CN112881979B - 一种基于ekf滤波的初始状态自适应融合定位方法 - Google Patents
一种基于ekf滤波的初始状态自适应融合定位方法 Download PDFInfo
- Publication number
- CN112881979B CN112881979B CN202110069453.XA CN202110069453A CN112881979B CN 112881979 B CN112881979 B CN 112881979B CN 202110069453 A CN202110069453 A CN 202110069453A CN 112881979 B CN112881979 B CN 112881979B
- Authority
- CN
- China
- Prior art keywords
- state
- ekf
- user
- positioning
- initial
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000001914 filtration Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 230000033001 locomotion Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0257—Hybrid positioning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及定点跟踪的技术领域,公开了一种基于EKF滤波的初始状态自适应融合定位方法,将待测区域进行网格化处理,建立离线状态下的Wi‑Fi位置指纹数据库,再利用扩展卡尔曼滤波方法EKF将Wi‑Fi位置指纹定位方法和行人航位推算方法PDR进行融合,其用户运动时的初始状态是在Wi‑Fi位置指纹定位方法的基础上,结合多点卡尔曼滤波方法获得,同时,在扩展卡尔曼滤波方法EKF的迭代过程中,则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵,以完成对用户运动时下一个状态的位置预测。本发明的方法简单可靠,操作方便,易于实现,便于推广应用。
Description
技术领域
本发明涉及定位追踪的技术领域,具体涉及一种基于EKF滤波的初始状态自适应融合定位方法。
背景技术
随着新一代蜂窝网技术的商用落地,室内定位技术再次引起人们的广泛关注,日益增长的生活与商业需求的位置服务刺激了室内定位***和相关技术的快速发展。典型的室内定位技术包括Wi-Fi、蓝牙、RFID、超宽带等,其中,Wi-Fi位置指纹定位的网络覆盖广,可满足大多数室内定位需求,但其信号易受环境干扰,导致定位结果产生较大波动;行人航位推算(Pedestrian Dead Reckoning,PDR)定位方法利用惯性传感单元(Inertialmeasurement unit,IMU)实现航位推算定位,目前移动终端设备支持良好,但存在较大的惯性累积误差。
为提高上述单一定位***的性能,目前的研究对有关Wi-Fi与PDR的融合定位***与技术进行了探讨与分析。多数情况下,可以通过融合定位的方法来改善单一***的定位性能,这样一方面可以减少Wi-Fi定位的波动性所带来的影响,另一方面可以降低PDR在定位过程中所带来的累积误差,但目前基于Wi-Fi/PDR的融合定位方法仍存在如下问题:
1)忽略了包括始发位置与航向角在内的初始状态确定过程,这样可能会导致定位***在有限时间内无法快速收敛;
2)在使用扩展卡尔曼滤波EKF算法进行融合时,Wi-Fi信号强度数据的误差衡量往往使用了自定义的固定值,没有很好的将真实环境下Wi-Fi信号强度数据波动所带来的影响反馈给EKF***。
发明内容
本发明提供了一种基于EKF滤波的初始状态自适应融合定位方法,解决了现有融合算法没有考虑初始状态对***快速收敛的影响,使用了自定义的固定值衡量Wi-Fi信号强度数据的误差影响***最终定位误差等问题。
本发明可通过以下技术方案实现:
一种基于EKF滤波的初始状态自适应融合定位方法,将待测区域进行网格化处理,建立离线状态下的Wi-Fi位置指纹数据库,再利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合,其用户运动时的初始状态是在Wi-Fi位置指纹定位方法的基础上,结合多点卡尔曼滤波方法获得,同时,在扩展卡尔曼滤波方法EKF的迭代过程中,则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵,以完成对用户运动时下一个状态的位置预测。
