基于自适应峰值检测的PDR算法研究

针对传统的行人航迹推算(PDR)算法只能用于正常行走的单一状态,难以满足实际应用需求,提出了一种基于自适应峰值检测的改进PDR算法。该算法将行人运动模式分为行走和跑步两种状态,充分考虑行人运动过程中加速度峰值和运动状态的关系,通过实验获得不同运动状态下的加速度峰值,从而设置动态阈值,实现不同状态下的计步检测和步长估计。将改进的PDR算法应用于行人定位,利用微惯性测量单元(IMU)获取的行人的运动数据,使用改进的峰值检测法对行人进行计步检测和状态识别,根据行人的运动状态采用自适应步长估计公式对步长进行估计,最后结合计算的航向得到行人的位置信息。实验结果表明,改进PDR算法具有良好的鲁棒性和较高的步态识别率,相比于传统的PDR算法,闭环误差降低了1.42%,有效提高了行人定位结果的精度。

基于UWB/PDR的航向发散自适应修正算法研究

为解决航位推算(PDR)算法累积误差过大并且长航时航向发散的问题,提出了一种基于UWB/PDR自适应扩展卡尔曼滤波(EKF)融合算法。该算法通过UWB定位值和PDR实时解算位置得到自适应校准因子,通过在常规的EKF算法的基础上增加自适应校准因子动态调整UWB观测值的权重来校准位置误差。并用UWB的实时测距对PDR的航向发散进行周期性修正。实验结果表明,自适应EKF融合算法相较于纯PDR航向发散误差降低了63.9%,相较于标准EKF融合算法发散误差降低了31.1%,同时定位百米误差降至0.33 m。