0002797855930000053
分别是陀螺仪x轴、y轴、z轴采样角速率序列{ωix}、{ωiy}、{ωiz}的均值；
Figure BDA0002797855930000054
Figure BDA0002797855930000055
分别是加速度计x轴、y轴、z轴采样比力序列{fix}、{fiy}、{fiz}的均值；上面不等式等号成立的条件是各测量轴的采样序列元素全部相等；
式(16)表明，当序列各元素的离差越大，不等式两端的差值越大；
对于陀螺仪，当其处于静态时，三个测量轴输出几乎为零，可以直接利用式(16)两端之差构造反映角运动动态程度的特征量，如式(18)：
Figure BDA0002797855930000056
对于加速度计，加速度计输出的比力数据含有重力加速度g分量，先从合矢量中把g扣除，按式(19)方法进行处理：
Figure BDA0002797855930000057
再将式(19)右侧的
Figure BDA00027978559300000512
替换成式(17)的右侧项，构造出反映线运动动态程度的特征量为：
Figure BDA0002797855930000058
最后，综合陀螺仪和加速度计的信息，构成既反映线运动又反映角运动动态程度的特征量为：
Figure BDA0002797855930000059
其中，c是角运动特征影响因子；影响因子c用于调节陀螺和加速度计的数据量级到等同的程度，使用序列方差的比值作为c的值；
综上所述，特征量
Figure BDA00027978559300000510
和Δ2都用于检测载体运动的动态程度，通过设置特征量
Figure BDA00027978559300000511
和Δ2阈值来达到对目标运动特性检测的目的；
步骤3-4：ZUPT卡尔曼滤波器设计；
滤波器的误差状态选择为九维，具体如下：
x＝[(δpn)T，(δvn)T，(φn)T]T (22)
其中，x是误差状态向量，δpn是位置误差，δvn是速度误差，φn是姿态失准角，三者都是SINS***误差；
将式(22)改写成矩阵的形式，有：
Figure BDA0002797855930000061
其中，fn×是fn的反对称阵，
Figure BDA0002797855930000062
是陀螺仪的零偏，
Figure BDA0002797855930000063
是随机误差；
由于IMU安装在足部，当佩戴者脚跟落地时，IMU的实际地速为0，构造观测方程为：
Figure BDA0002797855930000064
其中，Hv＝[03×3 I3×3 03×3]是速度域观测矩阵，υv是速度测量误差，
Figure BDA0002797855930000065
是惯性导航***输出的地速；
离散时间状态空间方程由式(23)和式(24)离散化得到，表示为：
Figure BDA0002797855930000066
其中，xk是k时刻的状态量，xk-1是k-1时刻的状态量，zk是k时刻的观测量，Hk是k时刻的观测矩阵，Φk，k-1≈I+F(tk-1)·τ是状态转移矩阵，F(tk-1)是tk-1时刻的误差非线性函数，wk-1是离散化的***驱动噪声，υk是观测噪声，τ是状态更新的时间间隔；
为了保持滤波过程中估计始终无偏，初始状态为
Figure BDA0002797855930000067
P0＝Cov(x0)；
由于状态向量全部是误差向量，所以状态的初始值为0，即
Figure BDA0002797855930000068
对于初始状态估计误差的均方根矩阵P0，描述如下：
Figure BDA0002797855930000069
其中，
Figure BDA00027978559300000610
是初始失准角向量误差的方差，和初始对准有关系；
Figure BDA00027978559300000611
是初始速度误差向量的方差，在静止的情况下速度误差为零，所以
Figure BDA00027978559300000612
Figure BDA00027978559300000616
是初始位置误差向量的方差，给定
Figure BDA00027978559300000613
按照下列公式及步骤进行滤波过程：
Figure BDA00027978559300000614
Figure BDA00027978559300000615
Figure BDA0002797855930000071
滤波过程完成后，得到误差状态的最小方差估计，误差状态校正对应状态变量的公式如下：
Figure BDA0002797855930000072
其中，
Figure BDA0002797855930000073
是当前历元SINS***的经过位置，
Figure BDA0002797855930000074
是当前历元SINS***的速度，
Figure BDA0002797855930000075
是当前历元SINS***输出的姿态矩阵。
进一步地，所述步骤7中使用LSI算法对地图向量矩阵和轨迹向量矩阵进行判断，得到行人室内轨迹与墙壁的交叉点，即穿墙点的方法如下：
假定行人室内轨迹首末两个轨迹点坐标分别为(x1，y1)和(x2，y2)，墙壁线段端点坐标为(x3，y3)和(x4，y4)，则通过几何方法计算出墙壁线段与行人室内轨迹的交点(px，py)：
Figure BDA0002797855930000076
其中，当
Figure BDA0002797855930000077
和
Figure BDA0002797855930000078
的取值范围都在0和1之间时，则判定行人室内轨迹和墙壁线段相交。
进一步地，所述步骤8中采用粒子群算法，对步骤5与实际室内地图对准后的行人室内轨迹进行粒子滤波的方法如下：
步骤8-1：确定粒子群的数目N，建立粒子群，初始化粒子群的中心位置、起始点以及每个粒子的权重；粒子的初始化起始点位置为行人室内轨迹原始轨迹的起点位置，每个粒子的初始化权重为
