论文部分内容阅读
在智能手机上利用无线保真（Wireless Fidelity,Wi-Fi）往返时间（Round-Trip Time,RTT）和行人航位推算（Pedestrian Dead Reckoning,PDR）实现亚米级连续混合定位是当前室内定位领域最受关注的研究方向之一。然而,复杂多变的室内环境和灵活多样的行人活动影响了Wi-Fi RTT/PDR室内混合定位的精度与稳定性。为此,需要对Wi-Fi RTT/PDR室内混合定位算法进行优化,包括非视距（Non-line of Sight,NLOS）与视距（Line of Sight,LOS）距离的识别、LOS距离误差补偿、RTT定位算法的改进、复杂行人活动识别算法的优化、PDR定位算法优化和混合定位算法的优化等,以提高混合定位算法的场景自适应能力。本文在国家重点研发计划“室内混合智能定位技术”课题（2016YFB0502102）资助下,开展了智能手机Wi-Fi RTT/PDR室内混合定位优化问题研究,以期改善RTT的定位精度与稳定性,增强PDR定位的稳健性,提高PDR定位的精度,实现自适应RTT/PDR优化混合定位。主要贡献如下:（1）为实现NLOS与LOS距离动态识别,分析了NLOS与LOS环境下RSS与距离测量的特征,构建了基于支持向量机的NLOS与LOS识别模型;为得到可用的NLOS距离,探讨了NLOS环境下可信距离与RSS的分布特征,构建了可信NLOS距离识别模型;为提高LOS距离测量的精度,研究了LOS距离测量的误差分布,提出了基于最小二乘拟合的LOS距离补偿方法;经实验验证,LOS距离经过误差补偿后,精度提高了40.96%,可信NLOS距离参与定位后二维平均定位误差减小了1.563米;基于NLOS与LOS距离识别、可信NLOS距离识别和LOS距离补偿为定位解算获取可用距离,改善了RTT定位效果,与基于LOS的LS算法相比,二维定位精度与稳定性分别改善了18.51%和29.27%。（2）针对智能手机三维位置求解困难、智能手机计算能力有限等问题,提出了基于密度的噪声应用空间聚类（Density-based Spatial Clustering of Applications with Noise,DBSCAN）辅助的粒子群优化定位算法,实现了三维位置的求解;提出了一种三维搜索区间快速获取方法,迅速获取了粒子群优化算法的搜索区域;提出了DBSCAN辅助的粒子更新策略,有效降低了粒子群优化算法的计算量。验证结果表明,DBSCAN辅助的粒子更新策略使用后,计算效率提高了84.43%;二维平均定位误差为1.02米,高度平均误差为0.317米,三维平均定位误差为1.12米,相比于LS算法,三维定位精度改善了54.1%。（3）针对复杂场景下RTT距离测量误差大、定位精度不理想、高度估计困难等问题,分析了复杂场景下距离测量的误差特征,探讨了复杂场景下算法改良的必要性,研究了距离测量之间的空间关系,提出了测距差指纹的概念和节约型测距差指纹库构建方法,基于高斯过程回归构建了复杂场景RTT高精度二维定位模型,取得了1.097米的二维定位精度,相比于LS、NN和DBSCAN辅助的粒子群优化定位算法,定位精度分别改善了68.51%、47.67%和25.48%;结合DBSCAN辅助的粒子群优化定位算法实现高度估计,相比于DBSCAN辅助的粒子群优化定位算法,平均高度估计误差减小了0.131米。（4）针对行人活动划分不细致,活动识别精度不理想,识别方法通用性较弱等问题,讨论和分析了行人活动的定义与分类,研究了智能手机模式和行人运动模式的最优分类特征,基于层次分类思想构建了行人活动识别方法框架,提出了基于粒子群优化极限学习机的行人活动识别算法,建立了智能手机模式与行人运动模式识别模型,实现了24项行人活动的高精度识别。结果表明,24项活动的识别准确率为99.91%,比随机森林、决策树和KNN分别提高了5.04%,4.36%和2.21%。（5）针对多种行人活动下加速度噪声存在差异、步态识别精度低、步长估计误差大等问题,提出了加速度自适应滤波算法,改进了基于有限状态机的步态识别模型,分析了步长模型的构建特征,改良了步长估计模型,基于遗传算法优化构建不同行人活动的步态识别与步长估计模型;面对航向估计精度不理想的问题,提出了遗传算法优化的航向估计算法,利用梯度下降算法辅助遗传算法快速收敛,结合行人活动实现对航向角的修正;经验证,步态识别精度为98.13%,步长估计模型的平均误差为0.014米,航向估计精度为1.577度。（6）针对RTT定位算法实时切换困难、高度估计不连续、RTT/PDR混合定位效果不理想等问题,提出了复杂场景动态识别方法,奠定了RTT定位算法切换的基础,研究了气压差分测高算法,分析了其高度估计的稳定性,提出了基于气压差分测高的高度估计混合方法,解决了高度估计连续性低的问题;搭建了基于EKF的混合定位算法框架,实现了RTT与PDR的混合定位;提出了基于遗传算法的EKF优化方法,实现了噪声与权重的优化选取,提高了混合定位算法的稳定性与精度。活动1时,混合定位算法的三维平均定位误差为0.683米,活动7时,三维平均定位误差为0.767米;活动13时,三维平均定位误差为0.706米。