一种基于自适应粒子滤波的室内定位方法技术

本发明专利技术公开了一种自适应粒子滤波的室内定位方法。本发明专利技术通过融合地磁信号、Wi‑Fi信号以及PDR(Pedestrian Dead Reckoning，行人航迹推算)技术，基于搭载磁力计的Android系统智能手机对室内地磁场进行采集，采用自适应粒子滤波模型将PDR行人航迹推算与地磁定位进行融合，利用随机抽样一致性算法确定需要定位服务与导航并且持有Android移动智能终端手机的用户的初始位置，基于Android智能手机中的加速度计对人行走的步长进行估计，采用自适应粒子滤波算法在磁场数据的基础上进行PDR定位结果的纠正，从而达到融合Wi‑Fi、地磁和PDF技术提高室内定位精度的目的。

An Indoor Location Method Based on Adaptive Particle Filter

【技术实现步骤摘要】
一种基于自适应粒子滤波的室内定位方法
本专利技术涉及基于Android系统的自适应粒子滤波算法、PDR行人航迹推算方法、随机抽样一致性算法、Wi-Fi定位、地磁定位，通过搭载磁力计的Android系统智能手机作为接收设备，进行随机一致性算法和自适应粒子滤波算法对数据的加权融合，从而实现提高室内定位精度的目的，属于地理信息系统(GIS)领域。
技术介绍
随着国民经济的快速发展，人们在室内活动的时间越来越长，室内的空间环境也越来越复杂，人们在室内环境下需要的位置与导航服务的需求越来越高。大型建筑物室内场馆内的室内定位的技术通常有超宽带定位、蓝牙定位、Wi-Fi定位、超声波定位和红外线定位等。由于地磁信号具有稳定性的特点，且不需要安装专门的基础设施，Wi-Fi信号随着室内环境下的移动互联网的发展已得到大量的部署，使用地磁和Wi-Fi定位就具有了一定的优势，而且搭载Android系统的智能手机等接收设备也已经得到大范围的普及。目前，单一的室内位置服务与导航定位技术在技术成本、定位精度和稳定性存在一定的缺点，不能满足现代科技生活下人们对室内定位精度的需求服务，多种定位技术方法的结合已成为提高室内定位精度的主要方法。
技术实现思路
本专利技术要解决的技术问题在于通过融合地磁信号、Wi-Fi信号以及PDR(PedestrianDeadReckoning，行人航迹推算)技术，基于搭载磁力计的Android系统智能手机对室内地磁场进行采集，采用自适应粒子滤波模型将PDR行人航迹推算与地磁定位进行融合，利用Wi-Fi信号来限制地磁匹配定位的范围，实现将地磁、Wi-Fi、PDR三者的融合进行室内定位，从而达到提高定位精度的目标。本专利技术针对现有技术的不足，基于PDR行人航位推算Android智能手机的步频、步长的计算，利用Android智能手机加速度计对PDR中的步长以及步频进行验证。其中，对步数的计算是用峰值探测法进行计算，并利用加速度计对行走、慢跑的步数进行验证，保证其峰值探测的错误率在1.5-2％之间。在验证步长模型时，在20m的直线距离行走，对加速度计采集的数据进行处理，得出步长模型系数K的值为0.445。得出系数模型后，在对步长模型进行距离的验证。本专利技术的思路：本专利技术通过Android智能手机采集Wi-Fi信号、地磁信号，利用随机抽样一致性算法确定需要定位服务与导航并且持有Android移动智能终端手机的用户的初始位置。基于Android智能手机中的加速度计对人行走的步长进行估计，采用自适应粒子滤波算法在磁场数据的基础上进行PDR定位结果的纠正，从而达到融合Wi-Fi、地磁和PDF技术提高室内定位精度的目的。具体步骤为：(1)基于Android系统的行人航迹推算在行人航迹推算PDR方法中，获得行人的初始位置后，通过Android系统智能手机内置的加速度计、方向传感器等微型传感器得到行人的步频、步长以及方向角，便可以根据初始位置推算出下一时刻行人的位置。其推算方程及模型如下：PDR推算模型如图1。由此可知，在行人当前位置已知的情况下，可以利用搭载微型传感器的Android系统智能手机的方向传感器判断行人的前进方向，并利用加速度计输出有周期性的波形去实现步数的计算。具体推算过程如图2。具体步骤如下：1)步频计算原理行人的步频检测原理主要是依赖人在行走的时候的运动力学估量行人的行走频率。人类行走是一个周期性的过程：即起步，迈右脚，迈左脚，双脚着地；在竖直方向上人的向上加速度为上、下、上、下、上，如图3。图3的红点表示重心的起伏，而迈左、右脚时重心比较高，在双脚着地的时候，重心最低，在人即将起步的时候，重心位于中间位置。依据这种有规律变化的加速度值与方向，可以判别人在行走过程中的步数。在行走的一个过程当中，有四次峰值的呈现，共走了两步，即一次上峰值和一次下峰值算为一步。2)步频计算过程通过Android系统智能手机加速度计根据步数采集数据，统计后对步频进行检测，如图4。从下表1中的行人步数检测比较，峰值探测法的错误率在1.5％-2％之间，证明了峰值探测法在正常行走和慢跑方面具有良好的性能，为后续的PDR能够提供足够高的精度。表1行人步数检测比较3)步长估计人的步长值和人的身高、体重、身体的健康状态有关，存在着一定的随机性，且可以通过行走的加速度来表示。根据Android系统智能手机搭载的惯性导航器件测到的数据进行步长的估计，非线性步长估计模型为：k＝dr-de(2)式中，在离线阶段进行训练得模型系数K的值，Amax，Amin表示行人每一步中加速度的最大最小值。dr表示行人行走实际的距离，de表示移动智能手机终端传感器估计的距离。为了对步长模型估计的有效性进行验证，利用传感器加速度计在20m的直线距离上行走10次，并进行最小二乘法训练K系数，得出K的取值为0.445，选择在30m的距离行走四次，得出的实验结果如下表2所示。表2步长估计结果从表2中看出，该步长模型的精度较高，为PDR算法的精度提供了一个可靠的依据。(2)随机抽样一致算法处理结合随机抽样一致性算法(RANdomSAmpleConsensus，简称RANSAC)，该算法本质是一种抽样方法。若数据中存在一些特别的点，RANSAC会适当剔除一些现有数据。图5为最小二乘法(洋红线)和RANSAC(蓝线)的拟合对比，可以看出，与最小二乘法相比，RANSAC在粒子选择方面具有更高的拟合度。通过RANSAC算法对内部数据进行建模，将远离群体的数据剔除，将PDR的行走路径作为RANSAC算法的模型。假设行人走的是一条直线，在采样点中任意的选最小的几个点作为内部数据，内部数据满足的数学模型为：MPDR(x,y)＝ax+b；x∈(xmin,ymax)(3)式中，(a,b)是属于线性模型的参数，PDR轨迹的最大最小值为xmin,ymix。为了在离散的粒子中找到最合适的匹配模型，将最小数量的数据作为内部数据argmin(x,y)∑d∈S(u)Dis(d；MPDR(x,y))2(4)式中，Dis(d；MPDR(x,y))表示采样的地点到模型的距离，点A(xA,yA)距离直线的计算式子为：式中，将D(xA,yA)赋值为0，则得到在线段上离A点最近的点(x0,y0)。式中可以得到全部采样点和拟合模型的出错率，利用出错率判断拟合模型是否正确，在粒子被不断采样的过程中，产生的模型因为所能用的点太少而被更好的模型取代，从而可以得到最佳匹配模型，也就是得到了初始路径，与此同时可以将初始位置确定下来。(3)基于Android系统的自适应粒子滤波处理使用自适应粒子滤波分为四个步骤：粒子状态的初始化、粒子权重的赋值、粒子状态的更新、粒子的重采样。1)粒子状态的初始化当行人需要进行定位服务时，智能手机通过微型传感器中的加速度计手机数据进而判断用户是否开始运动。当加速度计检测到行人将要准备运动时，在原始位置附近收集随机N个粒子(地磁强度信号)样本，然后对应地磁指纹地图上的地磁指纹。当存在Wi-Fi信号时，可以使用Wi-Fi进行一个初定位，然后用随机抽样一致性算法对地磁和Wi-Fi进行加权，通过这样可以得到一个更为精确的位置。若未存在Wi-Fi信号，可以用随机抽样一致性算法对地磁指纹匹配的结果进行取舍，从而得本文档来自技高网...

【技术保护点】
1.一种基于自适应粒子滤波的室内定位方法，其特征在于通过地磁信号、Wi‑Fi信号以及行人航迹推算技术PDR(Pedestrian Dead Reckoning)，结合自适应粒子滤波算法和随机抽样一致性对采集的信号进行处理；基于搭载磁力计的Android系统智能终端对室内地磁场进行采集，采用自适应粒子滤波模型将PDR行人航迹推算与地磁定位进行融合，利用Wi‑Fi信号来限制地磁匹配定位的范围，实现将地磁、Wi‑Fi、PDR三者的融合进行室内定位，从而达到提高定位精度的目标。

【技术特征摘要】
1.一种基于自适应粒子滤波的室内定位方法，其特征在于通过地磁信号、Wi-Fi信号以及行人航迹推算技术PDR(PedestrianDeadReckoning)，结合自适应粒子滤波算法和随机抽样一致性对采集的信号进行处理；基于搭载磁力计的Android系统智能终端对室内地磁场进行采集，采用自适应粒子滤波模型将PDR行人航迹推算与地磁定位进行融合，利用Wi-Fi信号来限制地磁匹配定位的范围，实现将地磁、Wi-Fi、PDR三者的融合进行室内定位，从而达到提高定位精度的目标。2.根据权利要求1所述的一种基于自适应粒子滤波的室内定位方法，其特征在于，所述的数据采集阶段，...

【专利技术属性】
技术研发人员：陆妍玲，韦俊伶，刘采玮，黄威，李景文，姜建武，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：广西,45