Figure BDA0002797855930000079
步骤8-2：对1到N个粒子群进行初始化，即以行人室内轨迹原始轨迹的起点位置为中心产生高斯白噪声，然后进行粒子群的更新；在粒子群更新的过程中，量测为行人室内轨迹原始轨迹的步长和航向。
有益效果：
本发明针对由于单一的PDR定位方法造成定位精度不高的问题，提出了基于粒子滤波的地图匹配行人室内定位设计方法，修正了由于PDR积分特性引起的定位误差，提高了定位精度，得到了更好的定位效果。
附图说明
图1为本发明方法的流程框架图。
图2为本发明PDR定位***算法执行流程框架图。
图3为本发明实施例室内地图。
图4为本发明实施例经LSD线特征提取后的地图。
图5为本发明实施例穿墙点检测图。
图6为本发明实施例用两种定位方法的仿真图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，一种融合PDR和先验地图的行人室内定位方法，包括如下步骤：
步骤1：绘制室内地图；
步骤2：对IMU进行标定处理，使用IMU采集行人室内运动数据；
步骤3：使用IMU数据，利用PDR定位方法得到行人室内轨迹；
步骤4：对行人室内轨迹进行平滑处理；
步骤5：对平滑处理后的行人室内轨迹进行旋转和平移，与室内地图对准；
步骤6：对室内地图进行LSD线特征提取，把室内地图转化为具有墙壁特征的地图向量矩阵；
步骤7：将步骤5与室内地图对准后的行人室内轨迹转换成轨迹向量矩阵；使用LSI算法对地图向量矩阵和轨迹向量矩阵进行判断，得到行人室内轨迹与墙壁的交叉点，即穿墙点；
步骤8：采用粒子群算法，对步骤5与室内地图对准后的行人室内轨迹进行粒子滤波；
步骤9：在粒子滤波过程中，使用LSI算法检测粒子群中是否有穿墙的粒子，并对穿墙的粒子进行权重归零，得到地图信息修正后的粒子群；
步骤10：粒子滤波完成后，计算出粒子群所表示的最优值，得到最优坐标，即最优行人室内轨迹。
进一步地，所述步骤1中绘制室内地图采用ARCGIS进行绘制。
进一步地，所述步骤2中对IMU进行标定处理的方法为：将IMU器件放入二十一面体中，然后把每个平面静止十秒，利用采集到的数据对IMU进行标定处理。
进一步地，所述步骤3中使用IMU数据，利用PDR定位方法得到原始的行人室内轨迹，包括如下步骤：
步骤3-1：MSINS初始对准：确定初始捷联矩阵；
步骤3-2：MSINS捷联解算；
进行四元数更新，即求解下式四元数微分方程：
Figure BDA0002797855930000091
其中，n表示导航坐标系，矩阵
Figure BDA0002797855930000092
表示载体坐标系相对于n系的姿态四元数，定义载体坐标系为b系，
Figure BDA0002797855930000093
是姿态角速率；
使用等效旋转矢量法求解(1)式，通过旋转矩阵链乘规则将式(1)写成数字递推的形式，如式(2)所示：
Figure BDA0002797855930000094
其中，
Figure BDA0002797855930000095
是tk时刻从b系到n系的变换四元数，
Figure BDA0002797855930000096
是tk-1时刻的姿态四元数；
Figure BDA0002797855930000097
是以地心惯性坐标系为参考系时，n系从tk-1时刻到tk时刻的变换四元数，定义地心惯性坐标系为i系；
Figure BDA0002797855930000098
是以i系为参考系时，b系从tk-1时刻到tk时刻的变换四元数；
计算n系从tk-1时刻到tk时刻的转动等效旋转矢量：
Figure BDA0002797855930000099
其中，
Figure BDA00027978559300000910
是t时刻在导航坐标系下的角速度，
Figure BDA00027978559300000911
是k-1时刻在导航坐标系下的角速度，
Figure BDA00027978559300000912
是k时刻在导航坐标系下的角速度，τk＝tk-tk-1是采样间隔；
根据等效旋转与旋转四元数之间的转换关系，得到：
Figure BDA00027978559300000913
记b系从tk-1时刻到tk时刻的转动等效旋转矢量为
Figure BDA00027978559300000914
采用角增量二子样等效旋转算法进行求解：
Figure BDA00027978559300000915
Δθk＝Δθk，1+Δθk，2 (6)
其中，
Figure BDA0002797855930000101
是陀螺仪测量得到的载体角速度，是一个快变量；Δθk是陀螺仪在tk-1时刻到tk时刻的角增量；Δθk，1和Δθk，2分别对应于陀螺仪从tk-1时刻到
Figure BDA0002797855930000102
时刻和从
Figure BDA0002797855930000103
时刻到tk时刻的角增量，计算方法为：
Figure BDA0002797855930000104
Figure BDA0002797855930000105
其中
Figure BDA0002797855930000106
是tk-1时刻的载体角速度，
Figure BDA0002797855930000107
是
Figure BDA0002797855930000108
时刻的载体角速度，
Figure BDA0002797855930000109
是tk时刻的载体角速度；
采用高速率采样，使用单子样算法求解
Figure BDA00027978559300001010
计算方法为：
Figure BDA00027978559300001011
其中
Figure BDA00027978559300001012
是单子样方法下tk-1时刻的载体角速度，
Figure BDA00027978559300001013
是单子样方法下tk时刻的载体角速度；
根据等效旋转矢量与旋转四元数之间的转换关系，得到：
Figure BDA00027978559300001014
