CN114554389B - 一种行人导航定位系统融合方法 - Google Patents

一种行人导航定位系统融合方法 Download PDF

Info

Publication number
CN114554389B
CN114554389B CN202111645972.2A CN202111645972A CN114554389B CN 114554389 B CN114554389 B CN 114554389B CN 202111645972 A CN202111645972 A CN 202111645972A CN 114554389 B CN114554389 B CN 114554389B
Authority
CN
China
Prior art keywords
data
walking
pedestrian
wifi
coordinate
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
CN202111645972.2A
Other languages
English (en)
Other versions
CN114554389A (zh
Inventor
王伟
杨焱
杨德伟
姜小明
田�健
冉鹏
李章勇
赵德春
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111645972.2A priority Critical patent/CN114554389B/zh
Publication of CN114554389A publication Critical patent/CN114554389A/zh
Application granted granted Critical
Publication of CN114554389B publication Critical patent/CN114554389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种行人导航定位系统融合方法，包括：基于无线接收器获取离线WiFi数据和在线信号强度数据；根据离线WiFi数据进行处理，得到WiFi指纹数据库；根据WiFi指纹数据库和在线信号强度数据，得到加权欧式距离；通过加权欧式距离在WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，得到最优估计坐标数据；基于惯性传感器获取加速度数据和角速度数据；根据加速度数据、角速度数据和最优估计坐标数据，得到行人行走坐标数据；利用扩展卡尔曼滤波融合方法对行走航向角数据、行走步长数据和最优估计坐标数据，得到行人当前最优定位坐标。本发明能够实现通过惯性导航与WiFi定位融合，使得定位结果更加精确，减少累积误差，满足长时间精准的定位结果。

Description

一种行人导航定位系统融合方法
技术领域
本发明涉及导航技术领域，尤其涉及一种行人导航定位系统融合方法。
背景技术
随着时代的进步，导航应用场合越来越多，精度也不断的提高。导航方式以及导航信息获取的方法不断升级多样化。导航的应用无处不在，不仅在军事应用广泛，也深入到人们的日常生活中各方面，如应急救援人员实时导航、商场的室内导航等等。在当今社会，人们对于位置的精准日益迫切，在卫星导航技术广泛应用行人导航领域，基于卫星导航技术也有无法避免的劣势，在室外开阔环境下解决大部分定位需求，但是对于建筑物内或者大型遮蔽场所内的导航定位，难以形成精准定位。惯性导航解决在卫星导航无法提供位置服务的场景下发挥着重要的作用，惯性导航是一种集合了光学，数学，机械，控制和计算机科学的先进技术，惯性导航定位技术不依赖外接信息，不向外界辐射能量的自主导航，惯性导航在短时间内的定位精度很高。
利用设计的无线通信惯性传感器定位过程，由于惯性传感器安装位置等因素影响存在着测量误差，测量误差会随着时间增长而积累，从而导致定位的精度下降和定位可靠性降低；又由于长时间进行计算行人行走的步态、步长估计会导致累积误差大。惯性导航精度由于安装位置等因素影响存在着测量误差，测量误差会随着时间增长而积累，从而导致定位的精度下降和定位可靠性降低。
利用WiFi信号强度实现定位，主要通过无线路由器等信号发射设备进行信号广播，由于室内障碍物多，基站或无线接入点的质量不稳定，导致WiFi定位偏差大。只利用WiFi技术进行定位精度不高，无法满足人们的需求。
发明内容
本发明的主要目的在于提出一种行人导航定位系统融合方法，旨在实现通过惯性导航与WiFi定位融合，使得定位结果更加精确，减少累积误差，满足长时间精准的定位结果。
为实现上述目的，本发明提供一种行人导航定位系统融合方法，所述行人导航定位系统融合方法应用于惯性传感器系统，所述惯性传感器系统包括惯性传感器和无线接收器；所述行人导航定位系统融合方法包括如下步骤：
基于所述无线接收器获取若干个无线接入点发送的离线WiFi数据和在线信号强度数据；
根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi 指纹数据库；
根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离；
通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据；
基于所述惯性传感器获取加速度数据和角速度数据；
根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据；
利用扩展卡尔曼滤波融合方法对所述行走航向角数据、所述行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标。
可选地，所述根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库的步骤，包括：
对每个所述无线接入点发送的所述离线WiFi数据进行高斯滤波，过滤出现概率较低的WiFi数据，得到每个所述无线接入点对应的高斯滤波WiFi数据；
对每个所述无线接入点对应的滤波WiFi数据进行均值滤波，得到每个所述无线接入点对应的均值滤波WiFi数据；
将每个所述无线接入点的位置坐标和与所述无线接入点对应的均值滤波WiFi数据分别进行组合，得到WiFi指纹数据库；
所述WiFi指纹数据库中的一个无线接入点对应的指纹数据集
Figure SMS_1
其中，(Xi,Yi)为第i个无线接入点所在位置坐标，MACin为第i个指纹采样点处接收到的第n个WiFi信号所对应的地址；/>
Figure SMS_2
为在第i个指纹采样点处接收到的第n个WiFi信号所对应的信号强度；
其中，均值滤波WiFi数据中的一个数据
Figure SMS_3
