基于航向自纠正方法的行人导航算法研究

低成本MEMS惯性传感器被广泛应用于足绑式行人导航中,但由于MEMS惯性传感器零偏随时间会产生累积误差,行人真实航向角与脚部解算的航向角有差值,传统零速修正算法对航向角缺乏观测导致行人航向发散,成为行人导航的主要误差源, 行人在室内行走尤其是在室内楼道环境中,行走轨迹大多数情况下是近乎直线的。由此提出一种航向自纠正算法 (HSC),通过采集行人脚部离地阶段数据和一步航向差值,进行行人直行与行走方向判定,根据判定结果在零速时重置航向,将航向自纠正算法与零速更新算法融合,采用一款低成本惯性传感器绑于脚面进行实验,对比传统零速更新算法,该方 法可以显著提高定位精度,定位误差可以达到2％以内, 该算法的实现无需添加额外传感器,仅依靠自身信息矫正航向,具有很好的工程实用价值。     

基于惯性传感器的行人室内定位算法

针对室内行人定位的运动特征和惯性器件MPU6050每次固定位置的水平差异所造成的定位精度降低的问题,提出了一种基于零偏置校正算法。利用惯性器件在行人静态时所测得的数据,将行人动态行走的数据减去静态时的均值数据,减小了水平位置误差。针对惯性器件本身的漂移误差在二重积分导航算法中因积累而导致定位不准确的问题,提出了一种基于改进零速度修正算法和频域积分算法。根据手机电子罗盘和惯性器件内置陀螺仪的优缺点,将其数据进行融合,由滑动均值滤波和角度补偿算法得到更准确的行人的航向角。将位移数据与方向数据进行结合得到行人运动轨迹,并进行仿真验证。实验结果表明:所提出的算法能够有效提高室内定位的精度。     

行人惯性导航零速检测算法

在行人惯性导航中,零速检测是实现速度误差清零和导航误差估计的前提,有着重要的作用.针对行人运动过程中零速区间时间间隔短难以检测的问题,提出了一种基于人体脚部运动特征的零速检测算法,将步行运动抽象成了一个包含4个隐含状态与15个观测量的隐马尔可夫模型,并阐述了模型构建机理.利用Baum-Welch算法训练和优化模型参数,提高了检测准确率.实验结果表明:所提出的方法零速检测效果较好,且采用该方法的行人惯性导航系统,其定位误差约为行进距离的0.73％,定位精度较高.     

基于PDR/UWB紧耦合的足绑式行人导航技术

为了解决低成本微机电惯性导航系统存在的累积误差问题,提出一种基于融合行人航迹推算(PDR)和超宽带(UWB)无线定位的实时室内行人导航系统.利用加速度计和磁强计进行初始姿态对准;考虑滤波误差估计,推导了惯性导航算法;依靠加速度计和陀螺仪的"与"逻辑进行行人步态检测;实施零速更新(ZUPT)提供速度误差观测量,利用UWB系统提供位置误差观测量;设计具有野值辨识机制的扩展卡尔曼滤波器进行数据融合.对提出的行人导航算法进行实验验证,结果表明该行人导航算法与传统定位方法相比能够有效提高行人定位精度.实验中,该行人导航算法能够获取低于0.2 m的定位误差,且稳定、不发散.     

改进卡尔曼滤波的井下组合导航定位算法

为解决井下人员定位算法定位精度不高的问题,提出基于微惯性导航系统和无线传感器网络的井下组合导航定位算法。通过井下无线网络、惯性定位终端采集相关信息数据,利用行人航迹推算算法和改进加权质心定位算法分别估算出目标点的坐标和速度。将这两种算法通过正弦余弦蝙蝠融合算法优化后的卡尔曼滤波组合导航定位,估算出目标点最终的位置坐标。实验结果表明:该组合导航定位算法平均定位误差为1.71 m,其定位精度高于传统质心定位算法和行人航迹推算算法。     

基于广义RBF神经网络室内定位修正算法

为提高基于接收信号强度指示(RSSI)室内定位的定位精度,并降低时效性对定位的影响,提出将加权仿射传播聚类(WAP)与广义径向基函数(RBF)神经网络相结合的室内定位算法以及一种指纹数据优化方案.通过高斯分布对指纹数据进行优化;采用熵值法对仿射传播聚类算法的偏向参数p进行均值加权处理,得到粗定位结果;结合广义RBF神经网络得到修正后的定位结果.实验结果表明,该方法在提高室内定位精度的同时,减少了RSSI值的时效性对定位精度的影响.     