将式(4)和式(10)代入到(1)式中，即完成姿态更新过程；
如果
Figure BDA00027978559300001015
和
Figure BDA00027978559300001016
有关的
Figure BDA00027978559300001017
为[1，0，0，0]T，则式(1)简化为：
Figure BDA00027978559300001018
对式(9)进行简化，得到：
Figure BDA00027978559300001019
步骤3-3：行人步态检测和静止检测；
对于陀螺仪向量序列
Figure BDA00027978559300001020
和加速度计向量序列
Figure BDA00027978559300001021
Figure BDA00027978559300001022
构造如下统计量：
Figure BDA0002797855930000111
式中，
Figure BDA0002797855930000112
是陀螺仪在x轴的M个序列的平方和，
Figure BDA0002797855930000113
是陀螺仪在y轴的M个序列的平方和，
Figure BDA0002797855930000114
是陀螺仪在z轴的M个序列的平方和；
Figure BDA0002797855930000115
Figure BDA0002797855930000116
是加速度计在x轴的M个序列的平方和，
Figure BDA0002797855930000117
是加速度计在y轴的M个序列的平方和，
Figure BDA0002797855930000118
是加速度计在z轴的M个序列的平方和；
Figure BDA0002797855930000119
Figure BDA00027978559300001110
和
Figure BDA00027978559300001111
分别是陀螺仪和加速度计向量的二范数平方；
Figure BDA00027978559300001112
是陀螺仪序列
Figure BDA00027978559300001113
的均值，
Figure BDA00027978559300001114
是加速度计序列
Figure BDA00027978559300001115
的均值；
由均值不等式，存在以下不等式的成立：
Figure BDA00027978559300001116
Figure BDA00027978559300001121
式中，
Figure BDA00027978559300001117
分别是陀螺仪x轴、y轴、z轴采样角速率序列{ωix}、{ωiy}、{ωiz}的均值；
Figure BDA00027978559300001118
Figure BDA00027978559300001119
分别是加速度计x轴、y轴、z轴采样比力序列{fix}、{fiy}、{fiz}的均值；上面不等式等号成立的条件是各测量轴的采样序列元素全部相等；
式(16)表明，当序列各元素的离差越大，不等式两端的差值越大；
对于陀螺仪，当其处于静态时，三个测量轴输出几乎为零，可以直接利用式(16)两端之差构造反映角运动动态程度的特征量，如式(18)：
Figure BDA00027978559300001120
对于加速度计，加速度计输出的比力数据含有重力加速度g分量，先从合矢量中把g扣除，按式(19)方法进行处理：
Figure BDA0002797855930000121
再将式(19)右侧的
Figure BDA00027978559300001211
替换成式(17)的右侧项，构造出反映线运动动态程度的特征量为：
Figure BDA0002797855930000122
最后，综合陀螺仪和加速度计的信息，构成既反映线运动又反映角运动动态程度的特征量为：
Figure BDA0002797855930000123
其中，c是角运动特征影响因子；影响因子c用于调节陀螺和加速度计的数据量级到等同的程度，使用序列方差的比值作为c的值；
综上所述，特征量
Figure BDA0002797855930000124
和Δ2都用于检测载体运动的动态程度，通过设置特征量
Figure BDA0002797855930000125
和Δ2阈值来达到对目标运动特性检测的目的；
步骤3-4：ZUPT卡尔曼滤波器设计；
滤波器的误差状态选择为九维，具体如下：
x＝[(δpn)T，(δvn)T，(φn)T]T (22)
其中，x是误差状态向量，δpn是位置误差，δvn是速度误差，φn是姿态失准角，三者都是SINS***误差；
将式(22)改写成矩阵的形式，有：
Figure BDA0002797855930000126
其中，fn×是fn的反对称阵，
Figure BDA0002797855930000127
是陀螺仪的零偏，
Figure BDA0002797855930000128
是随机误差；
由于IMU安装在足部，当佩戴者脚跟落地时，IMU的实际地速为0，构造观测方程为：
Figure BDA0002797855930000129
其中，Hv＝[03×3 I3×3 03×3]是速度域观测矩阵，υv是速度测量误差，
Figure BDA00027978559300001210
是惯性导航***输出的地速；
离散时间状态空间方程由式(23)和式(24)离散化得到，表示为：
Figure BDA0002797855930000131
其中，xk是k时刻的状态量，xk-1是k-1时刻的状态量，zk是k时刻的观测量，Hk是k时刻的观测矩阵，Φk，k-1≈I+F(tk-1)·τ是状态转移矩阵，F(tk-1)是tk-1时刻的误差非线性函数，wk-1是离散化的***驱动噪声，υk是观测噪声，τ是状态更新的时间间隔；
为了保持滤波过程中估计始终无偏，初始状态为
Figure BDA0002797855930000132
P0＝Cov(x0)；
由于状态向量全部是误差向量，所以状态的初始值为0，即