进一步,所述初始状态包括初始位置L0和初始航向角θ0,以Wi-Fi位置指纹数据库为基础,利用Wi-Fi位置指纹定位方法解算得到用户由静止开始运动m步后预测的各个位置点坐标记为在每个位置点i重新采集得到M组Wi-Fi信号强度数据,再利用Wi-Fi位置指纹定位方法解算得到每个位置点i对应的M个定位结果,记为L′i(j)(j=1,2,…,M),然后利用多点卡尔曼滤波方法对所有的定位结果进行迭代解算获得滤波后的各个位置点i坐标(xi,yi)(i=0,1,2,…,m),记为则初始位置初始航向角
进一步,在扩展卡尔曼滤波方法EKF的迭代过程中,利用如下方程式计算观测噪声协方差矩阵Rk
当k=0时,初始值δ0设置为常量,为Wi-Fi指纹定位方法的平均误差;
当k≥1时,表示用户运动时第k个状态和第k-1个状态对应的RSSI信号强度数据的欧式距离,表示用户运动时第k个状态对应的位置点所采集到一组共T个Wi-Fi信号强度数据,[Dmin,Dmax]表示在一个稳定环境下Dk的取值范围,[Smin,Smax*表示采用上文所述的一种基于EKF滤波的初始状态自适应融合定位方法的定位精度范围,Dmin、Dmax、Smin、Smax均设置为经验值,δd表示用户运动时的步长误差,δθ表示用户运动时的航向角误差,均设置为常量。
进一步,利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合,以完成对用户运动时下一个状态的位置预测包括以下步骤:
步骤一、在扩展卡尔曼滤波方法EKF的预测阶段,利用如下公式计算得到用户运动时第k个状态对应的***状态矩阵Xk′和噪声协方差矩阵Pk′,
其中,表示状态转移矩阵,xk-1、yk-1、θk-1分别表示采用扩展卡尔曼滤波方法EKF获得的用户运动时第k-1个状态对应的位置坐标和航向角,x′k、y′k、θ′k分别表示通过行人航位推算方法PDR预测后的用户运动时第k个状态对应的位置坐标和航向角,dk表示用户运动时第k个状态对应的步长,W表示***状态的高斯白噪声向量,△θ表示航向角的估计增量,此处设置为一个常量;
P′k=APk-1AT+Q;
其中,Pk-1表示采用扩展卡尔曼滤波方法EKF获得的用户运动时第k-1个状态的噪声协方差矩阵,其初始值为表示预测模型本身所带来的噪声,由行人航位推算方法PDR各要素的平均误差组成,δx、δy表示位置的误差,δθ表示航向角的平均误差;
步骤二、在扩展卡尔曼滤波方法EKF的更新阶段,利用上文所述的方法计算得到用户运动时第k个状态对应的观测噪声协方差矩阵Rk,再利用如下方程式计算得到卡尔曼增益Kk,从而获得用户运动时第k个状态的估计状态矩阵则用户运动时第k个状态的定位结果为(xk,yk),
然后,利用方程式Pk=(1-KkH)P′k,计算更新后的用户运动时第k个状态的噪声协方差矩阵;
步骤三、执行步骤一至二,直至完成用户运动过程中所有的位置点检测。
进一步,通过Weinberg步长估计模型确定步长dk,
其中,c表示步长比例因子,为固定常量,amax和amin分别表示用户运动一个状态的过程中所检测到的最大加速度和最小加速度。
进一步,建立离线状态下的Wi-Fi位置指纹数据库的方法包括以下步骤:
1)、采用均匀等分的方式将定位待测区域划分为若干个网格,用每个网格的顶点作为参考点RP;
3)、每个参考点RP同时还需要获取该位置的坐标信息和MAC地址,以此作为一组位置指纹数据,建立离线状态下的位置指纹数据库RPx
本发明有益的技术效果在于:
在Wi-Fi/PDR算法的基础上,采用EKF将Wi-Fi与PDR的定位信息进行融合,并提出了一种自适应解算初始状态的方法以避免初始值偏差所带来的影响,从而保证结果能快速收敛,同时使用了一种动态调节EKF***的方法,融合***在扩展卡尔曼滤波的迭代过程中对相邻两个状态的RSSI欧氏距离进行度量,并反馈给EKF***的下一个状态,从而保证了有效的位置轨迹约束,降低了Wi-Fi数据波动对***所造成的影响,获得了精确且稳定的融合定位结果。另外,本发明的方法简单可靠,操作方便,易于实现,便于推广应用。
附图说明
图1是本发明的融合定位方法的流程图;
图2是本发明的实验测试场景图;
图3是本发明的不同的初始位置对定位结果所造成的影响分析图;
图4是本发明的不同的初始航向角对定位结果所造成的影响分析图;
图5是本发明的融合定位方法中不同m取值对应的性能对比图;
图6是本发明的融合定位方法中不同m取值对应的复杂度对比图;
图7是本发明的融合定位方法的初始状态解算示意图;
图8是本发明所提方法与Wi-Fi定位、PDR定位、传统基于EKF的融合算法的定位轨迹对比图。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
