共查询到20条相似文献,搜索用时 75 毫秒
1.
2.
针对行人航位推算算法中误差积累问题,提出并实现了地图匹配方法,辅助惯性测量装置进行自主定位。根据室内几何布局特征划分矢量域,修正方向传感器数据来确定航向角,同时通过投影匹配模型判定界点的最优坐标,最终进行最佳室内位置估计。经实验证明:在保持惯性传感器短时间内自主性强、定位精度高等优点的同时,该方法能够很好地抑制误差积累,提高定位算法的精度与稳定性。 相似文献
3.
针对室内行人定位中累积误差发散及高程值缺失的问题,提出了一种基于智能手机传感器(磁力计、加速度计、陀螺仪和气压计)的室内行人三维定位算法。该算法在使用行人航位推算获得二维定位信息的基础上,融合多传感器输出解算行人方位角,结合电子罗盘提出加权方位角以提高解算精度;通过传感器输出检测行人行为状态,结合虚拟地标点图层及其匹配算法,将行人的位置匹配到相应的特殊位置,重置行人初始位置以消除累积误差;使用基于气压计的差分气压测高法求解行人的高程值,从而获得行人三维定位信息。在智能手机上进行实验,结果表明,该算法不仅能够提供准确、连续的二维定位信息,还能提高行人对楼层的分辨力,可为室内行人导航、跟踪等基于位置服务提供有效的定位信息。 相似文献
4.
融合地磁/WiFi/PDR的自适应粒子滤波室内定位 总被引:1,自引:0,他引:1
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,室内空间环境也越来越复杂,对室内环境的位置与导航服务的需求也越来越高。由于地磁信号具有稳定性的特点,且WiFi技术已得到广泛部署,融合使用地磁和WiFi定位具有一定的优势。因此,本文基于Android系统智能手机作为接收设备,融合地磁、WiFi及行人航迹推算(PDR)技术,通过自适应粒子滤波模型和随机抽样一致性算法对采集的信号进行处理。试验证明,地磁、WiFi、PDR三者融合进行室内定位的方法与其他单类方法相比,实现了将室内定位精度的误差最小降低到1.02 m。 相似文献
5.
WiFi-PDR室内组合定位的无迹卡尔曼滤波算法 总被引:1,自引:0,他引:1
针对当前室内定位的应用需求和亟待解决的关键问题,结合城市室内环境下广泛存在的WiFi无线信号以及智能手机传感器信息,提出了一种WiFi无线信号联合行人航迹推算(PDR)的室内定位方法。该方法采用无迹卡尔曼滤波(UKF)算法对WiFi和PDR定位信息进行融合处理,有效克服了WiFi单点定位精度低和PDR存在累计误差的问题。针对融合算法中WiFi指纹匹配计算量大的问题,用k-means聚类算法对WiFi指纹库进行聚类处理,降低了指纹匹配算法的计算量,提高了算法的实时性。通过在华为P6-U06智能手机平台上实际测试,在时间效率上经过聚类处理后系统定位耗时有很大程度的改善,平均降幅为51%,其中最大降幅达到64%,最小的也达到了36%;在定位精度上,当室内人员为行走状态时WiFi定位平均误差为7.76m,PDR定位平均误差为4.57m,UKF滤波融合后平均定位误差下降到1.24m。 相似文献
6.
7.
针对行人航位推算(PDR)定位存在误差累积和地磁指纹不唯一导致的误匹配问题,本文改进了基于粒子滤波的PDR/地磁指纹室内定位方法.在PDR定位过程中利用地图信息控制粒子权重更新,得到较为准确的位置信息后,利用动态时间规整(DTW)算法在PDR推算位置基础上进行快速序列匹配,获取最优位置估计.试验结果表明,融合定位方法有... 相似文献
8.
针对当前WiFi-PDR室内定位中存在的WiFi信号不稳定及行人航位推算(PDR)累积误差大的问题,本文提出了一种融合上下文感知的地标检测辅助WiFi-PDR室内定位方法。该方法利用智能手机所能监测到的上下文信息建立用户模型,采用基于卷积神经网络的用户行为感知和基于WiFi-PDR室内定位的粗粒度位置感知,发现隐藏的室内地标信息,并完成用户在地标位置的位置校正,提高定位准确度。该方法在一定程度上降低了WiFi-PDR室内定位的误差,提高了用户室内定位的精度。经试验验证,该室内定位方法的精度相比于传统的WiFi-PDR方法提高了43.62%。 相似文献
9.
针对利用惯性测量单元进行行人航位推算(PDR)时,其定位误差会随时间累积的问题,提出了一种基于多传感器融合的室内行人航位推算方法;对于智能移动设备的低成本多传感器,设计了基于无迹卡尔曼滤波(UKF)的初始对准,设定4种阈值条件进行步伐状态检测;在行走过程中,针对步长和航向角误差累积的问题,利用基于UKF的零速度更新(ZUPT)对速度误差进行修正,零角速率更新(ZARU)和磁力计融合对航向角误差进行修正,从而有效提高了行人最终的位置精度。试验结果表明:使用该方法可以有效提高PDR位置精度,平均位置偏差占总路程的1.5%左右。 相似文献
10.
用户行为感知辅助的室内行人定位 总被引:1,自引:0,他引:1
提出了一种用户行为感知辅助的室内行人定位方法。该方法采用行为感知技术,通过智能手机内置的传感器获取行人经过室内特殊位置(如电梯、转角等)的连续多个位置相关的行为状态,结合室内路网的拓扑结构,将行人的位置匹配到相应的特殊位置,以消除行人航位推算(PDR)的累积误差,同时可以在起始点未知的情况下实现行人的自主定位。试验验证了该方法的有效性。 相似文献
11.
室内定位需求急剧增加,普及的智能手机带来了解决问题的一种方法。本文提出了一种基于智能手机的粒子滤波室内融合定位方法。利用三轴加速计和三轴罗盘等微机电系统(micro-electromechinical system, MEMS)传感器数据估计目标的运动状态信息,利用WiFi数据更新运动状态,实现融合定位。室内动态环境下实验结果表明,融合定位方法平均定位误差小于2 m,其有效利用智能手机平台获取多种传感器数据,很好地结合了行人航迹推算方法和K加权最近邻方法的优势,在定位精度和稳健性方面均有良好表现。 相似文献
12.
13.
提出了一种基于互补滤波融合Wi Fi和PDR的行人室内定位方法。首先改善Wi Fi位置指纹定位的KNN算法,通过阈值的设定,排除相似度高但实际上不可能的点,获取动态K值;然后通过行人航位推算(PDR)初始化算法,动态轨迹概率计算,确定PDR初始位置;最后在改进的Wi Fi和PDR的定位基础上,基于互补滤波原理,根据Wi Fi和PDR定位的不同特性,利用各自的定位优点,使用Wi Fi定位修正PDR的定位结果,通过相应权重参数的调整,输出最终融合定位结果。试验过程中,选取3种不同的室内环境区域,试验结果证明了该算法可大大提高室内定位的精度和稳定性。 相似文献
14.
15.
16.
目前行人航迹推算逐渐成为室内定位研究与应用的热点。针对利用陀螺仪推算行人航向时存在较大累积误差的问题,本文提出了一种基于智能手机传感器的行人航向解算算法。该算法根据陀螺仪输出的角速度数据与手机传感器参数计算合适的阈值,实时调节PI调节器的误差补偿系数,对预处理后加速度计和磁力计数据解算的航向角进行补偿,并与陀螺仪数据互补滤波融合,得到融合后的航向角。试验基于低成本智能手机,分别在磁场强弱环境下采集手机传感器数据,对比分析本文算法与传统互补滤波算法及九轴数据融合算法在推算行人航向时的精度。试验结果表明,在室内磁干扰较强的环境下,本文算法与传统互补滤波算法、九轴数据融合算法相比定位精度分别提升了68.4%和65.9%,平均航向误差分别减小了3.4°和1.8°,验证了本文算法有较好的抗磁干扰性能,提高了行人航向角解算的可靠性。 相似文献
17.
由于导航卫星信号在室内被遮挡,室内定位技术逐渐成为泛在导航定位领域的研究热点。行人航迹推算(PDR)和低功耗蓝牙(BLE)定位是惯性定位和射频信号定位的常用定位手段,PDR定位连续稳定但存在累积误差,BLE定位无误差累积但定位精度较差。为此,本文面向室内复杂环境行人自主定位需求,对PDR和BLE的实时融合定位展开了研究。首先针对PDR误差累积问题,提出了BLE临近校正PDR的改进算法;然后针对BLE定位粗差大的的问题,提出了基于扩展卡尔曼滤波(EKF)的自适应抗差PDR+BLE融合定位算法。试验结果表明,相比传统算法,BLE临近校正PDR算法定位精度提高了19%,基于EKF的自适应抗差融合定位精度提高了21%,定位精度和稳定性都有显著提升,在室内定位领域中具有较高的适用性和可扩展性。 相似文献
18.
针对单传感器室内定位存在累积误差大、连续性差的问题,本文顾及行人航迹推算(PDR)与低功耗蓝牙信标(BLE Beacon)良好的互补性,研究了基于移动智能终端的融合PDR/iBeacon的室内定位算法:首先,采用电子罗盘和陀螺仪互补修正航向角法降低了PDR的累积误差,其次结合离线指纹库并利用加权K近邻法实现了iBeacon指纹定位,最后基于扩展卡尔曼滤波器(EKF)实现了PDR/iBeacon融合定位。两组实测结果表明,相较于传统的PDR,电子罗盘和陀螺仪互补修正航向角方法有效地抑制了航向误差的累积。室内行人航程为39和60 m时,融合PDR/iBeacon定位的平均误差分别为0.560、1.802 m,相比改进的PDR和iBeacon指纹定位精度提高了11.81%、25.53%和26.66%、11.75%。融合PDR/iBeacon的室内定位能降低PDR的误差累积和iBeacon定位的波动性,满足用户室内定位的需求。 相似文献
19.
随着基于位置服务应用的普及,室内外无缝定位已成为下一代定位系统的核心,但是精确的室内定位至今仍是难点问题。众多学者提出过无线信号定位算法,然而无线信号具有不稳定性,且需要事先建立信号特征指纹数据库,这给定位带来了误差和繁琐性。通过对室内环境中超宽带信号测距结果分析以及对快速生成无线信号数据库方法的探讨,提出一种基于多用户测距约束的融合多传感器信息的协同室内定位算法。该算法利用粒子滤波集成了航向推算数据、WiFi数据、用户间测距以及室内地图等信息。测距约束能够剔除由于信号不稳定或数据库没有及时更新造成的误差。通过集成室内采集的数据,验证了该算法能够有效提高室内定位精度及稳定性。结果表明该算法比航向推算或WiFi定位结果提高了40%以上。 相似文献