Figure BDA0002797855930000133
对于初始状态估计误差的均方根矩阵P0，描述如下：
Figure BDA0002797855930000134
其中，
Figure BDA0002797855930000135
是初始失准角向量误差的方差，和初始对准有关系；
Figure BDA0002797855930000136
是初始速度误差向量的方差，在静止的情况下速度误差为零，所以
Figure BDA0002797855930000137
Figure BDA00027978559300001314
是初始位置误差向量的方差，给定
Figure BDA0002797855930000138
按照下列公式及步骤进行滤波过程：
Figure BDA0002797855930000139
滤波过程完成后，得到误差状态的最小方差估计，误差状态校正对应状态变量的公式如下：
Figure BDA00027978559300001310
其中，
Figure BDA00027978559300001311
是当前历元SINS***的经过位置，
Figure BDA00027978559300001312
是当前历元SINS***的速度，
Figure BDA00027978559300001313
是当前历元SINS***输出的姿态矩阵。
进一步地，所述步骤7中使用LSI算法对地图向量矩阵和轨迹向量矩阵进行判断，得到行人室内轨迹与墙壁的交叉点，即穿墙点的方法如下：
假定行人室内轨迹首末两个轨迹点坐标分别为(x1，y1)和(x2，y2)，墙壁线段端点坐标为(x3，y3)和(x4，y4)，则通过几何方法计算出墙壁线段与行人室内轨迹的交点(px，py)：
Figure BDA0002797855930000141
其中，当
Figure BDA0002797855930000142
和
Figure BDA0002797855930000143
的取值范围都在0和1之间时，则判定行人室内轨迹和墙壁线段相交。
进一步地，所述步骤8中采用粒子群算法，对步骤5与实际室内地图对准后的行人室内轨迹进行粒子滤波的方法如下：
步骤8-1：确定粒子群的数目N，建立粒子群，初始化粒子群的中心位置、起始点以及每个粒子的权重；粒子的初始化起始点位置为行人室内轨迹原始轨迹的起点位置，每个粒子的初始化权重为
Figure BDA0002797855930000144
步骤8-2：对1到N个粒子群进行初始化，即以行人室内轨迹原始轨迹的起点位置为中心产生高斯白噪声，然后进行粒子群的更新；在粒子群更新的过程中，量测为行人室内轨迹原始轨迹的步长和航向。
具体实施例：
位置服务分为室内室外，在室外有全球定位***辅助进行定位。但在室内环境里，由于墙体结构复杂等原因导致无法接收卫星信号。所以PDR由于其无源特性成为了室内定位一种好的方法。但是定位误差会随着时间而积累，虽然定位误差可以利用惯性元件IMU来采集行人的步态数据，然后进行步态检测，判断出行人静止的时刻，并以该时刻下的速度作为卡尔曼滤波的观测量，进而对定位误差进行修正。但是由于步态检测的方法可能不够准确，所以定位误差依旧会存在。因此为了修正定位误差，提高定位精度，便加入室内地图这一先验信息，通过PDR和先验地图的融合进一步校正定位误差，从而提高行人室内定位的精度。
本实施例针对由于单一的PDR定位方法造成定位精度不高的问题，提出了基于粒子滤波的地图匹配行人室内定位设计方法，修正了由于PDR积分特性引起的定位误差，提高了定位精度，得到了更好的定位效果。
1、把IMU调试好安装在脚后跟的位置，然后在室内行走采集行走数据。
2、使用ARCGIS绘制行人的室内地图，将ARCGIS图层中加入线元素，然后利用线元素将室内布局转化为室内地图产生地图信息并输出为图片。绘制好的地图如图3所示。
3、加载IMU采集到的行人数据，然后进行PDR算法的实现与仿真，得到初始的行人室内轨迹。
4、由室内地图得到地图信息矩阵，如图4所示。然后进行先验地图和PDR产生的原始行人轨迹的融合，得到修正后的行人室内轨迹。
5、比较融合先验地图前如图5所示和融合先验地图后如图6所示的定位效果。从图5中可以看到：在没有融合先验地图之前，仅由PDR算法产生的行人轨迹不仅偏离了真实轨迹而且还存在10个穿墙点，明显不符合真实情况，并且造成了严重的定位误差，走了一圈后没有回到起始点。但是，在融合了先验地图之后，从图6可以看到：修正后的轨迹不仅没有了穿墙点，更加符合实际情况；而且也更加趋向真实轨迹并且在走了一圈后也回到了起始点。
因此，经过分析，可以表明：融合先验地图和PDR是一种行之有效的行人室内定位方法。

Claims (6)

1.一种融合PDR和先验地图的行人室内定位方法，其特征在于，包括以下步骤：
步骤1：绘制室内地图；
步骤2：对IMU进行标定处理，使用IMU采集行人室内运动数据；
步骤3：使用IMU数据，利用PDR定位方法得到行人室内轨迹；
步骤4：对行人室内轨迹进行平滑处理；
步骤5：对平滑处理后的行人室内轨迹进行旋转和平移，与室内地图对准；
步骤6：对室内地图进行LSD线特征提取，把室内地图转化为具有墙壁特征的地图向量矩阵；
步骤7：将步骤5与室内地图对准后的行人室内轨迹转换成轨迹向量矩阵；使用LSI算法对地图向量矩阵和轨迹向量矩阵进行判断，得到行人室内轨迹与墙壁的交叉点，即穿墙点；
步骤8：采用粒子群算法，对步骤5与室内地图对准后的行人室内轨迹进行粒子滤波；
步骤9：在粒子滤波过程中，使用LSI算法检测粒子群中是否有穿墙的粒子，并对穿墙的粒子进行权重归零，得到地图信息修正后的粒子群；
步骤10：粒子滤波完成后，计算出粒子群所表示的最优值，得到最优坐标，即最优行人室内轨迹。
2.根据权利要求1所述的一种融合PDR和先验地图的行人室内定位方法，其特征在于，所述步骤1中绘制室内地图采用ARCGIS进行绘制。
3.根据权利要求1所述的一种融合PDR和先验地图的行人室内定位方法，其特征在于，所述步骤2中对IMU进行标定处理的方法为：将IMU器件放入二十一面体中，然后把每个平面静止十秒，利用采集到的数据对IMU进行标定处理。
