论文部分内容阅读
传统的井下定位技术一般利用无线信号传输来获得定位信息,然而由于受到粉尘、噪声和巷道壁的特殊环境影响,井下信号传输多径效应严重,极大的干扰了无线电磁波信息的传输与接收,导致传统定位方法精度低,不能满足煤矿安全生产需求。针对该问题,本文研究设计了基于MEMS惯性传感器和WiFi相结合的井下人员定位方法,提高了定位精度。本文首先介绍了基于MEMS惯性传感器的井下人员定位系统的结构与原理,详细阐述了定位算法流程,包括初始化起点位置的方法,利用改进的PDR算法获得行人的相对位置坐标,最后通过结合地图信息的粒子滤波对定位结果进行修正校准。针对MEMS惯性传感器存在的漂移误差问题,本文分别建立了加速度计、陀螺仪和磁力计的误差分析模型,将误差分为零值偏移误差和随机漂移误差,前者的补偿较为简单,后者是影响定位精度的主要原因。因此,本文利用卡尔曼滤波算法对加速度计进行补偿;提出改进的启发式漂移消减算法对陀螺仪角速度输出值进行补偿;采用椭圆拟合算法对磁力计进行补偿。仿真结果表明,补偿后的加速度计噪声明显减少;行走时陀螺仪的随机漂移误差得到显著改善,并且缩短了补偿算法的收敛时间,并通过Allan方差分析法验证了补偿结果的有效性;校准后的磁力计测量值更加接近真实值,是一个圆心在原点的椭球。针对传统的步长估计算法误差大的问题,本文提出了基于BP神经网络的步长估计方法。传统的步长估计算法将步长与行走频率和加速度方差近似为线性关系,通过拟合的线性函数来估计步长大小。但是,在实际应用中,步长与行走频率和加速度方差之间是一个复杂的非线性关系,近似为线性关系的估算方法存在一定的误差。因此,本文采用BP神经网络来描述该非线性关系,将行走频率和加速度方差作为神经网络的输入值,得到估算步长。仿真结果表明,该算法相对于传统算法估算精度提升了约12%。此外,本文进一步研究了行人的身高和性别与步长估计之间的关系,并将其作为BP神经网络的额外输入参数进行实验,仿真结果表明,步长与身高、性别之间也存在着一定的非线性关系,引入行人身高和性别参数的BP神经网络步长估算结果更加接近真实值,估算精度较传统算法提升了约31.5%。最后,完成了定位系统的软硬件开发设计,并通过模拟测试实验验证了基于MEMS惯性传感器的井下人员定位方法的有效性,百米定位误差约为1m。