共查询到17条相似文献，搜索用时 395 毫秒
1.
利用建筑物中金属结构引起的地磁场扰动可以对室内的行人目标进行定位，而且基于地磁场的定位无需布设任何额外设施，因此可以以低成本实现定位。但仅靠单一的地磁技术无法满足室内定位的精度要求。为了解决磁场数据中单点定位的模糊性问题，本文提出了一种利用粒子滤波算法将PDR与地磁相融合的室内定位方法，并开发了地磁室内导航系统，以智能手机为硬件平台构建磁力计传感器模型，建立匹配轨迹的均方误差准则并实现PDR累积误差实时校正的迭代计算。在68 m×1.8 m的试验区域内，产生的平均定位误差为1.13 m，最大定位误差为2.17 m。本文算法的定位精度比单独PDR算法提升了42%；与单一地磁指纹匹配算法相比，定位精度提高了57%。试验证明，本文提出的融合算法对提高室内定位精度具有显著的作用。 相似文献
2.
融合地磁/WiFi/PDR的自适应粒子滤波室内定位 总被引：1，自引：0，他引：1
随着国民经济的快速发展，人们在室内活动的时间越来越长，室内空间环境也越来越复杂，对室内环境的位置与导航服务的需求也越来越高。由于地磁信号具有稳定性的特点，且WiFi技术已得到广泛部署，融合使用地磁和WiFi定位具有一定的优势。因此，本文基于Android系统智能手机作为接收设备，融合地磁、WiFi及行人航迹推算（PDR）技术，通过自适应粒子滤波模型和随机抽样一致性算法对采集的信号进行处理。试验证明，地磁、WiFi、PDR三者融合进行室内定位的方法与其他单类方法相比，实现了将室内定位精度的误差最小降低到1.02 m。 相似文献
3.
4.
针对单传感器室内定位存在累积误差大、连续性差的问题，本文顾及行人航迹推算(PDR)与低功耗蓝牙信标(BLE Beacon)良好的互补性，研究了基于移动智能终端的融合PDR/iBeacon的室内定位算法：首先，采用电子罗盘和陀螺仪互补修正航向角法降低了PDR的累积误差，其次结合离线指纹库并利用加权K近邻法实现了iBeacon指纹定位，最后基于扩展卡尔曼滤波器(EKF)实现了PDR/iBeacon融合定位。两组实测结果表明，相较于传统的PDR,电子罗盘和陀螺仪互补修正航向角方法有效地抑制了航向误差的累积。室内行人航程为39和60 m时，融合PDR/iBeacon定位的平均误差分别为0.560、1.802 m,相比改进的PDR和iBeacon指纹定位精度提高了11.81%、25.53%和26.66%、11.75%。融合PDR/iBeacon的室内定位能降低PDR的误差累积和iBeacon定位的波动性，满足用户室内定位的需求。 相似文献
5.
《现代测绘》2020,(4)
近年来室内定位技术成为国内外研究的热点,形成了多种室内定位技术共存的局面,其中WiFi、蓝牙、超宽带等无线网络定位技术应用较广,但是这些定位技术都依赖于基础设施,定位成本较高。此处使用室内地磁信号,无需部署任何基础设施即可定位,并利用手机端MEMS传感器实现行人不同运动模式下的步频探测与航向估计。针对地磁信号具有低辨识度的缺点以及PDR的误差累积问题,利用粒子滤波算法融合地磁与PDR定位结果,有效提高了系统的稳定性,保证了定位精度。实验表明,粒子融合定位方法能够消除PDR的漂移,并且平均定位精度达到1.38 m,定位误差在1.5 m内达到80%以上,具有较强的实用性。 相似文献
6.
针对行人航位推算（PDR）定位存在误差累积和地磁指纹不唯一导致的误匹配问题,本文改进了基于粒子滤波的PDR/地磁指纹室内定位方法。在PDR定位过程中利用地图信息控制粒子权重更新,得到较为准确的位置信息后,利用动态时间规整（DTW）算法在PDR推算位置基础上进行快速序列匹配,获取最优位置估计。试验结果表明,融合定位方法有效解决了行人位置穿墙问题,最大定位误差小于1.5 m,53.33%概率定位精度1 m。 相似文献
7.
一种基于改进UKF滤波的GPS+PDR组合定位方法 总被引：1，自引：0，他引：1
针对接收信号质量恶化的环境,提出了一种适用于信号遮蔽环境的改进GPS+PDR组合定位算法。该方法用短时间内的陀螺仪积分数据校正数字罗盘的航向偏差,在一定程度上消除了数字罗盘受到的偶发干扰。采用约束残差的无迹卡尔曼滤波（UKF）算法对GPS和行人航迹推算（PDR）定位信息进行融合处理,有效克服了PDR定位中累积航向误差产生的位置漂移问题,提高了算法的定位精度和稳定性。试验结果表明,改进算法能有效抑制数字罗盘的漂移误差,航向相对误差平均降低56%;行人步行时,GPS定位标准误差为2.67 m,单纯PDR定位标准误差为6.83 m;随机给予若干点GPS数据辅助定位,标准误差降至3.12 m;全程融合GPS与PDR定位,标准误差可降至1.94 m。 相似文献
8.
9.
随着基于位置服务应用的普及,室内外无缝定位已成为下一代定位系统的核心,但是精确的室内定位至今仍是难点问题。众多学者提出过无线信号定位算法,然而无线信号具有不稳定性,且需要事先建立信号特征指纹数据库,这给定位带来了误差和繁琐性。通过对室内环境中超宽带信号测距结果分析以及对快速生成无线信号数据库方法的探讨,提出一种基于多用户测距约束的融合多传感器信息的协同室内定位算法。该算法利用粒子滤波集成了航向推算数据、WiFi数据、用户间测距以及室内地图等信息。测距约束能够剔除由于信号不稳定或数据库没有及时更新造成的误差。通过集成室内采集的数据,验证了该算法能够有效提高室内定位精度及稳定性。结果表明该算法比航向推算或WiFi定位结果提高了40%以上。 相似文献
10.
11.
目前行人航迹推算逐渐成为室内定位研究与应用的热点。针对利用陀螺仪推算行人航向时存在较大累积误差的问题，本文提出了一种基于智能手机传感器的行人航向解算算法。该算法根据陀螺仪输出的角速度数据与手机传感器参数计算合适的阈值，实时调节PI调节器的误差补偿系数，对预处理后加速度计和磁力计数据解算的航向角进行补偿，并与陀螺仪数据互补滤波融合，得到融合后的航向角。试验基于低成本智能手机，分别在磁场强弱环境下采集手机传感器数据，对比分析本文算法与传统互补滤波算法及九轴数据融合算法在推算行人航向时的精度。试验结果表明，在室内磁干扰较强的环境下，本文算法与传统互补滤波算法、九轴数据融合算法相比定位精度分别提升了68.4%和65.9%，平均航向误差分别减小了3.4°和1.8°，验证了本文算法有较好的抗磁干扰性能，提高了行人航向角解算的可靠性。 相似文献
12.
提出了一种基于互补滤波融合WiFi和PDR的行人室内定位方法。首先改善WiFi位置指纹定位的KNN算法，通过阈值的设定，排除相似度高但实际上不可能的点，获取动态K值；然后通过行人航位推算（PDR）初始化算法，动态轨迹概率计算，确定PDR初始位置；最后在改进的WiFi和PDR的定位基础上，基于互补滤波原理，根据WiFi和PDR定位的不同特性，利用各自的定位优点，使用WiFi定位修正PDR的定位结果，通过相应权重参数的调整，输出最终融合定位结果。试验过程中，选取3种不同的室内环境区域，试验结果证明了该算法可大大提高室内定位的精度和稳定性。 相似文献
13.
针对利用惯性测量单元进行行人航位推算（PDR）时,其定位误差会随时间累积的问题,提出了一种基于多传感器融合的室内行人航位推算方法;对于智能移动设备的低成本多传感器,设计了基于无迹卡尔曼滤波（UKF）的初始对准,设定4种阈值条件进行步伐状态检测;在行走过程中,针对步长和航向角误差累积的问题,利用基于UKF的零速度更新（ZUPT）对速度误差进行修正,零角速率更新（ZARU）和磁力计融合对航向角误差进行修正,从而有效提高了行人最终的位置精度。试验结果表明：使用该方法可以有效提高PDR位置精度,平均位置偏差占总路程的1.5%左右。 相似文献
14.
复杂环境下智能手机RTK+PDR融合定位 总被引：1，自引：0，他引：1
针对室外复杂环境下智能手机定位精度低、抗干扰能力不足的问题,本文利用手机GNSS观测值和手机内置IMU数据,采用RTK和PDR算法融合定位,对比分析了小米8和华为Mate20X两款手机的GNSS数据质量和融合定位算法性能,以及不同观测条件下融合算法的定位精度和稳定性。试验结果表明,在良好和复杂两种观测条件下,采用RTK算法定位精度分别为1.8 m和4.6 m;采用RTK+PDR融合算法定位精度分别为1.2 m和2.6 m,在两种环境下,RTK+PDR融合算法的精度分别提高了50%和76%,即显著提高了智能手机在室外复杂环境下的定位精度。 相似文献
15.
针对当前WiFi-PDR室内定位中存在的WiFi信号不稳定及行人航位推算（PDR）累积误差大的问题，本文提出了一种融合上下文感知的地标检测辅助WiFi-PDR室内定位方法。该方法利用智能手机所能监测到的上下文信息建立用户模型，采用基于卷积神经网络的用户行为感知和基于WiFi-PDR室内定位的粗粒度位置感知，发现隐藏的室内地标信息，并完成用户在地标位置的位置校正，提高定位准确度。该方法在一定程度上降低了WiFi-PDR室内定位的误差，提高了用户室内定位的精度。经试验验证，该室内定位方法的精度相比于传统的WiFi-PDR方法提高了43.62%。 相似文献
16.
17.
针对目前常用的超宽带算法,扩展卡尔曼滤波(EKF)在解算过程中产生的线性化误差,对定位结果产生影响,而无损卡尔曼滤波(UKF)算法可以不进行线性化过程进行解算,避免误差的产生。文中首先对UWB定位系统线性化误差进行分析,在此基础上提出UKF和TDOA相结合的定位模型,通过实验比较两种算法的定位精度。实验结果表明UKF算法定位结果相比于EKF算法在U方向上有明显提升,误差稳定在10 cm之内。同时,通过改变初始坐标偏差,来进一步比较两种算法的定位效果,结果表明,初始偏差设置为0.5 m时,UKF算法比EKF算法U方向精度提升15%;初始偏差设置为1 m时,UKF算法U方向精度提升60%以上;初始偏差设置为5 m和10 m时,UKF算法U方向精度提升可以达到90%。EKF算法会产生不可忽略的线性化误差且误差会随着初始偏差增大而增大,UKF算法则可以保持较好的定位精度和稳定性。 相似文献