n为高斯滤波后的第i个指纹采样点第j组测量的数据总数目；RSSIijn为高斯滤波后的第i个指纹采样点第j 组测量的数据第n个数据；
高斯滤波WiFi数据中的一个数据RSSI～N(μ,σ2)，概率密度函数
Figure SMS_4
x为RSSI第j组的强度值，j＝1,2,3，.......，n；μ为 RSSI第j组上的均值，σ为RSSI第j组的标准差；均值μ为：/>
Figure SMS_5
标准差σ为：
Figure SMS_6
可选地，所述根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离的步骤，包括：
加权欧式距离
Figure SMS_7
Dj为当前位置与第j个参考点到待测点的指纹距离，N为参考点到待测点之间匹配到无线接入点的总数量，RSSIi为无线接收器测量的第i个所述无线接入点的在信号强度值数据，为离线阶段第j个参考点获得的第i个无线接入点信号强度值，di为每个无线接入点信号加权系数，/>
Figure SMS_8
可选地，所述通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k 个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据的步骤，包括：
最优估计坐标数据
Figure SMS_9
其中(X,Y)为所在的位置坐标，(Xi,Yi)为WiFi指纹表征采样点第i个采样点坐标位置；Dj为当前位置与第j个参考点到待测点的指纹距离。
可选地，所述根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据的步骤，包括：
根据所述加速度数据，得到行走步长数据；
根据所述角速度数据，得到行走航向角数据；
根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据。
可选地，所述根据所述加速度数据，得到行走步长数据的步骤，包括：
对所述加速度数据进行低通滤波预处理，得到滤波加速度数据；
对所述滤波加速度数据进行处理，通过设置速度阈值确定所述滤波加速度数据的波峰波谷；
根据所述滤波加速度数据的波峰波谷，得到行人步频数据和行人峰值方差数据；
根据所述行人步频数据和所述行人峰值方差数据，得到行走步长数据。
可选地，所述根据所述角速度数据，得到行走航向角数据的步骤，包括：
对所述角速度数据进行低通滤波预处理，得到滤波角速度数据；
根据所述滤波角速度数据，计算得到由四元数组成的四元数数据，所述四元数包括第一四元数、第二四元数、第三四元数和第四四元数；
通过姿态转换矩阵对所述四元数数据进行处理，得到原始航向角数据；
根据自适应HDE算法对原始航向角数据进行修正，得到行走航向角数据。
可选地，所述根据自适应HDE算法对原始航向角数据进行修正，得到行走航向角数据的步骤，包括：
通过相邻3个复步的航向变化检测行人直线行走和转弯
Figure SMS_10
其中，Μ为行人行走路线的状态，Ms表示行人直线行走，Mw表示行人转弯，ψi-1为前一步和前两步的航向角，ψi-2为前两步的航向角，ψth为设定的一个航向角偏差阀值；
当所述行人直线行走时，通过自适应HDE反馈系统修正航向角行走航向角数据中的一个修正航向角ψHED-i＝ψYAW-i+Ii，ψYAW-i为原始航向角数据中的一个未修正的原始航向角，Ii为直行修正航向角；所述直行修正航向角
Figure SMS_11
其中，ic为修正系数；其中，偏移方向Εi由/>
Figure SMS_12
得到；ψi-1为前一步航向角；Δ由前一步航向角ψi-1的偏移角度属于的主航向区间[0,Δ]得到的；所述主航向包括0°、45°、90°、135°、180°、225°、270°、315°、360°；
当所述行人转弯行走时，行走航向角数据中的一个修正航向角ψHED-i＝ψYAW-i+Ii，ψYAW-i原始航向角数据中的一个未修正的原始航向角，Ii'为转弯修正航向角；转弯修正航向角
Figure SMS_13
i′c为转弯修正量，Εi为所述偏移方向；其中，
Figure SMS_14
其中，ic为修正系数；其中，原始航向角的差值方差
Figure SMS_15
δψ为3个相邻复步航向角的差值和，δψ＝(ψi-ψi-1)+(ψi-1-ψi-2)；
Figure SMS_16
为3个相邻复步航向角的差值的均值，即/>
Figure SMS_17
可选地，所述根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据的步骤，包括：
行人行走坐标数据的第一步坐标由
Figure SMS_18
得到，其中，(x0，y0)为初始位置坐标，(x1，y1)为第一步位置坐标，l1为行走步长数据中的第一步的估计步长，ψ′1为第一步的修正航向角；
行人行走坐标数据的第二步坐标由
Figure SMS_19
得到，其中，(x2，y2)为第二步位置坐标，l2为行走步长数据中的第二步的估计步长，ψ'2为第二步的修正航向角；
依次类推，行人行走坐标数据的第n时刻坐标由
Figure SMS_20
得到，其中，1(xn，yn)为第n步位置坐标，ln为行走步长数据中的第n步的估计步长，ψ′n为第n步的修正航向角；
将第1步坐标、第2步坐标、……、第n步坐标进行整合，得到行人行走坐标数据。
可选地，所述利用扩展卡尔曼滤波融合方法对所述行走航向角数据、所述行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标的步骤，包括：
行人当前最优定位坐标由
Figure SMS_21
确定，其中，/>
Figure SMS_22
为行人第k步状态的最优估计位置坐标；Kk为EKF增益向量，Xk为对第k步的状态预测向量；对第k步的状态预测向量由行人行走的系统状态模型/>
Figure SMS_23
计算得到；/>
Figure SMS_24
为对第k-1步的状态最优估计，/>
Figure SMS_25
为第k-1步的状态最优估计对应的位置坐标，lk惯性传感器获得的第k步的步长、θk为惯性传感器获得的第k步的航向角，wk为过程噪声向量；行人的初始状态向量X0＝[x0 y0 ψ0]T；
第k步观测向量由系统观测模型Zk＝H*X'k+vk计算得到；
其中，Zk为第k步观测向量，X′k为WIFI指纹匹配结果的坐标，vk为测量噪声误差，观测矩阵
Figure SMS_26
其中，EKF增益向量Kk＝Pk*HT*[H*Pk*HT+Rk]-1
其中，Rk为测量噪声的协方差矩阵；Pk为预测状态的协方差矩阵；
其中，预测状态的协方差矩阵
Figure SMS_27
其中，
Figure SMS_28
为最优估计的协方差矩阵，Qk为预测状态噪声的协方差矩阵；更新后的最优估计的协方差矩阵/>
Figure SMS_29
其中，/>
Figure SMS_30
