CN109298389B - 基于多粒子群优化的室内行人组合位姿估计方法 - Google Patents

基于多粒子群优化的室内行人组合位姿估计方法 Download PDF

Info

Publication number
CN109298389B
CN109298389B CN201811001420.6A CN201811001420A CN109298389B CN 109298389 B CN109298389 B CN 109298389B CN 201811001420 A CN201811001420 A CN 201811001420A CN 109298389 B CN109298389 B CN 109298389B
Authority
CN
China
Prior art keywords
particle
pedestrian
wifi
positioning
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811001420.6A
Other languages
English (en)
Other versions
CN109298389A (zh
Inventor
阳媛
戴鹏
张晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201811001420.6A priority Critical patent/CN109298389B/zh
Publication of CN109298389A publication Critical patent/CN109298389A/zh
Application granted granted Critical
Publication of CN109298389B publication Critical patent/CN109298389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0247—Determining attitude
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0257—Hybrid positioning

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于多粒子群优化的室内行人组合位姿估计方法，包括：采用WiFi‑RSS指纹识别方法得到WiFi定位结果；采用微惯性传感器行人航迹推算方法得到行人位姿结果；采用蓝牙信号强度约束方法对行人运动范围进行约束，确定行人是否位于节点通信范围内；采用室内地图的地图匹配方法对WiFi定位结果和行人航迹推算结果进行约束；采用多粒子群递归贝叶斯滤波方法对WiFi定位结果、行人位姿结果、行人运动范围约束结果及地图匹配方法结果进行非线性非高斯数据融合处理，最后得出行人位置姿态信息。本发明融合WiFi‑RSS指纹、PDR和MM多源信息，并利用蓝牙信息消除滤波器粗大误差和累计误差，通过多源信息融合优化粒子群权重和分布，提高室内行人位姿估计的精度、可靠性和实时性。

