CN113093252B - 一种利用手机气压和加速度传感器辅助gps提升用户位置追踪精度的方法 - Google Patents
一种利用手机气压和加速度传感器辅助gps提升用户位置追踪精度的方法 Download PDFInfo
- Publication number
- CN113093252B CN113093252B CN202010019894.4A CN202010019894A CN113093252B CN 113093252 B CN113093252 B CN 113093252B CN 202010019894 A CN202010019894 A CN 202010019894A CN 113093252 B CN113093252 B CN 113093252B
- Authority
- CN
- China
- Prior art keywords
- gps
- user
- probability
- air pressure
- matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000001133 acceleration Effects 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 24
- 230000007704 transition Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 16
- 230000033001 locomotion Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种利用智能手机气压和加速度传感器在GPS定位精度差的环境下辅助GPS实现用户位置追踪的方法。当用户驾驶汽车在立交桥上行驶时，由于道路密集且上下交错，GPS导航精度会下降；在隧道中行驶时，GPS信号强度太弱也会导致导航误差很大。而该方法采用了气压数据和加速度数据辅助GPS来对用户位置进行追踪，通过从智能手机获取这三类传感器数据，处理之后转换成隐马尔可夫模型的三个参数，使用改进的维特比算法计算出用户的位置。该方法提升了GPS在隧道、立交桥等定位精度差的场景下的定位精度。
Description
技术领域
本发明涉及一种利用手机GPS、气压和加速度传感器在隧道、立交桥等GPS定位精度差且出现海拔变化的地方实现用户位置追踪的方法，属于定位技术领域。
背景技术
在当今飞速发展的基于位置的应用领域，利用智能手机进行定位占据着很重要的地位。目前，绝大多数的定位技术都需要一定的基础设施的支持，如蜂窝网络，Wi-Fi无线网络和全球定位系统(GPS)。而这些技术各有各的优缺点，在精度、使用场景、能耗上都有限制。在定位技术领域中，室外定位和室外位置追踪场景下，GPS的使用是最常见的，但是由于GPS存在一定误差以及在某些情况下信号强度太弱导致定位误差较大，限制了应用场景，如何提高GPS在特殊情况下的定位精度，是一个需要解决的问题。
目前，公知的定位技术有如下几类：
第一类：基于GPS、GSM的室外定位
GPS是比较通用的定位技术，他通过卫星定位手机在地球上的经度纬度及高度信息，精度能够达到5米以内，但是在某些情况下，比如在隧道中，GPS信号极弱，定位误差会很大；在复杂立交桥上，道路非常密集且上下交错，GPS定位的误差也会变大。这样会限制基于轨迹追踪的应用发展，如车辆导航等。
基于GSM的定位技术不管在室内室外的情况，精度都很低，限制了其应用场景，很多对精度要求高的应用都无法使用，因此不能用来进行车辆定位和追踪等对精度要求较高的场景。
第二类：基于WI-FI的定位技术
Wi-Fi定位技术有两种，一种是通过移动设备和三个无线网络接入点的无线信号强度，通过差分算法，来比较精准地对人和车辆进行三角定位。另一种是事先记录巨量的确定位置点的信号强度，通过用新加入的设备的信号强度对比拥有巨量数据的数据库，来确定位置(“指纹”定位)。但是iOS不支持Wi-Fi室内定位(Apple把Wi-Fi底层的东西锁住了，开发者无法得知一些Wi-Fi重要讯息)，无法做到精准定位且响应速度不高。 Wi-Fi定位适用于对人或者车的定位导航，可用于医疗机构、主题公园、工厂、商场等各种需要定位导航的场台。
第三类：基于FRID、ZigeBee的室内定位
FRID定位方法采用刷卡方式，根据阅读器位置对刷卡人员或设备进行区间定位。主要应用在仓库、工厂、商场广泛使用在货物、商品流转定位上、ETC、办公考勤等，无法进行实时定位，定位精确度低，不具有通信能力，抗干扰能力较差。
ZigBee室内定位技术通过若干个待定位的盲节点和一个已知位置的参考节点与网关之间形成组网，每个微小的盲节点之间相互协调通信以实现全部定位。作为一个低功耗和低成本的通信系统，ZigBee的信号传输受多径效应和移动的影响都很大，而且定位精度取决于信道物理品质、信号源密度、环境和算法的准确性，造成定位软件的成本较高，提高空间还很大。ZigBee室内定位已经被很多大型的工厂和车间作为人员在岗管理系统所采用。
