融合自适应步长与地图匹配的智能手机PDR室内定位算法

针对经典的PDR算法中步长估算模型无法适应不同个体之间差异以及手机内部传感器航向角估算不准确的问题,提出了一种融合自适应步长与地图匹配的智能手机PDR室内定位算法。该算法在Weinberg模型的基础上,引入相邻波峰时间差函数以提高步长模型的适应性。采用双阈值法进行步频检测,并利用卡尔曼滤波优化地图匹配后的航向角,最终实现室内行人的精确定位。实验数据显示,所提算法总路程的闭环误差为0.58%,与仅使用自适应步长相比下降了73.29%,与仅使用地图匹配相比下降了59.21%,行程72 m的累积误差为4.484 m,相较于经典的PDR算法下降了28.21%。改进后的算法定位精度显著提高,且闭环误差和累积误差更小。实验结果表明,该算法具有良好的工程应用价值。

基于PDR算法与伪平面技术的井下人员定位方法研究

为了降低行人航位推算(Pedestrian dead reckoning,PDR)算法在进行井下人员定位时产生的累积误差,提出了一种基于PDR算法与伪平面技术的井下人员定位方法。首先,采用惯性导航传感器获取井下人员的步态信息,通过线性步长估计模型和四元数法实现步长估计和方向估计,利用PDR算法推算人员的位置;其次,使用井下人员活动区域以及预设的标记点构建伪平面,并将井下人员位置映射到伪平面坐标上,为降低PDR算法的累积误差做准备;最后,采用SVM进行井下人员活动检测,通过转弯活动判断其是否处于特殊标记点,将PDR解算的位置与伪平面内已知转弯位置标记点进行相关性分析,完成伪平面信息与工人位置的匹配,校准并更新PDR位置,降低累积误差。结果表明:井下工人在完成单个转弯活动过程中,传统PDR算法解算位置平均误差为0.98 m,而进行伪平面修正后平均误差降低到0.31 m;在完成区域性多活动过程中,采用伪平面技术修正后的PDR平均定位误差从1.08 m降低到0.38 m。因此,所提出的井下人员定位方法有效提高了PDR算法的定位精度。

基于卡尔曼滤波优化航向的PDR算法

基于智能手机平台的行人航位推算(PDR)技术因其技术条件较为成熟且易于大范围实现,已成为国内外室内定位研究的热点。但智能手机传感器的精度有限,且室内地磁信息会受到室内电磁环境的干扰,进而影响PDR算法的定位精度。因此,本文以智能手机为研究载体,提出了基于卡尔曼滤波的智能手机航向优化方法;通过融合智能手机的地磁与陀螺仪传感器数据进行理论研究与现场测试,并优化了PDR算法中的航向精度,优化后定位的平均误差提升至1.36 m。

基于PDR和RSSI的室内定位算法研究

构建了基于无线传感网络的行人航迹推算(PDR)系统,通过RSSI定位为其提供绝对定位信息。在RSSI定位中,提出基于PDR方位信息的自适应Flip-Flop RSSI信息预处理机制和RSSI指纹信息融合动态路径衰减指数的定位算法,以改善RSSI定位算法的抗噪声干扰能力。在多信息融合粒子滤波环节中,针对传统算法中滤波精度与滤波实时性很难同时得到改善的问题,提出基于PDR信息与RSSI定位信息的动态区间粒子滤波算法,通过PDR方位信息自适应控制区间衍生粒子数量以提高滤波实时性,并将建筑地图信息、RSSI定位信息及其可信度因子融入粒子权值计算中以提高定位精度。经实验验证,提出的算法在RSSI定位抗噪声能力方面,以及融合定位精度和滤波实时性方面都取得了良好的效果,与传统算法相比最大定位误差由3.16 m降低到1.81 m,滤波时间也由7.21 s降至7.01 s。

