论文部分内容阅读
一种被广泛应用的高科技技术:定位技术,在商业、交通和军事方面都有着巨大的作用,发展潜力是全社会有目共睹的。随着各行各业对个体位置信息精确度需求的提高,以及可携带智能移动设备和互联网技术的飞速发展,室内定位技术研究成了定位技术领域的热点。在高大、复杂的建筑物以及地下场所,GPS(Global Positioning System)定位并不能有效的提供符合需求的定位精准度。故考虑到定位效率、实用性和成本,WI-FI定位技术以及行人航位推算(Pedestrian Dead Reckoning,PDR)定位技术被常用与室内定位技术的研究。PDR定位技术是基于惯性传感器的,短期内定位精确度较高,然而随着时间的推移,会存在误差累计,从而导致精确度的下降。而基于局域无线网的WI-FI室内定位,误差与应用时间无关,并且能够提供目标点在某时间时的绝对位置信息,然而信号会被建筑物内的结构影响,导致WI-FI定位也达不到理想的精确度。如何将以上两种室内定位技术扬长避短、高效融合是当前研究的重点。本文提出的室内定位方法基于以上两种方法的结合使用,重点对卡尔曼滤波模型融合定位方法做出了深入的探究,并最终实现了优化定位效果的目的。在WI-FI指纹定位阶段,指纹匹配算法是保证精度的关键,本文针对经典的K邻近算法(k-NearestNeighbor,KNN)和加权K邻近算法(weighted K-Nearest neighbor,WKNN),经过实验后做出对比,总结出传统算法不稳定的原因,并且在对比后,本文提出将支持向量机算法融合于WKNN算法。之后又经过实验验证,对比三种算法应用于WI-FI指纹定位时的定位效果,结果表明WKNN算法可以去除支持向量机中奇异值,而支持向量机算法也可以可以降低复杂的建筑环境中WKNN被多径问题的影响,消除位置跳跃的情况,增强了稳定性,尽可能降低定位误差。在这之后,又对PDR算法的定位过程做出了改进,考虑到对于PDR定位精度影响最大的通常都是航向角的探测,所以针对这一问题,本文提出可以借助磁强计、建筑物构造信息和PDR/INS(inertial navigation system)得到的方向,来综合估测每一步的航向角信息,将可靠的航向角数据提供给行人航位推算方法,获得了较高的准确率。综合两种定位方法的优点和缺点,以及算法的计算误差情况,本文提出了两种融合算法来协助定位。第一种是基于自适应扩展卡尔曼滤波的WI-FI/PDR组合定位算法,第二种是自适应无迹卡尔曼滤波模型的WI-FI/PDR组合定位算法。这两种算法可以相辅相成,互补提升定位精度。在进行过实际的对比实验之后,参考各种定位方法在实验中模拟出的移动轨迹,分析了实验的结果和数据,自适应无迹卡尔曼滤波模型在一定程度上可以改善经典WI-FI/PDR融合定位方法的误差,改善了WI-FI定位中不稳定性较大的问题,也一定程度上对惯性导航随时间累积的误差做出了修正,比自适应的扩展卡尔曼滤波模型的效果更好,减少了19%的定位误差。而在实验前后,对比融合定位前的利用传感器的原始采集测量值进行PDR定位的结果,自适应无迹卡尔曼滤波融合算法使定位误差降低了70%。