一种基于EKF滤波的初始状态自适应融合定位方法技术

本发明专利技术涉及定点跟踪的技术领域，公开了一种基于EKF滤波的初始状态自适应融合定位方法，将待测区域进行网格化处理，建立离线状态下的Wi‑Fi位置指纹数据库，再利用扩展卡尔曼滤波方法EKF将Wi‑Fi位置指纹定位方法和行人航位推算方法PDR进行融合，其用户运动时的初始状态是在Wi‑Fi位置指纹定位方法的基础上，结合多点卡尔曼滤波方法获得，同时，在扩展卡尔曼滤波方法EKF的迭代过程中，则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵，以完成对用户运动时下一个状态的位置预测。本发明专利技术的方法简单可靠，操作方便，易于实现，便于推广应用。

【技术实现步骤摘要】
一种基于EKF滤波的初始状态自适应融合定位方法
本专利技术涉及定位追踪的
，具体涉及一种基于EKF滤波的初始状态自适应融合定位方法。
技术介绍
随着新一代蜂窝网技术的商用落地，室内定位技术再次引起人们的广泛关注，日益增长的生活与商业需求的位置服务刺激了室内定位系统和相关技术的快速发展。典型的室内定位技术包括Wi-Fi、蓝牙、RFID、超宽带等，其中，Wi-Fi位置指纹定位的网络覆盖广，可满足大多数室内定位需求，但其信号易受环境干扰，导致定位结果产生较大波动；行人航位推算(PedestrianDeadReckoning,PDR)定位方法利用惯性传感单元(Inertialmeasurementunit，IMU)实现航位推算定位，目前移动终端设备支持良好，但存在较大的惯性累积误差。为提高上述单一定位系统的性能，目前的研究对有关Wi-Fi与PDR的融合定位系统与技术进行了探讨与分析。多数情况下，可以通过融合定位的方法来改善单一系统的定位性能，这样一方面可以减少Wi-Fi定位的波动性所带来的影响，另一方面可以降低PDR在定位过程中所带来的累积误差，但目前基于Wi-Fi/PDR的融合定位方法仍存在如下问题：1)忽略了包括始发位置与航向角在内的初始状态确定过程，这样可能会导致定位系统在有限时间内无法快速收敛；2)在使用扩展卡尔曼滤波EKF算法进行融合时，Wi-Fi信号强度数据的误差衡量往往使用了自定义的固定值，没有很好的将真实环境下Wi-Fi信号强度数据波动所带来的影响反馈给EKF系统。>
技术实现思路
本专利技术提供了一种基于EKF滤波的初始状态自适应融合定位方法，解决了现有融合算法没有考虑初始状态对系统快速收敛的影响，使用了自定义的固定值衡量Wi-Fi信号强度数据的误差影响系统最终定位误差等问题。本专利技术可通过以下技术方案实现：一种基于EKF滤波的初始状态自适应融合定位方法，将待测区域进行网格化处理，建立离线状态下的Wi-Fi位置指纹数据库，再利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合，其用户运动时的初始状态是在Wi-Fi位置指纹定位方法的基础上，结合多点卡尔曼滤波方法获得，同时，在扩展卡尔曼滤波方法EKF的迭代过程中，则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵，以完成对用户运动时下一个状态的位置预测。进一步，所述初始状态包括初始位置L0和初始航向角θ0，以Wi-Fi位置指纹数据库为基础，利用Wi-Fi位置指纹定位方法解算得到用户由静止开始运动m步后预测的各个位置点坐标记为在每个位置点i重新采集得到M组Wi-Fi信号强度数据，再利用Wi-Fi位置指纹定位方法解算得到每个位置点i对应的M个定位结果，记为L′i(j)(j＝1,2，…,M)，然后利用多点卡尔曼滤波方法对所有的定位结果进行迭代解算获得滤波后的各个位置点i坐标(xi,yi)(i＝0,1,2，…,m)，记为则初始位置初始航向角进一步，在扩展卡尔曼滤波方法EKF的迭代过程中，利用如下方程式计算观测噪声协方差矩阵Rk其中，当k＝0时，初始值δ0设置为常量，为Wi-Fi指纹定位方法的平均误差；当k≥1时，表示用户运动时第k个状态和第k-1个状态对应的RSSI信号强度数据的欧式距离，表示用户运动时第k个状态对应的位置点所采集到一组共T个Wi-Fi信号强度数据，[Dmin,Dmax]表示在一个稳定环境下Dk的取值范围，[Smin,Smax]表示采用如权要求1所述的一种基于EKF滤波的初始状态自适应融合定位方法的定位精度范围，Dmin、Dmax、Smin、Smax均设置为经验值，δd表示用户运动时的步长误差，δθ表示用户运动时的航向角误差，均设置为常量。进一步，利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合，以完成对用户运动时下一个状态的位置预测包括以下步骤：步骤一、在扩展卡尔曼滤波方法EKF的预测阶段，利用如下公式计算得到用户运动时第k个状态对应的系统状态矩阵Xk′和噪声协方差矩阵Pk′，其中，表示状态转移矩阵，xk-1、yk-1、θk-1分别表示采用扩展卡尔曼滤波方法EKF获得的用户运动时第k-1个状态对应的位置坐标和航向角，x′k、y′k、θ′k分别表示通过行人航位推算方法PDR预测后的用户运动时第k个状态对应的位置坐标和航向角，dk表示用户运动时第k个状态对应的步长，W表示系统状态的高斯白噪声向量，△θ表示航向角的估计增量，此处设置为一个常量；P′k＝APk-1AT+Q；其中，Pk-1表示采用扩展卡尔曼滤波方法EKF获得的用户运动时第k-1个状态的噪声协方差矩阵，其初始值为表示预测模型本身所带来的噪声，由行人航位推算方法PDR各要素的平均误差组成，δx、δy表示位置的误差，δθ表示航向角的平均误差；步骤二、在扩展卡尔曼滤波方法EKF的更新阶段，利用权利要求3所述的方法计算得到用户运动时第k个状态对应的观测噪声协方差矩阵Rk，再利用如下方程式计算得到卡尔曼增益Kk，从而获得用户运动时第k个状态的估计状态矩阵则用户运动时第k个状态的定位结果为(xk,yk)，Kk＝P′kHT(HP′kHT+Rk)-1，其中，观测矩阵Xk＝X′k+Kk(Zk-HX′k)，其中，表示观测方程，V表示观测方程的高斯白噪声向量，W、V相互独立，分别表示采用Wi-Fi指纹定位方法所得到用户运动时第k个状态的位置坐标，然后，利用方程式Pk＝(1-KkH)P′k，计算更新后的用户运动时第k个状态的噪声协方差矩阵；步骤三、执行步骤一至二，直至完成用户运动过程中所有的位置点检测。进一步，通过Weinberg步长估计模型确定步长dk，其中，c表示步长比例因子，为固定常量，amax和amin分别表示用户运动一个状态的过程中所检测到的最大加速度和最小加速度。进一步，建立离线状态下的Wi-Fi位置指纹数据库的方法包括以下步骤：1)、采用均匀等分的方式将定位待测区域划分为若干个网格，用每个网格的顶点作为参考点RP；2)、通过信号采集设备获取每个参考点RP的多个接入点在单一信道上的N个Wi-Fi信号强度数据，并进行滤波处理，从而构成一组信号指纹数据其中，l表示第l个参考点RP位置，l＝1,2，…,L；3)、每个参考点RP同时还需要获取该位置的坐标信息和MAC地址，以此作为一组位置指纹数据，建立离线状态下的位置指纹数据库RPx本专利技术有益的技术效果在于：在Wi-Fi/PDR算法的基础上，采用EKF将Wi-Fi与PDR的定位信息进行融合，并提出了一种自适应解算初始状态的方法以避免初始值偏差所带来的影响，从而保证结果能快速收敛，同时使用了一种动态调节EKF系统的方法，融合系统在扩展卡尔曼滤波的迭代过程中对相邻两个状态的RSSI欧氏距离进行度量，并反馈给EKF系统的下本文档来自技高网...

