一种改进的行人航迹推算算法研究

针对行人在室内定位不准确的问题,提出一种改进的行人航迹推算算法。在步数检测阶段,提出一种基于运动分割的三阈值峰值检测法,实现了行人在不同运动状态下步数的精准检测。通过使用改进的Weinberg模型实现步长估算。并提出一种基于主方向假设的航向角修正算法,实现行人的航向角修正。最后综合步数、步长和航向角信息实现室内行人的航迹推算。实验结果表明,改进的行人航迹推算算法在室内有较好的稳定性,在室内的平均定位误差<5%,较传统PDR算法在平均定位误差上降低了9.53%,提高了行人在室内定位的精度。

融合视觉里程计和BP神经网络的自适应行人航迹推算方法

当前行人导航定位技术被越来越广泛应用于民用XR领域和军用单兵作战系统,其对定位追踪精度和复杂环境下系统的鲁棒性提出了更高要求。提出了一种融合视觉里程计(Visual Odometry,VO)、反向传播神经网络(Back Propagation Neural Network,BP)和行人航迹推算(Pedestrian Dead Reckoning,PDR)即联合视觉的行人航迹推算里程计(Visual PDR Odometry,VPO),并基于此进行扩展卡尔曼滤波。利用胸口装备惯性传感器和RGB-D深度相机采集行进数据,输入VO和PDR模块得出各自的运动位姿。将有效的步长、航向角、加速度幅值、角速度平均值及步频作为BP神经网络的训练数据集进行网络训练。当VO失效时,BP计算数据可作为备选观测值,将其与PDR数据一起导入扩展卡尔曼滤波器中进行数据融合。实验结果表明,行人航迹误差为1.026‰,优于经典VO和PDR推算方法,能在复杂环境下提高系统的鲁棒性。

运动分类步频调节的微机电惯性测量单元室内行人航迹推算

行人航迹推算(pedestrian dead reckoning,PDR)作为一种新兴的导航定位方法,因其不易受外界环境因素影响而受到广泛关注.针对室内行人航迹推算,采集并分析了微机电惯性测量单元(micro-electro-mechanical system-inertial measurement unit,MEMS-IMU)数据,设计了运动分类的区间对称步频检测,并建立了步频调节的步长估计模型,最后提出了运动分类步频调节的MEMS-IMU室内行人航迹推算,从而实现较精准的定位.针对不同个体,对步频调节的步长估计模型进行个性化标定,以进一步提高室内行人航迹推算性能.验证结果表明:与传统峰值非线性方法相比,运动分类步频调节的MEMS-IMU室内行人航迹推算的定位误差降低了32.6%,使短距离室内行人航迹推算在无其他定位技术支持的情况下具有较高精度.

基于行人航迹推算的室内定位算法研究

针对室内定位的实际应用需求,提出了基于行人航迹推算算法(PDR)的适用于手机采集数据的室内定位方法。不同于传统的数据采集方法,该种定位方法利用手机得到加速度、陀螺仪以及地磁原始数据,通过分析加速度信号实现步频探测和步长估计。利用扩展卡尔曼滤波器(EKF)融合各惯性传感器数据以提高方向角的解算精度。最后设计了基于Android平台的数据采集软件,可利用手机内置的传感器设备实现数据采集。经实验数据分析,该算法的定位精度优于2m,在实用的基础上具有较高的定位精度和较低的实现复杂度。

基于地磁测向和时间到达差测距的行人航迹推算方法

为研究个人鞋式导航定位方法,提出了一种基于地磁测向和时间到达差测距的行人航迹推算方法。该方法分为两部分:依靠地磁辅助的航向角检测和依靠时间到达差测距的行人步幅检测。研究结果发现,采用超声波收发阵列可以有效提高两脚间距离检测精度。此外本文分析出该方法的主要误差来源为航向角检测误差,并设计了最小二乘误差补偿算法,补偿前航向角误差约为15.93°,补偿后在0.435°以内。实验通过行人直线、圆形、操场行走测试,结果表明最大定位误差占总行进距离的1.2%。本方法具有广泛的工程应用前景。

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。

一种基于人体运动状态识别的行人航迹推算方法

针对目前行人导航技术中人体运动状态分类不完善和运动状态识别精度不足而导致定位精度不高问题,提出一种基于人体运动状态识别的行人航迹推算(PDR)算法。定位人员首先通过手持智能手机,在多种运动状态随机切换情况下,利用基于合加速度波形的单峰值检测法,完成不同运动状态下的步频及计步检测;然后通过分析和筛选加速度的时域特征,构建线性支持向量机(SVM)多分类器,并提出相邻步态约束法完成多种运动状态的准确识别;最后设计新的PDR模型,将运动状态识别结果应用于PDR定位解算,实现二维平面内人体多运动状态下的智能手机导航定位。实验结果表明,所提算法在行人多运动状态下的定位误差优于1.6%D,为行人惯性导航技术的实际应用提供了更多的适用范围。

