论文部分内容阅读
随着移动互联网的发展和智能终端的普及,人们对基于位置服务(Location Based Service,LBS)的需求正与日俱增,而精确的位置信息是实现LBS的关键。然而,在最广泛应用场景之一的城市峡谷中,由于其高楼林立、高楼间距短使得全球卫星导航系统(Global Navigation Satellite System,GNSS)接收机接收的信号受建筑物阻挡、反射、衍射及可见卫星条状分布等影响,导致其定位误差偏大甚至不能定位。针对上述问题,本文对城市峡谷中的定位技术展开研究,主要工作如下:基于高分值加权的改进SM定位算法研究。在介绍阴影匹配(Shadow Matching,SM)定位算法原理的基础上,使用RTK(Real-Time Kinematic)和全站仪测量技术构建了该算法所需的3D建筑模型;结合卫星星历计算卫星位置预测卫星可见性;最终与卫星信噪比(Signal-to-Noise Ratio,SNR)观测卫星可见性进行模板匹配打分实现了SM算法。通过分析SM在真实环境中存在的卫星SNR观测可见性误差,在最高分值候选位置的基础上引入次高分值候选位置加权计算最终定位结果,提出了基于高分值加权的改进SM定位算法。城市峡谷中的静态实验结果表明:该算法在沿街和过街方向平均定位误差为2.07m和0.88m,相对于传统SM的2.95m和2.64m,分别降低了30%和66.7%。证实了SM定位算法的有效性和基于高分值加权的改进SM算法的优越性。基于粒子滤波的改进SM/GPS融合定位算法。介绍了卡尔曼滤波(Kalman Filter,KF)、扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)和粒子滤波(Particle Filter,PF)算法的基本原理和计算步骤。使用PF建立了改进SM定位算法模型,并详细阐述了其具体计算步骤,但算法改善效果不明显。通过引入GPS速度信息,使用PF建立了改进SM/GPS融合定位算法模型,城市峡谷中的动态实验结果表明:该算法在沿街方向定位误差均值为3.57m,相对于改进SM算法、EKF-改进SM/GPS算法和UKF-改进SM/GPS算法的5.62m、4.64m和3.74m,分别降低了36.5%、23.1%和4.5%,过街方向各种定位算法的误差相近。基于粒子滤波的INS/磁力计融合定位算法研究。介绍了小米2S智能终端内置传感器,在分析城市峡谷场景中GPS定位误差的基础上,在智能终端上实现了基于粒子滤波融合INS输出的水平速度和磁力计方位角的多传感器定位算法。实验结果表明:该算法的平均定位误差是3.19m,相比于GPS的13.81m,降低了76.9%,相比于EKF和UKF融合算法的4.84m和4.82m,分别降低了34.1%和33.8%。证实了智能终端上多传感器融合定位的有效性。