第四类：通过手机传感器辅助定位技术
该类技术利用用户手机的感知能力辅助定位，通过手机自带传感器获得的数据可以大致追踪用户的运动路径，如走了多少步，有没有上下楼等可以通过手机的加速度传感器获得加速度数据，再依赖行为识别技术进行识别；传统的方案主要使用加速度传感器来做位移估算，但这种识别方法精度不是很好，现有的技术都是需要在用户途径位置安装一些校准装置，称为校准点，校准点会发出一些特殊的信号，用户的手机可以检测到这样的信号，从而校准自己的位置；这样该技术的实现就要预先在道路附近部署大量的校准点，耗费大量人力物力，而且后期需要较多的维护工作，并不经济实用。
目前主要是利用以上几类技术进行用户定位，但通过气压和加速度传感器相结合来辅助GPS在隧道、立交桥等特殊情况下的定位追踪方法还没有相关报道。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种GPS定位精度差场景下用户位置追踪的定位方法，该方法只需要手机的气压和加速度传感器，在GPS定位精度差的场景下辅助GPS定位，提升定位精度。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种利用智能手机气压和加速度传感器在GPS定位精度差的环境下辅助GPS实现用户位置追踪的方法，包括以下步骤：
步骤1，数据收集：在用户移动过程中，通过智能手机内置的气压传感器采集手机所处位置的气压值，组成气压变化轨迹。通过智能手机内置的加速度传感器采集用户移动过程中的加速度读数，获得用户移动的加速度变化轨迹。通过智能手机内置的GPS传感器采集用户移动过程中的GPS读数，获得用户的GPS位置变化轨迹。从地图应用提供商获得地图数据。
步骤2，数据预处理：利用低通滤波器进行滤波，去除高频噪音，再利用平滑算法对加速度曲线和气压曲线进行平滑。
步骤3，去除气压噪音：由于气压随天气变化而变化，直接利用气压读数计算海拔高度会出现较大误差，需要将因天气变化导致的气压变化噪音去除。
步骤4，气压转换成海拔：将经过上述处理的气压数据通过气压-高度公式转换成海拔高度。
步骤5，位置计算：根据HMM模型，计算用户从初始位置开始，到达当前位置的概率，具体需要三个模型参数，1)初始概率矩阵，用户从某个位置开始的概率；2)观测概率矩阵，用户处于当前位置下获得该GPS和海拔值的概率；3)位置状态转移概率矩阵，即用户从上个位置移动到当前位置的概率。计算出这三个参数之后，根据维特比算法，计算出用户最有可能的移动路径，从而得到用户当前最有可能的位置，该位置就是用户的定位位置结果。
步骤2中的数据预处理方法具体如下：
步骤21，过滤离群点，方法是计算相邻两个节点读数的变化值，如果某个点与前一点的变化值比前10秒内平均变化值的5倍还大，认为该店为离群点，将其丢弃。
步骤22，利用低通滤波过滤高频数据。低通滤波公式如下：
γ(n)＝βX(n)+(1-β)γ(n-1) (1)
其中，X(n)是第n个传感器读数，Y(n)是滤波输出，β是过滤系数f是截止频率。对于气压数据β＝0.5，对于加速度数据β＝0.6。
步骤23，对数据曲线进行平滑，气压数据为每5秒一个窗口取均值平滑，加速度数据为每1秒一个窗口取平均值做平滑。
步骤3中去除气压噪音具体算法包括以下步骤：
步骤31，从中央气象台气象预报获得今后5小时的气压天气预报，具体格式为每小时一个气压读数；
步骤32，利用三次指数曲线拟合方对五小时的气压读数进行曲线拟合，得到一个平滑的气压变化曲线；
步骤33，用实际测得的气压变化曲线减去拟合得到的气压变化曲线，获得最终的气压变化曲线。
步骤4中将气压转换成海拔的具体步骤如下：
步骤41，使用如下气压-高度公式将气压值转换成海拔值。
步骤5中根据HMM模型进行用户位置计算的具体步骤如下：
步骤51，计算初始状态概率矩阵，首先获取GPS数据的第一个读数位置，以该位置为圆心画一个半径为10米的圆，获得圆内的道路上的所有位置点，用户的实际位置是这些位置点中的一个，每个位置点都有可能。假设初始位置的GPS误差服从正态分布，该步骤如图1所示。根据获得的所有位置点，计算出每个点的正态分布的概率，该概率就是用户初始位置在该点的概率。由此可以得到初始概率矩阵Π。
步骤52，计算观测概率矩阵，假设GPS和海拔值的误差服从正态分布，概率密度公式如下所示。
其中σg，σh是正态分布的标准差，它们的值是通过实验数据统计得出的。g1，h1分别代表GPS误差范围内的点到GPS位置的距离以及海拔值误差范围内的点的海拔值与当前海拔值差值的绝对值，ht表示t时刻的海拔值。这两个误差分布可以表示为N(0，σg 2)，N(ht，σh 2)。
得到GPS观测概率和海拔值观测概率之后将它们相乘得到观测概率。
计算出每个状态的观测概率就得到了观测概率矩阵B。
步骤53，计算转移概率矩阵，转移概率指的是用户从一个位置移动到另一个位置的概率。
步骤531，计算前一个GPS点误差范围内所有道路上的位置点到后一个GPS点之间的距离Sg，除以这一段持续时间得到这两个点之间的平均速度vg。