基于改进航向估计的行人航迹推算研究

针对行人室内定位精度不高的问题,提出的算法包括步频估计、步长估计和航向估计.改进的航向估计算法基于四元数姿态解算并利用扩展卡尔曼滤波(EKF)修正航向角的偏差.基于提出的定位算法,构建了以惯性测量单元为核心的实验平台,结果表明:算法具有可行性,定位的置信度达到98.28%,满足实际需求.     

基于脚部捷联惯性传感器的行人定位方法比较

对两种基于脚部捷联惯性传感器的行人定位方法—惯性导航系统(INS)和行人航迹推算(PDR)方法的定位精度进行比较。为行人定位算法的设计提供参考,在布置有超宽带(UWB)定位设备的空旷地带,实验者将捷联惯性测量单元(IMU)穿戴在脚部,以正常步速行走一个周长为124. 2 m的一个矩形。用INS和PDR算法分别对采集的惯性数据进行处理得到行人位置;以UWB定位的结果为参考,对两种算法的定位精度进行评价。实验结果表明:INS的平均定位精度比PDR高1 m,并且随着行走距离的增加,PDR的定位误差远高于INS,达到2 m以上。     

一种基于行为和航迹特征的室内定位方法研究

对基于Wi-Fi的指纹定位算法进行了深入研究和分析,并以LBS的应用为研究背景,解决指纹定位算法在离线阶段和实时定位阶段所存在的问题及提高室内定位的可靠性和有效性为研究目标。在对被定位目标在整个过程中所表现的行为特征研究的基础上提出一种基于行人航迹和行为特征的定位算法。该算法在有少量AP的情况下,充分利用行人的行走、转向以及轨迹连续性等特征来辅助定位,同时收集定位过程中行人产生的大量定位数据,形成历史参考信息来实现定位。在保证系统定位精度的前提下,极大缩减了系统的定位成本并在一定程度上提升了系统的定位精度。实验表明,在不同AP数量的情况下,该算法在定位精度上明显优于Wi Fi-FP等算法。     

粒子群优化噪声参数的行人导航零速修正算法

针对使用零速修正算法进行行人惯性导航时,固定噪声参数不适用所造成的导航精度较低的问题,提出了一种基于粒子群算法优化噪声参数的零速修正算法。通过最小化零速阶段的滤波器新息序列可以在线调整滤波参数,以适应当前行人运动状态,最后通过对多组惯性数据进行解算来验证算法有效性。分别使用了标准零速修正算法和粒子群优化的零速修正算法对惯性数据进行解算,并计算两种算法解算结果的位置误差,结果表明,提出的算法能够得到更小的定位误差和更平滑的解算轨迹。     

基于运动姿态识别的行人惯性导航算法

针对室内定位惯性导航算法存在累积误差的问题,提出了一种基于运动姿态识别的行人惯性导航算法.在捷联惯性导航算法的基础上,引入了行人脚部姿态识别方法,将行人的位移以单步长为单位进行惯性导航解算.使用姿态识别与零速修正相结合确定每一步的静止时刻,改进步数检测结果,并对行人静止时刻的速度和位置信息进行校正,以降低累积误差;统计前期误差较小的行人惯性导航数据,并建立步频—步长模型,根据行人实时的步频和方向变化对当前步长进行校准,在行人以惯常运动姿态或运动姿态变化时分别采取对应的步长估计算法,以保证导航算法的准确性.实验结果表明:与传统捷联惯性导航算法相比,提出的算法提高了长距离导航的精度.     