4.根据权利要求1所述的一种融合PDR和先验地图的行人室内定位方法，其特征在于，所述步骤3中使用IMU数据，利用PDR定位方法得到原始的行人室内轨迹，包括如下步骤：
步骤3-1：MSINS初始对准：确定初始捷联矩阵；
步骤3-2：MSINS捷联解算；
进行四元数更新，即求解下式四元数微分方程：
Figure FDA0002797855920000021
其中，n表示导航坐标系，矩阵
Figure FDA0002797855920000022
表示载体坐标系相对于n系的姿态四元数，定义载体坐标系为b系，
Figure FDA0002797855920000023
是姿态角速率；
使用等效旋转矢量法求解(1)式，通过旋转矩阵链乘规则将式(1)写成数字递推的形式，如式(2)所示：
Figure FDA0002797855920000024
其中，
Figure FDA0002797855920000025
是tk时刻从b系到n系的变换四元数，
Figure FDA0002797855920000026
是tk-1时刻的姿态四元数；
Figure FDA0002797855920000027
是以地心惯性坐标系为参考系时，n系从tk-1时刻到tk时刻的变换四元数，定义地心惯性坐标系为i系；
Figure FDA0002797855920000028
是以i系为参考系时，b系从tk-1时刻到tk时刻的变换四元数；
计算n系从tk-1时刻到tk时刻的转动等效旋转矢量：
Figure FDA0002797855920000029
其中，
Figure FDA00027978559200000210
是t时刻在导航坐标系下的角速度，
Figure FDA00027978559200000211
是k-1时刻在导航坐标系下的角速度，
Figure FDA00027978559200000212
是k时刻在导航坐标系下的角速度，τk＝tk-tk-1是采样间隔；
根据等效旋转与旋转四元数之间的转换关系，得到：
Figure FDA00027978559200000213
记b系从tk-1时刻到tk时刻的转动等效旋转矢量为
Figure FDA00027978559200000214
采用角增量二子样等效旋转算法进行求解：
Figure FDA00027978559200000215
Δθk＝Δθk，1+Δθk，2 (6)其中，
Figure FDA00027978559200000216
是陀螺仪测量得到的载体角速度，是一个快变量；Δθk是陀螺仪在tk-1时刻到tk时刻的角增量；Δθk，1和Δθk，2分别对应于陀螺仪从tk-1时刻到
Figure FDA00027978559200000217
时刻和从
Figure FDA00027978559200000218
时刻到tk时刻的角增量，计算方法为：
Figure FDA00027978559200000219
Figure FDA0002797855920000031
其中
Figure FDA0002797855920000032
是tk-1时刻的载体角速度，
Figure FDA0002797855920000033
是
Figure FDA0002797855920000034
时刻的载体角速度，
Figure FDA0002797855920000035
是tk时刻的载体角速度；
采用高速率采样，使用单子样算法求解
Figure FDA0002797855920000036
计算方法为：
Figure FDA0002797855920000037
其中
Figure FDA0002797855920000038
是单子样方法下tk-1时刻的载体角速度，
Figure FDA0002797855920000039
是单子样方法下tk时刻的载体角速度；
根据等效旋转矢量与旋转四元数之间的转换关系，得到：
Figure FDA00027978559200000310
将式(4)和式(10)代入到(1)式中，即完成姿态更新过程；
如果
Figure FDA00027978559200000311
和
Figure FDA00027978559200000312
有关的
Figure FDA00027978559200000313
为[1，0，0，0]T，则式(1)简化为：
Figure FDA00027978559200000314
对式(9)进行简化，得到：
Figure FDA00027978559200000315
步骤3-3：行人步态检测和静止检测；
对于陀螺仪向量序列
Figure FDA00027978559200000316
和加速度计向量序列
Figure FDA00027978559200000317
Figure FDA00027978559200000318
构造如下统计量：
Figure FDA0002797855920000041
Figure FDA0002797855920000042
式中，
Figure FDA0002797855920000043
是陀螺仪在x轴的M个序列的平方和，
Figure FDA0002797855920000044
是陀螺仪在y轴的M个序列的平方和，
Figure FDA0002797855920000045
是陀螺仪在z轴的M个序列的平方和；
Figure FDA0002797855920000046
Figure FDA0002797855920000047
是加速度计在x轴的M个序列的平方和，
Figure FDA0002797855920000048
是加速度计在y轴的M个序列的平方和，
Figure FDA0002797855920000049
是加速度计在z轴的M个序列的平方和；
Figure FDA00027978559200000410
Figure FDA00027978559200000411
和
Figure FDA00027978559200000412
分别是陀螺仪和加速度计向量的二范数平方；
Figure FDA00027978559200000413
是陀螺仪序列
Figure FDA00027978559200000414
的均值，
Figure FDA00027978559200000415
是加速度计序列
Figure FDA00027978559200000416
的均值；
由均值不等式，存在以下不等式的成立：
Figure FDA00027978559200000417
Figure FDA00027978559200000418
式中，
Figure FDA00027978559200000419
分别是陀螺仪x轴、y轴、z轴采样角速率序列{ωix}、{ωiy}、{ωiz}的均值；
Figure FDA00027978559200000420
Figure FDA00027978559200000421
分别是加速度计x轴、y轴、z轴采样比力序列{fix}、{fiy}、{fiz}的均值；上面不等式等号成立的条件是各测量轴的采样序列元素全部相等；
式(16)表明，当序列各元素的离差越大，不等式两端的差值越大；
对于陀螺仪，当其处于静态时，三个测量轴输出几乎为零，可以直接利用式(16)两端之差构造反映角运动动态程度的特征量，如式(18)：
Figure FDA00027978559200000422
对于加速度计，加速度计输出的比力数据含有重力加速度g分量，先从合矢量中把g扣除，按式(19)方法进行处理：
Figure FDA0002797855920000051
再将式(19)右侧的
Figure FDA00027978559200000511
替换成式(17)的右侧项，构造出反映线运动动态程度的特征量为：
Figure FDA0002797855920000052
最后，综合陀螺仪和加速度计的信息，构成既反映线运动又反映角运动动态程度的特征量为：
Figure FDA0002797855920000053
其中，c是角运动特征影响因子；影响因子c用于调节陀螺和加速度计的数据量级到等同的程度，使用序列方差的比值作为c的值；
综上所述，特征量
Figure FDA0002797855920000054
和Δ2都用于检测载体运动的动态程度，通过设置特征量
Figure FDA0002797855920000055
和Δ2阈值来达到对目标运动特性检测的目的；
步骤3-4：ZUPT卡尔曼滤波器设计；
滤波器的误差状态选择为九维，具体如下：
x＝[(δpn)T，(δvn)T，(φn)T]T (22)
其中，x是误差状态向量，δpn是位置误差，δvn是速度误差，φn是姿态失准角，三者都是SINS***误差；
将式(22)改写成矩阵的形式，有：
Figure FDA0002797855920000056
其中，fn×是fn的反对称阵，
Figure FDA0002797855920000057
是陀螺仪的零偏，
Figure FDA0002797855920000058
是随机误差；
由于IMU安装在足部，当佩戴者脚跟落地时，IMU的实际地速为0，构造观测方程为：
Figure FDA0002797855920000059
其中，Hv＝[03×3 I3×3 03×3]是速度域观测矩阵，υv是速度测量误差，
Figure FDA00027978559200000510
是惯性导航***输出的地速；
离散时间状态空间方程由式(23)和式(24)离散化得到，表示为：
Figure FDA0002797855920000061
其中，xk是k时刻的状态量，xk-1是k-1时刻的状态量，zk是k时刻的观测量，Hk是k时刻的观测矩阵，Φk，k-1≈I+F(tk-1)·τ是状态转移矩阵，F(tk-1)是tk-1时刻的误差非线性函数，wk-1是离散化的***驱动噪声，υk是观测噪声，τ是状态更新的时间间隔；
为了保持滤波过程中估计始终无偏，初始状态为
Figure FDA0002797855920000062
P0＝Cov(x0)；
由于状态向量全部是误差向量，所以状态的初始值为0，即
Figure FDA0002797855920000063
对于初始状态估计误差的均方根矩阵P0，描述如下：
Figure FDA0002797855920000064
其中，
Figure FDA0002797855920000065
是初始失准角向量误差的方差，和初始对准有关系；
Figure FDA0002797855920000066
是初始速度误差向量的方差，在静止的情况下速度误差为零，所以
Figure FDA0002797855920000067
Figure FDA0002797855920000068
是初始位置误差向量的方差，给定
Figure FDA0002797855920000069
按照下列公式及步骤进行滤波过程：
Figure FDA00027978559200000610
Figure FDA00027978559200000611
Figure FDA00027978559200000612
Figure FDA00027978559200000613
Figure FDA00027978559200000614
滤波过程完成后，得到误差状态的最小方差估计，误差状态校正对应状态变量的公式如下：
Figure FDA00027978559200000615
其中，
Figure FDA00027978559200000616
是当前历元SINS***的经过位置，
Figure FDA00027978559200000617
是当前历元SINS***的速度，
Figure FDA00027978559200000618
是当前历元SINS***输出的姿态矩阵。
5.根据权利要求1所述的一种融合PDR和先验地图的行人室内定位方法，其特征在于，所述步骤7中使用LSI算法对地图向量矩阵和轨迹向量矩阵进行判断，得到行人室内轨迹与墙壁的交叉点，即穿墙点的方法如下：