为更新状态最优估计协方差矩阵，I为单位矩阵；状态转矩阵/>
Figure SMS_31
本发明提供了一种行人导航定位系统融合方法，基于所述无线接收器获取若干个无线接入点发送的离线WiFi数据和在线信号强度数据；根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库；根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离；通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据；基于所述惯性传感器获取加速度数据和角速度数据；根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据；利用扩展卡尔曼滤波融合方法对所述行走航向角数据、所述行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标。实现了通过惯性导航与WiFi定位融合，使得定位结果更加精确，减少累积误差，满足长时间精准的定位结果。
对采集的数据进行预处理，通过加速度检测波峰波谷计算步数，估计步长，通过角速度计算航向角，采用自适应HDE算法对航向角进行修正。
根据无线接收设备接收到的自不同无线接入点的不同WiFi信号强度，对接收设备进行定位，得到数据通过双重滤波算法创建WiFi离线数据库。
通过传统欧式距离进行加权，得到更准确的距离，再根据K最近邻算法获取位置坐标。
最后通过扩展卡尔曼滤波对惯性导航推算位置与WiFi定位获取位置坐标融合获取精准的位置结果。
通过设计惯性传感器系统，将惯性传感器安装在鞋上，通过PC端采集传感器的数据，对原始数据进行预处理，加速度数据估计步长，角速度数据计算航向角，采用自适应HDE算法对航向角补偿，最后，通过惯性导航与WiFi定位技术进行扩展卡尔曼滤波融合，获得精准的位置结果。
附图说明
图1为本发明行人导航定位系统融合方法第一实施例的流程示意图；
图2为本发明行人导航定位系统融合方法的流程示意图；
图3为本发明自适应HDE算法流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明行人导航定位系统融合方法第一实施例的流程示意图。
本发明实施例中，该行人导航定位系统融合方法应用于惯性传感器系统，所述惯性传感器系统包括惯性传感器、电源、处理器(处理器可以为微处理器、 MCU芯片、微控制单元、PC、平板电脑)、和无线接收器；在室内定位区域选取多个无线接入点(AP节点)，所述行人导航定位系统融合方法包括：
步骤S10，基于所述无线接收器获取若干个无线接入点发送的离线WiFi数据和在线信号强度数据；
在本实施例中，为了实现通过惯性导航与WiFi定位融合，使得定位结果更加精确，减少累积误差，满足长时间精准的定位结果。处理器采集每个无线接入点发送的离线WiFi数据。其中，离线WiFi数据包括RSS信息。将惯性传感器安装在鞋上，并用胶布对其进行捆绑固定，使传感器与鞋子保持相对稳定。基于手持智能手机采集加速度周期性不明显，设备大，不容易固定，通过无线模块进行采集加速度、角速度、磁力计数据。
步骤S20，根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库；
在本实施例中，处理器在获取了离线WiFi数据之后，根据每个所述无线接入点发送的所述离线WiFi数据进行高斯、均值双重滤波处理，得到WiFi指纹数据库。
步骤S20根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库，可以包括：
步骤S21，对每个所述无线接入点发送的所述离线WiFi数据进行高斯滤波，过滤出现概率较低的WiFi数据，得到每个所述无线接入点对应的高斯滤波WiFi 数据；
在本实施例中，处理器在获取了每个所述无线接入点发送的所述离线WiFi 数据之后，对每个所述无线接入点发送的所述离线WiFi数据进行高斯滤波，过滤出现概率较低的WiFi数据，得到每个所述无线接入点对应的高斯滤波WiFi 数据。首先对离线WiFi数据进行高斯滤波，过滤掉出现概率较低的数据，使原始数据更加平滑，参考点指纹数据更加贴近真实值，考虑到多径效应对WiFi 信号强度检测的影响，信号强度RSS是对每个采样点不同朝向多次采样下进行高斯、均值双重处理。
高斯滤波WiFi数据中的一个数据RSSI～N(μ,σ2)，概率密度函数
Figure SMS_32
x为RSSI第j组的强度值，j＝1,2,3，.......，n；μ为 RSSI第j组上的均值，σ为RSSI第j组的标准差；均值μ为：/>
Figure SMS_33
标准差σ为：
Figure SMS_34
步骤S22，对每个所述无线接入点对应的滤波WiFi数据进行均值滤波，得到每个所述无线接入点对应的均值滤波WiFi数据。
在本实施例中，处理器在得到了高斯滤波WiFi数据之后，对每个所述无线接入点对应的滤波WiFi数据进行均值滤波，得到每个所述无线接入点对应的均值滤波WiFi数据。
其中，在得到了高斯滤波WiFi数据(高斯滤波指纹数据)之后，将高斯滤波指纹数据取平均值的方式进行信号处理，均值滤波WiFi数据中的一个数据
Figure SMS_35
n为高斯滤波后的第i个指纹采样点第j组测量的数据总数目；RSSIijn为高斯滤波后的第i个指纹采样点第j 组测量的数据第n个数据；
步骤S23，将每个所述无线接入点的位置坐标和与所述无线接入点对应的均值滤波WiFi数据分别进行组合，得到WiFi指纹数据库；
所述WiFi指纹数据库中的一个无线接入点对应的指纹数据集
Figure SMS_36
其中，(Xi,Yi)为第i个无线接入点(指纹采样点)所在位置坐标，MACin为第i 个指纹采样点处接收到的第n个WiFi信号所对应的地址；/>
Figure SMS_37
为在第i个指纹采样点处接收到的第n个WiFi信号所对应的信号强度；
步骤S30，根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离；
在本实施例中，处理器在得到了所述WiFi指纹数据库和所述在线信号强度数据之后，根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离。
由于室内环境中存在障碍物遮挡，人员流动等复杂环境的影响，信号强度自身会发生改变，使得计算传统的欧式距离并不太准确，在信号强度对WiFi 信号强度较大的分配较小的加权系数，得到更准确的距离。加权欧式距离的计算公式为
Figure SMS_38
Dj为当前位置与第j个参考点到待测点的指纹距离，N为参考点到待测点之间匹配到无线接入点的总数量，RSSIi为无线接收器(在线阶段)测量的第i个所述无线接入点的在信号强度值数据，为离线阶段第j个参考点获得的第i个无线接入点信号强度值，di为每个无线接入点信号加权系数，/>
Figure SMS_39
步骤S40，通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据；
在本实施例中，处理器在得到了WiFi指纹数据库之后，通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据。
也即是，使用K最近邻算法，通过加权欧式距离选取最小的前k个指纹表征采样点位置坐标，对所在位置进行定位，获取位置坐标(即最优估计坐标数据)。最优估计坐标数据
Figure SMS_40
其中(X,Y)为所在的位置坐标，(Xi,Yi)为WiFi指纹表征采样点第i个采样点坐标位置；Dj为当前位置与第j个参考点到待测点的指纹距离。
步骤S50，基于所述惯性传感器获取加速度数据和角速度数据；
在本实施例中，为了实现通过惯性导航与WiFi定位融合，使得定位结果更加精确，减少累积误差，满足长时间精准的定位结果。处理器采集每个无线接入点发送的离线WiFi数据的同时，处理器通过所述惯性传感器获取加速度数据和角速度数据。
步骤S60，根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据；
在本实施例中，处理器在得到了加速度数据、所述角速度数据和所述最优估计坐标数据之后，根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据。
步骤S60根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据，可以包括：
步骤S61，根据所述加速度数据，得到行走步长数据；
在本实施例中，处理器在得到了加速度数据之后，根据所述加速度数据，得到行走步长数据。
步骤S61根据所述加速度数据，得到行走步长数据，可以包括：
步骤S611，对所述加速度数据进行低通滤波预处理，得到滤波加速度数据；
在本实施例中，处理器在得到了加速度数据之后，对所述加速度数据进行低通滤波预处理，去除数据中的噪声和干扰影响，得到滤波加速度数据。
步骤S612，对所述滤波加速度数据进行处理，通过设置速度阈值确定所述滤波加速度数据的波峰波谷；
在本实施例中，处理器在得到了滤波加速度数据之后，对所述滤波加速度数据进行处理，通过设置速度阈值确定所述滤波加速度数据的波峰波谷。人在行走的过程中，会有一定的周期性，即峰值点和低谷点，比如，你在静止的时候加速度[0,0,1]相当于只有重力加速度，通过设置速度阀值判断一步的波峰波谷。
步骤S613，根据所述滤波加速度数据的波峰波谷，得到行人步频数据和行人峰值方差数据；
在本实施例中，处理器在确定了滤波加速度数据的波峰波谷之后，根据所述滤波加速度数据的波峰波谷，得到行人步频数据和行人峰值方差数据；若连续检测到一个波峰和一个波谷则为一步，根据一步的时间确定行人步频，根据所述滤波加速度数据的波峰确定行人峰值方差。
步骤S614，根据所述行人步频数据和所述行人峰值方差数据，得到行走步长数据。
在本实施例中，处理器在行人步频数据和行人峰值方差数据之后，根据所述行人步频数据和所述行人峰值方差数据，通过行人步频数据和所述行人峰值方差数据计算行人每一步的位移，得到行走步长数据。其中，行走估计步长 l＝a*f+b*var+c，其中，a为计步模型的第一相关系数，b为计步模型的第二相关系数，c为计步模型的第三相关系数，f为行人步频数据中的行人步频，var 为行人峰值方差数据中的行人峰值方差。对不同的人要进行标定，通过测试人员重复实验以不同速度行走一段时间，测量出这段时间内平均行走一步所耗费的时间，同时根据最小二乘法曲线拟合可以计算出a，b，c系数。
步骤S62，根据所述角速度数据，得到行走航向角数据；
在本实施例中，处理器在得到了角速度数据之后，根据所述角速度数据，得到行走航向角数据。
步骤S62根据所述角速度数据，得到行走航向角数据，可以包括：
步骤S621，对所述角速度数据进行低通滤波预处理，得到滤波角速度数据；
在本实施例中，处理器在得到了角速度数据之后，对所述角速度数据进行低通滤波预处理，去除数据中的噪声和干扰影响，得到滤波角速度数据。
步骤S622，根据所述滤波角速度数据，计算得到由四元数组成的四元数数据，所述四元数包括第一四元数、第二四元数、第三四元数和第四四元数；
在本实施例中，处理器在得到了角速度数据之后，根据所述滤波角速度数据，计算得到由四元数组成的四元数数据，所述四元数包括第一四元数、第二四元数、第三四元数和第四四元数；利用角速度数据计算四元数，其四元数表示的载体b系到导航n系的姿态变换矩阵为：
Figure SMS_41
由四元数微分方程计算出四元数，其公式：/>
Figure SMS_42
其中，四元数Q(q0，q1，q2，q3)，q0为第一四元数、q1第二四元数、q2第三四元数和q3第四四元数；
步骤S623，通过姿态转换矩阵对所述四元数数据进行处理，得到原始航向角数据；
在本实施例中，处理器在得到了四元数数据之后，通过姿态转换矩阵对所述四元数数据进行处理，得到原始航向角数据。通过姿态转换矩阵求出航向角ψ，其航向角ψ公式：
Figure SMS_43
得到的。
步骤S624，根据自适应HDE算法对原始航向角数据进行修正，得到行走航向角数据。
在本实施例中，处理器在得到了原始航向角数据之后，根据自适应HDE 算法对原始航向角数据进行修正，得到行走航向角数据。自适应HDE算法为自适应启发式偏移消除算法(Heuristic Drift Elimination，HDE)。采用自适应HDE 算法抑制航向角误差，是通过主航向的航向修正，设定0°、45°、90°、135°、 180°、225°、270°、315°、360°为8个主航向，行人在行走过程中除了沿直线行走，还会存在角度转向问题，在转弯过程，会存在过度修正问题，导致累积的误差偏大，所以通过相邻3个复步的航向变化检测行人直线行走和转弯。如下公式：
Figure SMS_44
步骤S624根据自适应HDE算法对原始航向角数据进行修正，得到行走航向角数据，可以包括：
通过相邻3个复步的航向变化检测行人直线行走和转弯
Figure SMS_45
其中，Μ为行人行走路线的状态，Ms表示行人直线行走，Mw表示行人转弯，ψi-1为前一步和前两步的航向角，ψi-2为前两步的航向角，ψth为设定的一个航向角偏差阀值；
当所述行人直线行走时，通过自适应HDE反馈系统修正航向角行走航向角数据中的一个修正航向角ψHED-i＝ψYAW-i+Ii，ψYAW-i为原始航向角数据中的一个未修正的原始航向角，Ii为直行修正航向角；所述直行修正航向角，其中
Figure SMS_46
ic为修正系数；其中，偏移方向Εi由/>
Figure SMS_47