Wi-Fi定位波动性较大,而PDR定位存在累积误差,如图1所示,本发明提供了一种基于EKF滤波的初始状态自适应融合定位方法,将待测区域进行网格化处理,建立离线状态下的Wi-Fi位置指纹数据库,再利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合,其用户运动时的初始状态是在Wi-Fi位置指纹定位方法的基础上,结合多点卡尔曼滤波方法获得,同时,在扩展卡尔曼滤波方法EKF的迭代过程中,则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵,以完成对用户运动时下一个状态的位置预测,从而降低了因对用户运动时的初始状态设定不当而导致***无法快速收敛的影响,同时在扩展卡尔曼滤波EKF的迭代过程中对相邻状态的RSSI欧氏距离进行度量,并反馈给EKF***的下一状态,从而保证了有效的位置轨迹约束,降低了Wi-Fi数据波动对***所造成的影响,获得了精确且稳定的融合定位结果。具体包括以下步骤:
步骤一、建立离线状态下的Wi-Fi位置指纹数据库
首先、采用均匀等分的方式将定位待测区域划分为若干个网格,用每个网格的顶点作为参考点RP;
然后、利用信号采集设备获取每个参考点RP的多个接入点在单一信道上的N个Wi-Fi信号强度数据,对不同参考点RP的数据均进行高斯滤波处理,选取大概率区间的Wi-Fi信号强度数据作为采样数据的有效值,再使用均值法进行平滑处理,从而构成一组信号指纹数据其中,l=1,2,…,L,l表示第l个参考点RP位置;
最后,对于每个参考点RP同时还需要获取该位置的坐标信息和MAC地址,以此作为一组位置指纹数据,建立离线状态下的位置指纹数据库RPx
步骤二、由于卡尔曼滤波器的初始偏差可能会导致滤波计算的前若干步滤波结果产生较大偏差,即使在算法进入收敛状态之后,也可能会因为初始值设置不当,导致收敛的滤波结果难以收敛到状态的真实值,因此,采用Wi-Fi位置指纹定位方法解算出的位置点不能直接作为扩展卡尔曼EKF***的初始位置值,并且后续步骤需要与行人航位推算方法PDR融合,也很难得到EKF***的初始航向角,从而需要相对精准的初始状态作为***初值,确保融合***能够快速收敛,以提高最终的融合定位精度,本发明通过基于多点卡尔曼滤波的方法获得用户运动时的初始状态,该初始状态包括初始位置L0与初始航向角θ0。
2)、在上述的每个位置点i重新采集得到M组Wi-Fi信号强度数据,再利用Wi-Fi位置指纹定位方法解算得到每个位置点i对应的M个定位结果,记为L′i(j)(j=1,2,…,M),然后利用多点卡尔曼滤波方法对所有的定位结果进行M次迭代解算获得滤波后的各个位置点i坐标(xi,yi)(i=0,1,2,…,m),记为则初始位置初始航向角
步骤三、利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合,以完成对用户运动时下一个状态的位置预测,具体如下:
步骤Ⅰ、在扩展卡尔曼滤波方法EKF的预测阶段,利用如下公式计算得到用户运动时第k个状态对应的***状态矩阵Xk′和噪声协方差矩阵Pk′,
其中,表示状态转移矩阵,xk-1、yk-1、θk-1分别表示采用扩展卡尔曼滤波方法EKF获得的用户运动时第k-1个状态对应的位置坐标和航向角,x′k、y′k、θ′k分别表示通过行人航位推算方法PDR预测后的用户运动时第k个状态对应的位置坐标和航向角,W表示***状态的高斯白噪声向量,△θ表示航向角的估计增量,此处设置为一个常量,dk表示用户运动时第k个状态对应的步长,可通过Weinberg步长估计模型确定,具体可以参考文献Harvey Weinberg.Using the ADXL202 in pedometer and personalnavigation applications[J].Application Notes American Devices,USA:AnalogDevices Inc,2002,
其中,c表示步长比例因子,为固定常量,amax和amin分别表示用户运动一个状态的过程中所检测到的最大加速度和最小加速度;
P′k=APk-1AT+Q;
其中,Pk-1表示采用扩展卡尔曼滤波方法EKF获得的用户运动时第k-1个状态的噪声协方差矩阵,其初始值为表示预测模型本身所带来的噪声,由行人航位推算方法PDR各要素的平均误差组成,δx、δy表示位置的误差,δθ表示航向角的平均误差;
步骤Ⅱ、在扩展卡尔曼滤波方法EKF的更新阶段,利用如下方程式计算得到用户运动时第k个状态对应的观测噪声协方差矩阵Rk和卡尔曼增益Kk,从而获得用户运动时第k个状态的估计状态矩阵则用户运动时第k个状态的定位结果为(xk,yk)。
在现有融合***中,Wi-Fi信号强度数据的误差衡量往往使用了自定义的固定值,但在复杂的定位环境中,由于多径效应等因素的影响,Wi-Fi位置指纹定位***的噪声并不严格满足高斯分布,这会对最终的定位结果产生很大的影响。因此,本发明在基于EKF的室内Wi-Fi/PDR融合定位算法的基础上,可以根据电磁环境与其反馈的信息进行动态调整,即采用了以相邻状态下的RSSI欧氏距离为基础的噪声反馈机制,从而能够提高最终的定位精度。
用户在运动行走过程中,对相邻两个状态的RSSI信号强度数据进行欧氏距离的求解,在每个***中,它会保持在稳定的取值范围里面,记为[Dmin,Dmax],然后将其线性放缩到了一个定位精度的阈值范围,即[Smin,Smax],最后将其动态作为EKF的观测协方差矩阵的参数,以此来动态衡量Wi-Fi信号强度数据的噪声,具体如下:
在扩展卡尔曼滤波方法EKF的迭代过程中,利用如下方程式计算观测噪声协方差矩阵Rk
当k=0时,初始值δ0设置为常量,为Wi-Fi指纹定位方法的平均误差;
当k≥1时,表示用户运动时第k个状态和第k-1个状态对应的RSSI信号强度数据的欧式距离,表示用户运动时第k个状态对应的位置点所采集到一组共T个Wi-Fi信号强度数据,]Dmin,Dmax]表示在一个稳定环境下Dk的取值范围,[Smin,Smax]表示采用如权要求1所述的一种基于EKF滤波的初始状态自适应融合定位方法的定位精度范围,Dmin、Dmax、Smin、Smax均设置为经验值,δd表示用户运动时的步长误差,δθ表示用户运动时的航向角误差,均设置为常量。
然后,利用方程式Pk=(1-KkH)P′k,计算更新后的用户运动时第k个状态的噪声协方差矩阵;
步骤Ⅲ、执行步骤Ⅰ至Ⅱ,直至完成用户运动过程中所有的位置点检测。
为了验证本发明方法的可行性,我们进行了仿真实验,如图2所示,仿真环境为某校电子电气工程学院大楼7楼,在地面标定1m×1m方格,并以其顶点作为实验样本采集点即参考点RP,实验选取了8个TP-LINK型号为TL-WR886N的路由器作为定位信标,采用华为荣耀8作为PDR和Wi-Fi数据的采集工具,分别采用Wi-Fi定位、PDR定位、传统基于EKF的融合算法和本发明的改进的基于EKF的Wi-Fi/PDR融合定位算法进行定位实验。实验的行走轨迹为L型路线,起始坐标为(2,1),终点坐标为(14,13),总共行走步伐为30步,即总计31个位置状态,实验采用了固定步长的行走方式,每一步的距离即步长为0.8m。
如图3所示,对于初始位置,在初始航向角已知的情况下,即设为0°,以1m为间隔,将初始位置偏差值设置为1~10m,对于其中1m、5m、10m轨迹的偏移情况如图4所示。通过输出的轨迹图可以发现,虽然在开始的时候会有较大的偏离,但是最后都能收敛到正常值附近。往往位置偏差的距离越大,收敛的迭代次数也会越大,但是偏差超过一定界限以后,收敛次数会相对稳定下来。
如图4所示,对于初始航向角,在初始位置已知的情况下,即设为(2,1),以5°为间隔,将初始角度偏差值设置为10~60°,对于其中10°、30°、60°轨迹偏移情况。通过输出的轨迹图可以发现,初始航向角的偏差不会影响输出结果的收敛速度,但是结果会产生持续的偏差,偏差结果会以非常慢的速度向正常值附近逼近。
如图5与图6所示,实验分析了式(12)中m取值不同时初始状态的偏差情况,随着m增加,航向角初始状态越好,尽管随之复杂度也会增加,但m=5时算法耗时也在20ms内,不会影响最终的用户体验。
如图7所示,通过本发明提出的初始状态解算方法,定位结果能够快速收敛,四步内即可达到收敛状态。
如图8所示,结果表明Wi-Fi位置指纹定位方法虽然能够输出一个绝对定位值,但数据波动较大,PDR定位在短时间内可以保持良好的精确度,但随着迭代次数的增加,累积误差会越来越大。而本发明提出的改进EKF算法能很好地融合Wi-Fi定位和PDR定位方法的优势,相较于其他EKF算法,其精度有较为明显的改善,表明本发明所提方法能够有效抑制误差,提高定位精度。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,因此,本发明的保护范围由所附权利要求书限定。
Claims (4)
1.一种基于EKF滤波的初始状态自适应融合定位方法,其特征在于:将待测区域进行网格化处理,建立离线状态下的Wi-Fi位置指纹数据库,再利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合,其用户运动时的初始状态是在Wi-Fi位置指纹定位方法的基础上,结合多点卡尔曼滤波方法获得,同时,在扩展卡尔曼滤波方法EKF的迭代过程中,则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵,以完成对用户运动时下一个状态的位置预测;
