基于粒子滤波的多信息融合室内定位算法研究

针对现有室内定位技术精度低、实现复杂度高等问题,提出一种基于粒子滤波的多信息融合室内定位算法。在传统的行人航迹推算(PDR)以及地磁匹配等室内定位算法的基础上,通过粒子滤波动态地纠正行人步长和方向角,从而有效地减小了定位误差。通过PDR算法获得行人的步频、步长、方向等信息,由地磁匹配算法得到行人所在位置对应的地磁值,最后利用粒子滤波对以上信息进行融合处理从而得到粒子的权重,由粒子权重对步长和方向角不断地修正。实验结果表明,该算法可以实时动态地补偿PDR的定位误差,能够获得较高的定位精度。     

基于粒子滤波的PDR定位算法

针对目前行人航迹推算(PDR)定位精度不高的缺点,提出了一种基于粒子滤波(PF)的PDR定位算法.使用手机内置的加速度计进行步伐检测和计步,陀螺仪和磁力计进行方向估计,结合地图匹配信息,使用粒子滤波算法对定位数据进行滤波融合.实验结果表明:提出的算法提高了定位精度.     

基于智能手机的地磁/WiFi/PDR的室内定位算法

针对地磁指纹在室内定位中存在重复性,以及行人航迹推算（PDR）累积误差明显的问题,提出了一种基于智能手机的多传感器融合定位方法。该方法首先通过WiFi和随机采样一致性（RANSAC）算法拟合路径,确定初始位置;然后利用手机中的加速度计进行步长估计,利用陀螺仪进行转向检测;最后通过地图约束的自适应粒子滤波（PF）算法以地磁场修正PDR的定位结果。仿真结果表明,该方法能够有效克服PDR的累积误差以及地磁值不唯一的缺陷,提高室内定位精度、减少能耗。     

基于地磁指纹和PDR融合的手机室内定位系统

针对地磁场在室内定位中存在模糊解及行人航位推算(PDR)存在累积误差的问题,提出了PDR和地磁融合的室内定位方法.利用了PDR短期精度高的优点,以PDR定位结果为中心缩小地磁匹配区域,采用粒子滤波算法解决地磁指纹的模糊解问题,达到实时修正PDR累积误差的目的.与传统PDR相比,采用了自相关法探测行人不同步态下的步频,提高了步频探测的准确率.通过对实际室内环境进行实验仿真,本文提出的室内定位方法能够有效减少定位误差,实现了2m的定位精度.     

基于PDR和地磁匹配融合的楼层定位方法

针对室内楼层定位的实际应用需求,提出了一种基于PDR/地磁匹配融合的楼层三维定位方法。不同于传统的定位整层位置,该算法主要研究了楼层间楼梯部分的行人定位方法,行人可利用手机等设备获取加速度、陀螺仪、气压计以及地磁数据,通过对加速度、气压值分析识别上下楼状态,根据楼梯角度和阶梯高度进而获得位置高度信息,由于行人航位推算 (PDR)方法存在累积误差的问题,通过获得的地磁数据构建地磁基准图,并融合粒子滤波的方法修正PDR累积误差以达到获得运动轨迹的目的。通过实验数据分析,该算法能有效获取行人楼梯位置,精度优于1m,满足室内楼层三维定位的基本需求。     

人机共享环境下基于Wi-Fi指纹的室内定位方法

针对服务机器人和行人的室内全局定位问题,提出一种人机共享环境下基于Wi-Fi指纹的室内定位方法.首先,采用核主成分分析法(KPCA)从双频段的Wi-Fi信号中提取一种设备无关的鲁棒位置指纹,用于Wi-Fi指纹定位.然后,为了提高行人定位的稳定性和精确度,结合行人航迹推算(PDR)的定位方法,设计了一种基于选择更新粒子滤波(SUPF)的Wi-Fi/PDR组合定位算法.在该算法中,利用PDR对移动场景下的Wi-Fi定位结果进行了初步校正,并通过定义自适应大小的可信空间对校正后的结果进行评估,从而在数据融合之前剔除不可信的Wi-Fi定位估计.最后,在实际场景下开展了定位实验,Wi-Fi/PDR组合定位的平均定位误差约为2 m,实验结果表明所提出的方法提升了定位系统的精确度和鲁棒性.     

室内环境约束的行人航向粒子滤波修正方法

在传统的基于航位推算和卡尔曼滤波的室内行人定位算法中,存在着航向误差累积的问题,这使得位置误差也会不断累积。针对这个问题,提出了室内环境约束的行人航向粒子滤波算法来修正方向误差。首先,将室内地图信息抽象成线段表示的结构体,将地图数据动态地融合到粒子补偿以及权重分配的机制中：其次,通过关联地图数据与待校准样本构建航向自修正机制;最后,通过关联地图数据与粒子落点构建依距离赋权机制。此外,该算法还简化了粒子滤波模型,将航向作为唯一状态量进行优化,在提高定位精度的同时降低了状态向量的维度,进而降低了数据分析处理的复杂性。通过融合室内环境信息,该算法有效地抑制了方向误差的持续累积。实验结果表明,与传统的卡尔曼滤波算法相比,所提算法能够明显地提高行人定位精度和稳定性,在距离为435 m的二维行走实验中,航向误差由15.3°降低到0.9°,终点位置绝对误差由5.50 m降低到0.87 m。     

基于三维模型的粒子滤波行人跟踪算法

针对传统行人跟踪算法得到运动轨迹与真实轨迹差异巨大的问题,提出一种基于三维模型的粒子滤波行人跟踪算法.该方法利用摄像机标定信息和图像帧信息建立行人的三维模型,解决图像中目标尺度的变化问题,并得到目标的真实运动轨迹.同时该方法利用双指数预测模型对粒子滤波算法进行优化,以解决短时遮挡问题,同时降低运算复杂度.实验表明,基于三维模型的粒子滤波行人跟踪算法能够较准确地建立行人三维模型,对比标准粒子滤波和KPF算法,能够对行人进行有效跟踪,对短时遮挡和尺度变化有较强的鲁棒性.     

基于粒子滤波融合Wi-Fi和PDR的室内定位研究

提出一种基于粒子滤波的Wi-Fi和PDR的室内定位方法。首先对Wi-Fi指纹数据进行卡尔曼滤波,改善权重KNN提升分类精度;然后通过行人航位推算(PDR)根据加速度传感器数据和方向角数据计算出每步的步长以及步速,从而推算出路径;最后在改进的Wi-Fi和PDR的定位基础上,使用粒子滤波将两者结果进行融合。试验过程中,使用采集两个教室的环境数据,试验结果证明了该算法能提升定位精度。     

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.     

室内环境下同步定位与地图创建改进算法

提出了一种室内环境下基于平方根无迹卡尔曼滤波（SRUKF）的同步定位与地图创建（SLAM）算法． 该方法在每步迭代中采用平方根无迹粒子滤波器进行机器人状态估计,并引入平方根无迹卡尔曼滤波器定位路标, 进而完成机器人状态和相应路标信息更新．将本文算法与机器人运动模型和红外标签观测模型结合进行了仿真和实 验,结果表明,本算法在同步定位和地图创建过程中提高了机器人状态和路标估计的精度及稳定性．     

基于人工路标的室内机器人导航方法

在室内环境下,以往的人工路标设计方案,其识别算法复杂,准确率较低,而且难以满足实时性的要求.针对这样的问题,本文设计了两种新的人工路标:定位人工路标和纠偏人工路标,不仅可以有效地帮助室内移动机器人导航定位和纠偏,而且具有识别简单快速的优点.机器人实时识别定位人工路标,并根据识别的纠偏人工路标来调整自身的位置和运动方向,使得机器人可以沿着事先规划好的路径顺利前行.通过实验表明,在室内光线较暗、适中、强光三种光线条件下,两种人工路标识别准确率高,且识别速度快,能够满足导航实时性的要求.     

基于行人航迹推算的蓝牙峰值检测方法

室内定位中行人航迹推算(PDR)方法是最便捷的定位方法之一,其缺点是随着移动距离的增加累积误差会越来越大。利用蓝牙峰值纠正算法能有效降低PDR的累积误差,但蓝牙信号在多蓝牙基站中存在伪峰、错峰的问题,针对上述问题提出了基于PDR的蓝牙峰值检测方法。首先,根据PDR位置估计信息和蓝牙分布信息计算预测概率,筛选前进方向最接近的蓝牙,减少错峰;其次,根据信号的变化计算自适应阈值输出开关信号寻找波峰以检测真实峰值,减少伪峰;最后采用改进的蓝牙峰值纠正算法对PDR位置估计进行纠正。实验结果表明,在安卓智能手机上,峰值检测正确率可达到82.1%,与传统滑动窗峰值检测法相比能有效地减少伪峰和错峰的干扰,降低PDR的累积误差。     