Description

基于多粒子群优化的室内行人组合位姿估计方法
技术领域
本发明涉及一种基于多粒子群优化的室内行人组合位姿估计方法，属于行人自主导航定位技术领域。
背景技术
定位技术是基于位置服务(Location Based Service，LBS)的关键技术之一。由于卫星信号的传播容易受到室内复杂环境的干扰，则基于卫星信号的定位与导航并不适用于室内定位。因此，这就需要其它定位解决方案应用于室内定位与导航。目前，常见的室内定位技术主要有基于无线网络的室内定位技术，基于射频信号的室内定位技术，基于计算机视觉的室内定位技术及基于惯性传感器的室内定位技术等。
由于室内WiFi信号丰富，利用WiFi信号进行指纹匹配定位是当前研究热点之一。然而WiFi信号在复杂室内环境下容易受到各种干扰，其定位精度并不高，且定位跳变较大。而航位推算算法中误差累计问题是另一难以解决的问题，从而多信息融合技术手段在室内定位中应用广泛。CN 107580313 A专利中公开了一种结合蓝牙Beacon与智能手机的室内定位系统及其定位方法，其利用部署的蓝牙节点信息与智能手机中的惯性器件信息得到PDR输出结果信息相结合，从而执行扩展卡尔曼滤波得到最终位置。然而该方法需要部署较多的蓝牙节点，使得部署成本提高；且在室内环境下容易误判，例如将墙这边的目标预测到墙另一边的房间中，产生错误的定位结果。
发明内容
本发明所要解决的技术问题是针对上述现有技术存在的不足，而提供了一种具有可利用智能手机实时定位而不需外置传感器且定位精度高的基于基于多粒子群优化的室内行人组合位姿估计方法。该方法提供了一种基于多粒子群递归贝叶斯滤波方法的多源信息融合模型，加入了地图信息、手机内置传感器信息、WiFi信息及蓝牙信息，可消除传感器一定时间上的累积误差，并提高定位精度。
本发明为解决上述技术问题，采用的技术方案是：
一种室内行人组合位姿估计方法，其特征在于，包括：
采用WiFi指纹定位方法得到WiFi定位结果；
采用行人航迹推算方法得到行人航迹推算结果；
采用蓝牙信号强度约束方法确定行人是否位于节点处；所述蓝牙信号强度约束方法是：a、在室内定位环境下安装蓝牙节点，蓝牙节安装位置为建筑拐角处；b、在距蓝牙节点的μm处多次测量该节点信号强度，做平均后得到约束值，其中，μ＝0.2m～0.8m；c、当手机接受到该蓝牙节点的信号强度不小于该约束值时，认为行人位置为该节点处；
采用地图匹配方法对WiFi定位结果和行人航迹推算结果进行排除；所述地图匹配方法是，a、绘制出室内定位地图，墙壁以实线线条的形式呈现；b、提取定位地图内部的线段，输出为定位地图中每个线段的起始点，利用这些线段来对目标进行阻隔约束，限制目标的穿墙移动行为；
采用多粒子群递归贝叶斯滤波方法对WiFi定位结果、行人位姿结果、行人运动范围约束结果及地图匹配方法结果进行非线性非高斯数据融合处理，最后得出行人位置姿态信息。
所述多粒子群优化递归贝叶斯滤波融合方法，基于非监督学习的C粒子群聚类过程，改进粒子滤波器中的粒子状态转移、粒子重要性采样、粒子重采样、粒子权值更新模型C，从而对WiFi定位结果、行人航迹推算结果、蓝牙信号强度约束结果及地图匹配方法结果进行融合，得到最优的用户位姿信息；
粒子状态转移概率密度分布函数为
p(xk|xk-1)＝∫p(zk|xk)p(xk|zk-1)dxk (1)
粒子先验概率密度分布函数为
p(xk|zk-1)＝∫p(xk|xk-1)p(xk-1|zk-1)dxk-1 (2)
粒子后验概率密度分布函数为
Figure BDA0001781534390000021
其中，zk为k时序观测量，zk＝{RSSk，mmk，blek，INSk}，RSSk为k时序WiFi-RSS指纹观测量，mmk为k时序地图信息观测量，blek为k时序BLE信息观测量，INSk为k时序九轴Micro-INS信息观测量；
粒子重要性采样概率密度分布函数为
Figure BDA0001781534390000022
其中，c＝1，2，L，Ck，表示粒子群聚类后的第c类，Ck为k时序非监督学习的分类个数。
所述多粒子群递归贝叶斯滤波方法具体步骤如下：
(1)初始化粒子
确定定位目标的初始位置，由WiFi指纹识别、蓝牙范围约束和地图匹配给出，设为(x0，y0)；然后由高斯分布初始化包含目标位置及粒子权重的粒子群：
Figure BDA0001781534390000023
其中，N为粒子数；
Figure BDA0001781534390000024
为满足高斯分布的初始时序的位置；
Figure BDA0001781534390000025
为各个粒子的初始化权值；
(2)粒子群的状态转移
利用PDR算法的输出作为状态转移量对粒子群位置进行更新：
Figure BDA0001781534390000026
其中，
Figure BDA0001781534390000027
为第i个粒子k时序的步长；
Figure BDA0001781534390000028
为第i个粒子t时序的航向角；υk为零均值高斯噪声；
(3)粒子群的权值更新
将WiFi定位结果作为观测量，将与WiFi定位结果位置点相距βm范围内的粒子权重乘以1，在相距βm外的权重乘以γ，γ＜1，β＝2m～4m；同时若检测到某一部署的蓝牙节点信号强度在阈值内，即认为目标移动到该蓝牙节点位置处，则将距离该蓝牙节点μm范围内的粒子权重设为1，范围外的粒子权重设为0；若检测到粒子穿墙，则该粒子权重置0；然后归一化粒子群权值；