基于支持向量机分类识别的行人航迹推算室内定位

在行人航迹推算(Pedestrian Dead Reckoning,PDR)的室内定位方法中,行人运动状态的识别和采集设备(通常是智能手机)的模式识别都对定位精度有一定影响。为了提高定位精度,首先利用粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine,PSO-SVM)中的高斯核函数的宽度σ和惩罚因子C构建新的分类器。其次,对手机采集的4种行人运动状态和手机的4种不同状态进行识别,并选择不同的数据特征进行模式分类识别,与K最近邻法(k-Nearest Neighbor,KNN)和一般支持向量机(Support Vector Machine,SVM)的模式识别方法进行对比。最后,在室内进行PDR定位实验。实验结果表明:改进后的分类识别方法具有更高的识别准确率,同时在识别行人运动模式和手机模式的前提下,PDR室内定位效果比传统PDR定位方法效果更好。

基于电子罗盘航向角修正的行人航迹推算方法研究

针对低精度微型惯性测量单元的系统误差随时间累积、速度误差和水平姿态角可用零速修正方法较准确计算,而航向角误差易发散且难以估计的问题,本文提出基于电子罗盘航向角修正的行人航迹推算方法。包括静态初始对准、MIMU导航算法、电子罗盘航向角修正方法、自适应零速检测、卡尔曼滤波等内容。对惯性测量单元的修正,主要用罗盘航向角与陀螺仪航向角的差值、角速度、零速伪观测量作为观测量,对速度、位置和姿态误差进行估计和补偿。经MIMU传感器实验验证,实际路线和导航路线的水平定位误差为4.7米,高度定位误差为1米,位置误差与总路程的比值为0.6%。表明该方法能有效地抑制航向角误差发散,有效提高行人航位推算的精度。

地图辅助行人航迹推算技术的室内定位方法

针对目前室内定位技术中位置漂移、定位结果偏差较大的问题,提出了一种融合行人航迹推算(PDR)、地标匹配修正和地图辅助的室内行人定位方法。该方法利用基于惯性传感器的PDR技术计算行人位置信息,利用行走过程中的传感器读数特征识别室内特定地标点,与地标库数据进行匹配后,修正PDR轨迹产生的累积误差。室内地图辅助主要是通过判断行人是否位于走廊等区域,限制轨迹穿墙,约束PDR定位轨迹。实验结果表明,融合定位算法得到的轨迹优于纯惯性递推算法得到的轨迹,更加接近真实的行走轨迹,定位精度提高了51.2%,平均定位误差降至1.8m,满足室内定位需求。

激光雷达和行人航迹推算融合的室内目标定位方法

激光雷达(light detection and ranging,LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。提出了一种LiDAR和行人航迹推算(pedestrian dead reckoning,PDR)融合的室内定位方法,以扩展卡尔曼滤波(extended Kalman filter,EKF)为基础,通过对LiDAR的位移增量、角度观测值以及PDR的位姿信息等量测值进行解算,令二者互补融合,有效抑制非视距影响和误差累积的问题,并对单一类组合算法和融合类组合算法的定位精度进行对比分析。实验结果表明:当室内人员为行走状态时,LiDAR和PDR融合定位算法较单一定位方法在精度和稳定性方面均有效提高,PDR定位误差为0.98 m,LiDAR定位误差为0.6 m,EKF融合后定位误差下降到0.32 m。

一种基于模式识别的行人航迹推算方法

行人航迹推算(Pedestrians Dead reckoning,PDR)被广泛用于室内定位与导航,传统的PDR算法通常将手机固定某一姿态,但是在实际定位场景中,用户使用手机的模式通常不固定。针对传统手机PDR算法受限于手机携带方式的问题,此处提出基于模式识别的PDR算法,利用手机加速度计传感器测量加速度信号,通过采用"数据采集、数据处理、特征提取、分类识别"的流程,利用K近邻算法对手机的使用模式进行了识别,实验表明提出的算法具有较强的实用性。

三维复杂运动模式航迹推算惯性导航室内定位

在微机电惯性测量单元(micro-electro-mechanical system-inertial measurement unit,MEMS-IMU)人体室内定位技术研究领域中,行人航迹推算法(pedestrian dead reckoning,PDR)具有计算简便、对传感器精度要求低的优点,得到了较为广泛的应用,但传统的PDR研究通常只针对单一的二维前进行走运动模式,这与人体实际的三维复杂运动模式相距甚远.该文从人体三维室内定位研究角度出发,通过10轴MEMS传感器采集人体运动原始信息,提出了三维复杂运动模式航迹推算法.首先使用双零点交叉区间内的峰值双轴检测法与俯仰角检测法来检测5类非行走运动模式,排除其对有效跨步检测的干扰;其次使用相位反转法与气压值突变法区分3类行走运动模式,提取出不同类型的有效跨步;最后针对每一个有效跨步求解出人体位置的三维坐标值,完成人体三维室内定位.实验表明,所提出的三维复杂运动模式航迹推算法在人体实际室内运动中,相较传统的峰值检测和零点交叉法PDR,水平定位精度提升了99%,并且高度定位精度可以达到92.4%.