基于LSTM个性化步长估计的井下人员精准定位PDR算法

针对传统的行人航位推算(PDR)算法由于步长和航向累积误差导致定位精度较低,不能满足井下人员精准定位需求的问题,提出了一种基于长短时间记忆网络(LSTM)个性化步长估计的井下人员精准定位PDR算法。首先采集井下人员运动中的加速度、陀螺仪惯性信息,解算每一步运动距离构建步长数据,通过离线训练获得井下人员个性化步长估计LSTM模型;然后在在线预测阶段通过矿用本安智能手机实时采集加速度、陀螺仪、地磁等井下人员运动数据,分别采用步伐检测算法、个性化步长估计模型获得井下人员运动步伐及每一步的步长,利用卡尔曼滤波融合航向估计算法获得航向角;最后根据步长估计和航向角预测井下人员当前位置。在内蒙古鄂尔多斯市高头窑煤矿采集井下人员运动数据进行试验,结果表明:基于LSTM个性化步长估计的井下人员精准定位PDR算法对井下人员运动中的步伐检测精度为96.5%,步长预测精度为90%;在井下真实环境中的相对定位误差为2.33%,提高了煤矿井下人员定位的精度。

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。

基于WiFi与PDR融合的井下定位方法

为了提高井下人员定位的精度和稳定性,融合了WiFi定位和行人航位推算(PDR)。采用MeanShift算法对WiFi指纹数据库进行聚类处理,减少了WiFi指纹定位的运算量。基于PDR定位坐标,提出了一种改进的加权K邻近(WKNN)算法,并采用互补滤波融合WiFi定位和PDR。实验结果表明,融合定位的精度和稳定性高于单独的WiFi定位和PDR,能够满足井下定位的需求。

基于PDR辅助的视觉室内定位算法的研究

GPS信号对建筑物的穿透能力有限,无法满足人们室内定位精度的需求。为了弥补这一不足,通过对现有室内定位技术进行研究,对比分析各种技术在不同室内环境下的优缺点,提出了基于PDR辅助视觉室内定位的方法。首先对光照条件不足和误差累积对于定位精度的影响进行独立评价,然后综合考虑多种因素融合算法性能进行分析,并给出了复杂室内环境下应用该算法进行定位的可行性。最后通过实验证实了该算法的可靠性和鲁棒性。

改进WIFI_PDR的室内定位融合算法研究

结合当前室内定位应用需求以及急需解决的问题,基于WIFI的指纹定位和行人航位推算(PDR)是目前较为常用的方法。由于WIFI和PDR单独定位各自存在固有的误差,WIFI定位稳定性差,PDR定位存在累积误差。针对以上问题提出了一种反馈矫正的WIFI无线信号联合行人航位推算的方法。该方法分为两个过程:采用无迹卡尔曼滤波(UKF)算法对WIFI和PDR信息进行融合过程和基于融合信息的PDR自适应线性反馈过程。针对融合算法中WIFI指纹匹配计算量大的问题,用KNN聚类算法对WIFI指纹库进行聚类处理,降低匹配过程计算复杂度,提高了算法的实时性。利用提出的融合算法可以有效解决了WIFI定位单点定位精度低和PDR定位存在累积误差的问题。实验结果表明,本文提出的融合算法可以对最终定位结果产生较大的改善效果。

PDR算法对地磁室内定位精度的提升研究

利用建筑物中金属结构引起的地磁场扰动可以对室内的行人目标进行定位,而且基于地磁场的定位无需布设任何额外设施,因此可以以低成本实现定位。但仅靠单一的地磁技术无法满足室内定位的精度要求。为了解决磁场数据中单点定位的模糊性问题,本文提出了一种利用粒子滤波算法将PDR与地磁相融合的室内定位方法,并开发了地磁室内导航系统,以智能手机为硬件平台构建磁力计传感器模型,建立匹配轨迹的均方误差准则并实现PDR累积误差实时校正的迭代计算。在68 m×1.8 m的试验区域内,产生的平均定位误差为1.13 m,最大定位误差为2.17 m。本文算法的定位精度比单独PDR算法提升了42%;与单一地磁指纹匹配算法相比,定位精度提高了57%。试验证明,本文提出的融合算法对提高室内定位精度具有显著的作用。

