论文部分内容阅读
近年来,行人导航定位系统在全球范围内有着巨大的市场需求,我国也在全力以赴推动室内外导航定位技术的发展,但多数导航定位系统依赖于专业设备支撑,价格昂贵,且在复杂环境中(比如室内、城市峡谷)定位精度较差。那么如何在保证系统定位性能的前提下,寻求低成本且适用于大众的技术成为我们现在所面临的问题。因此,本研究的基本出发点是利用低成本的硬件实现行人导航定位,并提升其在恶劣环境中的定位精度。目前,智能终端已经普及并成为人们日常生活的重要部分,其内置的MEMS传感器具有质量轻、体积小、功耗低、成本低、易集成等优点,这使得基于MEMS传感器的导航定位技术成为理想的行人导航定位手段之一。但是基于MEMS传感器的导航定位系统单独工作时,定位误差会随时间迅速增长,最终致使系统无法正常工作。因此,需融合其它信息来修正系统误差进而辅助导航定位。iBeacon具备低成本、易安装、抗干扰等优点。基于此,本研究以智能手机为平台,结合MEMS传感器、GNSS、iBeacon、地图进行融合定位算法研究。围绕这个核心目标,本文在以下几个方面做了深入研究并取得了相应的成果:1)智能终端MEMS传感器属于消费级产品,其价格低廉,但噪声大、精度低、稳定性差,那么如何有效的利用MEMS观测值进行行人导航定位算法设计成为首要问题。本研究根据MEMS传感器的特性,采用了降噪算法并设计了简易的IMU校准算法,其在一定程度上改善了 MEMS传感器数据质量(航向标准差由5.96度将至2.18度)。结合气压、温度估计了相对高程及楼层变化,并分析行人运动对相对高程的影响,最后优化了相对高程及楼层判定算法。航向、计步、步长是行人航位推算的几个关键要素,尤其是航向,本研究基于加速度计、磁力计、陀螺仪观测值,设计了计步、步长算法,并结合卡尔曼滤波和补偿滤波算法,优化了 MEMS航向算法,结果显示改进算法的航向STD减小了约30%,证实了改进算法的优越性。2)基于MEMS传感器观测值的导航定位算法普遍存在误差累积的问题,尤其是航向上的误差会导致定位误差倍增,因此,需结合其他信息修正误差。本研究根据iBeacon发射功率将iBeacon划分为强、中、弱三种类型;基于不同类型iBeacon的RSSI构建了综合的定位、航向、步长改进算法,并设计了 MEMS航向、iBeacon航向融合算法。室内定位实验显示增加iBeacon定位修正和航向修正后,整体定位精度提升至3米以内,有效的修正了 MEMS传感器算法的累积误差,增强了导航定位系统的稳定性和可持续性。3)目前,行人导航定位相关的研究多假定行人按某种姿态行走或固定智能终端姿态。而现实中,行人携带智能终端的方式及自身的运动模式都是多元化的,定位算法与行人活动是密切相关的。如何有效、实时、准确的判定行人运动模式决定着精准导航定位算法的设计。本研究结合深度学习技术与智能终端MEMS传感器测量值,训练了识别模型,并对比了传统的机器学习算法,发现基于深度学习的行人活动识别不仅实现简单,而且精度高,并可辅助移动端的实时导航定位。实验显示与PDR+GNSS+iBeacon方案相比PDR+GNSS+iBeacon+AR融合算法平均定位误差减少了约1.1米,表明实时的行人活动识别改善了导航定位效果。4)通常智能终端GNSS在净空条件下可以得到较好的定位结果,而在室内或城市峡谷中,信号会失锁或定位异常,最终导致依赖于GNSS的行人导航定位系统定位无效或误差过大。本研究综合利用GNSS定位、PDR定位、iBeacon定位、室内地图各自的优势并结合设计的EKF算法、PF算法实现融合定位。香港城市峡谷定位实验显示GNSS+PDR+iBeacon融合定位结果将低于10米定位误差的比例从38%提高到60%,将小于20米定位误差的比例从55%提高到80%;GNSS+PDR融合定位结果则将低于20米定位误差的比例提升至60%。表明无论是室内外混合区域还是城市峡谷,融合定位结果明显优于单一定位技术,尤其是城市峡谷地区,其定位精度明显优于智能终端自身GNSS定位精度,而且具有较好的连续性。因此,可认为融合算法提升了系统的导航定位能力。