所述初始状态包括初始位置L0和初始航向角θ0,以Wi-Fi位置指纹数据库为基础,利用Wi-Fi位置指纹定位方法解算得到用户由静止开始运动m步后预测的各个位置点坐标记为在每个位置点i重新采集得到M组Wi-Fi信号强度数据,再利用Wi-Fi位置指纹定位方法解算得到每个位置点i对应的M个定位结果,记为Li′(j)(j=1,2,…,M),然后利用多点卡尔曼滤波方法对所有的定位结果进行迭代解算获得滤波后的各个位置点i的坐标(xi,yi)(i=0,1,2,…,m),记为则初始位置初始航向角
在扩展卡尔曼滤波方法EKF的迭代过程中,利用如下方程式计算观测噪声协方差矩阵Rk
当k=0时,初始值δ0设置为常量,为Wi-Fi指纹定位方法的平均误差;
2.根据权利要求1所述的基于EKF滤波的初始状态自适应融合定位方法,其特征在于利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合,以完成对用户运动时下一个状态的位置预测,具体包括以下步骤:
步骤一、在扩展卡尔曼滤波方法EKF的预测阶段,利用如下公式计算得到用户运动时第k个状态对应的***状态矩阵Xk′和噪声协方差矩阵Pk′,
其中,表示状态转移矩阵,xk-1、yk-1、θk-1分别表示采用扩展卡尔曼滤波方法EKF获得的用户运动时第k-1个状态对应的位置坐标和航向角,x′k、y′k、θ′k分别表示通过行人航位推算方法PDR预测后的用户运动时第k个状态对应的位置坐标和航向角,dk表示用户运动时第k个状态对应的步长,W表示***状态的高斯白噪声向量,△θ表示航向角的估计增量,此处设置为一个常量;
Pk′=APk-1AT+Q;
其中,Pk-1表示采用扩展卡尔曼滤波方法EKF获得的用户运动时第k-1个状态的噪声协方差矩阵,其初始值为表示预测模型本身所带来的噪声,由行人航位推算方法PDR各要素的平均误差组成,δx、δy表示位置的误差,δθ表示航向角的平均误差;
步骤二、在扩展卡尔曼滤波方法EKF的更新阶段,利用权利要求1所述的方法计算得到用户运动时第k个状态对应的观测噪声协方差矩阵Rk,再利用如下方程式计算得到卡尔曼增益Kk,从而获得用户运动时第k个状态的估计状态矩阵则用户运动时第k个状态的定位结果为(xk,yk),
然后,利用方程式Pk=(1-KkH)Pk′,计算更新后的用户运动时第k个状态的噪声协方差矩阵;
步骤三、执行步骤一至二,直至完成用户运动过程中所有的位置点检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069453.XA CN112881979B (zh) | 2021-01-19 | 2021-01-19 | 一种基于ekf滤波的初始状态自适应融合定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069453.XA CN112881979B (zh) | 2021-01-19 | 2021-01-19 | 一种基于ekf滤波的初始状态自适应融合定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881979A CN112881979A (zh) | 2021-06-01 |
CN112881979B true CN112881979B (zh) | 2022-10-21 |
Family
ID=76049740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110069453.XA Active CN112881979B (zh) | 2021-01-19 | 2021-01-19 | 一种基于ekf滤波的初始状态自适应融合定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881979B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113566820B (zh) * | 2021-06-17 | 2023-05-16 | 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 |
CN114245460B (zh) * | 2022-02-25 | 2022-05-27 | 深圳市海豚科技创新有限公司 | 定位方法、定位***、电子***和计算机可读存储介质 |
CN114710744B (zh) * | 2022-04-12 | 2023-03-21 | 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 |
CN115103437B (zh) * | 2022-04-27 | 2024-03-15 | 电子科技大学 | 一种蓝牙和惯性测量单元的紧耦合室内定位方法 |
CN116303786B (zh) * | 2023-03-18 | 2023-10-27 | 上海圈讯科技股份有限公司 | 一种基于多维数据融合算法的区块链金融大数据管理*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115487A (zh) * | 2015-05-18 | 2015-12-02 | 陈希 | 一种基于信息融合的超市内定位导航方法 |
CN107271951A (zh) * | 2017-06-06 | 2017-10-20 | 上海工程技术大学 | 基于WiFi指纹定位的无人机导航***及其导航方法 |
CN107941211A (zh) * | 2017-11-13 | 2018-04-20 | 北京邮电大学 | 基于二阶级联的多元素融合定位方法、装置及电子设备 |
CN108871325A (zh) * | 2018-06-26 | 2018-11-23 | 北京航空航天大学 | 一种基于两层扩展卡尔曼滤波的WiFi/MEMS组合室内定位方法 |
CN109298389A (zh) * | 2018-08-29 | 2019-02-01 | 东南大学 | 基于多粒子群优化的室内行人组合位姿估计方法 |
CN110602647A (zh) * | 2019-09-11 | 2019-12-20 | 江南大学 | 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法 |
CN111722180A (zh) * | 2020-07-02 | 2020-09-29 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253368B (zh) * | 2011-04-18 | 2013-03-20 | 杭州华韵天略电子科技有限公司 | 一种基于超声波的目标定位和追踪*** |
CN105424030B (zh) * | 2015-11-24 | 2018-11-09 | 东南大学 | 基于无线指纹和mems传感器的融合导航装置和方法 |
CN109323695A (zh) * | 2018-10-29 | 2019-02-12 | 东南大学—无锡集成电路技术研究所 | 一种基于自适应无迹卡尔曼滤波的室内定位方法 |
-
2021
- 2021-01-19 CN CN202110069453.XA patent/CN112881979B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115487A (zh) * | 2015-05-18 | 2015-12-02 | 陈希 | 一种基于信息融合的超市内定位导航方法 |
CN107271951A (zh) * | 2017-06-06 | 2017-10-20 | 上海工程技术大学 | 基于WiFi指纹定位的无人机导航***及其导航方法 |
CN107941211A (zh) * | 2017-11-13 | 2018-04-20 | 北京邮电大学 | 基于二阶级联的多元素融合定位方法、装置及电子设备 |
CN108871325A (zh) * | 2018-06-26 | 2018-11-23 | 北京航空航天大学 | 一种基于两层扩展卡尔曼滤波的WiFi/MEMS组合室内定位方法 |
CN109298389A (zh) * | 2018-08-29 | 2019-02-01 | 东南大学 | 基于多粒子群优化的室内行人组合位姿估计方法 |
CN110602647A (zh) * | 2019-09-11 | 2019-12-20 | 江南大学 | 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法 |
CN111722180A (zh) * | 2020-07-02 | 2020-09-29 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及*** |
Non-Patent Citations (4)
Title |
---|
Research on Indoor Location Technology based on the Fusion of WiFi and PDR;Jianmei Sun et al.;《2020 13th International Conference on Intelligent Computation Technology and Automation (ICICTA)》;20201025;第416-419页 * |
Robust Adaptive Extended Kalman Filtering for Smart Phone-based Pedestrian Dead Reckoning Systems;Dongjin Wu et al.;《2018 Ubiquitous Positioning, Indoor Navigation and Location-Based Services (UPINLBS)》;20180323;第1-8页 * |
利用渐消自适应EKF算法进行PDR-WiFi融合定位;胡安冬 等;《武汉大学学报(信息科学版)》;20161130;第41卷(第11期);第1556-1562页 * |
扩展卡尔曼滤波的WiFi/PDR融合室内定位***设计;蔡金洋 等;《单片机与嵌入式***应用》;20200831;第20卷(第8期);第56-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112881979A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112881979B (zh) | 一种基于ekf滤波的初始状态自适应融合定位方法 | |
CN108534779B (zh) | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 | |
Bae et al. | Large-scale indoor positioning using geomagnetic field with deep neural networks | |
CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN105120479B (zh) | 终端间Wi-Fi信号的信号强度差异修正方法 | |
CN112533149B (zh) | 一种基于uwb移动节点的移动目标定位算法 | |
CN112584306A (zh) | 一种基于卡尔曼滤波的室内机器人定位算法 | |
CN104375117B (zh) | 目标定位方法及*** | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
CN114449452A (zh) | 一种异构设备室内定位算法 | |
Fonseka et al. | Indoor localization for IoT applications using fingerprinting | |
CN112367614A (zh) | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 | |
CN108834047B (zh) | 一种路径损耗模型的ap选择室内定位方法 | |
Abdou et al. | An efficient indoor localization system based on Affinity Propagation and Support Vector Regression | |
CN111726757A (zh) | 一种基于蓝牙的室内停车场定位与导航方法 | |
Xingli et al. | Indoor positioning technology based on deep neural networks | |
Xu et al. | A hybrid approach using multistage collaborative calibration for wireless sensor network localization in 3D environments | |
Schüssel et al. | Coverage gaps in fingerprinting based indoor positioning: The use of hybrid gaussian processes | |
CN111523571B (zh) | 一种用于分布式大规模多天线***的半监督学习定位方法 | |
Tariq et al. | WSN Localization Method Based on Hybrid PSO-GRNN Approach. | |
CN114710744B (zh) | 一种深度融合WiFi测距与PDR推算的室内定位方法 | |
CN108462940A (zh) | 一种基于WiFi热点的室内定位方法 | |
CN111257827B (zh) | 一种高精度的非视距追踪定位方法 | |
CN108337639A (zh) | 一种基于牛顿插值的蒙特卡罗移动节点定位算法 |
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 |