CN112637762A - 一种基于改进pdr算法的室内融合定位方法 - Google Patents
一种基于改进pdr算法的室内融合定位方法 Download PDFInfo
- Publication number
- CN112637762A CN112637762A CN202011458905.5A CN202011458905A CN112637762A CN 112637762 A CN112637762 A CN 112637762A CN 202011458905 A CN202011458905 A CN 202011458905A CN 112637762 A CN112637762 A CN 112637762A
- Authority
- CN
- China
- Prior art keywords
- positioning
- pdr
- algorithm
- rssi
- point
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 230000008901 benefit Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 210000003127 knee Anatomy 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 210000002414 leg Anatomy 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种基于改进PDR算法的室内融合定位方法，利用蓝牙陀螺仪传感器中的加速计、陀螺仪采集三轴加速度、角速度以及角度等数据进行预处理；利用数据仿真进行步频检测、步长估计以及航向推算后得到初始PDR定位；同时利用经过WKNN算法后的RSSI测距定位的测量值对PDR算法解算出来的定位信息进行校正，再利用左右脚坐标数据融合得到最终的PDR定位；最后利用EKF作为PDR与RSSI定位的融合滤波器进行融合定位，得到最终定位坐标。本发明具有定位误差小、定位结果准确等优点，在实际环境中的应用表现出良好的***稳定性，验证了该算法的合理性，得到的定位预测值能为室内定位人员提供有益指导。
Description
技术领域
本发明属于室内定位技术领域，具体涉及一种基于改进PDR算法的室内融合定位方法。
背景技术
一种基于惯性传感器的方法，称为行人航位推算(PDR)定位，具有成本低，体积小和自主性强的优点，在给定初始位置和方向后，PDR使用步长和行走方向能够推算下一时刻行人的位置和方向信息，随时随地提供行人的位置信息。RSSI表示接收的信号强度指示，是通过接收到的信号强弱测定信号点与接收点的距离，根据相应数据进行定位计算的一种定位技术。扩展卡尔曼滤波器(EKF)是一种高效率的递归滤波器，利用线性***卡尔曼滤波公式对非线性模型进行一阶泰勒展开。
Yoshimi S等人为了解决PDR的累计误差引入了地图匹配技术，但是，作为一种校正方法，地图匹配技术在将当前位置自动映射到链接时会忽略用户轨迹的某些特征使用受到限制，引入行人空间约束也只能进行粗略PDR轨迹校正。
Li X等人致力于利用EKF融合蓝牙标签和PDR定位数据，这种方法蓝牙标签的放置和维护成本高，并且蓝牙定位和PDR方法几乎无法实现精确定位。
Lu Q等人将PDR方法与Wi-Fi指纹方法集成在一起，以进一步提高定位精度。但是，由于RSSI具有波动性，Wi-Fi指纹定位结果不稳定。
发明内容
本发明要解决的技术问题是：提供一种基于改进PDR算法的室内融合定位方法，用于稳定且精确地进行室内定位。
本发明为解决上述技术问题所采取的技术方案为：一种基于改进PDR算法的室内融合定位方法，包括以下步骤：
S1：根据Wi-Fi信号强度建立RSSI离线指纹数据库，估算RSSI测距定位坐标；
S2：通过传感器采集行人的包括三轴加速度、角速度、角度的数据，并进行预处理；
S3：通过数据仿真进行步频检测、步长估计以及航向推算得到初始PDR定位；
S4：根据PDR定位的递归特性，利用RSSI定位误差稳定的优点，校正PDR拐点误差以及传感器的参数；
S5：通过左右脚坐标融合减小行人行走的异步误差，提高行人航位推算位置的准确性；
S6：将EKF作为PDR与RSSI定位的融合滤波器进一步融合、优化定位结果，得到最终PDR定位坐标。
按上述方案，所述的步骤S1中，具体步骤为：
S11：采集离线Wi-Fi位置指纹数据，汇总所有点的指纹数据；
S12：将参考点RSSI信号的物理地址作为无线访问节点AP的标识，
S13：采用多次测量求平均值提取指纹点的信号强度特征，以保持RSSI的稳定性，提高指纹数据库的准确性；
S14：在线定位，估算待定位点的坐标。
进一步的，所述的步骤S14中，具体步骤为：
S141：采用KNN算法估算待定位点的坐标：计算各个位置指纹库的RSSI欧式距离；按从小到大选取k个指纹坐标点，加权平均k个坐标点作为最终位置估计；
