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。     

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M2M相遇区的PDR室内定位方法

在室内定位中,行人航迹推算(Pedestrian Dead Reckoning, PDR)的主要优点在于,其仅需要用户拥有智能手机就能实现定位,无须依赖外部环境,但是存在较大的累积误差,通常需要结合蓝牙、WiFi、地磁等技术融合定位来改善定位精度。此类方法需要架构一定的硬件节点且需要构建大量指纹数据库信息。针对该问题,提出了一种基于机器对机器(Machine to Machine, M2M)区域内纠正PDR的室内定位方法。该方法首先在行人行进过程中设置一个距离测量区域,其次在该区域内测量行人手机与其他手机的距离,最后通过三边定位方法进行定位,校正PDR的定位误差和精度。该方法不需要额外铺设其他硬件设施。实验结果表明,相比传统的PDR定位,该方法适合较长时间定位且平均定位误差降为0.36 m,具有较高的定位精度。     

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反馈的Wi-Fi室内定位算法研究

Wi-Fi指纹定位易受周围环境的影响,稳定性差;行人航迹推算定位（pedestrian dead reckoning,PDR）定位需要待定位目标的初始位置,且容易产生累计误差。针对上述问题,提出了一种基于PDR反馈的Wi-Fi室内定位算法。该算法主要分为三个阶段：基于相关向量回归（relevance vector regression,RVR）的初始位置定位阶段、基于PDR定位的反馈阶段、基于K近邻（K-nearest neighbor,KNN）的指纹定位阶段。实验结果表明,提出的算法在定位精度和稳定性方面较其他的定位算法有明显的提高,并且该算法相对于Wi-Fi定位减小了时间复杂度,实时性较好。     

基于多信号源融合的室内定位技术方案探讨

随着社会的发展,室内定位越来越重要。在室内定位技术基本原理的基础上,衍生出了多种技术方案。文章先讨论了当前主流的室内定位技术,然后提出一种基于Wi-Fi信号位置指纹技术和行人航迹推算技术相结合的室内定位系统,同时引入KNN算法、扩展卡尔曼滤波算法,提高了室内定位精度。     

基于UWB/PDR的组合室内定位算法

为了提升室内定位系统在复杂环境中的实用性,提出了带非视距检测的超宽带(UWB)/行人航迹推算(PDR)组合定位方法。该方法过滤了UWB测量由于非视距(NLOS)带来的有害数据,采用残差状态量的卡尔曼滤波将UWB和PDR的有效数据进行融合,避免了由于系统非线性带来的近似误差,提升了组合系统的定位精度和鲁棒性。仿真和实验结果表明,组合定位系统能够消除非视距的影响,始终比单个系统定位精度高,其定位误差90%在1 m以内,为基于室内定位的应用提供了可靠的基础数据。     

融合RSSI测距定位的室内PDR算法

在室内定位系统中,针对RSSI测距定位系统接收到的信号会因环境的不确定性出现不可预测的随机变化和行人航迹推算(PDR)定位系统漂移误差长时间的累积效果,提出融合RSSI测距定位的室内行人航迹推算算法,以扩展卡尔曼滤波器实现两者定位信息的融合,获得系统的最优定位结果。仿真结果表明,该融合定位算法的平均定位误差约为0.83205 m,范围维持在0.51948 m～1.13529 m内,并在定位稳定性方面表现出良好的性能,验证了该方法的合理性和有效性。     

基于粒子滤波的WiFi行人航位推算融合室内定位

为提高室内定位的精度和稳定性,提出使用粒子滤波融合WiFi指纹定位和行人航位推算的室内定位算法。为减少复杂室内环境对WiFi指纹定位的影响,提出将支持向量机分类与回归相结合的两级WiFi指纹定位算法。在基于智能手持设备惯性传感器的行人航位推算中,为减少惯性传感器的误差以及人随意行走带来的影响,采用状态转换的方法识别行走周期并进行步数统计,提出根据实时加速度数据动态设置状态转换的参数,利用步长和垂直加速度之间的关系以及相邻步长之间的关系,应用卡尔曼滤波进行步长计算。仿真实验中,基于支持向量机的WiFi指纹定位的平均误差比最近邻居(NN)算法降低34.4%,比K最近邻居(KNN)算法降低27.7%。改进的行人航位推算的性能优于常用代表性计步软件和步长计算算法,而经过粒子滤波融合后估计的行走轨迹更加接近真实轨迹:直线行走平均误差为1.21 m,优于WiFi的3.18 m和航位推算的2.76 m;曲线行走平均误差为2.75 m,优于WiFi的3.77 m和航位推算的2.87 m。     

室内定位航位推测算法的研究与实现

针对室内定位的个人航位推测(PDR)中漂移导致定位误差累积的问题,提出一种微机电系统传感器整合的PDR算法.根据典型计步器原理及步长估算获取位移信息,在计步算法中加入动态时间窗口及动态加速度阈值,以得到更精确的计步结果.利用捷联航向角校正磁航向角得到校正后的航向角,以修正定位中的累积误差.实验结果表明,室内定位精度距离误差可控制在5％以内,计步结果精度高,易于求得航向角,又能在一定程度上校正长时间漂移等因素带来的位置误差.     