基于粒子位置对粒子群进行聚类，找到C个聚类中心点，确定C个粒子群类别的权值，其中，C＝3～8；
设上一时序最终位置点与C个聚类中心的连线与上一时序行人航向之间的角度为φi(i＝1，2，L，C)，则
Figure BDA0001781534390000031
从而Wi为第i个粒子类的权重；
(4)基于非监督学习的C粒子群重采样
重采样阶段，将权值为1的粒子取代权值为0的粒子；
(5)系统状态校正
得到粒子群中每个粒子位置的贝叶斯估计值，从而根据聚类的类别及各粒子的位置与权值，计算出当前目标位置估计值：
Figure BDA0001781534390000032
式中，Ni为第i类中粒子总数；
Figure BDA0001781534390000033
为k时序第i类中第j个粒子的权值；
(6)误差反馈
将聚类中心点代替粒子群进行误差评判，从而得到误差评判公式：
Figure BDA0001781534390000034
其中，
Figure BDA0001781534390000035
为每个聚类中心点的贝叶斯估计值，MSE为
Figure BDA0001781534390000036
的后验均方误差，取
Figure BDA0001781534390000037
的均值θ作为真实值的估计值；
设置阈值Ω，Ω＝5～20，若后验均方误差大于阈值，则对粒子群进行优化，包括进行重采样；
将后验均方误差大于阈值的信息反馈给输入，对行人行走步长进行调整，调整规则为将步长乘以一个因子n，其中，若现时序WiFi定位位置点与现时序最终定位位置点的距离大于WiFi定位位置点与上一时序最终定位位置点的距离，则η＝1.1～1.5，反之因子η＝0.5～0.9，从而使得后验均方误差降低；
t＝t+1，进行下一时序计算，回到步骤(2)。
所述粒子穿墙的判断方法是，上一时序位置点与现时序位置点的连线与地图中的任意一条线段是否相交，如果相交，则粒子穿墙；如果不相交，则粒子不穿墙。
所述WiFi指纹定位方法，首先在离线阶段时，通过智能手机采集多个参考点所能接受到的环境中现存的WiFi节点的BSSID名称及WiFi信号强度存入WiFi指纹数据库；使用随机森林分类算法对采集到的WiFi指纹信息进行分块训练，并将训练结果保存供在线阶段预测使用；在线阶段时，定位目标采集WiFi信息后使用随机森林分类算法预测目标所在区域，然后使用改进的最近邻算法在该区域中估算出最终位置。
所述WiFi指纹定位方法是随机森林分类算法与改进的最近邻算法相结合，包括以下两个步骤：
(1)在离线阶段时，采集多个参考点所能接受到的WiFi节点的BSSID名称及WiFi信号强度存入WiFi指纹数据库；使用随机森林分类算法对采集到的WiFi指纹信息进行分块训练，并将训练结果保存供在线阶段预测使用；
(2)在在线阶段时，定位目标采集WiFi信息后使用随机森林分类算法预测目标所在区域，然后使用改进的KNN算法在该区域中估算出最终位置；改进的KNN算法步骤为：
1)根据平方欧氏距离的平均值选取K个最小特征值所对应的位置点：
Figure BDA0001781534390000041
其中，j＝1，2，L，m；m为目标所在区域参考点的数量；RSSi是第i个时序在线采集到的WiFi指纹强度向量值；RSSj是纹数据库中第j个指纹强度的向量值；Lj为在线采集的RSS向量与数据库中第j个指纹的RSS向量之间的平方欧式距离的平均值；nj表示在线采集到的WiFi节点与数据库中第j个指纹所包含的WiFi节点的相同数量；
2)将相同路由的数量作为权值分配给K个最近邻，算出最终定位位置：
Figure BDA0001781534390000042
其中，DK+1为定位目标最终位置；Dj为K个最近邻中第j个邻点位置。
所述行人航迹推算方法，利用智能手机的方向传感器及步数检测传感器确定行人步数及行走方向来获得步行相对距离，如公式(12)所示：
Figure BDA0001781534390000043
其中，(Nk，Ek)为第k时序目标位置点坐标，Lk第k时序目标移动步长，由行人初始标定得到，
Figure BDA0001781534390000044
为目标第k时序航位角。
本发明一种基于多粒子群优化的室内行人组合位姿估计方法，基于移动终端或专用定位模块，采用WiFi接受信号强度(Received Signal Strength，RSS)指纹定位方法得到WiFi位置估计结果；采用微惯性传感器的行人航迹推算方法(Pedestrian DeadReckoning，PDR)得到行人航迹结果；采用低功耗蓝牙(Bluetooth Low Energy，BLE)信号强度约束方法确定行人是否位于节点范围内；采用非线性非高斯粒子群优化算法融合WiFi位置估计、微惯性方向和步长、蓝牙范围约束和地图匹配(Map Matching，MM)，估计出行人静态、动态情况下位置和姿态状态。本发明方法，用递归贝叶斯滤波器(多粒子群优化算法，C-cluster Particle Filter，C-PF)融合WiFi-RSS指纹、PDR和MM多源信息，并利用蓝牙信息消除滤波器粗大误差和累计误差，通过多源信息融合改变粒子群权重和分布，提出基于非监督学习分类器的C个粒子群重要性采样和重采样方法，提高室内行人位姿估计的精度、可靠性和实时性。