一种Wi-Fi RTT/数据驱动惯性导航行人室内定位方法

为了研究基于智能手机的行人室内定位方法,并提高其精度,本文提出了一种基于Wi-Fi往返时间(RTT)、惯性测量单元(IMU)的定位系统。该方法主要包括3部分:(1)使用扩展卡尔曼滤波融合测距信息的Wi-Fi RTT室内定位方法;(2)适用于多手机使用模式的航位推算方法,该方法基于长短时记忆模型(LSTM)建立神经网络模型,预测行人运动速度及航向;(3)基于误差状态卡尔曼滤波的Wi-Fi RTT/数据驱动惯性导航融合定位方法,进一步提高定位精度。试验结果表明,与单一的基于Wi-Fi RTT方法和数据驱动惯性导航方法相比,本文方法的平均定位精度提升了10%~20%。

结合位置指纹和行人航迹的室内定位技术

主要对室内定位技术展开研究,首先通过手持智能设备收集指定范围样本点的坐标及wifi热点信息;然后应用位置指纹定位方法进行绝对定位;为了提高行走过程中定位的准确性和实时性,采用行人航迹推算算法,即通过手机传感器采集并经处理的数据进行步频检测、步长估算和方向检测,实现相对位置变化的估算.行人航迹算法克服位置指纹定位的不稳定性,而位置指纹定位算法及时调整行人航迹算法带来的累积误差.实验结果表明两种室内定位技术的结合有效提高了室内定位的准确性,能充分应用到实际生活中.

地磁序列辅助修正的PSO-PF室内行人定位方法

室内行人定位是位置服务的重要基础,地磁信号具有被随时感知的特点,基于地磁信号的定位方法一直是室内行人定位研究的一个热点。针对当前基于粒子滤波融合定位存在累计误差大、定位精度较低的问题,本文提出变长地磁序列辅助PSO-PF的室内行人定位方法。首先,在传统粒子滤波算法的基础上,融合粒子群算法进行最佳位置寻优提升实时定位的准确性;然后,建立了DTW-A^(*)算法获取变长地磁序列对一段时间累计误差进行修正,以解决基于粒子滤波定位方法的累计误差问题;最后,通过试验将本文方法与现有主流定位方法进行比较。结果表明,本文方法在室内行人定位方面平均误差为0.90 m,比PDR、MaLoc和Magicol方法分别降低了73.1%、68.0%和63.8%。其中,本文方法1.43 m定位精度达90%,比PDR、MaLoc和Magicol方法分别提升了75.1%、68.4%和67.7%。此外,在不同型号手机上进行的试验结果表明,本文方法不仅适用且表现稳定,有望为不同设备的室内定位提供支持。

一种惯性/简化室内GIS组合的行人定位系统（英文）

惯性定位系统中的累积误差问题使得惯性定位系统无法长时间使用。室内地理信息系统(GIS)中的建筑物结构、地标点位置等信息可以用来修正和优化惯性定位算法,解决其累积误差问题,从而实现惯性定位系统的精度保持,延长系统使用时长。使用射频识别(RFID)系统和建筑物结构信息构建了简易室内地理信息系统,提出了一种基于GIS的增强型行人航迹推算(PDR)算法,通过该算法融合GIS与惯性定位系统。实验表明,融合简易室内GIS的惯性行人定位系统较传统行人定位系统性能更优。在GIS提供航向标定和步长估算系数标定的情况下,融合GIS的惯性系统能够在60 min之后,较惯性定位系统误差分别降低50%和67%;在GIS提供位置和高度标定的情况下,融合GIS的惯性系统并未出现误差累积的现象,在使用超过150 min后,依然能够将行人航迹推算误差保持在2 m范围之内(>80%概率)。

基于磁力计在线校准的行人导航算法

航向角误差是行人导航中的主要误差之一,常见解决方案是将MIMU与磁力计组合使用,但磁力计误差较大,因此使用前需要进行校准。针对这一问题,提出了一种基于磁力计在线校准的行人导航算法,在行走前通过空间旋转的方式进行椭球拟合完成初步校准,之后在行进过程中使用UKF对时变误差进行实时估计并进行校准,以校准后的磁力计输出对行人航向进行修正。数据显示,基于磁力计在线校准的行人导航算法,与磁力计未校准和仅进行初始校准磁力计的行人导航算法相比,闭环误差分别下降了6.17%和2.8%。结果表明,所提出的算法有效地校准了磁力计,并抑制了行人导航中的航向角发散,提升了导航精度。

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。

一种UWB与PDR融合的行人室内定位方法

针对在复杂室内环境下,单纯依靠超宽带技术(UWB)定位结果会严重失真,甚至缺失的问题,提出一种将UWB与行人航迹推算方法(PDR)相结合的方法:基于在人体胸部或者腰部等位置佩戴惯性器件的通常情形,利用惯性器件数据估计行人步长与每步航向,建立UWB与PDR的非线性扩展卡尔曼滤波器;然后通过将UWB相邻时刻间的差值信息更新到卡尔曼滤波器中的观测方差阵中,来自适应地实现定位结果估计。实验结果表明,该算法与单纯依靠UWB技术进行定位的算法相比,能够解决在复杂室内环境下定位解算点可能缺失的问题,并且可较显著地提高在复杂环境下定位系统的鲁棒性和定位精度。