基于误差预测的自适应UWB/PDR融合定位算法

为了解决在室内非视距(NLOS)定位场景中超宽带(UWB)技术性能不佳、航位推算(PDR)算法累积误差过大的问题，以及由环境因素引起的UWB性能下降的问题，提出了一种基于UWB误差预测而自适应系数调节的UWB/PDR融合定位算法。该算法创新地提出了利用支持向量机(SVM)回归模型对复杂环境中UWB定位误差进行预测，并以此为基础，为常规的扩展卡尔曼滤波(EKF)算法添加了自适应调节系数，以提高UWB/PDR的融合定位效果。实验结果表明，所提算法在复杂UWB环境中可以有效预测当前UWB定位误差水平，并通过自适应调整融合系数提高精度，使得较常规EKF算法在一般区域的定位误差降低了18.2%，在UWB精度较差的区域中的定位误差降低了48.7%，从而减小了环境对UWB性能的影响；在包含UWB的视距内(LOS)及NLOS的复杂场景中，通过融合定位算法，将定位每百米误差由米级降低至分米级，解决了NLOS场景中PDR 误差过大的问题。     

基于二维网格融合特征参数的室内匹配定位算法

针对接收信号强度值(RSSI)的时变特性降低定位精度的问题,提出了一种基于二维网格特征参数融合的室内匹配定位算法。该算法融合RSSI和信号到达时间差(TDOA)构建网格特征参数模型,基于二维网格快速搜索策略降低匹配定位的计算量,采用网格特征向量的归一化欧氏距离进行最优网格匹配定位,最终由匹配网格的参考节点计算终端的精确位置。定位仿真实验中,该算法在3m网格粒度下的定位均方根误差为1.079m,平均定位误差小于1.865m;3m定位精度下的概率达到94.7%,相对于传统单一RSSI模型法提高了19.6%。所提算法能够有效提高室内定位精度,同时减少搜索数据量,降低匹配定位的计算复杂度。     

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。     

基于动态近邻反馈修正的室内定位算法

针对目前无线传感器网络（WSN）室内接收信号强度（RSSI）测距算法中RSSI易受到信道干扰和传播环境影响从而导致定位精度低的问题,提出一种动态近邻反馈修正的室内定位优化算法FC-DNN,以实现无线传感器室内节点精确定位。首先,通过对环境进行Voronoi图分割确定最小定位区域;然后计算每个区域的路径损耗模型参数得到节点间的精确距离;最后利用Spearman等级相关系数动态选择邻居锚节点,根据邻节点反馈修正进一步提高未知节点的定位精度。仿真结果表明,FC-DNN算法复杂度低、计算开销小、能耗较低,与典型的RSSI测距差分修正定位算法（DDLA）和受限三维空间传感器定位算法（CO-3D）相比,节点的平均定位误差降低了约15个百分点,能够很好地满足室内环境定位要求。     

基于阈值分类及信号强度加权的室内定位算法

为了减小室内复杂环境下接收信号强度值（RSSI）波动和个别信标节点被干扰对定位精度的影响,提出一种基于阈值分类及信号强度加权的室内定位算法。先根据室内环境的路径损耗特征,对各参考点进行分类并分别确定其匹配阈值,再将接收信号强度作为参考权重进行加权定位,最终得到更为精确的节点位置。实验表明,该算法能减小RSSI随机抖动引起的误差,有效地削弱个别信标节点被干扰的影响,提高定位精度。     

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.     

基于贝叶斯网络的楼层定位算法

针对在室内定位导航过程中单独依赖行人高度位移推测楼层位置误差较大的问题，提出一种基于贝叶斯网络的楼层定位算法。该算法先是利用扩展卡尔曼滤波（EKF）对惯性传感器数据和气压计数据进行融合，计算出行人垂直位移；然后利用误差补偿后的加速度积分特征对行人在楼梯中的转角进行检测；最后，利用贝叶斯网络融合行人行走高度和转角信息推测行人在某一层的概率，从而将行人定位在建筑物中最可能出现的楼层上。实验结果表明，与基于高度的楼层定位算法相比，所提算法的楼层定位准确率提升6.81%；与平台检测算法相比，该算法的楼层定位准确率提升14.51%；所提算法在总共1247次楼层变换实验中，楼层定位准确率达到99.36%。