本发明基于多粒子群优化的室内行人组合位姿估计方法中，首先，蓝牙信号只是用来对目标处于部分较少位置的约束，不需要部署较多的蓝牙节点，只需在室内关键位置(如拐角处)部署个别节点，大部分的定位结果由WiFi定位及PDR定位在地图匹配的条件下给出，从而降低了定位成本；其次，加入了其它免费(即不需要搭建基础设施，可轻易得到)的信息去辅助定位，如利用环境中的WiFi节点去定位，PDR信息可直接通过读取智能手机中传感器数据得到，地图信息可在建图时直接得到，这些免费且可轻易得到的数据可提高定位准确率；而使用改进的粒子滤波较扩展卡尔曼滤波能更加完美的模拟各种经验和规则，如加入地图信息进行约束，使粒子滤波中的粒子不存在有穿墙的误判率。
本文基于多粒子群递归贝叶斯滤波方法的室内行人位姿估计方法，改进了WiFi定位算法，提出将随机森林分类算法与改进的KNN算法相融合，降低了WiFi定位的计算量且可提高WiFi定位精度。利用PDR信息辅助WiFi定位，而PDR方法具有累积误差，从而利用WiFi定位及蓝牙信息约束反馈消除PDR累计误差，为达到信息相互融合的目的，在粒子滤波算法基础上，提出了一种针对WiFi/行人航迹推算/蓝牙/地图融合的粒子滤波器，主要体现在融合信息结果对粒子权值更新的影响。
本发明达到的有益效果是：本发明提出了一种集WiFi定位信息、PDR定位信息、蓝牙约束信息及地图信息与粒子滤波器相互融合的多源信息融合模型，在定位系统中使用基于随机森林分类算法与改进KNN算法的WiFi指纹定位法，减少了计算量并提高了定位精度，使用地图匹配与蓝牙信号约束来改进PDR位置信息，抑制了传感器的累积误差，该融合算法与单一WiFi定位及PDR定位算法相比，在估计误差上的结果有了明显提高。
附图说明
图1是本发明的室内行人位姿估计方法框架模型图；
图2是本发明的WiFi定位流程图；
图3是本发明在蓝牙节点0.8米处采集的信号强度图；
图4是本发明的多粒子群优化算法中粒子权值更新流程图；
图5是本发明在实际测试状态下的场景地图；
图6是本发明在实际测试实验中的结果图；
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1-6所示，本发明所采用的技术方案是：一种基于多粒子群优化的室内行人组合位姿估计方法，该方法采用如下步骤：
步骤一：在基于WiFi指纹定位系统中，采用的定位算法是随机森林分类算法与改进的最近邻(KNN)算法相结合，如图2所示，该算法主要包括一下两个步骤：
(1)在离线阶段时，采集多个参考点所能接受到的WiFi节点的BSSID名称及WiFi信号强度存入WiFi指纹数据库。使用随机森林分类算法对采集到的WiFi指纹信息进行分块训练，并将训练结果保存供在线阶段预测使用。
(2)在在线阶段时，定位目标采集WiFi信息后使用随机森林分类算法预测目标所在区域，然后使用改进的KNN算法在该区域中估算出最终位置。改进的KNN算法步骤为：
1)根据平方欧氏距离的平均值选取k个最小特征值所对应的位置点：
Figure BDA0001781534390000061
其中，j＝1，2，L，m；m为目标所在区域参考点的数量；RSSi是第i个时序在线采集到的WiFi指纹强度向量值；RSSj是纹数据库中第j个指纹强度的向量值；Lj为在线采集的RSS向量与数据库中第j个指纹的RSS向量之间的平方欧式距离的平均值；nj表示在线采集到的WiFi节点与数据库中第j个指纹所包含的WiFi节点的相同数量。
2)将相同路由的数量作为权值分配给K个最近邻，算出最终定位位置：
Figure BDA0001781534390000062
其中，DK+1为定位目标最终位置；Dj为K个最近邻中第j个邻点位置；
步骤二：基于智能手机的方向传感器及步数检测传感器确定行人步数及行走方向来获得步行相对距离，如公式(15)所示：
Figure BDA0001781534390000063
其中，(Nk，Ek)为第k时序目标位置点坐标，Lk第k时序目标移动步长，由行人初始标定得到，
Figure BDA0001781534390000064
为目标第k时序航位角。
当前智能手机内的MEMS传感器技术比较成熟，通过读取手机内部的基于加速度计的步数检测软件传感器及基于加速度计及陀螺仪的方向软件传感器的输出可有效的得到PDR结果，由于人们在室内的移动特性可看作是比较稳定的运动且步长大致保持不变，室内建筑拐角多为直角，这些信息可以用来修正PDR信息，有利于消除误差。因此，在进行PDR定位前评估定位人员的步长，通过手持移动终端进行前进30步来评估定位者的步长。
步骤三：基于蓝牙信号强度的距离约束，当智能手机采集到的固定位置蓝牙信号强度大于设定阈值时，此时认为定位目标处于该蓝牙节点所在位置。实际测试时，为确定该阈值，将智能手机置于蓝牙节点0.8m处连续采集该蓝牙信息强度，得出平均强度为-62dB，从而选取阈值为-62dB；
步骤四：基于多粒子群优化方法来融合来自WiFi定位信息、PDR信息、蓝牙信息及地图信息；
