论文部分内容阅读
随着室内活动的不断增多,人们对室内位置的需求日益旺盛,并且智能手机随着科技发展愈发的普及,行人使用智能手机来获得室内位置贴近室内定位真实场景。研究人员逐渐关注于利用智能手机的无线接收器与惯性传感器进行可靠的室内定位。本文以实现利用智能手机在WIFI环境达到高实用性、高精度、低成本以及高鲁棒性的定位系统作为研究方向,对基于智能手机惯性传感器的行人航迹推算系统(Pedestrian Dead Reckoning,PDR)以及无线接收器的WIFI信号定位技术进行了研究。通过对PDR定位技术,验证得到PDR定位在距离检测以及步数检测上能达到很好的精度,然而航向角检测由于陀螺仪的精度不足且存在累积误差,造成PDR的定位精度随定位距离不断下降。使用WIFI指纹定位中的三种指纹匹配算法KNN(K-Nearest Neighbor)算法、加权KNN算法与置信度加权KNN算法进行了实验,其平均误差距离分别为3.82米、4.90米与5.29米,置信度加权KNN算法的最大误差达到15m,验证得到WIFI指纹定位的定位精度一般且鲁棒性性能较差。本文对利用卡尔曼滤波算法与条件随机场(Conditional Random Field,CRF)融合WIFI信息与惯性传感器信息的融合定位算法进行了研究,并对行人初始位置未知这一真实定位场景常面临的问题进行了研究。实验证明,在初始位置已知条件下,卡尔曼滤波融合定位算法能够减少PDR航向角检测的累积误差,提升定位精度,但在初始位置未知使用WIFI定位结果作为初始位置的条件下,初始位置的误差会累积到最终定位结果,使得定位结果不理想,同时算法继承了WIFI指纹定位的低下的鲁棒性性能。本文利用CRF条件随机场搭建了一个融合地图信息与惯性传感器信息以及有限的与WIFI数据进行融合的定位模型,实验验证,CRF融合定位算法保留了较好的鲁棒性性能,在初始位置已知的情况下达到很好的定位效果,平均定位精度为1.79米,最大误差为4.41米。初始位置未知条件下,CRF融合定位算法使用WIFI定位位置作为初始位置,利用了特殊位置标记信息,通过增添的行走模式判定模块对WIFI定位出的初始位置进行修正,相对于初始位置已知,定位性能略有损耗,于不同位置开始的两次定位的平均定位误差分别为2.85米与2.75米,最大误差分别为5.20米与5.24米。