基于Android的PDR改进算法研究

基于Android开发实现了一款室内定位软件,采用PDR(Pedestrian Dead Reckoning)算法作为室内定位算法,利用智能手机内置加速度传感器、磁场传感器来实现步数、步长和航向的检测。同时,在基本的PDR算法的基础上做了改进,即采用卡尔曼滤波平滑处理步长、粒子滤波优化结果。最后对改进的算法进行实际测试,直线为主的轨迹中采用直线判定后误差为0.64 m;曲线为主的轨迹中采用两种滤波方法优化后误差为1.08 m。

基于无线与PDR的室内定位App的研究与实现

当今社会,GPS定位技术的不断成熟与发展,手机导航App应运而生,例如:高德地图、百度地图等等。手机导航App的出现让人们的出行不再是一个令人困扰的问题,让人们的生活更加便捷,不再需要纸质地图来帮助自己到达目的地。目前,室外导航App的技术已经相当成熟,但是室内导航技术并不是很完善。只有一些比较大的商场、停车场、学校等场所,会有楼层信息或者商铺位置等简易导航信息,并不能像室外导航App给用户规划路线。为了解决室内导航信息简易的问题,提出了一个基于无线与PDR技术的室内定位App的想法。本文对于如何实现基于无线与PDR[1]的室内定位App做出了详细的阐释以及实现过程中的核心技术的研究论述。

基于PDR算法的伴舞型舞姿机器人控制研究

为了解决传统伴舞机器人与舞者之间协同性较差的问题,研究设计一种基于步行者航位推算算法的伴舞型舞姿机器人控制系统。首先对人力对伴舞机器人运动产生的影响进行研究,然后将步行者航位推算算法用于构建被动型伴舞机器人的控制系统,最后利用仿真和实际应用来验证控制系统的性能。结果表明,在伴舞机器人协同过程中,控制系统在x轴、y轴方向的误差最大值分别为1.2 m、0.6 m,控制系统方法的舞姿准确性与控制精度分别为90.18%和90.86%;控制系统对伴舞机器人难度动作能力能够达到88.73%,同时协调性为87.29%。这说明通过将步行者航位推算算法与被动型伴舞机器人控制系统相结合,使机器人能够与舞者的动作协调,展现出较为优秀的伴舞效果,实现了机器人与舞者的协调伴舞。

基于WiFi辅助的自适应步长的室内定位算法

随着室内定位的需求越来越多,基于PDR算法的低成本惯性传感器定位方法备受青睐。在PDR算法的基础上,提出了一种步长可随着步频自适应变化的s-f关系模型。同时针对PDR算法的误差累积问题,利用WiFi信号的接入点位置的绝对坐标对定位误差进行校正,利用连续的两个WiFi信号接入点位置辅助动态调整步长,避免了长时间的计步累积误差对步长的影响。实验验证该方法可有效提高室内定位的精度。

基于智能手机传感器的林区行人定位算法

针对林区卫星信号缺失、跟踪定位困难的问题,提出了基于智能手机传感器的林区行人定位算法(forest-pedestrian location,FPL)。算法在行人航位推算算法(pedestrian dead reckoning,PDR)基础上进行改进:采用扩展卡尔曼滤波(extended Kalman filter,EKF)与卡尔曼滤波(Kalman filter,KF)融合算法对磁力计、加速度计及陀螺仪输出进行多次融合,以提高方位角测量精度;随后,使用Savitzky-Golay(S-G)滤波处理方位角测量值,以提高PDR算法中方位角的估计精度;引入K邻近(K-nearest neighbor,KNN)算法估计步长,将拟合显式步长函数问题转化为"懒惰学习"问题;使用差分气压测高法求解行人高程信息,从而获取行人在林区内的3维定位信息。实验结果表明,该算法可以提高方位角及步长的估计精度,同时可以增加精准的高程定位信息,整体误差控制在5%以内,可以满足林区无信号条件下的定位需求。