由于WiFi定位误差较大且易波动，一般WiFi定位的准确度为2-3m。因此，本发明中，将位置在与WiFi定位位置相距3m范围内的粒子权重乘以因子1，在3m外的权重乘以因子0.5。同时若检测到的蓝牙信号强度在阈值内，则将距离该蓝牙节点0.8m范围内的粒子权重设为1，范围外的粒子权重设为0，对于地图信息约束，若检测到粒子穿墙，则该粒子权重置0，从而以粒子的权重分配达到多源信息融合的效果。
具体算法流程如下：
所述多粒子群递归贝叶斯滤波方法具体步骤如下：
(1)初始化粒子
确定定位目标的初始位置，由WiFi指纹识别、蓝牙范围约束和地图匹配给出，设为(x0，y0)；然后由高斯分布初始化包含目标位置及粒子权重的粒子群：
Figure BDA0001781534390000071
其中，N为粒子数；
Figure BDA0001781534390000072
为满足高斯分布的初始时序的位置；
Figure BDA0001781534390000073
为各个粒子的初始化权值；
(2)粒子群的状态转移
利用PDR算法的输出作为状态转移量对粒子群位置进行更新：
Figure BDA0001781534390000074
其中，
Figure BDA0001781534390000075
为第i个粒子k时序的步长；
Figure BDA0001781534390000076
为第i个粒子t时序的航向角；υk为零均值高斯噪声；
(3)粒子群的权值更新
将WiFi定位结果作为观测量，将与WiFi定位结果位置点相距βm范围内的粒子权重乘以1，在相距βm外的权重乘以γ，γ＜1，β＝2m～4m；同时若检测到某一部署的蓝牙节点信号强度在阈值内，即认为目标移动到该蓝牙节点位置处，则将距离该蓝牙节点μm范围内的粒子权重设为1，范围外的粒子权重设为0；若检测到粒子穿墙，则该粒子权重置0；然后归一化粒子群权值；
基于粒子位置对粒子群进行聚类，找到C个聚类中心点，确定C个粒子群类别的权值，其中，C＝3～8；
设上一时序最终位置点与C个聚类中心的连线与上一时序行人航向之间的角度为φi(i＝1，2，L，C)，则
Figure BDA0001781534390000077
从而Wi为第i个粒子类的权重；
(4)基于非监督学习的C粒子群重采样
重采样阶段，将权值为1的粒子取代权值为0的粒子；
(5)系统状态校正
得到粒子群中每个粒子位置的贝叶斯估计值，从而根据聚类的类别及各粒子的位置与权值，计算出当前目标位置估计值：
Figure BDA0001781534390000078
式中，Ni为第i类中粒子总数；
Figure BDA0001781534390000079
为k时序第i类中第j个粒子的权值；
(6)误差反馈
将聚类中心点代替粒子群进行误差评判，从而得到误差评判公式：
Figure BDA0001781534390000081
其中，
Figure BDA0001781534390000082
为每个聚类中心点的贝叶斯估计值，MSE为
Figure BDA0001781534390000083
的后验均方误差，取
Figure BDA0001781534390000084
的均值θ作为真实值的估计值；
设置阈值Ω，Ω＝5～20，若后验均方误差大于阈值，则对粒子群进行优化，包括进行重采样；
将后验均方误差大于阈值的信息反馈给输入，对行人行走步长进行调整，调整规则为将步长乘以一个因子η，其中，若现时序WiFi定位位置点与现时序最终定位位置点的距离大于WiFi定位位置点与上一时序最终定位位置点的距离，则η＝1.1～1.5，反之因子η＝0.5～0.9，从而使得后验均方误差降低；
t＝t+1，进行下一时序计算，回到步骤(2)。
基于多粒子群优化的室内行人组合位姿模型的实验结果与分析：为了更好的评估本发明提出的室内行人位姿估计方法，我们在实际WLAN室内环境下进行了实验。
实际场景地图如图5所示，在实验场景中放置了4个蓝牙节点用于约束位置，实际实验步行轨迹如图6中的矩形轨迹所示。实验定位结果如图6所示。表1显示了实测环境下PDR方法、基于随机森林算法(RF)与改进KNN算法(IKNN)的WiFi定位方法及本发明提出的基于粒子滤波算法的多源信息融合方法的定位结果。
表1实测环境下几种方法的定位结果
定位方法 最大误差/m 最小误差/m 平均误差/m
PDR 9.62 0.03 7.71
WiFi(RF+IKNN) 4.91 0.02 2.35
多源信息融合 1.21 0.02 0.89
由图6可看出：基于PDR的室内定位方法随着时间的增加会产生非常严重的漂移及大的累计误差；基于WiFi的室内定位会产生较大的波动有些点偏离较远；而基于粒子滤波算法的多源信息融合室内定位方法与真实轨迹重合度较高，可以抑制WiFi定位波动及可对PDR定位结果进行较好的修正。
由表1可看出：PDR定位平均误差为7.71m，WiFi定位平均误差为2.35m，而本文提出的多源信息融合平均定位误差为0.89m，较大程度上提高了定位精度。
本发明提出的基于多粒子群优化的室内行人组合位姿估计方法法，集WiFi定位信息、PDR估计信息、蓝牙信号信息和地图信息与粒子滤波算法相互融合的框架模型。在WiFi定位系统中加入了行人航位推算和地图匹配，并利用蓝牙节点信息消除传感器的累积误差，使用多粒子群优化算法进行多源信息融合，通过多源信息改变粒子群权重，使定位结果趋于真实值，提高了定位精度。实际实验测试结果表明，该方法较单一的WiFi定位于单一的PDR定位相比，对定位精度有明显提高且估算结果呈鲁棒性。

Claims (7)

1.基于多粒子群优化的室内行人组合位姿估计方法，其特征在于，包括：
采用WiFi-RSS指纹识别方法得到WiFi定位结果；
采用微惯性传感器行人航迹推算方法得到行人位姿结果；
采用蓝牙信号强度约束方法对行人运动范围进行约束，确定行人是否位于节点通信范围内；所述蓝牙信号强度约束方法是：a、在室内定位环境下安装蓝牙节点，蓝牙锚点安装位置为建筑拐角处；b、在距蓝牙节点的μm处多次测量该节点信号强度，做平均后得到约束值，其中，可根据蓝牙锚点密度和定位精度需求，设置μ＝0.2～0.8；c、当手机接受到该蓝牙节点的信号强度不小于该约束值时，认为行人位置为该节点处；
采用室内地图的地图匹配方法对WiFi定位结果和行人航迹推算结果进行约束；所述地图匹配方法是，a、绘制出室内定位地图，墙壁以实线线条特征；b、提取定位地图内部的线段函数，输出为定位地图中每个线段的起始点，利用这些线段函数对粒子群进行阻隔约束，限制粒子的穿墙状态变化；
采用多粒子群递归贝叶斯滤波方法对WiFi定位结果、行人位姿结果、行人运动范围约束结果及地图匹配方法结果进行非线性非高斯数据融合处理，最后得出行人位置姿态信息。
2.根据权利要求1所述的室内行人组合位姿估计方法，其特征在于，所述多粒子群递归贝叶斯滤波方法，基于非监督学习的C粒子群聚类过程，改进粒子滤波器中的粒子状态转移、粒子重要性采样、粒子重采样、粒子权值更新模型C，从而对WiFi定位结果、行人航迹推算结果、蓝牙信号强度约束结果及地图匹配方法结果进行融合，得到最优的用户位姿信息；
粒子状态转移概率密度分布函数为
p(xk|xk-1)＝∫p(zk|xk)p(xk|zk-1)dxk
粒子先验概率密度分布函数为
p(xk|zk-1)＝∫p(xk|xk-1)p(xk-1|zk-1)dxk-1
粒子后验概率密度分布函数为
Figure FDA0003699843420000011
其中，zk为k时序观测量，zk＝{RSSk，mmk，blek，INSk}，RSSk为k时序WiFi-RSS指纹观测量，mmk为k时序地图信息观测量，blek为k时序BLE信息观测量，INSk为k时序九轴Micro-INS信息观测量；
粒子重要性采样概率密度分布函数为
Figure FDA0003699843420000012
其中，c＝1,2,…,Ck，表示粒子群聚类后的第c类，Ck为k时序非监督学习的分类个数。
3.根据权利要求2所述的室内行人组合位姿估计方法，其特征在于，所述多粒子群递归贝叶斯滤波方法具体步骤如下：
(1)初始化粒子
确定定位目标的初始位置，由WiFi指纹识别、蓝牙范围约束和地图匹配给出，设为(x0,y0)；然后由高斯分布初始化包含目标位置及粒子权重的粒子群：
Figure FDA0003699843420000013
其中，N为粒子数；
Figure FDA0003699843420000021
为满足高斯分布的初始时序的位置；
Figure FDA0003699843420000022
为各个粒子的初始化权值；
(2)粒子群的状态转移
利用PDR算法的输出作为状态转移量对粒子群位置进行更新：
Figure FDA0003699843420000023
其中，
Figure FDA0003699843420000024
为第i个粒子k时序的步长；
Figure FDA0003699843420000025
为第i个粒子t时序的航向角；υk为零均值高斯噪声；
(3)粒子群的权值更新
将WiFi定位结果作为观测量，将与WiFi定位结果位置点相距βm范围内的粒子权重乘以1，在相距βm外的权重乘以γ，γ<1，β＝2m～4m；同时若检测到某一部署的蓝牙节点信号强度在阈值内，即认为目标移动到该蓝牙节点位置处，则将距离该蓝牙节点μm范围内的粒子权重设为1，范围外的粒子权重设为0；若检测到粒子穿墙，则该粒子权重置0；然后归一化粒子群权值；
基于粒子位置对粒子群进行聚类，找到C个聚类中心点，确定C个粒子群类别的权值，其中，C＝3～8；
设上一时序最终位置点与C个聚类中心的连线与上一时序行人航向之间的角度为φi(i＝1,2,…,C)，则
Figure FDA0003699843420000026
从而Wi为第i个粒子类的权重；
(4)基于非监督学习的C粒子群重采样
重采样阶段，将权值为1的粒子取代权值为0的粒子；
(5)系统状态校正
得到粒子群中每个粒子位置的贝叶斯估计值，从而根据聚类的类别及各粒子的位置与权值，计算出当前目标位置估计值：
Figure FDA0003699843420000027
式中，Ni为第i类中粒子总数；
Figure FDA0003699843420000028
为k时序第i类中第j个粒子的权值；
(6)误差反馈
将聚类中心点代替粒子群进行误差评判，从而得到误差评判公式：
Figure FDA0003699843420000029
其中，
Figure FDA00036998434200000210
为每个聚类中心点的贝叶斯估计值，MSE为
Figure FDA00036998434200000211
的后验均方误差,取
Figure FDA00036998434200000212
的均值θ作为真实值的估计值；
设置阈值Ω，Ω＝5～20，若后验均方误差大于阈值，则对粒子群进行优化，包括进行重采样；
将后验均方误差大于阈值的信息反馈给输入，对行人行走步长进行调整，调整规则为将步长乘以一个因子η，其中，若现时序WiFi定位位置点与现时序最终定位位置点的距离大于WiFi定位位置点与上一时序最终定位位置点的距离，则η＝1.1～1.5，反之因子η＝0.5～0.9，从而使得后验均方误差降低；
t＝t+1，进行下一时序计算，回到步骤(2)。
4.根据权利要求3所述的室内行人组合位姿估计方法，其特征在于，所述粒子穿墙的判断方法是，上一时序位置点与现时序位置点的连线与地图中的任意一条线段是否相交，如果相交，则粒子穿墙；如果不相交，则粒子不穿墙。
5.根据权利要求1-4任一所述的室内行人组合位姿估计方法，其特征在于，所述WiFi-RSS指纹识别方法，首先在离线阶段时，通过智能手机采集多个参考点所能接受到的环境中现存的WiFi节点的BSSID名称及WiFi信号强度存入WiFi指纹数据库；使用随机森林分类算法对采集到的WiFi指纹信息进行分块训练，并将训练结果保存供在线阶段预测使用；在线阶段时，定位目标采集WiFi信息后使用随机森林分类算法预测目标所在区域，然后使用改进的最近邻算法在该区域中估算出最终位置。
6.根据权利要求5所述的室内行人组合位姿估计方法，其特征在于：所述WiFi-RSS指纹识别方法是随机森林分类算法与改进的最近邻算法相结合，包括以下两个步骤：
(1)在离线阶段时，采集多个参考点所能接受到的WiFi节点的BSSID名称及WiFi信号强度存入WiFi指纹数据库；使用随机森林分类算法对采集到的WiFi指纹信息进行分块训练，并将训练结果保存供在线阶段预测使用；
(2)在在线阶段时，定位目标采集WiFi信息后使用随机森林分类算法预测目标所在区域，然后使用改进的KNN算法在该区域中估算出最终位置；改进的KNN算法步骤为：
1)根据平方欧氏距离的平均值选取k个最小特征值所对应的位置点：
Figure FDA0003699843420000031
其中，j＝1,2,…,m；m为目标所在区域参考点的数量；RSSi是第i个时序在线采集到的WiFi指纹强度向量值；RSSj是纹数据库中第j个指纹强度的向量值；Lj为在线采集的RSS向量与数据库中第j个指纹的RSS向量之间的平方欧式距离的平均值；nj表示在线采集到的WiFi节点与数据库中第j个指纹所包含的WiFi节点的相同数量；
2)将相同路由的数量作为权值分配给K个最近邻，算出最终定位位置：
Figure FDA0003699843420000032
其中，DK+1为定位目标最终位置；Dj为K个最近邻中第j个邻点位置。
7.根据权利要求1-4任一所述的室内行人组合位姿估计方法，其特征在于，所述微惯性传感器行人航迹推算方法，利用智能手机的方向传感器及步数检测传感器确定行人步数及行走方向来获得步行相对距离，如公式(6)所示：
Figure FDA0003699843420000033
其中，(Nk,Ek)为第k时序目标位置点坐标，Lk第k时序目标移动步长，由行人初始标定得到，
Figure FDA0003699843420000041
为目标第k时序航位角。
CN201811001420.6A 2018-08-29 2018-08-29 基于多粒子群优化的室内行人组合位姿估计方法 Active CN109298389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811001420.6A CN109298389B (zh) 2018-08-29 2018-08-29 基于多粒子群优化的室内行人组合位姿估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811001420.6A CN109298389B (zh) 2018-08-29 2018-08-29 基于多粒子群优化的室内行人组合位姿估计方法