基于多指纹联合匹配的混合定位算法

随着信息科技的迅猛发展,室内定位技术已经成为基于位置服务LBS的研究热点之一。基于接收信号强度RSS的位置指纹与步行者航位推算PDR相结合的定位算法能有效提高定位精度,但目前已有的算法难以同时满足较高的定位精度与较小的计算量,常见的卡尔曼滤波算法精度不够,而粒子滤波算法计算量较大。提出了一种基于多指纹联合匹配的混合定位算法,有效融合惯性信息与RSS指纹信息,在较低计算量的前提下实现了高精度定位。实验结果表明,该算法80%的定位精度低于1m,平均精度高达0.77m。     

基于RSSI与惯性测量的室内定位系统

介绍融合接收信号强度指示（RSSI）和惯性测量技术的无线传感器室内定位系统,该系统通过可穿戴式无线传感器节点和环境辅助传感器节点,采集步行者的位置信息。可穿戴式节点采用DeadReckoning惯性测量方法,存在累积误差,可通过在室内环境中布置RSSI节点矫正步行者的位置信息。采用扩展性的卡尔曼滤波算法将惯性测量与RSSI测量数据相结合,实现自适应的步长算法,较大程度改进步长不正确读取带来的误差。实验结果表明,与纯粹的惯性测量系统相比,该系统能提高66．3％的精确度。     

基于改进零速检测方法的室内定位系统

为了实时跟踪室内人员的位置信息, 设计了一种基于惯性导航技术的室内定位系统. 在系统中运用改进零速修正技术, 减小惯性导航累积误差, 使得定位精度优于1％里程. 人员的位置信息通过4G通信实时传送至云端,其运动轨迹被同步绘制并显示在用户界面. 测试场景为一栋两侧为消防楼梯间的方形建筑, 佩戴此系统装置的测试人员从一层进入建筑, 穿越长廊到达北侧消防楼梯间, 向上走至三层, 再穿越长廊到达南侧防烟楼梯间, 从此处楼梯间下至一层, 回到起始点结束, 完成一个闭环测试路径, 包括正常行走、小跑、上下楼等运动方式. 多次测试的实时定位误差均在1％以内, 证明该室内定位系统在不依赖于外界信息的情况下具有良好的实时自主导航性能.     

Smartphone-based pedestrian tracking in indoor corridor environments

As the use of smartphones spreads rapidly, user localization becomes an important issue for providing diverse location-based services (LBS). While tracking users in outdoor environments is easily done with GPS, the solution for indoor tracking is not trivial. One common technique for indoor user tracking is to employ inertial sensors, but such a system needs to be capable of handling noisy sensors that would normally lead to cumulative locating errors. To reduce such error, additional infrastructure has often been deployed to adjust for these cumulative location errors. As well, previous work has used highly accurate sensors or sensors that are strapped to the body. This paper presents a stand-alone pedestrian tracking system, using only a magnetometer and an accelerometer in a smartphone in indoor corridor environments that are normally laid out in a perpendicular design. Our system provides reasonably accurate pedestrian locations without additional infrastructure or sensors. The experiment results show that the location error is less than approximately 7 m, which is considered adequate for indoor LBS applications.     

WTrack: HMM-based walk pattern recognition and indoor pedestrian tracking using phone inertial sensors

Indoor tracking systems have become very popular, wherein pedestrian movement is analyzed in a variety of commercial and secure spaces. The inertial sensor-based method makes great contributions to continuous and seamless indoor pedestrian tracking. However, such a system is vulnerable to the cumulative locating errors when moving distance increases. Inaccurate heading values caused by the interference of body swing of natural walking and the geomagnetic disturbances are the main sources of the accumulative errors. To reduce such errors, additional infrastructure or highly accurate sensors have been used by previous works that considerably raise the complexity of the architecture. This paper presents an indoor pedestrian tracking system called WTrack, using only geomagnetic sensors and acceleration sensors that are commonly carried by smartphones. A fine-grained walk pattern of indoor pedestrians is modeled through Hidden Markov Model. With this model, WTrack can track indoor pedestrians by continuously recognizing the pre-defined pedestrians’ walk pattern. More importantly, WTrack is able to resist both the interference of body swing of natural walking and the geomagnetic disturbances of nearby objects. Our experimental results reveal that the location error is <2 m, which is considered adequate for indoor location-based-service applications. The adaptive sample rate adjustment mode further reduces the energy consumption by 52 % in comparison, as opposed to the constant sampling mode.     

基于手持设备的室内定位系统设计与实现

为解决无法在室内使用GPS的问题,设计并实现了基于常用手持设备(如手机、平板电脑)的室内定位系统。系统融合了传统的惯性定位方法和基于WiFi信号强度定位方法,易于搭建,仅需一个包含惯性传感器、电子罗盘、WiFi扫描的手持设备。提出了惯性定位中的路径匹配算法和WiFi信号定位方法中的位置估计算法。经实际测试,系统定位精度小于4m。