得到；ψi-1为前一步航向角；Δ由前一步航向角ψi-1的偏移角度属于的主航向区间[0,Δ]得到的；所述主航向包括0°、45°、90°、 135°、180°、225°、270°、315°、360°；
当所述行人转弯行走时，行走航向角数据中的一个修正航向角ψHED-i＝ψYAW-i+Ii，ψYAW-i原始航向角数据中的一个未修正的原始航向角，I′i为转弯修正航向角；转弯修正航向角
Figure SMS_48
i′c为转弯修正量，Εi为所述偏移方向；其中，
Figure SMS_49
其中，ic为修正系数；其中，原始航向角的差值方差
Figure SMS_50
行人在转弯的自适应HDE算法的修正航向角通过相邻3个相邻复步航向角的差值方差对所述原始航向角数据进行修正；δψ为3个相邻复步航向角的差值和，δψ＝(ψi-ψi-1)+(ψi-1-ψi-2)；/>
Figure SMS_51
为 3个相邻复步航向角的差值的均值，即
Figure SMS_52
步骤S63，根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据。
在本实施例中，处理器在得到了所述行走步长数据、所述行走航向角数据和最优估计坐标数据之后，根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据。
步骤S63根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据的步骤，包括：
行人行走坐标数据的第一步坐标由
Figure SMS_53
得到，其中，(x0，y0)为初始位置坐标，其中，初始位置坐标为在导航定位之间用户自己定义和设置的位置坐标，比如你在开始行走的时候，定为初始坐标为原点(0,0)。(x1， y1)为第一步位置坐标，l1为行走步长数据中的第一步的估计步长，ψ′1为第一步的修正航向角；
行人行走坐标数据的第二步坐标由
Figure SMS_54
得到，其中，(x2，y2)为第二步位置坐标，l2为行走步长数据中的第二步的估计步长，ψ′2为第二步的修正航向角；
依次类推，行人行走坐标数据的第n时刻坐标由
Figure SMS_55
得到，其中，1(xn，yn)为第n步位置坐标，ln为行走步长数据中的第n步的估计步长，ψ′n为第n步的修正航向角；
将第1步坐标、第2步坐标、……、第n步坐标进行整合，得到行人行走坐标数据。
步骤S70，利用扩展卡尔曼滤波融合方法对所述行走航向角数据、所述行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标。
在本实施例中，处理器在得到了行走航向角数据、所述行走步长数据和所述最优估计坐标数据之后，利用扩展卡尔曼滤波融合方法对所述行走航向角数据、所述行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标。
步骤S70利用扩展卡尔曼滤波融合方法对所述行走航向角数据、所述行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标，可以包括：
惯性定位可以较精准地对行人每一步位置进行定位，但是由于行人行走步长和航向角的误差积累，长时间会造成定位结果不准确，WiFi定位在每一步条件下的定位精确度没有惯性定位高，但是不存在误差积累，若将两种定位算法进行融合，定位精度将会更高。
行人当前最优定位坐标由
Figure SMS_56
确定，其中，/>
Figure SMS_57
为行人第k步状态的最优估计位置坐标；Kk为EKF增益向量，Xk为对第k步的状态预测向量；对第k步的状态预测向量由行人行走的系统状态模型/>
Figure SMS_58
计算得到；/>
Figure SMS_59
为对第k-1步的状态最优估计，/>
Figure SMS_60
为第k-1步的状态最优估计对应的位置坐标，lk惯性传感器获得的第k步的步长、θk为惯性传感器获得的第k步的航向角，ψk与θk都是惯性传感器获得的第k步的航向角，wk为过程噪声向量，wk时通过传感器步长误差和航向角误差噪声计算得到的；行人的初始状态向量X0＝[x0 y0 ψ0]T；
第k步观测向量由系统观测模型Zk＝H*X'k+vk计算得到；
其中，Zk为第k步观测向量，X′k为WIFI指纹匹配结果的坐标，X′k由最优估计坐标数据计算得到的；vk为测量噪声误差，vk是在得到wifi指纹匹配结果的坐标X′k之后，X′k存在位置坐标误差，即测量噪声误差；观测矩阵
Figure SMS_61
其中，EKF增益向量Kk＝Pk*HT*[H*Pk*HT+Rk]-1
其中，Rk为测量噪声的协方差矩阵，Rk是由Wifi数据产生信号强度波动误差得到的；Pk为预测状态的协方差矩阵；
其中，预测状态的协方差矩阵
Figure SMS_62
其中，
Figure SMS_63
为最优估计的协方差矩阵，/>
Figure SMS_64
是惯性传感器设定初始坐标参数，类似滤波原理，为更新方程修正，得到准确的坐标；Qk为预测状态噪声的协方差矩阵，是Qk惯性传感器位置误差，即预测的噪声协方差；
更新后的最优估计的协方差矩阵
Figure SMS_65
其中，
Figure SMS_66
为更新状态最优估计协方差矩阵，这个是卡尔曼滤波五个公式其中一个公式，是更新最优估计协方差公式；I为单位矩阵；状态转矩阵
Figure SMS_67
/>
本实施例通过上述方案，基于所述无线接收器获取若干个无线接入点发送的离线WiFi数据和在线信号强度数据；根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库；根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离；通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据；基于所述惯性传感器获取加速度数据和角速度数据；根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据；利用扩展卡尔曼滤波融合方法对所述行走航向角数据、所述行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标。实现了通过惯性导航与WiFi定位融合，使得定位结果更加精确，减少累积误差，满足长时间精准的定位结果。对采集的数据进行预处理，通过加速度检测波峰波谷计算步数，估计步长，通过角速度计算航向角，采用自适应HDE算法对航向角进行修正。根据无线接收设备接收到的自不同无线接入点的不同WiFi信号强度，对接收设备进行定位，得到数据通过双重滤波算法创建WiFi离线数据库。通过传统欧式距离进行加权，得到更准确的距离，再根据K最近邻算法获取位置坐标。最后通过扩展卡尔曼滤波对惯性导航推算位置与WiFi定位获取位置坐标融合获取精准的位置结果。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘) 中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种行人导航定位系统融合方法，其特征在于，所述行人导航定位系统融合方法应用于惯性传感器系统，所述惯性传感器系统包括惯性传感器和无线接收器；所述行人导航定位系统融合方法包括如下步骤：
基于所述无线接收器获取若干个无线接入点发送的离线WiFi数据和在线信号强度数据；
根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库；
根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离；
通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据；
基于所述惯性传感器获取加速度数据和角速度数据；
根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据；
利用扩展卡尔曼滤波融合方法对行走航向角数据、行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标；
其中，所述根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据的步骤，包括：
根据所述加速度数据，得到行走步长数据；
根据所述角速度数据，得到行走航向角数据；
根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据；
所述根据所述加速度数据，得到行走步长数据的步骤，包括：
对所述加速度数据进行低通滤波预处理，得到滤波加速度数据；
对所述滤波加速度数据进行处理，通过设置速度阈值确定所述滤波加速度数据的波峰波谷；
根据所述滤波加速度数据的波峰波谷，得到行人步频数据和行人峰值方差数据；
根据所述行人步频数据和所述行人峰值方差数据，得到行走步长数据；
所述根据所述角速度数据，得到行走航向角数据的步骤，包括：
对所述角速度数据进行低通滤波预处理，得到滤波角速度数据；
根据所述滤波角速度数据，计算得到由四元数组成的四元数数据，所述四元数包括第一四元数、第二四元数、第三四元数和第四四元数；
通过姿态转换矩阵对所述四元数数据进行处理，得到原始航向角数据；
根据自适应HDE算法对原始航向角数据进行修正，得到行走航向角数据；
所述根据自适应HDE算法对原始航向角数据进行修正，得到行走航向角数据的步骤，包括：
通过相邻3个复步的航向变化检测行人直线行走和转弯
Figure FDA0004227405810000021
其中，Μ为行人行走路线的状态，Ms表示行人直线行走，Mw表示行人转弯，ψi-1为前一步的航向角，ψi-2为前两步的航向角，ψth为设定的一个航向角偏差阀值；
当所述行人直线行走时，通过自适应HDE反馈系统修正航向角，行走航向角数据中的一个修正航向角ψHED-i＝ψYAW-i+IiψHED-i＝ψYAW-i+Ii，ψYAW-i为原始航向角数据中的一个未修正的原始航向角，Ii为直行修正航向角；所述直行修正航向角
Figure FDA0004227405810000022
其中，ic为修正系数；其中，偏移方向Εi由/>
Figure FDA0004227405810000023
得到；ψi-1为前一步航向角；Δ由前一步航向角ψi-1的偏移角度属于的主航向区间[0,Δ]得到的；所述主航向包括0°、45°、90°、135°、180°、225°、270°、315°、360°；
当所述行人转弯行走时，行走航向角数据中的一个修正航向角ψHED-i＝ψYAW-i+I’i，ψYAW-i为原始航向角数据中的一个未修正的原始航向角，I′i为转弯修正航向角；转弯修正航向角
Figure FDA0004227405810000031
i’c为转弯修正量，Εi为所述偏移方向；其中，/>
Figure FDA0004227405810000032
其中，ic为修正系数；其中，原始航向角的差值方差/>
Figure FDA0004227405810000033
δψ为3个相邻复步航向角的差值和，δψ＝(ψi-ψi-1)+(ψi-1-ψi-2)；/>
Figure FDA0004227405810000034
为3个相邻复步航向角的差值的均值，即
Figure FDA0004227405810000035
所述根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据的步骤，包括：
行人行走坐标数据的第一步坐标由
Figure FDA0004227405810000036
得到，其中，(x0，y0)为初始位置坐标，(x1，y1)为第一步位置坐标，l1为行走步长数据中的第一步的估计步长，ψ′1为第一步的修正航向角；
行人行走坐标数据的第二步坐标由
Figure FDA0004227405810000037
得到，其中，(x2，y2)为第二步位置坐标，l2为行走步长数据中的第二步的估计步长，ψ'2为第二步的修正航向角；
依次类推，行人行走坐标数据的第n时刻坐标由
Figure FDA0004227405810000041
得到，其中，1(xn，yn)为第n步位置坐标，ln为行走步长数据中的第n步的估计步长，ψ′n为第n步的修正航向角；
将第1步坐标、第2步坐标、……、第n步坐标进行整合，得到行人行走坐标数据。
2.根据权利要求1所述的行人导航定位系统融合方法，其特征在于，所述根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库的步骤，包括：
对每个所述无线接入点发送的所述离线WiFi数据进行高斯滤波，过滤出现概率较低的WiFi数据，得到每个所述无线接入点对应的高斯滤波WiFi数据；
对每个所述无线接入点对应的滤波WiFi数据进行均值滤波，得到每个所述无线接入点对应的均值滤波WiFi数据；
将每个所述无线接入点的位置坐标和与所述无线接入点对应的均值滤波WiFi数据分别进行组合，得到WiFi指纹数据库；
所述WiFi指纹数据库中的一个无线接入点对应的指纹数据集
Figure FDA0004227405810000042
其中，(Xi,Yi)为第i个无线接入点所在位置坐标，MACin为第i个指纹采样点处接收到的第n个WiFi信号所对应的地址；/>
Figure FDA0004227405810000043
为在第i个指纹采样点处接收到的第n个WiFi信号所对应的信号强度；
其中，均值滤波WiFi数据中的一个数据
Figure FDA0004227405810000044
n为高斯滤波后的第i个指纹采样点第j组测量的数据总数目；RSSIijn为高斯滤波后的第i个指纹采样点第j组测量的数据第n个数据；
高斯滤波WiFi数据中的一个数据RSSI～N(μ,σ2)，概率密度函数
Figure FDA0004227405810000051
x为RSSI第j组的强度值，j＝1,2,3，.......，n；μ为RSSI第j组上的均值，σ为RSSI第j组的标准差；均值μ为：/>
Figure FDA0004227405810000052
标准差σ为：
Figure FDA0004227405810000053
3.根据权利要求2所述的行人导航定位系统融合方法，其特征在于，所述根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离的步骤，包括：
加权欧式距离
Figure FDA0004227405810000054
Dj为当前位置与第j个参考点到待测点的指纹距离，N为参考点到待测点之间匹配到无线接入点的总数量，RSSIi为无线接收器测量的第i个所述无线接入点的在信号强度值数据，为离线阶段第j个参考点获得的第i个无线接入点信号强度值，di为每个无线接入点信号加权系数，/>
Figure FDA0004227405810000055
4.根据权利要求3所述的行人导航定位系统融合方法，其特征在于，所述通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据的步骤，包括：
最优估计坐标数据
Figure FDA0004227405810000061
其中(X,Y)为所在的位置坐标，(Xi,Yi)为WiFi指纹表征采样点第i个采样点坐标位置；Dj为当前位置与第j个参考点到待测点的指纹距离。
5.根据权利要求1所述的行人导航定位系统融合方法，其特征在于，所述利用扩展卡尔曼滤波融合方法对行走航向角数据、行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标的步骤，包括：
行人当前最优定位坐标由
Figure FDA0004227405810000062
确定，其中，/>
Figure FDA0004227405810000063
为行人第k步状态的最优估计位置坐标；Kk为EKF增益向量，Xk为对第k步的状态预测向量；对第k步的状态预测向量由行人行走的系统状态模型/>
Figure FDA0004227405810000064
计算得到；/>
Figure FDA0004227405810000065
为对第k-1步的状态最优估计，/>
Figure FDA0004227405810000066
为第k-1步的状态最优估计对应的位置坐标，lk惯性传感器获得的第k步的步长、θk为惯性传感器获得的第k步的航向角，wk为过程噪声向量；行人的初始状态向量X0＝[x0 y0ψ0]T；
第k步观测向量由系统观测模型Zk＝H*X'k+vk计算得到；
其中，Zk为第k步观测向量，X′k为WIFI指纹匹配结果的坐标，vk为测量噪声误差，观测矩阵
Figure FDA0004227405810000067
其中，EKF增益向量Kk＝Pk*HT*[H*Pk*HT+Rk]-1
其中，Rk为测量噪声的协方差矩阵；Pk为预测状态的协方差矩阵；
其中，预测状态的协方差矩阵
Figure FDA0004227405810000071
其中，
Figure FDA0004227405810000072
为最优估计的协方差矩阵，Qk为预测状态噪声的协方差矩阵；
更新后的最优估计的协方差矩阵
Figure FDA0004227405810000073
其中，
Figure FDA0004227405810000074
为更新状态最优估计协方差矩阵，I为单位矩阵；状态转矩阵
Figure FDA0004227405810000075
CN202111645972.2A 2021-12-29 2021-12-29 一种行人导航定位系统融合方法 Active CN114554389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111645972.2A CN114554389B (zh) 2021-12-29 2021-12-29 一种行人导航定位系统融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111645972.2A CN114554389B (zh) 2021-12-29 2021-12-29 一种行人导航定位系统融合方法

Publications (2)

Publication Number Publication Date
CN114554389A CN114554389A (zh) 2022-05-27
CN114554389B true CN114554389B (zh) 2023-06-20

Family

ID=81669835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111645972.2A Active CN114554389B (zh) 2021-12-29 2021-12-29 一种行人导航定位系统融合方法

Country Status (1)

Country Link
CN (1) CN114554389B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088196A1 (zh) * 2015-11-24 2017-06-01 东南大学 基于无线指纹和mems传感器的融合导航装置和方法
CN109413578A (zh) * 2018-11-02 2019-03-01 桂林电子科技大学 一种基于wifi与pdr融合的室内定位方法
CN110602647A (zh) * 2019-09-11 2019-12-20 江南大学 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法
WO2020087846A1 (zh) * 2018-10-31 2020-05-07 东南大学 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法
CN111970633A (zh) * 2020-08-24 2020-11-20 桂林电子科技大学 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法
CN112797985A (zh) * 2021-02-08 2021-05-14 上海第二工业大学 基于加权扩展卡尔曼滤波的室内定位方法及室内定位系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102034527B1 (ko) * 2014-02-11 2019-10-21 한국전자통신연구원 와이-파이 위치와 센서정보 결합을 통한 단말 위치 필터링 시스템 및 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088196A1 (zh) * 2015-11-24 2017-06-01 东南大学 基于无线指纹和mems传感器的融合导航装置和方法
WO2020087846A1 (zh) * 2018-10-31 2020-05-07 东南大学 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法
CN109413578A (zh) * 2018-11-02 2019-03-01 桂林电子科技大学 一种基于wifi与pdr融合的室内定位方法
CN110602647A (zh) * 2019-09-11 2019-12-20 江南大学 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法
CN111970633A (zh) * 2020-08-24 2020-11-20 桂林电子科技大学 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法
CN112797985A (zh) * 2021-02-08 2021-05-14 上海第二工业大学 基于加权扩展卡尔曼滤波的室内定位方法及室内定位系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Jianmei Sun ; Xi Yu.Research on Indoor Location Technology based on the Fusion of WiFi and PDR.2020 13th International Conference on Intelligent Computation Technology and Automation (ICICTA).2021,全文. *
基于改进PDR与RSSI融合的定位算法;郭娅婷;杨君;甘露;;传感技术学报(第07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;李志强;罗磊;;计算机应用(第05期);全文 *
扩展卡尔曼滤波的WiFi/PDR融合室内定位系统设计;蔡金洋;陈浙泊;孙凌杰;;单片机与嵌入式系统应用(第08期);全文 *

Also Published As

Publication number Publication date
CN114554389A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
Kothari et al. Robust indoor localization on a commercial smart phone
Chen et al. Smartphone inertial sensor-based indoor localization and tracking with iBeacon corrections
CN109413578B (zh) 一种基于wifi与pdr融合的室内定位方法
CN105589064B (zh) Wlan位置指纹数据库快速建立和动态更新系统及方法
CN104180805B (zh) 基于智能手机的室内行人定位与跟踪方法
CN109682375B (zh) 一种基于容错决策树的uwb辅助惯性定位方法
Lee et al. An experimental heuristic approach to multi-pose pedestrian dead reckoning without using magnetometers for indoor localization
CN109708632B (zh) 一种面向移动机器人的激光雷达/ins/地标松组合导航系统及方法
CN111683337B (zh) 基于Wifi和传感器的融合定位方法、系统、电子设备及存储介质
CN107014375B (zh) 超低部署的室内定位系统及方法
CN111491367A (zh) 一种基于群智感知和多融合技术的室内定位算法
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
CN110388926B (zh) 一种基于手机地磁和场景图像的室内定位方法
CN113566820B (zh) 一种基于位置指纹和pdr算法的融合人行定位方法
WO2016198933A1 (en) Determining sensor orientation in indoor navigation
Lee et al. Indoor localization by Kalman filter based combining of UWB-positioning and PDR
Kamiya et al. Indoor positioning in large shopping mall with context based map matching
Kong et al. Hybrid indoor positioning method of BLE and PDR based on adaptive feedback EKF with low BLE deployment density
Yu et al. Neural networks-based Wi-Fi/PDR indoor navigation fusion methods
CN114554389B (zh) 一种行人导航定位系统融合方法
KR102119196B1 (ko) 머신러닝 기반의 실내 측위 방법 및 시스템
CN112539747B (zh) 一种基于惯性传感器和雷达的行人航位推算方法和系统
Tateno et al. Improvement of pedestrian dead reckoning by heading correction based on optimal access points selection method
Liu et al. A novel minimum distance constraint method enhanced dual-foot-mounted inertial navigation system for pedestrian positioning
CN115103299A (zh) 一种基于rfid的多传感器融合定位方法

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