Publications (2)

Publication Number Publication Date
CN109298389A CN109298389A (zh) 2019-02-01
CN109298389B true CN109298389B (zh) 2022-09-23

Family

ID=65165869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811001420.6A Active CN109298389B (zh) 2018-08-29 2018-08-29 基于多粒子群优化的室内行人组合位姿估计方法

Country Status (1)

Country Link
CN (1) CN109298389B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110022530B (zh) * 2019-03-18 2020-06-02 华中科技大学 一种用于地下空间的无线定位方法和系统
CN110121142A (zh) * 2019-03-25 2019-08-13 南京理工大学 一种基于Android平台的地铁导盲系统及方法
CN110146845B (zh) * 2019-04-17 2021-07-27 杭州电子科技大学 一种事件驱动的固定时间电磁源定位方法
CN110121149A (zh) * 2019-04-22 2019-08-13 西安邮电大学 一种基于蓝牙和pdr数据融合的室内定位方法
CN110207704B (zh) * 2019-05-21 2021-07-13 南京航空航天大学 一种基于建筑楼梯场景智能识别的行人导航方法
CN110246181B (zh) * 2019-05-24 2021-02-26 华中科技大学 基于锚点的姿态估计模型训练方法、姿态估计方法和系统
CN110388926B (zh) * 2019-07-12 2021-10-29 杭州电子科技大学 一种基于手机地磁和场景图像的室内定位方法
CN110530359A (zh) * 2019-09-10 2019-12-03 中国计量大学 一种基于蓝牙纠正和地图匹配的寻位室内定位方法
CN111031472A (zh) * 2019-12-03 2020-04-17 扬州后潮科技有限公司 一种基于WiFi和UWB组合的抗干扰室内快速定位方法
CN111024075B (zh) * 2019-12-26 2022-04-12 北京航天控制仪器研究所 一种结合蓝牙信标和地图的行人导航误差修正滤波方法
CN111141275A (zh) * 2019-12-27 2020-05-12 北京邮电大学 一种基于矢量粒子滤波的多源融合定位方法及装置
CN111182449B (zh) * 2020-01-07 2020-12-29 东南大学 基于商超购物车跟踪定位监测方法
CN111246413B (zh) * 2020-01-15 2021-07-23 湖南工商大学 一种基于分档功率通信芯片的无线传感器的部署方法
CN111198365A (zh) * 2020-01-16 2020-05-26 东方红卫星移动通信有限公司 一种基于射频信号的室内定位方法
CN111623765B (zh) * 2020-05-18 2022-07-01 清华大学 基于多模态数据的室内定位方法及系统
CN112255588A (zh) * 2020-10-12 2021-01-22 浙江长元科技有限公司 一种室内定位方法及系统
CN112504261B (zh) * 2020-11-09 2024-02-09 中国人民解放军国防科技大学 一种基于视觉锚点的无人机降落位姿滤波估计方法及系统
CN112881979B (zh) * 2021-01-19 2022-10-21 上海工程技术大学 一种基于ekf滤波的初始状态自适应融合定位方法
CN112887902B (zh) * 2021-01-22 2021-12-21 湖南大学 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法
CN112911705A (zh) * 2021-02-02 2021-06-04 湖南大学 基于贝叶斯迭代改进的粒子群优化算法的室内定位方法
CN113395658B (zh) * 2021-05-17 2023-01-31 上海电机学院 基于低功耗蓝牙的地下配电室定位方法
CN113899362B (zh) * 2021-09-09 2023-09-22 武汉大学 一种基于残差网络的带不确定性评估的行人航迹推算方法
CN114222240A (zh) * 2021-10-29 2022-03-22 中国石油大学(华东) 一种基于粒子滤波的多源融合定位方法
CN114383618A (zh) * 2022-01-29 2022-04-22 南京北路智控科技股份有限公司 一种基于图模型的定位方法、装置及电子设备
CN114710745B (zh) * 2022-04-12 2023-04-18 电子科技大学 一种蓝牙与pdr信息深度融合的室内定位方法
CN115164883A (zh) * 2022-07-18 2022-10-11 天璺科技(上海)有限公司 基于可穿戴marg传感器和蓝牙定位的混合追踪方法及系统
CN115334641A (zh) * 2022-07-18 2022-11-11 国网山东省电力公司营销服务中心(计量中心) 一种物联网断路器的静态定位方法、系统及物联网断路器
CN116164747B (zh) * 2022-12-15 2023-09-05 广东智能无人系统研究院(南沙) 一种水下机器人的定位与导航方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2570772A1 (en) * 2011-09-16 2013-03-20 Deutsches Zentrum für Luft- und Raumfahrt e.V. Method for localisation and mapping of pedestrians or robots using wireless access points
CN103237292A (zh) * 2013-05-13 2013-08-07 钟国峰 一种基于定位器的定位方法
CN104619017A (zh) * 2015-01-23 2015-05-13 杨鲲 基于地图辅助的室内定位系统WiFi接入点部署方案
CN104713554A (zh) * 2015-02-01 2015-06-17 北京工业大学 一种基于mems惯性器件与安卓智能手机融合的室内定位方法
CN105588566A (zh) * 2016-01-08 2016-05-18 重庆邮电大学 一种基于蓝牙与mems融合的室内定位系统及方法
CN106525031A (zh) * 2015-09-11 2017-03-22 王庆文 一种组合的室内定位方法
CN106888426A (zh) * 2017-03-03 2017-06-23 深圳墨兔科技有限公司 一种蓝牙、WiFi及惯导技术融合的室内定位方法以及系统
CN107339989A (zh) * 2017-06-23 2017-11-10 江苏信息职业技术学院 一种基于粒子滤波的行人室内定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2570772A1 (en) * 2011-09-16 2013-03-20 Deutsches Zentrum für Luft- und Raumfahrt e.V. Method for localisation and mapping of pedestrians or robots using wireless access points
CN103237292A (zh) * 2013-05-13 2013-08-07 钟国峰 一种基于定位器的定位方法
CN104619017A (zh) * 2015-01-23 2015-05-13 杨鲲 基于地图辅助的室内定位系统WiFi接入点部署方案
CN104713554A (zh) * 2015-02-01 2015-06-17 北京工业大学 一种基于mems惯性器件与安卓智能手机融合的室内定位方法
CN106525031A (zh) * 2015-09-11 2017-03-22 王庆文 一种组合的室内定位方法
CN105588566A (zh) * 2016-01-08 2016-05-18 重庆邮电大学 一种基于蓝牙与mems融合的室内定位系统及方法
CN106888426A (zh) * 2017-03-03 2017-06-23 深圳墨兔科技有限公司 一种蓝牙、WiFi及惯导技术融合的室内定位方法以及系统
CN107339989A (zh) * 2017-06-23 2017-11-10 江苏信息职业技术学院 一种基于粒子滤波的行人室内定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于二进制粒子群优化算法的行人检测;杨英等;《机电工程》;20130930;第30卷(第9期);全文 *
基于粒子滤波的WiFi行人航位推算融合室内定位;周瑞等;《计算机应用》;20160510(第05期);全文 *

Also Published As

Publication number Publication date
CN109298389A (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
CN109298389B (zh) 基于多粒子群优化的室内行人组合位姿估计方法
CN110856112B (zh) 一种群智感知的多源信息融合室内定位方法及系统
US10648816B2 (en) Device and method for integrated navigation based on wireless fingerprints and MEMS sensors
CN109951830B (zh) 一种多信息融合的室内外无缝定位方法
CN109413578B (zh) 一种基于wifi与pdr融合的室内定位方法
EP4318397A2 (en) Method of computer vision based localisation and navigation and system for performing the same
CN110958575B (zh) 一种基于WiFi融合预测的定位方法及系统
KR102110813B1 (ko) 무선 환경 변화에 강인한 slam 방법 및 장치
US11035915B2 (en) Method and system for magnetic fingerprinting
CN110320495A (zh) 一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法
CN104180805A (zh) 基于智能手机的室内行人定位与跟踪方法
CN107179079A (zh) 基于pdr与地磁融合的室内定位方法
CN107014375B (zh) 超低部署的室内定位系统及方法
CN113706612B (zh) 融合uwb和单目视觉slam的煤矿井下车辆定位方法
CN111879305B (zh) 一种面向高危生产环境的多模态感知定位模型与系统
CN111970633A (zh) 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法
CN111698774B (zh) 基于多源信息融合的室内定位方法及装置
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
CN112367614A (zh) 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法
Seco et al. RFID-based centralized cooperative localization in indoor environments
CN112362044A (zh) 室内定位方法、装置、设备和系统
Gong et al. An enhanced indoor positioning solution using dynamic radio fingerprinting spatial context recognition
CN109769206B (zh) 一种室内定位融合方法、装置、存储介质及终端设备
CN108848464B (zh) 一种室内定位服务器及室内定位方法
Lee et al. An adaptive sensor fusion framework for pedestrian indoor navigation in dynamic environments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant