针对传统的行人航位推算(Pedestrian Dead Reckoning,PDR)算法无法适应目标在不同运动状态下的可靠定位问题,设计并提出了一种基于深度学习进行人类活动识别(Human Activity Recognition,HAR)辅助PDR的定位方法。在离线阶段使用Wavelet-...针对传统的行人航位推算(Pedestrian Dead Reckoning,PDR)算法无法适应目标在不同运动状态下的可靠定位问题,设计并提出了一种基于深度学习进行人类活动识别(Human Activity Recognition,HAR)辅助PDR的定位方法。在离线阶段使用Wavelet-CNN深度学习网络对智能手机内置MEMS传感器数据进行预处理和训练,得到HAR模型。在线实时定位阶段,基于HAR模型识别目标不同运动状态并自适应地调整行人步数检测及步长估计算法。在智能手机上实现了基于HAR辅助的PDR算法,并在试验环境下开展了大量的测试验证。实验结果表明,提出的基于深度学习进行HAR辅助PDR的定位方法能够准确识别多种复杂的人类运动状态,识别精度高达99.50%。同时,较先进PDR步数识别算法准确率提高了10.94%,最大定位误差降低约16.2%,验证了所提算法的有效性。展开更多
传统行人航位推算(Pedestrian Dead Reckoning,PDR)定位技术存在严重的误差累积问题。针对因航向偏差引起的误差累积,提出一种借助建筑几何信息实现行人航向的实时补偿方案,通过提高定向精度来抑制定位误差的累积传递。分析利用外源绝...传统行人航位推算(Pedestrian Dead Reckoning,PDR)定位技术存在严重的误差累积问题。针对因航向偏差引起的误差累积,提出一种借助建筑几何信息实现行人航向的实时补偿方案,通过提高定向精度来抑制定位误差的累积传递。分析利用外源绝对位置改善PDR定位结果,试验一种自适应模型噪声的扩展卡尔曼滤波(Extended Kalman Filter,EKF)滤波算法,实现PDR与WIFI定位源的滤波融合。通过实验对比分析,基于改正航向的PDR相较于传统PDR,有效抑制了误差的累积,将整体误差控制在5 m左右;传统PDR与WIFI源滤波融合,比单纯传统PDR提高了82.8%的精确度;航向改正PDR与WIFI源相融合,则比单纯传统PDR和航向改正PDR分别提高了90.2%和49.5%的精确度。结果表明:补偿改正航向和借助外源绝对位置滤波融合均可有效控制传统PDR的误差累积,根据条件约束可知航向改正PDR及其与WIFI源融合方案较适用于规则室内环境,而原始航向PDR与WIFI源融合方案则不受室内结构影响,在多次滤波后逐渐提高行人定位精度,从而可满足行人室内定位精度需求。展开更多
对当前室内行人定位算法进行了研究。针对WiFi定位稳定性差的问题,提出了一种改进的K最近邻(Improved K-Nearest Neighbor,IKNN)算法。针对行人航位推算(Pedestrian Dead Reckoning,PDR)算法中步长模型及航向估计不准确的问题,提出了一...对当前室内行人定位算法进行了研究。针对WiFi定位稳定性差的问题,提出了一种改进的K最近邻(Improved K-Nearest Neighbor,IKNN)算法。针对行人航位推算(Pedestrian Dead Reckoning,PDR)算法中步长模型及航向估计不准确的问题,提出了一种实时更新的步长模型及基于室内环境特征的航向估计算法。在改进的WiFi定位算法与PDR算法的基础上,提出了一种基于自适应粒子滤波的室内行人WiFi与PDR组合定位算法,通过自适应因子自动调节观测量对粒子分布的影响。通过智能手机在实际室内环境中对定位方法进行了测试,实验结果表明:组合定位系统定位精度为0.66 m,高于普通的粒子滤波算法,是一种准确高效的室内行人定位算法。展开更多
运用位置指纹与行人航位推算(pedestrian dead reckoning,PDR)融合的方法研究室内定位算法,以提高室内定位精度。对于位置指纹算法,通过优化指纹数据库完成离线数据训练,通过限定区域加权K实现最优邻近法的在线实时匹配。对于行人航位...运用位置指纹与行人航位推算(pedestrian dead reckoning,PDR)融合的方法研究室内定位算法,以提高室内定位精度。对于位置指纹算法,通过优化指纹数据库完成离线数据训练,通过限定区域加权K实现最优邻近法的在线实时匹配。对于行人航位推算法,提出自适应加权波峰检测算法检测步频,改进了步长估算的非线性模型,融合陀螺仪和磁力计信息进行航向估计。最终运用无迹卡尔曼滤波器对位置指纹和PDR进行融合,提高了定位精度,并在定位系统中进行了验证和应用。展开更多
为了实现高精度室内定位,在超宽带(Ultra-Wideband,UWB)定位中运用天牛须搜索(Beetle Antennae Search,BAS)算法,将三维定位的非线性方程组求解问题转化为最优化问题,在行人航位推算(Pedestrian Dead Reckoning,PDR)定位中采用基于时间...为了实现高精度室内定位,在超宽带(Ultra-Wideband,UWB)定位中运用天牛须搜索(Beetle Antennae Search,BAS)算法,将三维定位的非线性方程组求解问题转化为最优化问题,在行人航位推算(Pedestrian Dead Reckoning,PDR)定位中采用基于时间周期性的峰值检测法与自适应步长估计算法减少伪波峰对步态检测的干扰,以提高2种定位技术的定位精度和可靠性。采用基于PDR航向角动态改变过程噪声Q值的偏移卡尔曼滤波法来识别UWB信号传播情况,从而实现利用UWB定位修正PDR航向角累积误差,利用PDR定位修正UWB非视距(Non-Line-of-Sight,NLOS)定位误差。搭建一套室内定位的实验演示系统进行验证,测试结果表明,所提算法可以有效降低视距(Line-of-Sight,LOS)和NLOS情况下UWB定位误差。特别是在NLOS情况下,融合定位算法比单一UWB定位算法的定位精度提升了约68%,平均定位误差达到0.137 m。展开更多
目前各种室内定位技术都有其自身的优势和局限性,单一的定位技术已经无法满足高精度的室内定位需求。针对该问题,提出了一种基于多源融合技术的室内定位方法。利用常见正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)...目前各种室内定位技术都有其自身的优势和局限性,单一的定位技术已经无法满足高精度的室内定位需求。针对该问题,提出了一种基于多源融合技术的室内定位方法。利用常见正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)信号的时频二维特性实现测距定位,并通过识别主径的方式来抑制多径对子载波相位的影响,同时采用行人航位推算技术得到预测的用户位置,使用粒子滤波器将OFDM定位结果和行人预测信息进行滤波融合。实验结果表明,相较于单一的定位方法,融合后的定位方法更能满足室内定位需求,其平均定位误差小于1 m的概率大于95%。展开更多
文摘针对传统的行人航位推算(Pedestrian Dead Reckoning,PDR)算法无法适应目标在不同运动状态下的可靠定位问题,设计并提出了一种基于深度学习进行人类活动识别(Human Activity Recognition,HAR)辅助PDR的定位方法。在离线阶段使用Wavelet-CNN深度学习网络对智能手机内置MEMS传感器数据进行预处理和训练,得到HAR模型。在线实时定位阶段,基于HAR模型识别目标不同运动状态并自适应地调整行人步数检测及步长估计算法。在智能手机上实现了基于HAR辅助的PDR算法,并在试验环境下开展了大量的测试验证。实验结果表明,提出的基于深度学习进行HAR辅助PDR的定位方法能够准确识别多种复杂的人类运动状态,识别精度高达99.50%。同时,较先进PDR步数识别算法准确率提高了10.94%,最大定位误差降低约16.2%,验证了所提算法的有效性。
文摘运用位置指纹与行人航位推算(pedestrian dead reckoning,PDR)融合的方法研究室内定位算法,以提高室内定位精度。对于位置指纹算法,通过优化指纹数据库完成离线数据训练,通过限定区域加权K实现最优邻近法的在线实时匹配。对于行人航位推算法,提出自适应加权波峰检测算法检测步频,改进了步长估算的非线性模型,融合陀螺仪和磁力计信息进行航向估计。最终运用无迹卡尔曼滤波器对位置指纹和PDR进行融合,提高了定位精度,并在定位系统中进行了验证和应用。
