论文部分内容阅读
随着公众对室内位置服务需求的高速增长,室内定位技术已成为国际导航与位置服务领域的研究热点。智能手机由于内置大量可感知运动和环境信息的传感器且具有较高的普及性和便携性,逐渐成为了优秀的室内定位平台,其中WiFi指纹定位、行人航迹推算(Pedestrian Dead Reckoning,PDR)和WiFi/PDR融合定位作为当前主流的室内定位技术,得到了众多学者的关注研究和室内位置服务商的青睐。然而,由于室内信号环境复杂、手机传感器测量精度较低以及行人运动较为随意,目前基于智能手机平台的室内定位技术在实现高精度、高连续和高稳定定位方面仍存在许多亟待解决的问题。本文以实际定位环境和应用场景为依托,结合当前室内位置服务对定位性能的需求,对基于WiFi和惯性传感器的智能手机室内定位方法进行深入研究,主要研究工作如下:
第一,针对现有基于接收信号强度(Received Signal Strength,RSS)的WiFi指纹定位存在RSS相似度与位置相似度不一致现象导致指纹聚类结果无法兼顾反映参考点间位置关系和保证在线集群匹配准确度,以及指纹定位误差较大的问题,提出了基于RSS和位置相似度的WiFi指纹定位方法。通过给参考点分配代表其空间大致位置的位置标签,将位置标签作为监督信息辅助基于RSS相似度的指纹聚类过程,形成了位置标签约束的RSS指纹聚类算法;根据信号功率衰减模型分析RSS不均匀空间分辨率现象,结合定位环境及指纹库信息,深入挖掘各点间位置距离和RSS相似度之间的数值关系,改进指纹定位过程中的距离度量,提出了基于近似位置距离的加权k近似算法。实验结果表明,所提聚类算法能够更好地反映参考点间的位置关系,避免RSS相似度较高但位置相距较远的参考点划分至同一集群现象,同时保证了在线集群匹配的准确性。此外,相比于现有加权k近邻算法,所提指纹定位算法的定位精度提升明显。
第二,针对不同行人移动状态和手机姿势下传感器输出信号差异较大以及手机与行人之间存在相对运动,所导致的行人步伐检测和步长估计不够准确以及行人方位角估计较为困难问题,提出了多动作模式下改进的PDR定位方法。通过分析传感器数据时域和频域特征在不同动作模式下的变化,综合使用软间隔支持向量机和决策树模型,采用分步识别的方式实现了对行人不同动作模式的精确识别;通过分析不同动作模式下的加速度数值变化,结合行人身高与步频信息,提出了适应不同动作模式的步伐检测算法和步长估计模型;通过深入挖掘传感器输出数据、设备姿态与行人步态之间的关联,提出了基于步态特征的改进主成分分析方位角估计算法,避免了现有方位角估计算法中水平加速度提取不准确问题和传感器数据时间积分引起的累积误差问题。所提出的步伐检测、步长估计和方位角估计算法共同构成多动作模式下的PDR定位体系。实验结果表明,不同动作模式下所提PDR定位方法均能达到较高的定位精度,更加适用于传感器测量精度较差且使用方式更为随意的智能手机平台,大大扩展了现有PDR技术的适用范围。
第三,针对动态跟踪条件下WiFi指纹定位存在位置点跳变、位置点聚集、RSS更新延迟和接收RSS数值不准确等现象,所引起的WiFi/PDR融合系统定位精度低和定位连续性差的问题,提出了基于距离约束和RSS估计的WiFi/PDR融合定位方法。通过采用基于渐消记忆的扩展卡尔曼滤波来抑制由系统模型和噪声统计不准确引起的滤波发散;结合行人步长与各系统定位误差范围,分析不同位置输出之间的距离关系,提出了基于距离约束的融合定位策略,减小了由位置点跳变和RSS更新延迟所引起的定位误差;基于加权k近邻算法思想,利用滤波器输出的一步预测位置和指纹库中已知的参考点信息对在线RSS数值进行估计,缓解了由数据采集时间过短所引起的在线RSS测量值不准确现象,提高了融合滤波过程中量测信息的有效性。实验结果表明,所提WiFi/PDR融合定位方法在不同动作模式下的定位性能均优于单一的WiFi指纹定位和PDR定位,相比于现有融合方法,定位精度提升明显,位置点跳变和聚集现象得到削弱,定位稳定性得到显著改善。