步骤532，根据加速度读数、前一个GPS采样点的速度和采样间隔时间，用位移公式计算两个GPS采样点之间的位移Sa，公式如下：
其中v0是用户在前一个GPS采样点处的速度，ttur是采样间隔时间，at-1，t表示t-1时刻到t时刻的加速度。然后除以这一段持续时间ttur得到这一段的平均速度va。
步骤533，在用步骤621和622中的两种方法得到用户的平均速度vg和va之后，通过给这两个平均速度都赋予一个权重来得到用户的最终平均速度vavg。它可以表示为以下公式：
vavg＝avg+bva(a+b＝1) (7)
在我们的实验中，我们设定a＝0.4，b＝0.6，因为从GPS数据计算的距离比根据加速度数据计算的距离误差要高。
步骤534，计算前一个GPS位置误差范围内所有地图道路上的位置点到后一个GPS位置误差范围内所有地图上的位置点的距离矩阵S1，除以间隔时间ttur得到平均速度矩阵v1。
对于每一行v1，我们假设它们的值服从正态分布N(vavg，σv 2)，其中σv是标准差，在实验中，我们设置σv＝0.1*vavg。正态分布的概率密度函数如下所示：
有了概率密度函数我们就可以计算出转移概率矩阵A。
步骤54，得到HMM模型λ＝(A，B，Π)，再利用维特比算法计算出用户最可能的轨迹，从而确定用户当前位置，维特比算法公式如下：
此处Vt，k是前t个最终状态为k的观测结果最有可能对应的状态序列的概率，yt表示t时刻的观测值，ex，k代表从状态x转移到状态k的概率。通过保存向后指针记住在第二个等式中用到的状态x可以获得维特比路径。
有益效果：本发明相比现有技术，具有以下有益效果：
1)辅助GPS在隧道、立交桥等GPS误差较大且有海拔变化的地方实现精确的定位
2)该技术仅使用智能手机的气压传感器、加速度传感器辅助GPS传感器实现定位，不需要其他设备。
3)该技术通过改进算法使计算复杂度大大降低，一定程度上降低了能耗。
附图说明
图1是初始位置的概率分布图示。
图2是去除气压噪音图示。
图3是系统运行的总体框架。
实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种利用智能手机气压和加速度传感器在GPS定位精度差的环境下辅助GPS实现用户位置追踪的方法，如图3所示，包括以下步骤：
步骤1，数据收集：在用户移动过程中，通过智能手机内置的气压传感器采集手机所处位置的气压值，采得的气压值组成手机的气压变化轨迹。通过智能手机内置的加速度传感器采集用户移动过程中的加速度读数，获得移动的加速度变化轨迹。通过智能手机内置的GPS传感器采集用户移动过程中的GPS读数，获得用户的GPS位置变化轨迹。从地图应用提供商获得地图数据。
所述步骤1中的数据收集是通过智能手机开发的APP访问手机传感器进行收集的。地图是通过地图APP获得的，获取地图之后提取其中道路信息，将每条道路每个1米标记一个位置点，并且从地图中获得这些位置点的海拔高度值。
步骤2，数据预处理：利用低通滤波器进行滤波，去除高频噪音，再利用平滑算法对加速度曲线和气压曲线进行平滑。
所述步骤2中的数据预处理方法，首先是过滤离群点，方法是计算相邻两个节点读数的变化值，如果某个点与前一点的变化值比前10秒内平均变化值的5倍还大，认为该店为离群点，将其丢弃。然后利用低通滤波过滤高频数据，β是过滤系数f是截止频率。对于气压数据β＝0.5，对于加速度数据β＝0.6。最后对数据曲线进行平滑，气压数据为每5秒一个窗口取均值平滑，加速度数据为每1秒一个窗口取平均值做平滑。数据预处理结果如图2所示。
步骤3，去除气压噪音：由于气压随天气变化而变化，直接利用气压读数计算海拔高度会出现较大误差，需要将因天气变化导致的气压变化噪音去除。
所述步骤3中去除气压噪音具体算法，首先从中央气象台气象预报获得今后5小时的气压天气预报，具体格式为每小时一个气压读数；其次，利用三次指数曲线拟合方对五小时的气压读数进行曲线拟合，得到一个平滑的气压变化曲线；最后，用实际测得的气压变化曲线减去拟合得到的气压变化曲线，获得最终的气压变化曲线。
步骤4，气压转换成海拔：将经过上述处理的气压数据通过气压-高度公式转换成海拔高度。
所述步骤4中的转换通过气压一高度公式来将气压值都转换成海拔高度。
步骤5，位置计算：根据HMM模型，计算用户从初始位置开始，到达当前位置的概率，具体需要三个模型参数，1)初始概率矩阵，用户从某个位置开始的概率；2)观测概率矩阵，用户处于当前位置下获得该GPS和海拔值的概率；3)位置状态转移概率矩阵，即用户从上个位置移动到当前位置的概率。计算出这三个参数之后，根据维特比算法，计算出用户最有可能的移动路径，从而得到用户当前最有可能的位置，该位置就是用户的定位位置结果。
所述步骤5中的初始概率矩阵由以下步骤获得。首先获取GPS数据的第一个读数位置，然后以该位置为中心，在平面图上以10米为半径画圆，用户的实际位置在这个圆圈里的路线上的任意点都有可能，如图1所示，假设位置误差服从正态分布。最后，该圆圈覆盖的路段中的每个位置点，计算每个点在正态分布中的概率，该概率就是用户初始位置在该点的概率。
所述步骤5中的观测概率矩阵通过GPS数据和海拔数据计算得出。假设GPS和海拔数据的误差服从正态分布，分布函数分别是N(0，σg 2)，N(ht，σh 2)，其中σg和σh是正态分布的标准差，它们的值是通过实验数据统计得出的。通过正态分布概率矩阵可以得到GPS和海拔值的观测概率，将两者相乘得到最终观测概率。
所述步骤5中的位置转移概率矩阵是由GPS数据和加速度数据计算得出的。首先根据GPS数据和加速度数据分别计算出用户在一个时间间隔内的移动距离，从而计算出用户在这段距离的平均速度，然后对这两个速度加权相加，得到用户从一个位置移动到另一个位置的平均速度。然后我们计算出前一个GPS位置误差范围内所有位置到后一个GPS位置误差范围内的所有位置的距离，得到一个距离矩阵，除以这两个位置间的持续时间得到平均速度矩阵。假设平均速度的误差也服从正态分布N(vavg，σv 2)，其中σv是标准差，我们就可以根据用户速度计算出这两个点之间的转移概率。
所述步骤5中计算用户最可能的移动轨迹的概率优化问题是典型的HMM模型问题，要获得这个概率的最大值，使用维特比算法进行计算。
Claims (5)
1.一种利用智能手机气压和加速度传感器在GPS定位精度差的环境下辅助GPS实现用户位置追踪的方法，其特征在于，包括以下步骤：
步骤1，数据收集：在用户移动过程中，通过智能手机内置的气压传感器采集手机所处位置的气压值，组成气压变化轨迹；通过智能手机内置的加速度传感器采集用户移动过程中的加速度读数，获得用户移动的加速度变化轨迹；通过智能手机内置的GPS传感器采集用户移动过程中的GPS读数，获得用户的GPS位置变化轨迹；从地图应用提供商获得地图数据；
步骤2，数据预处理：利用低通滤波器进行滤波，去除高频噪音，再利用平滑算法对加速度曲线和气压曲线进行平滑；
步骤3，去除气压噪音：由于气压随天气变化而变化，直接利用气压读数计算海拔高度会出现较大误差，需要将因天气变化导致的气压变化噪音去除；
步骤4，气压转换成海拔：将经过上述处理的气压数据通过气压-高度公式转换成海拔高度；
步骤5，位置计算：根据HMM模型，计算用户从初始位置开始，到达当前位置的概率，具体需要三个模型参数，1)初始状态概率矩阵，用户从某个位置开始的概率；2)观测概率矩阵，用户处于当前位置下获得该GPS和海拔值的概率；3)位置状态转移概率矩阵，即用户从上个位置移动到当前位置的概率；计算出这三个参数之后，根据维特比算法，计算出用户最有可能的移动路径，从而得到用户当前最有可能的位置，该位置就是用户的定位位置结果；
步骤5中位置计算方法中HMM模型转移概率矩阵的计算；转移概率指的是用户从一个位置转移到另一个位置的概率，假设用户在转移过程中的平均速度的误差服从正态分布，那么计算出转移平均速度概率矩阵即为转移概率矩阵；
首先计算出前一个GPS位置点误差范围内的位置点，个数为N，以及转移到的后一个GPS位置点误差范围内的位置点，个数为M；然后我们先计算前一个GPS位置点误差范围内的位置点到后一个GPS点的距离Sg，根据距离除以这一段间隔时间tdur得到平均速度vg，大小为N*1的矩阵；然后我们根据这两个GPS位置点之间的加速度结合如下位移公式计算出用户在转移过程中的位移Sa，除以这一段的持续时间得到平均速度va；
其中v0为用户在前一个位置处的速度，ai-1，i表示从i-1时刻到i时刻的加速度；
以上已经通过两种不同方式计算用户转移过程中的平均速度，然后通过给两个平均速度各一个权重a和b得到最终这段的平均速度vavg，大小是N*1，公式如下：
vavg＝avg+bva(a+b＝1)
然后，计算出转移速度矩阵，方法是计算出前一个GPS误差范围内的位置点到后一个GPS误差范围内的位置点的每个距离得到距离矩阵S1，除以间隔时间就得到了转移速度矩阵V1，大小为N*M；假设平均速度的误差服从正态分布N(vavg，σv 2)，其中σv是速度的标准差；根据如下概率密度函数公式可以计算出转移概率矩阵，其中v1表示V1中的每个转移速度：
2.根据权利要求1所述的利用智能手机气压和加速度传感器在GPS定位精度差的环境下辅助GPS实现用户位置追踪的方法，其特征在于：步骤1中获取地图数据之后提取地图中的道路并对每条道路按1米间隔划分出多个位置点，并且获得这些位置点的海拔值。
3.根据权利要求1所述的利用智能手机气压和加速度传感器在GPS定位精度差的环境下辅助GPS实现用户位置追踪的方法，其特征在于：步骤5中位置计算方法中HMM模型初始状态概率矩阵的计算；获取GPS的第一个读数作为开始的位置，假设该位置的误差服从正态分布，根据地图匹配该GPS读数误差范围内的位置点，根据如下概率密度函数可以计算出每个位置点的概率作为初始状态概率矩阵；
其中g1代表的是该GPS误差范围内的位置点到该GPS位置的距离；σgps为GPS的误差范围，为正态分布的标准差。
