针对行人航位推算(pedestrian dead reckoning,PDR)室内信号易受到环境和多径效应干扰的问题,提出一种基于多模型融合的室内PDR优化建模方法.给出多模型融合的室内PDR建模方法系统模型,包括步数检测、步长推算、方向推算以及位置推算4...针对行人航位推算(pedestrian dead reckoning,PDR)室内信号易受到环境和多径效应干扰的问题,提出一种基于多模型融合的室内PDR优化建模方法.给出多模型融合的室内PDR建模方法系统模型,包括步数检测、步长推算、方向推算以及位置推算4个关键阶段.该方法在步数检测阶段融合了峰值检测算法、局部最大值算法以及提前过零检测算法;在步长推算阶段融合Weinberg方法和Kim方法,并利用卡尔曼滤波算法校正步数检测和步长推算的误差.基于不同场景从步数、步长、方向、位置误差方面与传统算法进行比较.结果表明,该组合模型结合了传统步数检测和步长推算算法的特征识别结果,可实现对步数检测、步长推算过程中信号特征的优化处理;在手持场景下,步数检测识别准确,步长推算中值误差在0.060 m以内,方向推算平均绝对误差最小为3.06°,位置推算平均误差为0.2353 m,取得较好的室内步行状态识别与定位性能.展开更多
文摘针对行人航位推算(pedestrian dead reckoning,PDR)室内信号易受到环境和多径效应干扰的问题,提出一种基于多模型融合的室内PDR优化建模方法.给出多模型融合的室内PDR建模方法系统模型,包括步数检测、步长推算、方向推算以及位置推算4个关键阶段.该方法在步数检测阶段融合了峰值检测算法、局部最大值算法以及提前过零检测算法;在步长推算阶段融合Weinberg方法和Kim方法,并利用卡尔曼滤波算法校正步数检测和步长推算的误差.基于不同场景从步数、步长、方向、位置误差方面与传统算法进行比较.结果表明,该组合模型结合了传统步数检测和步长推算算法的特征识别结果,可实现对步数检测、步长推算过程中信号特征的优化处理;在手持场景下,步数检测识别准确,步长推算中值误差在0.060 m以内,方向推算平均绝对误差最小为3.06°,位置推算平均误差为0.2353 m,取得较好的室内步行状态识别与定位性能.