本文研究方法无需专业基础设施和高性能传感器,仅利用现有智能手机平台和WiFi接入点即可实现不同动作模式下的室内行人定位,可为室内位置服务的推广应用提供重要技术支撑。
第一,针对现有基于接收信号强度(Received Signal Strength,RSS)的WiFi指纹定位存在RSS相似度与位置相似度不一致现象导致指纹聚类结果无法兼顾反映参考点间位置关系和保证在线集群匹配准确度,以及指纹定位误差较大的问题,提出了基于RSS和位置相似度的WiFi指纹定位方法。通过给参考点分配代表其空间大致位置的位置标签,将位置标签作为监督信息辅助基于RSS相似度的指纹聚类过程,形成了位置标签约束的RSS指纹聚类算法;根据信号功率衰减模型分析RSS不均匀空间分辨率现象,结合定位环境及指纹库信息,深入挖掘各点间位置距离和RSS相似度之间的数值关系,改进指纹定位过程中的距离度量,提出了基于近似位置距离的加权k近似算法。实验结果表明,所提聚类算法能够更好地反映参考点间的位置关系,避免RSS相似度较高但位置相距较远的参考点划分至同一集群现象,同时保证了在线集群匹配的准确性。此外,相比于现有加权k近邻算法,所提指纹定位算法的定位精度提升明显。
第二,针对不同行人移动状态和手机姿势下传感器输出信号差异较大以及手机与行人之间存在相对运动,所导致的行人步伐检测和步长估计不够准确以及行人方位角估计较为困难问题,提出了多动作模式下改进的PDR定位方法。通过分析传感器数据时域和频域特征在不同动作模式下的变化,综合使用软间隔支持向量机和决策树模型,采用分步识别的方式实现了对行人不同动作模式的精确识别;通过分析不同动作模式下的加速度数值变化,结合行人身高与步频信息,提出了适应不同动作模式的步伐检测算法和步长估计模型;通过深入挖掘传感器输出数据、设备姿态与行人步态之间的关联,提出了基于步态特征的改进主成分分析方位角估计算法,避免了现有方位角估计算法中水平加速度提取不准确问题和传感器数据时间积分引起的累积误差问题。所提出的步伐检测、步长估计和方位角估计算法共同构成多动作模式下的PDR定位体系。实验结果表明,不同动作模式下所提PDR定位方法均能达到较高的定位精度,更加适用于传感器测量精度较差且使用方式更为随意的智能手机平台,大大扩展了现有PDR技术的适用范围。
第三,针对动态跟踪条件下WiFi指纹定位存在位置点跳变、位置点聚集、RSS更新延迟和接收RSS数值不准确等现象,所引起的WiFi/PDR融合系统定位精度低和定位连续性差的问题,提出了基于距离约束和RSS估计的WiFi/PDR融合定位方法。通过采用基于渐消记忆的扩展卡尔曼滤波来抑制由系统模型和噪声统计不准确引起的滤波发散;结合行人步长与各系统定位误差范围,分析不同位置输出之间的距离关系,提出了基于距离约束的融合定位策略,减小了由位置点跳变和RSS更新延迟所引起的定位误差;基于加权k近邻算法思想,利用滤波器输出的一步预测位置和指纹库中已知的参考点信息对在线RSS数值进行估计,缓解了由数据采集时间过短所引起的在线RSS测量值不准确现象,提高了融合滤波过程中量测信息的有效性。实验结果表明,所提WiFi/PDR融合定位方法在不同动作模式下的定位性能均优于单一的WiFi指纹定位和PDR定位,相比于现有融合方法,定位精度提升明显,位置点跳变和聚集现象得到削弱,定位稳定性得到显著改善。
本文研究方法无需专业基础设施和高性能传感器,仅利用现有智能手机平台和WiFi接入点即可实现不同动作模式下的室内行人定位,可为室内位置服务的推广应用提供重要技术支撑。