【技术保护点】
1.一种基于EKF滤波的初始状态自适应融合定位方法，其特征在于：将待测区域进行网格化处理，建立离线状态下的Wi-Fi位置指纹数据库，再利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合，其用户运动时的初始状态是在Wi-Fi位置指纹定位方法的基础上，结合多点卡尔曼滤波方法获得，同时，在扩展卡尔曼滤波方法EKF的迭代过程中，则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵，以完成对用户运动时下一个状态的位置预测。/n

【技术特征摘要】
1.一种基于EKF滤波的初始状态自适应融合定位方法，其特征在于：将待测区域进行网格化处理，建立离线状态下的Wi-Fi位置指纹数据库，再利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合，其用户运动时的初始状态是在Wi-Fi位置指纹定位方法的基础上，结合多点卡尔曼滤波方法获得，同时，在扩展卡尔曼滤波方法EKF的迭代过程中，则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵，以完成对用户运动时下一个状态的位置预测。


2.根据权利要求1所述的基于EKF滤波的初始状态自适应融合定位方法，其特征在于：所述初始状态包括初始位置L0和初始航向角θ0，以Wi-Fi位置指纹数据库为基础，利用Wi-Fi位置指纹定位方法解算得到用户由静止开始运动m步后预测的各个位置点坐标记为在每个位置点i重新采集得到M组Wi-Fi信号强度数据，再利用Wi-Fi位置指纹定位方法解算得到每个位置点i对应的M个定位结果，记为Li′(j)(j＝1,2，…,M)，然后利用多点卡尔曼滤波方法对所有的定位结果进行迭代解算获得滤波后的各个位置点i的坐标(xi,yi)(i＝0,1,2，…,m)，记为则初始位置初始航向角


3.根据权利要求2所述的基于EKF滤波的初始状态自适应融合定位方法，其特征在于：在扩展卡尔曼滤波方法EKF的迭代过程中，利用如下方程式计算观测噪声协方差矩阵Rk



其中，
当k＝0时，初始值δ0设置为常量，为Wi-Fi指纹定位方法的平均误差；
当k≥1时，表示用户运动时第k个状态和第k-1个状态对应的RSSI信号强度数据的欧式距离，表示用户运动时第k个状态对应的位置点所采集到一组共T个Wi-Fi信号强度数据，[Dmin,Dmax]表示在一个稳定环境下Dk的取值范围，[Smin,Smax]表示采用如权要求1所述的一种基于EKF滤波的初始状态自适应融合定位方法的定位精度范围，Dmin、Dmax、Smin、Smax均设置为经验值，δd表示用户运动时的步长误差，δθ表示用户运动时的航向角误差，均设置为常量。


4.根据权利要求3所述的基于EKF滤波的初始状态自适应融合定位方法，其特征在于利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合，以完成对用户运动时下一个状态的位置预测，具体包括以下步骤：
步骤一、在扩展卡尔曼滤波方法EKF的预测阶段，利用如下公式计算得到用户运动时第k个状态对应的系统状态矩阵Xk′和噪声协方差矩阵Pk′，
...

【专利技术属性】
技术研发人员：胡文强，胡建鹏，吴飞，陆雯霞，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海;31