基于地图信息和位置自适应修正的粒子滤波室内定位方法

现有以航位推算为基础的室内定位算法存在累积误差大、定位精度较低等缺点,为此提出一种基于地图信息和位置自适应修正的粒子滤波室内定位方法。该方法利用已知的室内地图信息在定位过程中控制粒子的生灭,在重采样过程中根据粒子的退化情况对补偿粒子的位置进行自适应调整,从而修正目标位置。实验结果表明,该定位方法克服了航位推算算法的累积误差问题,有效提高了定位精度。     

航路点方位校正方法在飞行器导航中的应用研究

方位误差是造成航位推算误差的主要误差源之一,利用航路点来提高方位对准精度在车辆导航中是一种非常有效的方法;在对航位推算误差进行分析的基础上,给出了利用航路点对飞行器的方位误差进行校正的方法,并对引起校正误差的主要因素进行了详细的分析;另外考虑到飞行器所选航路点距出发点距离一般都比较远,此时地球曲率已不能忽略,推导了地球曲率不可忽略时的方位校正算法;最后通过计算机仿真验证了航路点方位校正方法的有效性。     

An approach to robot SLAM based on incremental appearance learning with omnidirectional vision

Localisation and mapping with an omnidirectional camera becomes more difficult as the landmark appearances change dramatically in the omnidirectional image. With conventional techniques, it is difficult to match the features of the landmark with the template. We present a novel robot simultaneous localisation and mapping (SLAM) algorithm with an omnidirectional camera, which uses incremental landmark appearance learning to provide posterior probability distribution for estimating the robot pose under a particle filtering framework. The major contribution of our work is to represent the posterior estimation of the robot pose by incremental probabilistic principal component analysis, which can be naturally incorporated into the particle filtering algorithm for robot SLAM. Moreover, the innovative method of this article allows the adoption of the severe distorted landmark appearances viewed with omnidirectional camera for robot SLAM. The experimental results demonstrate that the localisation error is less than 1 cm in an indoor environment using five landmarks, and the location of the landmark appearances can be estimated within 5 pixels deviation from the ground truth in the omnidirectional image at a fairly fast speed.     

基于磁场指纹辅助的手机室内定位系统

针对当前室内无线定位信号强度易受干扰、设备部署维护成本高等缺点,以及手机在室内航位推算过程中定位误差随时间累积的问题,本文提出了基于粒子滤波磁场匹配的室内定位方法。相比于传统的航位推算方法,通过改进步态判断方式,并提出了动态步长估计算法和卡尔曼滤波航向估计算法,有效减少步态误判和定位误差。同时通过结合航位推算位置选择粒子滤波算法中的重采样区域,加快粒子收敛速度。最后,通过仿真分析和实际室内环境测试结果表明,本文提出的定位方法能够有效地减小定位误差,并实现2米的定位精度。     

改进的井下人员定位PDR算法研究

传统的行人航位推算(PDR)算法用于井下人员定位时,因步频检测、步长估计和航向估计阶段的姿态累计误差导致定位误差逐渐增大,而常用的零速校正、航向漂移消除、步态信号优化等误差修正方法无法改变PDR算法的固有缺陷,定位精度有待提高。提出采用改进的峰值检测法实现PDR算法中步频检测,基于深度循环神经网络(RNN)实现步长估计。将改进的PDR算法用于井下人员定位:首先采用手机加速度传感器、陀螺仪、磁力计获取行人运动数据;然后采用改进的峰值检测法获取固定时间间隔内的平均步频,与时间间隔、加速度及加速度方差作为特征输入训练后的深度RNN模型进行步长估计;最后结合估计的航向角预测人员当前位置。试验结果表明,改进的井下人员定位PDR算法对测试集数据的预测相对误差为5.9%,对实际测试路线的定位相对误差为1.6%~3.9%,小于传统PDR算法定位误差,有效提高了井下人员定位精度。     

采用EKF与PF的室内融合定位技术

在室内定位的复杂环境中,WiFi指纹法的定位性能易受信号波动的影响,行人航位推算方法(Pedestrian Dead Reckoning,PDR)的定位误差会随时间逐渐累积,为了解决这两个方面的问题,提出了一种采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)与粒子滤波(Particle Filter,PF)的融合定位技术,该技术通过融合WiFi指纹法和优化后的行人航位推算方法来提高定位精度。在WiFi指纹法模块,该技术采用传统的加权k近邻法进行定位。在行人航位推算模块,该技术融合多种传感器进行航向估计,改进传统的非线性模型进行步长估计,使优化后的行人航位推算方法更适用于复杂环境中的实际应用。最后,结合粒子滤波和室内地图信息,该技术能够校正估计位置并进一步提高定位精度。通过实验表明,本文提出的融合校正方法能够有效提高定位精度。