论文部分内容阅读
随着移动通信技术和互联网技术的快速发展,基于位置的室内服务的需求逐渐增加,对室内定位技术的要求也越来越苛刻。行人航迹推算(Pedestrian Dead Reckoning,PDR)作为一种仅需智能终端设备就能对行人进行定位的室内定位技术,因其方便性和易扩展性越来越受到研究人员的重视。然而由于低成本的传感器和复杂的人类行为,传统的PDR技术仍然面临着诸多缺陷。本文针对传统PDR技术无法适应行人不同行走模式以及PDR存在累积误差这两个问题进行了深入的研究。本文的主要工作如下:1)针对PDR技术无法适应不同行走模式的问题,提出了一种行走模式自适应的PDR算法,WPA-PDR。首先,WPA-PDR提供一种能够适应不同行走模式的步态检测算法,结合了过零检测法和基于动态时间规划(Dynamic Time Warping,DTW)的峰值预测法,能够精确检测行人每一步的起始时刻和终止时刻;然后,WPA-PDR根据步态检测的结果,提取相关特征,通过随机森林分类算法,识别行人不同的行走模式;最后,WPA-PDR提供一种行走模式自适应的步长估计算法,根据行走模式的识别结果选择对应的步长参数,提高步长估计的精度。仿真结果表明,WPA-PDR在三种行走模式(正常行走、小跑、原地踏步)的步态检测精度平均为97.9%,三种行走模式的识别率上平均为99.4%。此外,本文通过实际场景的行走距离估计来评估WPA-PDR的综合性能,结果表明WPA-PDR的平均行走距离误差为2.9%,远远小于对比算法。2)针对PDR存在累积误差和传感器输出数据精度低问题,提出了一种融合隐马尔科夫模型(Hidden Markov Model)和粒子滤波(Particle Filter)的地图匹配(Map Match)算法,HMM-PF-MM。HMM-PF-MM由基于HMM的活动序列匹配和基于PF定位校正两个模块组成。前者将室内的一些关键位置(楼梯、电梯、转弯口等)视为地标,能够在行人经过室内地标时,将行人定位到具体的室内位置上,解决PDR累积误差问题。后者以PDR输出结果为粒子滤波的状态,步长和航向角为观测值,对室内地标之间路径上的PDR位置估计结果校正,以减少惯性传感器输出数据噪声对PDR定位精度的影响。HMM-PF-MM对室内地图的要求简单,采用本文构建的简单伪室内地图就能获得很好的定位效果。仿真结果表明,HMMPF-MM的活动检测精度为99.3%,仅采用HMM-MM的平均定位误差为1.3m,相较对比算法平均提高50.1%,而完整的HMM-PF-MM的平均定位误差为1 m,相较对比算法平均提高57.9%,HMM-PF-MM既解决了PDR的累积误差问题,又提高了PDR的定位精度。