4.根据权利要求1所述的利用智能手机气压和加速度传感器在GPS定位精度差的环境下辅助GPS实现用户位置追踪的方法，其特征在于：步骤5中位置计算方法中HMM模型观测概率矩阵的计算；观测值由GPS值和海拔值共同组成，假设GPS的误差分布服从正态分布，正态分布函数为N(0，σg 2)，其中σg为正态分布的标准差；获取地图上GPS误差范围内的地图道路上的位置点，根据如下正态分布的概率密度函数公式：
其中g1为GPS误差范围内的道路上的位置点到该GPS位置的距离，可以计算出每个位置点的GPS观测概率；
同理，假设海拔值的误差服从正态分布，正态分布函数为N(ht，σh 2)，其中ht是t时刻的海拔值，σh为海拔值的标准差；获取上述GPS误差范围内地图道路上的位置点的海拔值h1，根据如下正态分布概率密度函数公式：
可以计算出每个海拔值h1的观测概率；然后将GPS观测概率与海拔观测概率相乘得到最终观测概率。
5.根据权利要求1所述的利用智能手机气压和加速度传感器在GPS定位精度差的环境下辅助GPS实现用户位置追踪的方法，其特征在于：步骤5中的维特比算法，算法复杂度是O(T*|S|2)，其中T是算法执行一次的样本的个数，S是隐马尔可夫模型中状态空间的个数，在该方法中，状态空间是地图上所有位置点的个数，数量太大，因此算法复杂度会非常高；为了降低算法复杂度，只考虑GPS位置误差范围内的位置点，从而改进了维特比算法，大大降低了时间复杂度，但是转移概率矩阵需要每次转移都计算一次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010019894.4A CN113093252B (zh) | 2020-01-08 | 2020-01-08 | 一种利用手机气压和加速度传感器辅助gps提升用户位置追踪精度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010019894.4A CN113093252B (zh) | 2020-01-08 | 2020-01-08 | 一种利用手机气压和加速度传感器辅助gps提升用户位置追踪精度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113093252A CN113093252A (zh) | 2021-07-09 |
| CN113093252B true CN113093252B (zh) | 2022-08-26 |
Family
ID=76663464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010019894.4A Active CN113093252B (zh) | 2020-01-08 | 2020-01-08 | 一种利用手机气压和加速度传感器辅助gps提升用户位置追踪精度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113093252B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106714102B (zh) * | 2016-11-15 | 2020-03-17 | 南京航空航天大学 | 一种利用智能手机辅助室内定位的方法 |
| CN108416387B (zh) * | 2018-03-09 | 2020-06-19 | 北京航空航天大学 | 基于gps与气压计融合数据的高度滤波方法 |
| CN109612458B (zh) * | 2018-10-26 | 2022-07-12 | 南京航空航天大学 | 利用手机气压和加速度传感器在山区环境实现用户位置追踪的方法 |
-
2020
- 2020-01-08 CN CN202010019894.4A patent/CN113093252B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113093252A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106792465B (zh) | 一种基于众包指纹的室内指纹地图构建方法 | |
| CN102737510B (zh) | 一种基于移动智能终端的实时交通路况采集方法 | |
| CN102395192B (zh) | 一种无线传感终端的定位方法和装置 | |
| Aly et al. | Accurate and energy-efficient GPS-less outdoor localization | |
| CN107255795A (zh) | 基于ekf/efir混合滤波的室内移动机器人定位方法和装置 | |
| EP3045001B1 (en) | Methods, wireless device and network node for managing positioning method based on prediction | |
| CN110388926B (zh) | 一种基于手机地磁和场景图像的室内定位方法 | |
| CN105246153A (zh) | 一种室内指纹定位数据库高密度快速采集方法 | |
| CN109978275B (zh) | 一种混合cfd和深度学习的极端大风风速预测方法及系统 | |
| CN112367614A (zh) | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 | |
| CN104200082A (zh) | 台风登陆预测方法 | |
| CN114615740A (zh) | 一种基于蓝牙、pdr和地图匹配融合的室内人员定位方法 | |
| CN111405461B (zh) | 一种优化等间隔指纹采样个数的无线室内定位方法 | |
| Gu et al. | Integration of positioning and activity context information for lifelog in urban city area | |
| KR101264306B1 (ko) | 이동 모델 학습을 통한 실내 위치 추적 장치 및 이를 위한 기록매체 | |
| Svertoka et al. | Evaluation of real-life LoRaWAN localization: Accuracy dependencies analysis based on outdoor measurement datasets | |
| CN114916059A (zh) | 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法 | |
| CN109612458B (zh) | 利用手机气压和加速度传感器在山区环境实现用户位置追踪的方法 | |
| CN113093252B (zh) | 一种利用手机气压和加速度传感器辅助gps提升用户位置追踪精度的方法 | |
| CN111586632B (zh) | 基于通信传感异步数据融合的协作邻居车辆定位方法 | |
| CN113848878B (zh) | 基于众源数据的室内外三维行人路网构建方法 | |
| CN105792230B (zh) | 基于rss指纹室内定位系统的接入点和定标点部署方法 | |
| Sharma et al. | Accurate real-time location map matching algorithm for large scale trajectory data | |
| CN114674317A (zh) | 基于活动识别和融合滤波的自校正航位推算系统及方法 | |
| CN114286282A (zh) | 基于手机WiFi RSS数据和降维算法的指纹定位方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210709 Assignee: Nanjing Meian Fire Protection Technology Co.,Ltd. Assignor: Nanjing University of Aeronautics and Astronautics Contract record no.: X2023980050446 Denomination of invention: A method of using mobile phone air pressure and acceleration sensors to assist GPS in improving user position tracking accuracy Granted publication date: 20220826 License type: Common License Record date: 20231208 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210709 Assignee: Hangda Zhiqing (Jiangsu) Technology Co.,Ltd. Assignor: Nanjing University of Aeronautics and Astronautics Contract record no.: X2023980052528 Denomination of invention: A method of using mobile phone air pressure and acceleration sensors to assist GPS in improving user position tracking accuracy Granted publication date: 20220826 License type: Common License Record date: 20231219 |
|
| EE01 | Entry into force of recordation of patent licensing contract |