设在室内定位区域共有N个AP热点，选取m个指纹点，移动终端采集到的第j个热点的信号强度为rj，指纹库中第i个指纹点采集到的第j个热点的信号强度为Rij；j＝1，2，...，n；i＝1，2，...，m；则计算待定位点处的Wi-Fi信号强度与指纹库中的对应AP的Wi-Fi信号强度的欧式距离d为：
计算出的欧氏距离值的大小反映了各特征向量的相似性，距离越小，表示该指纹点与待定位点距离越近；将计算出的欧式距离升序排列，取前k个值对应的指纹点坐标(xl,yl)，l∈[1，k]；赋予不同的权值进行待定位点的坐标估算；
S142：采用WKNN算法估算待定位点的坐标，提高RSSI定位精度：
采用欧氏距离倒数作为加权系数对指纹参考点的位置坐标进行加权位置估计，则计算待定位点的坐标为：
进一步的，所述的步骤S2中，具体步骤为：
S21：在行人的左脚和右脚上各安装一个蓝牙陀螺仪传感器，采集行人行走过程中的三轴加速度、三轴角速度和三轴角度；
S22：设波峰的个数为pk_num，波谷的个数为vy_num；加速度数据为波峰时peak＝1，加速度数据不为波峰时peak＝0；加速度数据为波谷时valley＝1，加速度数据不为波谷时valley＝0；设每个采样点沿z轴方向的速度为δyi，通过经验数据取得的波峰波谷检测的阈值为ap，用pk_num和vy_num中的较小值表示最终步数；利用条件组，对行人沿着路径行走的数据通过低通滤波器进行真实波峰波谷检测：
通过基于加速计的步频检测准确判定步数。
进一步的，所述的步骤S3中，具体步骤为：
S31：基于行为模型的步长估计算法通过分析不同人的行走行为得出行走的共性，在行走过程中，当脚落地时膝盖弯曲，步长与加速度的最大幅值、最小幅值成一定的正相关性，将腿视为固定长度的杠杆；
S32：设Amax和Amin分别表示在单步的加速度采样中沿着Z轴的加速度的最大值和最小值，K表示一个常量，则第i个点的步长stp_leni为；
S33：设行人共行走k步，则在第k-1步的坐标位置为(xk-1,yk-1)，第k步的坐标位置为(xk,yk)，行人在第k步的步长为lk，行人在第k步的方向为θk，则
进一步的，所述的步骤S4中，具体步骤为：
S41：将PDR的整个定位过程分为多个窗口以减少长时间跟踪中累积的定位误差；
S42：取合理的阈值σ检测绕Z轴旋转时发生剧烈变化的角速度ω以区分转弯与笔直行走，当角速度ω小于阈值σ时判断为拐点，其中σ的选择取决于行人在笔直行走时以0°～360°的角度转动实验后所收集的角速度的统计分析；
设Z轴的角速度为ω，在行人在第i个采样点进行拐弯的拐点位置为Li，其对应的坐标位置记作拐点坐标：
S43：利用PDR的递推特性，基于RSSI校正PDR在拐点由于检测转弯动作的时间窗口导致决定转弯结束延迟而产生的误差；
设拐点数目为m，每个拐点对应的采样点为Li，经过WKNN算法后RSSI测距定位***定位出的第Li个拐点的坐标为
经过补偿的第m个点的坐标位置为
则
S44：在每个窗口中，融合RSSI定位结果和PDR定位结果计算定位位置，并将该位置在下一步定位计算时用作初始位置；设初始定位为(x0,y0)，第t步(t＝1，2，…，Li-1)混合算法的PDR定位结果为
将计算后续步骤的第一个窗口中的新初始位置更新为
设第n步的估计步长为ln，第n步的前进方向为θn，则第t步混合算法的定位结果为：
S45：在获得第t步的融合定位结果之后，将窗口朝移动方向滑动，并更新第二个窗口的初始位置为：
设窗口的大小为i，滑动间隔为Li，则t＝Li时，第t步混合算法的定位结果为
进一步的，所述的步骤S5中，具体步骤为：分别通过PDR定位出左右脚的坐标，再对左右脚坐标取均值得到融合坐标；设经过校正的PDR在第k步左脚的坐标位置为
经过校正的PDR在第k步右脚的坐标位置为
则行人在第k步左右脚融合的坐标位置(xPDRk,yPDRk)为：
进一步的，所述的步骤S6中，具体步骤为：
EKF利用线性***卡尔曼滤波公式对非线性模型进行一阶泰勒展开；
在满足高斯噪声的条件下，状态方程和观测方程接近满足线性连续时，EKF融合测量数据，并且在每个时间戳估算***的状态和方差；
初始定位值取经过RSSI校正的PDR的左右脚融合的定位坐标，将PDR中的步长估计方向角作为EKF状态信息输入，将PDR定位航向角及其增量信息作为EKF的测量信息输入量，以利用PDR降低RSSI的波动性，同时利用RSSI减小PDR的累计误差；
通过如下非线性公式对行人的动态信息建模，设经过RSSI校正的第k-1步的定位坐标为(xk-1,yk-1)，行人在第k步时刻的方向角为θk，测量噪声为Vk，第k步的测量矩阵为Zk，测量矩阵为Hk，由x计算出来的雅可比矩阵为Fk，过程噪声协方差矩阵为Q，第k步测量噪声的协方差矩阵为Rk；则状态转移方程为：
观测方程为：
观测向量的预测值为：
第K步的先验误差协方差矩阵为：
第K步的卡尔曼滤波增益为：
计算状态的估计值为：
第K步的后验误差协方差矩阵为：
如此循环，直至输出Xk的定位坐标。
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求8中任意一项所述的一种基于改进PDR算法的室内融合定位方法。
本发明的有益效果为：
1.本发明的一种基于改进PDR算法的室内融合定位方法通过融合PDR算法与RSSI定位算法，针对Wi-Fi定位的不稳定性和PDR易产生累计误差的问题，克服了现有PDR技术缺陷，实现了稳定且精确地进行室内定位的功能。
2.本发明首先通过WKNN算法提高RSSI定位精度，得到RSSI测距定位坐标；再根据PDR定位的递归特性，利用RSSI定位误差稳定的优点，校正PDR拐点误差以及传感器的参数；接着利用左右脚坐标融合减小行人行走的异步误差，提高行人航位推算位置的准确性；最后利用扩展卡尔曼滤波进一步融合，最大可能地优化定位结果。
3.本发明充分利用了PDR与RSSI定位的优点，得到的经过扩展卡尔曼滤波后的融合定位信息的平均定位误差最小，定位结果更准确。仿真实验证明了提出的改进融合算法减小了定位误差，提高了定位精度。故本发明具有定位误差小、定位精度高的特点。
4.本发明经实验证明，融合算法减小了RSSI测距定位复杂环境带来的影响，校正了PDR算法长时间定位积累造成的漂移误差，并能连续定位轨迹。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的行走直线与曲线PDR误差的比较示意图。
图3是本发明实施例的PDR算法误差的比较示意图。
图4是本发明实施例的定位结果的比较示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1，本发明的实施例的一种基于改进PDR算法的室内融合定位方法，包括以下步骤：
S1：根据Wi-Fi信号强度建立RSSI离线指纹数据库时，采集离线Wi-Fi位置指纹数据，汇总所有点的指纹数据，将参考点RSSI信号的物理地址作为无线访问节点(AccessPoint，AP)的标识，考虑到RSSI的稳定性，因此采用多次测量求平均值来提取指纹点的信号强度特征，建立更为准确的指纹数据库。在线定位阶段误差较小的是K最邻近(K-NearestNeighbor，KNN)算法和加权K邻近(Weighted K-Nearest Neighbor，WKNN)算法，KNN算法首先计算各个位置指纹库的RSSI欧式距离，然后按从小到大选取k个指纹坐标点，最后加权平均k个坐标点作为最终位置估计。更进一步WKNN算法采用欧氏距离倒数作为加权系数对所用指纹参考点的位置坐标进行加权位置估计。假设在室内定位区域共有AP热点N个，选取的指纹点m个，则欧氏距离计算为：
式(1)中：j＝1,2,...,n；i＝1,2,...,m；
d表示待定位点处的Wi-Fi信号强度与指纹库中的对应AP的Wi-Fi信号强度的欧式距离，
rj表示移动终端采集到的第j个热点的信号强度，
Rij表示指纹库中第i个指纹点采集到的第j个热点的信号强度；
计算出的欧氏距离值的大小可反映各特征向量的相似性，距离越小，表示该指纹点与待定位点距离越近。将计算出的欧式距离升序排列，取前k个值对应的指纹点坐标(xl,yl)，l∈[1,k]。赋予不同的权值进行待定位点的坐标估算，采用常用的欧氏距离的倒数为权值进行待定位点的位置估算，可计算出待定位点的坐标为：
式(2)中：d表示指纹点与待定位点之间RSSI的欧式距离。
S2：行人在左脚和右脚上各安装一个蓝牙陀螺仪传感器，传感器记录行人行走路径的三轴加速度、三轴角速度和三轴角度，行人沿着路径行走，将数据通过低通滤波器，利用条件组进行真实波峰波谷检测：
式(3)～式(6)中：pk_num和vy_num表示波峰波谷的个数，
peak＝1和peak＝0表示该加速度数据是否为波峰，
valley＝1和valley＝0表示该加速度数据是否为波谷，
δyi表示每个采样点沿z轴方向的速度，
ap表示波峰波谷检测的阈值，通过经验数据取得，
pk_num和vy_num中的较小值表示最终步数；
综上，基于加速计的步频检测可以实现步数的准确判定。
S3：基于行为模型的步长估计算法通过分析不同人的行走行为得出行走的共性：当行走时，只有当脚落地时，膝盖才会弯曲，步长与加速度的最大最小幅值成一定的正相关性。因而当脚落地时，腿可以被视为固定长度的杠杆。
式(7)中：Amax和Amin表示在单步的加速度采样中沿着Z轴的加速度的最大值和最小值，K表示一个常量，stp_leni表示第i个点的步长；
式(8)中：(xk-1,yk-1)表示假设行人共行走k步，在第k-1步的坐标位置，
(xk,yk)表示行人在第k步的坐标位置，
lk表示行人在第k步的步长，
θk表示行人在第k步的方向；
S4：为了保证定位的稳定性，将PDR作为主要的定位方案，并利用RSSI定位结果来纠正累积误差。由于PDR定位结果在短时间内是稳定且相对准确的，因此将整个定位过程分为多个部分(定义为窗口)，以减少长时间跟踪中累积的定位误差。绕Z轴旋转的角速度ω在转弯时会发生剧烈变化，一个合理的阈值可以正确检测转弯动作并将其与笔直行走区分开。在算法中检测到转弯动作时，行人位于拐点处，时间窗口将导致决定转弯结束的延迟，拐点就会产生一定的误差。由于PDR在拐点处会出现误差增大的情况，所以利用PDR的递推特性，提出一种通过基于RSSI对PDR的拐点进行校正的方法。
式(9)中：ω表示Z轴的角速度，
L表示拐点位置；
当角速度小于某个阈值σ时，判断其为拐点，σ的选择取决于在笔直行走时以0°～360°的角度转动实验后所收集的角速度的统计分析，通过式(9)可以判断在行人在第i个采样点进行拐弯，将其对应的坐标位置记作拐点坐标。
式(10)中：
表示经过WKNN算法后RSSI测距定位***定位出的第Li个拐点的坐标位置，假设拐点数目为m，每个拐点对应的采样点为Li，
然后，在每个窗口中，融合RSSI定位结果和PDR定位结果来计算定位位置，该位置将在计算下一步定位时用作初始位置。已知初始定位(x0,y0)，对于第t步(t＝1,2，…，Li-1)，混合算法的定位结果为PDR结果，即
用于计算后续步骤的第一个窗口中的新初始位置更新为
此时，可以获得第t步的混合算法定位结果如下：
式(11)(12)中：ln表示第n步的估计步长，
θn表示第n步的前进方向；
在获得第t步的融合定位结果之后，将窗口朝着移动方向滑动。然后，更新第二个窗口的初始位置：
将窗口的大小设置为i，将滑动间隔设置为Li。对于第t步(t＝Li)，混合算法的定位结果为
S5：基于行人左右脚行走步长存在误差，采用左右脚坐标数据融合的算法。
式(14)中：
和
分别表示经过校正的PDR在第k步左脚和右脚的坐标位置，(xPDRk,yPDRk)表示行人在第k步左右脚融合的坐标位置；
分别利用PDR定位出左右脚的坐标，再进行融合即左右脚坐标取均值。
S6：EKF利用线性***卡尔曼滤波公式对非线性模型进行一阶泰勒展开。在满足高斯噪声条件下，状态方程和观测方程接近满足线性连续时，EKF能够融合测量数据，并且在每个时间戳估算***的状态和方差。初始定位值取经过RSSI校正的PDR的左右脚融合的定位坐标，将PDR中的步长估计方向角作为EKF状态信息输入，将PDR定位航向角及其增量信息作为EKF的测量信息输入量。这样既可以利用PDR降低RSSI的波动性，又能利用RSSI减小PDR的累计误差，算法中用到的步行者的动态信息可以通过以下的非线性公式来建模：
状态转移方程：
观测方程：
观测向量的预测值：
第K步的先验误差协方差矩阵：
第K步的卡尔曼滤波增益：
计算状态的估计值：
第K步的后验误差协方差矩阵：
式(15)～(21)中，(xk-1,yk-1)表示经过RSSI校正的第k-1步的定位坐标，
θk表示行人在第k步时刻的方向角，
Vk表示测量噪声，
Zk表示第k步的测量矩阵，
Hk表示测量矩阵，
Fk表示由x计算出来的雅可比矩阵，
Q表示过程噪声协方差矩阵，
Rk表示第k步测量噪声的协方差矩阵；
如此循环，直至输出Xk的定位坐标。
本发明的实施例包括以下步骤：
步骤1、实验面积为16m×12m，确定相对坐标系，以西南角为坐标零点，正东方向为X轴(0～16m)，正北方向为Y轴(0～12m)，实验器材为PC、手机和蓝牙陀螺仪传感器。建立RSSI离线指纹数据库时，利用PC和手机采集离线Wi-Fi位置指纹数据，采样点平均每隔1m一个，除去四个节点，一共有217个实验点，其中每个采样点数据采集10次取平均值。通过实验分析，当MAC强度低于-80dBm时，可以认为该AP在该采样点位置信号微弱，波动较大，存在不稳定因素，因此剔除掉。最后，汇总所有点的指纹数据，生成离线指纹数据库。在线阶段实验过程中，实验路径为48米长的规则长方形，行人以(1，1)为起点，顺时针运动。RSSI实验点为48个，与离线阶段记录RSSI数据方法相同，收集数据后对其进行仿真，表1显示了RSSI经过WKNN算法仿真后的定位坐标。
表1RSSI经过WKNN算法仿真后的定位坐标
步骤2、PDR实验过程中，行人在左脚和右脚上各安装一个蓝牙陀螺仪传感器。传感器记录行人行走路径的三轴加速度、三轴角速度和三轴角度，行人沿着路径行走，实验行走距离48m，实际行走步数96步，左右脚各48步。实验路径为48米长的规则长方形，实验点为48个，以(1，1)为起点，顺时针运动。向北走10米，到达位置坐标(1，11)，再向东14米，到达位置坐标(15，11)，接着向南10米，到达位置坐标(15，1)，向西14米，回到起点，表2显示了实验点的真实坐标。将数据进行仿真实验，计算误差与定位精度，整个仿真过程中，PDR算法的采样频率均为20Hz。
表2 48个实验点的真实坐标
步骤3、为了证明误差与行走过程中的拐点相关，实验分别行走长24米的直线和曲线，误差如图2所示。s-line error为行走直线后得到的误差，curve error为行走曲线后得到的误差，L1和L2为曲线的拐点。实验证明，在拐点处PDR的误差明显增大。如果可以纠正PDR的拐点误差，则将得到更精准的定位精度和更可靠的稳定误差。
本实施例所述行走直线与曲线PDR误差比较示意图如图2所示：
步骤4、实验中定位误差的计算方法为：
(xi,yi)表示用户的真实位置，
表示用户的估计位置。如图3，R-foot error代表的是单脚的PDR定位误差，R-foot c-error代表的是经过校正的单脚PDR定位误差，F-PDRerror代表的是经过改进后的左右脚坐标融合的定位误差，图3可明显验证了校正算法的有效性。
本实施例所述PDR算法误差比较示意图如图3所示：
步骤5、表3显示了EKF中各个参数值，表4显示了经过EKF后改进的PDR与RSSI的融合算法每个实验点的定位结果，表5显示了各个算法的定位误差。
本实施例所述定位结果比较示意图如图4所示：
图4中PDR path表示单脚PDR的行走路径，c-PDR path表示经过校正的单脚行走路径，Fuse-PDR path表示经过改进后的左右脚坐标融合的PDR行走路径，EKF path表示基于扩展卡尔曼滤波的改进融合定位算法的行走路径。图4显示了各个算法得到的坐标位置，可以看出经过扩展卡尔曼滤波的改进的PDR与RSSI的融合算法的定位结果更接近真实路径。
由表5也可看出经过扩展卡尔曼滤波的改进的PDR与RSSI的融合算法的定位误差最小，定位结果最精确。实验可证明本发明的改进PDR融合算法减小了定位误差，提高了定位精度。
表3EKF中各个参数值
表4 48个实验点改进融合EKF后的定位结果
表5各算法定位误差比较表
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (9)
1.一种基于改进PDR算法的室内融合定位方法，其特征在于：包括以下步骤：
S1：根据Wi-Fi信号强度建立RSSI离线指纹数据库，估算RSSI测距定位坐标；
S2：通过传感器采集行人的包括三轴加速度、角速度、角度的数据，并进行预处理；
S3：通过数据仿真进行步频检测、步长估计以及航向推算得到初始PDR定位；
S4：根据PDR定位的递归特性，利用RSSI定位误差稳定的优点，校正PDR拐点误差以及传感器的参数；
S5：通过左右脚坐标融合减小行人行走的异步误差，提高行人航位推算位置的准确性；
S6：将EKF作为PDR与RSSI定位的融合滤波器进一步融合、优化定位结果，得到最终PDR定位坐标。
2.根据权利要求1所述的一种基于改进PDR算法的室内融合定位方法，其特征在于：所述的步骤S1中，具体步骤为：
S11：采集离线Wi-Fi位置指纹数据，汇总所有点的指纹数据；
S12：将参考点RSSI信号的物理地址作为无线访问节点AP的标识，
S13：采用多次测量求平均值提取指纹点的信号强度特征，以保持RSSI的稳定性，提高指纹数据库的准确性；
S14：在线定位，估算待定位点的坐标。
3.根据权利要求2所述的一种基于改进PDR算法的室内融合定位方法，其特征在于：所述的步骤S14中，具体步骤为：
S141：采用KNN算法估算待定位点的坐标：计算各个位置指纹库的RSSI欧式距离；按从小到大选取k个指纹坐标点，加权平均k个坐标点作为最终位置估计；设在室内定位区域共有N个AP热点，选取m个指纹点，移动终端采集到的第j个热点的信号强度为rj，指纹库中第i个指纹点采集到的第j个热点的信号强度为Rij；j＝1，2，...，n；i＝1，2，...，m；则计算待定位点处的Wi-Fi信号强度与指纹库中的对应AP的Wi-Fi信号强度的欧式距离d为：
计算出的欧氏距离值的大小反映了各特征向量的相似性，距离越小，表示该指纹点与待定位点距离越近；将计算出的欧式距离升序排列，取前k个值对应的指纹点坐标(xl,yl)，l∈[1，k]；赋予不同的权值进行待定位点的坐标估算；
S142：采用WKNN算法估算待定位点的坐标，提高RSSI定位精度：
采用欧氏距离倒数作为加权系数对指纹参考点的位置坐标进行加权位置估计，则计算待定位点的坐标为：
4.根据权利要求3所述的一种基于改进PDR算法的室内融合定位方法，其特征在于：所述的步骤S2中，具体步骤为：
S21：在行人的左脚和右脚上各安装一个蓝牙陀螺仪传感器，采集行人行走过程中的三轴加速度、三轴角速度和三轴角度；
S22：设波峰的个数为pk_num，波谷的个数为vy_num；加速度数据为波峰时peak＝1，加速度数据不为波峰时peak＝0；加速度数据为波谷时valley＝1，加速度数据不为波谷时valley＝0；设每个采样点沿z轴方向的速度为δyi，通过经验数据取得的波峰波谷检测的阈值为ap，用pk_num和vy_num中的较小值表示最终步数；利用条件组，对行人沿着路径行走的数据通过低通滤波器进行真实波峰波谷检测：
通过基于加速计的步频检测准确判定步数。
5.根据权利要求4所述的一种基于改进PDR算法的室内融合定位方法，其特征在于：所述的步骤S3中，具体步骤为：
S31：基于行为模型的步长估计算法通过分析不同人的行走行为得出行走的共性，在行走过程中，当脚落地时膝盖弯曲，步长与加速度的最大幅值、最小幅值成一定的正相关性，将腿视为固定长度的杠杆；
S32：设Amax和Amin分别表示在单步的加速度采样中沿着Z轴的加速度的最大值和最小值，K表示一个常量，则第i个点的步长stp_leni为；
S33：设行人共行走k步，则在第k-1步的坐标位置为(xk-1,yk-1)，第k步的坐标位置为(xk,yk)，行人在第k步的步长为lk，行人在第k步的方向为θk，则
6.根据权利要求5所述的一种基于改进PDR算法的室内融合定位方法，其特征在于：所述的步骤S4中，具体步骤为：
S41：将PDR的整个定位过程分为多个窗口以减少长时间跟踪中累积的定位误差；
S42：取合理的阈值σ检测绕Z轴旋转时发生剧烈变化的角速度ω以区分转弯与笔直行走，当角速度ω小于阈值σ时判断为拐点，其中σ的选择取决于行人在笔直行走时以0°～360°的角度转动实验后所收集的角速度的统计分析；
设Z轴的角速度为ω，在行人在第i个采样点进行拐弯的拐点位置为Li，其对应的坐标位置记作拐点坐标：
S43：利用PDR的递推特性，基于RSSI校正PDR在拐点由于检测转弯动作的时间窗口导致决定转弯结束延迟而产生的误差；
设拐点数目为m，每个拐点对应的采样点为Li，经过WKNN算法后RSSI测距定位***定位出的第Li个拐点的坐标为
经过补偿的第m个点的坐标位置为
则
S44：在每个窗口中，融合RSSI定位结果和PDR定位结果计算定位位置，并将该位置在下一步定位计算时用作初始位置；设初始定位为(x0,y0)，第t步(t＝1，2，…，Li-1)混合算法的PDR定位结果为
将计算后续步骤的第一个窗口中的新初始位置更新为
设第n步的估计步长为ln，第n步的前进方向为θn，则第t步混合算法的定位结果为：
S45：在获得第t步的融合定位结果之后，将窗口朝移动方向滑动，并更新第二个窗口的初始位置为：
设窗口的大小为i，滑动间隔为Li，则t＝Li时，第t步混合算法的定位结果为
7.根据权利要求6所述的一种基于改进PDR算法的室内融合定位方法，其特征在于：所述的步骤S5中，具体步骤为：分别通过PDR定位出左右脚的坐标，再对左右脚坐标取均值得到融合坐标；设经过校正的PDR在第k步左脚的坐标位置为
经过校正的PDR在第k步右脚的坐标位置为
则行人在第k步左右脚融合的坐标位置(xPDRk,yPDRk)为：
8.根据权利要求7所述的一种基于改进PDR算法的室内融合定位方法，其特征在于：所述的步骤S6中，具体步骤为：
EKF利用线性***卡尔曼滤波公式对非线性模型进行一阶泰勒展开；
在满足高斯噪声的条件下，状态方程和观测方程接近满足线性连续时，EKF融合测量数据，并且在每个时间戳估算***的状态和方差；
初始定位值取经过RSSI校正的PDR的左右脚融合的定位坐标，将PDR中的步长估计方向角作为EKF状态信息输入，将PDR定位航向角及其增量信息作为EKF的测量信息输入量，以利用PDR降低RSSI的波动性，同时利用RSSI减小PDR的累计误差；
通过如下非线性公式对行人的动态信息建模，设经过RSSI校正的第k-1步的定位坐标为(xk-1,yk-1)，行人在第k步时刻的方向角为θk，测量噪声为Vk，第k步的测量矩阵为Zk，测量矩阵为Hk，由x计算出来的雅可比矩阵为Fk，过程噪声协方差矩阵为Q，第k步测量噪声的协方差矩阵为Rk；则状态转移方程为：
观测方程为：
观测向量的预测值为：
第K步的先验误差协方差矩阵为：
第K步的卡尔曼滤波增益为：
计算状态的估计值为：
第K步的后验误差协方差矩阵为：
如此循环，直至输出Xk的定位坐标。
9.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求8中任意一项所述的一种基于改进PDR算法的室内融合定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011458905.5A CN112637762A (zh) | 2020-12-11 | 2020-12-11 | 一种基于改进pdr算法的室内融合定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011458905.5A CN112637762A (zh) | 2020-12-11 | 2020-12-11 | 一种基于改进pdr算法的室内融合定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112637762A true CN112637762A (zh) | 2021-04-09 |
Family
ID=75309971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011458905.5A Pending CN112637762A (zh) | 2020-12-11 | 2020-12-11 | 一种基于改进pdr算法的室内融合定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112637762A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113382357A (zh) * | 2021-06-29 | 2021-09-10 | 上海电力大学 | 一种改进pdr与rssi融合的蓝牙室内定位方法 |
| CN113566820A (zh) * | 2021-06-17 | 2021-10-29 | 电子科技大学 | 一种基于位置指纹和pdr算法的融合人行定位方法 |
| CN113852911A (zh) * | 2021-09-26 | 2021-12-28 | 桂林电子科技大学 | 基于指纹库和pdr推算的融合定位方法及指纹库更新方法 |
| CN113938853A (zh) * | 2021-09-26 | 2022-01-14 | 众虎物联网(广州)有限公司 | 一种室内导航的定位方法、装置及*** |
| CN114245459A (zh) * | 2022-02-23 | 2022-03-25 | 深圳市海豚科技创新有限公司 | 基于pdr模型的融合定位方法、装置、计算机设备及介质 |
| CN114710744A (zh) * | 2022-04-12 | 2022-07-05 | 电子科技大学 | 一种深度融合WiFi测距与PDR推算的室内定位方法 |
| CN115235455A (zh) * | 2022-09-19 | 2022-10-25 | 中国人民解放军国防科技大学 | 一种基于智能手机pdr与视觉修正的行人定位方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105547298A (zh) * | 2015-12-25 | 2016-05-04 | 北京京元智慧应急技术有限公司 | 智能手机内置传感器与Wi-Fi融合的室内动态连续定位方法 |
| EP3103294A1 (en) * | 2014-02-05 | 2016-12-14 | Sony Corporation | Method for improved indoor positioning and crowd sourcing using pdr |
| CN107302754A (zh) * | 2017-05-10 | 2017-10-27 | 广东工业大学 | 一种基于WiFi与PDR的室内定位简易方法 |
| CN109413578A (zh) * | 2018-11-02 | 2019-03-01 | 桂林电子科技大学 | 一种基于wifi与pdr融合的室内定位方法 |
-
2020
- 2020-12-11 CN CN202011458905.5A patent/CN112637762A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3103294A1 (en) * | 2014-02-05 | 2016-12-14 | Sony Corporation | Method for improved indoor positioning and crowd sourcing using pdr |
| CN105547298A (zh) * | 2015-12-25 | 2016-05-04 | 北京京元智慧应急技术有限公司 | 智能手机内置传感器与Wi-Fi融合的室内动态连续定位方法 |
| CN107302754A (zh) * | 2017-05-10 | 2017-10-27 | 广东工业大学 | 一种基于WiFi与PDR的室内定位简易方法 |
| CN109413578A (zh) * | 2018-11-02 | 2019-03-01 | 桂林电子科技大学 | 一种基于wifi与pdr融合的室内定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭娅婷: "基于改进PDR与RSSI融合的定位算法", 《传感技术学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566820A (zh) * | 2021-06-17 | 2021-10-29 | 电子科技大学 | 一种基于位置指纹和pdr算法的融合人行定位方法 |
| CN113382357A (zh) * | 2021-06-29 | 2021-09-10 | 上海电力大学 | 一种改进pdr与rssi融合的蓝牙室内定位方法 |
| CN113852911A (zh) * | 2021-09-26 | 2021-12-28 | 桂林电子科技大学 | 基于指纹库和pdr推算的融合定位方法及指纹库更新方法 |
| CN113938853A (zh) * | 2021-09-26 | 2022-01-14 | 众虎物联网(广州)有限公司 | 一种室内导航的定位方法、装置及*** |
| CN113938853B (zh) * | 2021-09-26 | 2023-05-12 | 众虎物联网(广州)有限公司 | 一种室内导航的定位方法、装置及*** |
| CN113852911B (zh) * | 2021-09-26 | 2024-05-07 | 桂林电子科技大学 | 基于指纹库和pdr推算的融合定位方法及指纹库更新方法 |
| CN114245459A (zh) * | 2022-02-23 | 2022-03-25 | 深圳市海豚科技创新有限公司 | 基于pdr模型的融合定位方法、装置、计算机设备及介质 |
| CN114245459B (zh) * | 2022-02-23 | 2022-06-24 | 深圳市海豚科技创新有限公司 | 基于pdr模型的融合定位方法、装置、计算机设备及介质 |
| CN114710744A (zh) * | 2022-04-12 | 2022-07-05 | 电子科技大学 | 一种深度融合WiFi测距与PDR推算的室内定位方法 |
| CN115235455A (zh) * | 2022-09-19 | 2022-10-25 | 中国人民解放军国防科技大学 | 一种基于智能手机pdr与视觉修正的行人定位方法 |
| CN115235455B (zh) * | 2022-09-19 | 2023-01-13 | 中国人民解放军国防科技大学 | 一种基于智能手机pdr与视觉修正的行人定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112637762A (zh) | 一种基于改进pdr算法的室内融合定位方法 | |
| CN109298389B (zh) | 基于多粒子群优化的室内行人组合位姿估计方法 | |
| CN107741745B (zh) | 一种实现移动机器人自主定位与地图构建的方法 | |
| CN108519615B (zh) | 基于组合导航和特征点匹配的移动机器人自主导航方法 | |
| CN109413578B (zh) | 一种基于wifi与pdr融合的室内定位方法 | |
| CN111491367B (zh) | 一种基于群智感知和多融合技术的室内定位方法 | |
| KR101833217B1 (ko) | 자기장 지도 기반 측위 시스템에서 이용되는 이동 단말 및 이를 이용한 위치 추정 방법 | |
| US20160139239A1 (en) | Determining device locations using movement, signal strength | |
| Chang et al. | Crowdsourcing-based radio map update automation for Wi-Fi positioning systems | |
| CN104713560B (zh) | 基于期望最大化的多源测距传感器空间配准方法 | |
| CN113074739A (zh) | 基于动态鲁棒容积卡尔曼的uwb/ins融合定位方法 | |
| CN107580294B (zh) | 一种室内混合定位方法 | |
| CN107426687A (zh) | 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法 | |
| CN107014375B (zh) | 超低部署的室内定位***及方法 | |
| CN104220895A (zh) | 使用用于室内位置的空间和时间相干性的同时局部化和地图绘制 | |
| US20160112150A1 (en) | Method for mapping wi-fi fingerprints by means of blind collection of rss measurements | |
| Hao et al. | A multi-floor location method based on multi-sensor and WiFi fingerprint fusion | |
| CN112362044A (zh) | 室内定位方法、装置、设备和*** | |
| CN110346821A (zh) | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及*** | |
| CN111256710A (zh) | 一种地图匹配方法及*** | |
| CN112767545A (zh) | 一种点云地图构建方法、装置、设备及计算机存储介质 | |
| CN112362057A (zh) | 基于零速修正与姿态自观测的惯性行人导航算法 | |
| Wu et al. | A graphical model approach for efficient geomagnetism-pedometer indoor localization | |
| Wu et al. | CWIWD-IPS: A crowdsensing/walk-surveying inertial/Wi-Fi data-driven indoor positioning system | |
| US20230304802A1 (en) | Passive combined indoor positioning system and method based on intelligent terminal sensor |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |