论文部分内容阅读
目前室内定位技术依然在蓝海阶段，其应用意义不亚于室外定位技术。分析当前在智能手机上的室内定位技术精度低及难实现的问题，研究基于MEMS-SINS的行人航位推算算法及基于iBeacon室内定位技术，提出了基于MEMS-SINS/iBeacon的室内组合导航与定位系统算法。 在研究基于MEMS-SINS的行人航位推算算法过程中，针对载体在变速运动时因为加速度计不能区分重力加速度与运动加速度引起基于互补滤波的姿态解算误差较大的问题，提出一种互补与自适应限幅组合滤波的姿态解算算法，并给出了自适应限幅滤波门阀的设计方法；针对直接应用MEMS-SINS时积分误差较大的问题，设计根据行人步行状态来自适应调整的行人步伐检测算法，及基于导航坐标系水平加速度的步长估计模型。在研究基于iBeacon的室内定位算法过程中，针对在线匹配阶段实时iBeacon RSSI值波动大，易匹配到相似度高但是距离远的定位点的问题，提出基于距离的KNN加权算法；针对应用于RSSI指纹库优化的主流的聚类技术存在时间复杂度高的问题，提出基于RSSI排序特征向量的指纹库处理算法，并给出了对应的指纹匹配算法。分析了MEMS-SINS及iBeacon定位的优缺点后，提出基于自适应卡尔曼滤波的MEMS-SINS、iBeacon定位数据的融合方案,并论述确定估计状态量、状态转换矩阵、测量矩阵及用输出相关自适应法将离散卡尔曼滤波自适应化的详细过程，并给出自适应卡尔曼滤波初始化的详细步骤。最终得出一个完整的MEMS-SINS/iBeacon室内组合定位与导航系统算法。 实验表明，基于组合滤波的姿态解算算法，精度高，计算量小，易于在手机定位系统中实现；自适应行人步伐检测算法及步长估计模型在智能手机上的定位应用都比传统的行人航位推算算法精度更高；基于RSSI排序特征向量的指纹库处理算法及指纹匹配算法能自动对定位空间分块，有效抑制定位点的突变，降低匹配算法的时间复杂度等，是一种高效的指纹定位算法；采用自适应卡尔曼滤波的数据融合策略的整体设计方案能很好地应对复杂的室内定位环境，是一个精度高、易于实现的算法方案。