[发明专利]一种基于粒子滤波的行人室内定位方法

摘要

本发明公开了一种基于粒子滤波的行人室内定位方法，该方法是一种集RSS测量、MEMS加速度计和地图信息与粒子滤波器相互融合的融合框架模型，在定位系统中增加了一个MEMS加速度计和地图信息，基于零交叉算法的运动模型来估计步行距离，使用粒子滤波器用于整合来自MEMS加速度计和建筑物地图的非线性信息，避免了由传感器噪声引起的累积误差，该融合算法与卡尔曼滤波相比，在估计误差的平均值和标准偏差上有明显提高，相对于错误步长的估算结果呈鲁棒性。仿真实验和实际测试的结果表明，该方法与卡尔曼滤波相比，在估计误差的平均值和标准偏差上有明显提高。

主权项

一种基于粒子滤波的行人室内定位方法，其特征在于，该方法具体步骤如下：步骤一：在典型的WLAN行人定位系统增加一个MEMS加速度计和地图信息；步骤二：在基于RSS系统中，采用定位算法是模式匹配或K‑最近邻(KNN)算法，得出基本定位模型，该算法主要包括以下两个步骤：(1)在离线情况下，测量来自校准点处的多个接入点(AP)的接收功率矢量，并将其记录为校准点的指纹，(2)在在线情况下，使用等式(1)中的距离度量将接收的功率矢量与校准点的指纹进行比较，最后选择具有与接收功率矢量最接近的距离的K个校准点的平均值作为最终预测值，d(x)=1QΣq=1Q{(Pqm-Pq(x))2}---(1)]]>其中，为接入点q的测量功率，Pq(x)为校准点x处的指纹的第q个元素，Q是AP的数量；步骤三：基于MEMS加速度计和运动模型确定行人步数和步数距离来获得步行距离，如公式(2)所示：D＝Step_Size×Num_Steps  (2)其中，采用零交叉算法来统计步数，由于垂直加速度信号每一步都将越过零线两次，所以当完成了零交叉点的数量的计数，并将其除以2，得到行人当前的步行步数；采用公式(3)计算步长：Step_Size≈Amax-Amin4×C---(3)]]>其中，Amax为行人每一步最大加速度，Amin为行人每一步最小加速度，C是恒定值，该值从不同行人的步行训练数据中获得；步骤四：采用粒子滤波器来整合来自MEMS加速度计和建筑物地图的非线性信息；a、基于基本粒子滤波算法的室内定位算法实现步骤如下：粒子滤波器使用公式(4)直接估计Z(k)的状态值和x(k)的后验概率密度函数pdf，其中，xi(k)是后验概率的第i个采样点或粒子，wi(k)是颗粒的权值；p(x(k)|Z(k))≈Σi=1Nwi(k)δ(x(k)-xi(k))---(4)]]>该粒子滤波器包括以下步骤：初始化：初始化pdf函数：p(x(0))对N个粒子{xi(0),i＝1...N}进行采样，预测采样：对于每个粒子xi(k)，从pdf状态转移方程p(x(k+1)|xi(k))中获得新的粒子xi(k+1)，重要性采样：对于每个新粒子xi(k+1)，计算wi(k+1)＝p(z(k+1)|xi(k+1))，归一化和重采样：将权重归一化并最终重新采样，重采样步骤中，删除低权重的粒子，并且重复具有高权重的粒子，使得每个粒子具有相同的权重；b、仅用于RSS测量的粒子滤波器：对于原有每个粒子可以从公式(5)中获得新颗粒xi(k+1)：xi(k+1)yi(k+1)vix(k+1)viy(k+1)=10Δt0010Δt00100001xi(k)yi(k)vix(k)viy(k)+Δt2200Δt22Δt00Δtax(k)ay(k)---(5)]]>假设行人的运动由经过高斯加速度噪声叠加的惯性支配，即从正态分布中采样ax(k)和ay(k)，使用等式(6)计算新颗粒的权重，此处假定由基于RSS的模式匹配估计的位置是围绕真实位置的高斯分布；wi(k+1)=p(z(k+1)|xi(k+1))=12πσe[(xi(k+1)-xRSS(k+1))2+(yi(k+1)-yRSS(k+1))22σ2]---(6)]]>c、RSS测量和MEMS加速度计与粒子滤波器的融合当使用MEMS加速度计时，需要调用步骤三来获得两个RSS样本之间的步行距离d(k)，因为步行距离d(k)需要非线性预测函数，所以使用公式(7)预测采样方程：xi(k)=xi(k)yi(k)=xi(k-1)+di(k)cosθi(k)yi(k-1)+di(k)sinθi(k)---(7)]]>其中di(k)从正态分布中进行采样，为步行距离d(k)和标准偏差的平均值，由于θi(k)未知，我们可以从均匀分布(0～2π)中完成采样，并使用公式(6)完成粒子权重计算，基于公式(6)和(7)，使用粒子滤波器融合MEMS加速度计和RSS测量；d、RSS测量、MEMS加速度计和地图信息与粒子滤波器的融合：使用粒子滤波器融合RSS、MEMS加速度计和地图信息，通过删除不可能的粒子(诸如穿过壁的粒子)来改进估计，通过加权，方程(6)可改进为方程(8)，方程(8)为本文所提出的粒子滤波器优化模型wi(k)=0,ifnewparticlecrosseswalls12πσe[(xi(k)-xRSS(k))2+(yi(k)-yRSS(k))22σ2],otherwise---(8)]]>