假定行人室内轨迹首末两个轨迹点坐标分别为(x1，y1)和(x2，y2)，墙壁线段端点坐标为(x3，y3)和(x4，y4)，则通过几何方法计算出墙壁线段与行人室内轨迹的交点(px，py)：
Figure FDA0002797855920000071
其中，当
Figure FDA0002797855920000072
和
Figure FDA0002797855920000073
的取值范围都在0和1之间时，则判定行人室内轨迹和墙壁线段相交。
6.根据权利要求1所述的一种融合PDR和先验地图的行人室内定位方法，其特征在于，所述步骤8中采用粒子群算法，对步骤5与实际室内地图对准后的行人室内轨迹进行粒子滤波的方法如下：
步骤8-1：确定粒子群的数目N，建立粒子群，初始化粒子群的中心位置、起始点以及每个粒子的权重；粒子的初始化起始点位置为行人室内轨迹原始轨迹的起点位置，每个粒子的初始化权重为
Figure FDA0002797855920000074
步骤8-2：对1到N个粒子群进行初始化，即以行人室内轨迹原始轨迹的起点位置为中心产生高斯白噪声，然后进行粒子群的更新；在粒子群更新的过程中，量测为行人室内轨迹原始轨迹的步长和航向。
CN202011338426.XA 2020-11-25 2020-11-25 一种融合pdr和先验地图的行人室内定位方法 Active CN112562077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011338426.XA CN112562077B (zh) 2020-11-25 2020-11-25 一种融合pdr和先验地图的行人室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011338426.XA CN112562077B (zh) 2020-11-25 2020-11-25 一种融合pdr和先验地图的行人室内定位方法

Publications (2)

Publication Number Publication Date
CN112562077A true CN112562077A (zh) 2021-03-26
CN112562077B CN112562077B (zh) 2024-01-09

Family

ID=75043688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011338426.XA Active CN112562077B (zh) 2020-11-25 2020-11-25 一种融合pdr和先验地图的行人室内定位方法

Country Status (1)

Country Link
CN (1) CN112562077B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113115214A (zh) * 2021-06-16 2021-07-13 北京奇岱松科技有限公司 基于不可翻转定位标签的室内人体朝向识别***
CN113810846A (zh) * 2021-10-15 2021-12-17 湖南大学 一种基于WiFi和IMU融合的室内定位方法
CN114234984A (zh) * 2022-02-28 2022-03-25 湖南工商大学 基于差分矩阵的室内定位轨迹平滑方法、***及设备
CN114577210A (zh) * 2022-02-24 2022-06-03 哈尔滨工程大学 基于地图信息矩阵的跨区域检测算法
CN115420288A (zh) * 2022-07-19 2022-12-02 北京航空航天大学 一种轻量地图信息鲁棒约束pdr的室内定位方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090177437A1 (en) * 2006-09-20 2009-07-09 Regents Of The University Of Minnesota Indoor navigation system and method
CN104061934A (zh) * 2014-06-10 2014-09-24 哈尔滨工业大学 基于惯性传感器的行人室内位置跟踪方法
CN104819716A (zh) * 2015-04-21 2015-08-05 北京工业大学 一种基于mems的ins/gps组合的室内外个人导航算法
CN109951830A (zh) * 2019-02-01 2019-06-28 湖南格纳微信息科技有限公司 一种多信息融合的室内外无缝定位方法
CN110095116A (zh) * 2019-04-29 2019-08-06 桂林电子科技大学 一种基于lift的视觉定位和惯性导航组合的定位方法
CN111024075A (zh) * 2019-12-26 2020-04-17 北京航天控制仪器研究所 一种结合蓝牙信标和地图的行人导航误差修正滤波方法
WO2020087846A1 (zh) * 2018-10-31 2020-05-07 东南大学 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090177437A1 (en) * 2006-09-20 2009-07-09 Regents Of The University Of Minnesota Indoor navigation system and method
CN104061934A (zh) * 2014-06-10 2014-09-24 哈尔滨工业大学 基于惯性传感器的行人室内位置跟踪方法
CN104819716A (zh) * 2015-04-21 2015-08-05 北京工业大学 一种基于mems的ins/gps组合的室内外个人导航算法
WO2020087846A1 (zh) * 2018-10-31 2020-05-07 东南大学 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法
CN109951830A (zh) * 2019-02-01 2019-06-28 湖南格纳微信息科技有限公司 一种多信息融合的室内外无缝定位方法
CN110095116A (zh) * 2019-04-29 2019-08-06 桂林电子科技大学 一种基于lift的视觉定位和惯性导航组合的定位方法
CN111024075A (zh) * 2019-12-26 2020-04-17 北京航天控制仪器研究所 一种结合蓝牙信标和地图的行人导航误差修正滤波方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FRANCISCO ZAMPELLA ETAL.: "Indoor positioning using efficient map matching, RSS measurements, and an improved motion model", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, vol. 64, no. 4, XP011578367, DOI: 10.1109/TVT.2015.2391296 *
汤乐奇: "基于众包IMU数据的室内地图建立方法研究", 中国优秀硕士论文全文数据库信息科技辑, no. 2 *
赵文晔;高井祥;李增科;姚一飞;: "地图匹配辅助的KF-PF室内定位算法模型", 武汉大学学报(信息科学版), no. 05 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113115214A (zh) * 2021-06-16 2021-07-13 北京奇岱松科技有限公司 基于不可翻转定位标签的室内人体朝向识别***
CN113810846A (zh) * 2021-10-15 2021-12-17 湖南大学 一种基于WiFi和IMU融合的室内定位方法
CN113810846B (zh) * 2021-10-15 2022-05-03 湖南大学 一种基于WiFi和IMU融合的室内定位方法
CN114577210A (zh) * 2022-02-24 2022-06-03 哈尔滨工程大学 基于地图信息矩阵的跨区域检测算法
CN114234984A (zh) * 2022-02-28 2022-03-25 湖南工商大学 基于差分矩阵的室内定位轨迹平滑方法、***及设备
CN114234984B (zh) * 2022-02-28 2022-05-20 湖南工商大学 基于差分矩阵的室内定位轨迹平滑方法、***及设备
CN115420288A (zh) * 2022-07-19 2022-12-02 北京航空航天大学 一种轻量地图信息鲁棒约束pdr的室内定位方法
CN115420288B (zh) * 2022-07-19 2024-05-17 北京航空航天大学 一种轻量地图信息鲁棒约束pdr的室内定位方法

Also Published As

Publication number Publication date
CN112562077B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN112562077B (zh) 一种融合pdr和先验地图的行人室内定位方法
CN111947652B (zh) 一种适用于月球着陆器的惯性/视觉/天文/激光测距组合导航方法
CN110487267B (zh) 一种基于vio＆uwb松组合的无人机导航***及方法
CN107655493B (zh) 一种光纤陀螺sins六位置***级标定方法
CN109186597B (zh) 一种基于双mems-imu的室内轮式机器人的定位方法
CN105180968A (zh) 一种imu/磁强计安装失准角在线滤波标定方法
CN107270893A (zh) 面向不动产测量的杆臂、时间不同步误差估计与补偿方法
CN110954102B (zh) 用于机器人定位的磁力计辅助惯性导航***及方法
CN106153069B (zh) 自主导航***中的姿态修正装置和方法
CN111024070A (zh) 一种基于航向自观测的惯性足绑式行人定位方法
CN105371844A (zh) 一种基于惯性/天文互助的惯性导航***初始化方法
CN107728182A (zh) 基于相机辅助的柔性多基线测量方法和装置
CN107764261B (zh) 一种分布式pos传递对准用模拟数据生成方法和***
CN113253325B (zh) 惯性卫星序贯紧组合李群滤波方法
CN113551668A (zh) 一种航天器惯性/恒星星光矢量/星光折射组合导航方法
CN112146655A (zh) 一种BeiDou/SINS紧组合导航***弹性模型设计方法
CN111189442A (zh) 基于cepf的无人机多源导航信息状态预测方法
JP2019120587A (ja) 測位システム及び測位方法
CN109931952A (zh) 未知纬度条件下捷联惯导直接解析式粗对准方法
CN116007620A (zh) 一种组合导航滤波方法、***、电子设备及存储介质
CN110672095A (zh) 一种基于微惯导的行人室内自主定位算法
CN114690229A (zh) 一种融合gps的移动机器人视觉惯性导航方法
CN112113564B (zh) 一种基于图像传感器和惯性传感器的定位方法及***
CN111982126A (zh) 一种全源BeiDou/SINS弹性状态观测器模型设计方法
CN114994732B (zh) 基于gnss载波相位的车载航向快速初始化装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant