PDR+BLE融合的室内实时定位方法

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。     

基于环境光修正的行人航迹推算

针对室内定位存在单一定位精度低,以及组合定位成本高、不易实现的问题,提出了一种利用环境光修正行人航迹推算（PDR）的方法。该方法利用智能手机采集的加速度、陀螺仪和磁力计数据实现PDR位置估计;同时利用手机的光线传感器实时获取所在位置的环境光强度信息,基于采集的室内环境光强度信息修正PDR轨迹中产生的累计误差。经试验数据分析,该方法可以有效地解决PDR轨迹中产生的累计误差,可为大型超市、地下停车场、隧道、矿井等室内光照强度较为稳定的区域提供定位技术帮助。     

基于手机传感器和互补滤波的行人航向解算

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。     

光源编码+PDR组合的室内行人定位方法

针对光源编码定位系统存在定位不连续、易受遮挡导致定位性能下降等问题,提出了一种光源编码/行人航迹推算(PDR)组合的室内行人定位方法。该方法采用扩展卡尔曼滤波(EKF)对PDR位置和光源编码位置进行融合处理,并运用新息滤波对光源编码位置进行抗差处理。试验结果表明,光源编码+PDR组合算法能有效改善光源编码定位不连续、非视距环境中存在粗差的问题,实现连续、高精度的室内行人定位。     

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。     

室内行人移动行为识别及轨迹追踪

作为室内位置服务的基础,室内定位技术近年来得到了广泛的关注。针对现有室内定位技术存在成本高、精度有限以及效率不足等问题,提出了一种融合人类活动识别、行人航迹推算(pedestrian dead recko-ning,PDR)以及地标匹配修正等技术的室内行人位置推算方法。该方法使用基于智能手机的PDR技术来估算用户的位置信息,而人类活动识别技术则用来感知用户室内移动行为中的特定地标,利用这些地标信息来辅助修正PDR轨迹中产生的累积误差。此外,为了解决用户初始位置未知的问题,引入隐式马尔科夫模型进行推断,并提出了一种顾及室内环境特征的维特比算法来确定用户轨迹。实验结果显示,所提方法在提高室内行人移动行为识别和定位精度的同时,有效实现了用户室内轨迹的追踪。     

基于KNN运动模式识别的改进PDR室内定位

为提高行人航迹推算(PDR)的定位精度,首先利用K最近邻法(KNN)对智能手机采集的6种行人运动模式数据进行识别,再与基于支持向量机(SVM)和高斯朴素贝叶斯(GNB)的运动模式识别方法进行对比,最后在实际环境下进行运动模式辅助的PDR实验。结果表明,KNN方法不仅比SVM和GNB方法易于实现,而且具有更高的识别正确率。在识别行人运动模式的前提下,PDR的室内定位效果比传统PDR方法定位效果更好。     

一种基于智能手机的室内融合定位方法

随着室内无线终端与智能手机的快速发展,室内定位技术成为近几年的研究热点之一。本文研究了基于低功耗蓝牙(BLE)和行人航位推算(PDR)技术,利用扩展卡尔曼滤波(EKF)进行融合处理的室内定位方法。该方法包含3部分:①离线阶段利用蓝牙指纹快速采集方法建立指纹库,在线阶段利用加权K邻近算法进行指纹定位;②利用手机内置传感器准确估计航向角,并结合步态识别算法和步长估计算法推算行人位置;③利用EKF对两种定位结果进行融合,获取最优位置估计。试验结果表明,融合定位方法的平均定位精度为1.17 m,90%的概率定位精度达到2 m。     

基于移动智能终端的PDR/iBeacon融合室内定位

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。     

融合地磁/WiFi/PDR的自适应粒子滤波室内定位

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。     

多传感器行人航位推算方法和UKF融合算法

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。     

WiFi-PDR室内组合定位的无迹卡尔曼滤波算法

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。     

基于微惯性技术的室内定位理论及应用

室内定位方法的可行性及准确性成为位置信息服务体系的研究热点,针对移动智能终端普及率的提高,提出了基于内置微惯性传感器的定位理念。通过采用Allan方差分析惯性器件误差参数,并基于频谱分析采用滤波降噪方案提高器件输出信噪比,结合人体运动特征准确判定步态,为零速修正算法的实现提供依据,通过建立局部区域的地磁信息数据库,实现磁匹配零速修正卡尔曼组合误差修正。实验结果验证了基于微惯性技术的室内定位方法的可行性。     

基于GNSS/UWB的室内外连续定位方法

全球卫星导航系统(GNSS)与超宽带(UWB)等定位系统在室内外复杂环境下作用范围有限,并且单一定位源均无法获得从室外到室内连续可靠的定位结果等问题,针对北斗卫星导航系统(BDS)+GPS/UWB松组合定位方法展开研究,设计了室内外动态定位实验与过渡区域静态定位实验,利用扩展卡尔曼滤波器(EKF)对定位误差状态进行最优估计,并对BDS+GPS组合、UWB以及BDS+GPS/UWB松组合三种定位模式进行分析评价. 实验结果表明:在室内外的过渡区域,BDS+GPS/UWB松组合改善了GNSS-实时动态定位(RTK)的定位精度,扩展了GNSS-RTK的作用范围;BDS+GPS/UWB松组合相比于各单一定位源在一定程度上提高了系统从室外到室内定位的连续性与定位结果的可用性.      

融合UWB+PDR的室内定位方法改进

近年来,随着科技的进步和创新,对室内定位的研究正朝着多技术互补融合的方向发展,将导航技术与室内定位相融合成为目前的研究热点。行人航位推算(PDR)和超宽带(UWB)技术以其独特的定位优势和精确度等众多优点成为室内定位的主流技术,但PDR由于其累积误差的影响只适用于短时间内高精度室内导航需求,而超宽带在复杂环境中,时间信息可能会严重失真,导致定位信息缺失。因此,本文利用扩展卡尔曼滤波(EKF)对两者进行融合改进,以此发挥各自技术优势。试验结果表明,定位解算的终点误差最大为0.819 5 m,最小为0.144 3 m,平均误差为0.347 8 m,位置平均误差为0.475 0 m,有效提升了室内定位的精度。     

基于众源数据的室内外一体化行人路网构建

行人路网的完整性和准确性是保障步行导航服务的关键。当前的行人路网大多是基于室外道路设施构建的,缺乏室内可步行路径的数据支持,无法在导航应用中提供准确、真实的最优路径规划服务。鉴于此,本文提出了一种基于众源数据的室内外一体化行人路网构建方法,采用智能手机定位传感器与惯性传感器记录的众源轨迹,首先对缺失或者漂移的室内步行数据进行筛选,然后使用改进的行人航位推算(PDR)方法推算出准确的室内轨迹,进而采用莫尔斯理论生成涵盖室内外行人路径的完整行人路网。试验分析中对搜集到的260条步行轨迹数据进行行人路网构建,并使用高精度测量设备采集真实路网数据进行对比分析,结合OSM数据对试验结果进行综合评价。试验结果表明,本文方法能够准确、完整地生成室内外一体化行人路网。     

融合三边测量和PDR的室内定位关键技术分析及应用

随着无线室内定位技术的发展,室内定位效果有了明显提升,但仅采用无线定位方法,定位点跳动频繁,定位效果较差,难以获取连续位置的准确定位。实际应用中不同的硬件平台也会影响具体定位方法的选择,通常需采用多种技术手段的组合以达到理想定位效果。本文基于微信公众平台的服务需要,提出了一种基于三边测量定位和步行者航位推算（PDR）融合的室内定位方法,通过地图信息匹配纠正定位结果,得到连续稳定的定位结果;并集成室内地图可视化技术,研发了一套基于微信平台的三维室内定位系统,在实际工程场景中进行应用,具有较好的定位效果。     

低成本大视场深度相机阵列系统

在测距传感器不断轻量化、小型化以及室内外地图一体化导航应用的驱动下,三维（3D）室内移动测量成为当今研究和应用的热点,在室内建模、室内定位等新兴领域中的应用越来越广泛。3D室内移动测量系统通常配备激光扫描仪、全景相机、惯性测量单元（inertial measurement unit,IMU）系统和里程计等传感器,虽能实现3D室内点云数据的采集,但其距离传感器-激光扫描仪价格昂贵且便携性较差。彩色深度（RGB depth,RGB-D）相机为低成本3D室内移动测量系统构建提供了新的距离成像传感器选择,但主流型号RGB-D相机视场角小,继而导致数据采集效率远低于传统激光扫描仪,难以做到点云数据的完整覆盖与稳健采集,且易造成同时定位与制图（simultaneous localization and mapping,SLAM）过程中跟踪失败。针对以上问题,构建了一种低成本室内3D移动测量系统采集设备,通过组合多台消费级RGB-D相机构成大视场RGB-D相机阵列,提出了一种阵列RGB-D相机内外参数标定方法,并通过实验检验了设计系统采集的点云数据的精度。     

Sensing strides using EMG signal for pedestrian navigation

Navigation applications and location-based services are now becoming standard features in smart phones. However, locating a mobile user anytime anywhere is still a challenging task, especially in GNSS (Global Navigation Satellite System) degraded and denied environments, such as urban canyons and indoor environments. To approach a seamless indoor/outdoor positioning solution, Micro-Electro-Mechanical System sensors such as accelerometers, digital compasses, gyros and pressure sensors are being adopted as augmentation technologies for a GNSS receiver. However, the GNSS degraded and denied environments are typically contaminated with significant sources of error, which disturb the measurements of these sensors. We introduce a new sensor, the electromyography (EMG) sensor, for stride detection and stride length estimation and apply these measurements, together with a digital compass, to a simple pedestrian dead reckoning (PDR) solution. Unlike the accelerometer, which senses the earth gravity field and the kinematic acceleration of the sensor, the EMG sensor senses action potentials generated by the muscle contractions of the human body. The EMG signal is independent of the ambient environment and its disturbance sources. Therefore, it is a good alternative sensor for stride detection and stride length estimation. For evaluating the performance of the EMG sensor, we carried out several field tests at a sports field and along a pedestrian path. The test results demonstrated that the accuracy of stride detection was better than 99.5%, the errors of the EMG-derived travelled distances were less than 1.5%, and the performance of the corresponding PDR solutions was comparable to that of the global positioning system solutions.     

北斗/超宽带组合定位的室内外过渡区无缝链接方法

室内外无缝导航定位是万物互联之基石,具有广阔的市场前景和应用价值. 但目前对于室内外过渡区的无缝组合导航技术,仍存在诸多棘手问题亟待解决. 对此,从三个方面对BDS/UWB组合定位的室内外无缝链接方法进行了改进:一是提出了一种基于内引法和外引法的室内信标绝对定位方法,以解决室内外定位结果的坐标基准统一问题;二是提出了一种基于位置精度因子(PDOP)平稳变化的室内信标优化布局方案,以提高过渡区域的导航定位精度与信标可用性;三是提出引入自适应权重因子,来解决BDS/UWB组合定位的观测值合理定权问题. 通过具体实验验证:1) 利用基于内引法和外引法的室内信标绝对定位方法,可实现室内外坐标基准的统一,显著提高了用户使用的便捷性;2) 采用所提信标优化布局方案,可有效提高过渡区定位精度,相比无超宽带(UWB)信标,BDS/UWB组合定位的平均定位精度至少提高 355%;3) 自适应权重因子可实时调节不同时间、不同类型观测值的权比,增强了观测信息利用效率,相比北斗卫星导航系统(BDS)空旷区域,定位精度可至少提高22.5%.