多运动模式下的累积误差修正行人航位推算算法

多运动模式行人航位推算算法采用零速校正消除累计误差,但零速校正错判会导致误差。针对该问题,提出一种基于长短时记忆网络的自适应零速检测算法。构建长短时记忆网络提取不同运动模式下零速区间的三轴加速度、三轴角速度和时序特征,通过优化零速检测算法实现多运动模式下的自适应零速检测,在此基础上采用差分进化算法融合蓝牙等定位方式对累积误差进行数据修正。实验结果表明,与传统卡尔曼滤波算法相比,本文算法定位绝对误差由6.43 m减少到0.94 m,相对误差由1.246%降至0.182%。

一种关于地标辅助行人航位推算技术的改进室内定位方法

近年来,基于智能手机的行人航位推算技术(pedestrian dead reckoning,PDR)、Wi-Fi以及多种融合室内定位技术得到了较快发展;与此同时,其存在对定位环境要求较高、定位结果偏差较大等缺点。为解决这一问题,在传统PDR基础上提出了一种结合地标库匹配的改进室内定位方法——地标辅助PDR定位算法(landmark-aided PDR algorithm,La PDR)。首先,将在传感器实时数据上识别出的特定地理位置(如墙、门、拐角、Wi-Fi接入点等)当作地标;然后,针对实验环境建立相应的地标库,目的是纠正传统PDR定位算法由于传感器安装精度较低及定位时间过长而产生的漂移。实验结果表明与传统PDR相比,地标辅助PDR定位精度明显提高,系统定位误差基本控制在1. 5 m以内。

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。

高精度室内地图辅助VLC与PDR融合定位

针对传统室内定位方式存在的忽略地图精度对于整体定位精度的支撑性作用、需要额外的辅助设施和附加模块以协助定位系统实现目标点定位、定位信标的保密性差、定位信号源与辅助基站等具有较强的信号辐射等问题,本研究引入高精度室内地图辅助,提出了一种VLC与PDR融合的室内定位算法。首先,本研究摒弃了传统人工勾绘方式,在室内扫描机器人turtlrbot平台上(装载有二维激光扫描雷达),利用Gmapping二维栅格地图构建算法,生成高精度室内地图。在此基础上,采用扩展卡尔曼滤波算法结合高精度地图信息实现VLC与PDR融合定位。该融合定位算法较好地结合了VLC定位与PDR定位各自的技术优势,实现了VLC定位结合高精度地图信息对PDR定位自适应动态纠偏,对于进一步实现新型低成本、无信号辐射、保密性强、附加模块少的高精度室内定位提供了较好的理论与技术支撑。实验结果表明:在高精度室内扫描地图构建过程中,其测距分辨率<0.5 mm,VLC与PDR融合定位算法的整体定位精度为1.33 m,平均定位响应时间为0.58 s。

基于TrAdaBoost算法为内核的行人航迹推算技术

行人航迹推算(PDR)由于误差发散速度快,导致PDR定位可信时间短、累计误差大,因此,提出了基于TrAdaBoost算法为内核的行人航迹推算技术。该方法通过全球定位系统(GPS)离线收集行人室外运动信息,利用迁移学习中的TrAdaBoost算法筛选出最合适的行人运动特征,将其迁移到室内PDR定位中,纠正行人步长,实现行人航迹推算。实验结果表明:行人步长大致分布在65~75 cm内,而且经过纠正后的定位轨迹与真实定位轨迹吻合度高,不会因为惯性传感器的积累误差而出现严重偏离,平均水平误差与纯PDR定位算法相比大幅度下降,位置精度在2 m以内的概率达到了80%。因此,该方法降低了PDR发散的速度,延长了PDR定位的可信时间,提高了短距离内的定位结果的可信度。