一种MEMS-IMU和Wi-Fi组合的室内行人定位方法技术

本发明专利技术涉及一种MEMS

【技术实现步骤摘要】
一种MEMS
‑
IMU和Wi
‑
Fi组合的室内行人定位方法


[0001]本专利技术涉及室内定位和导航
，具体而言，涉及一种MEMS
‑
IMU和Wi
‑
Fi组合的室内行人定位方法。

技术介绍

[0002]在现代化城市中，人们在室内环境下的活动时间约占生活时间的80％左右，在移动互联网时代，70％基于手机的对话连接、移动消费、支付、数据连接以及80％的互联网数据交互等都发生在室内。这使得室内定位具有越来越广泛的应用与需求，与室内定位和位置服务相关的市场价值也越来越大。发展有效的室内行人导航定位技术可以有效降低使用者的自定位时间，为用户的活动及办公提供极大的便利。
[0003]室内行人导航定位技术现阶段的首要任务是在保障系统定位精度的条件下，降低系统运行成本，提高系统使用便携度。现代社会，智能手机是行人出行的必备品，且几乎时刻不离手，智能手机内部多嵌入微电子机械系统
‑
惯性测量单元(Micro Electro Mechanical Systems
‑
Inertial Measurement Unit,MEMS
‑
IMU)，可利用其实现完全自主的惯性导航定位。相比其它的导航方式，惯性导航算法无需布置任何外部设备，不受外部环境条件限制，具有更大的运动自由度，邓平等人于2020年在文献《一种基于航向角准确修正的惯性导航室内定位算法》中基于改进的启发式航向角修正算法对复杂室内环境的航向角进行准确修正，从而提高行人航位推算定位的精度。但是，由于微型惯性测量单元(陀螺仪、加速度计和磁力计等)的成本非常低，使得它们的性能大大降低，无法单独适用于室内行人导航，因此，基于MEMS
‑
IMU的惯性导航系统工作时，需要与其它定位技术进行信息融合，方可实现可靠定位。室内环境多配备无线局域网(Wireless Local Area Networks,WLAN)，可实现无线保真(Wireless Fidelity,Wi
‑
Fi)，且现阶段的公共场所都会为用户提供免费的Wi
‑
Fi热点接入。因此，Wi
‑
Fi定位技术是目前应用最广泛的室内定位算法之一，且基于Wi
‑
Fi定位技术所得到的导航结果误差不随时间积累，可将Wi
‑
Fi定位结果与惯性导航进行组合以对后者进行误差修正。
[0004]最优滤波设计是组合导航精度提高的关键，卡尔曼滤波(Kalman filter，KF)已得到广泛应用。在传统的组合算法中，通常采用间接法构造卡尔曼滤波，它利用惯性导航机理，在辅助传感器的基础上通过误差量测来估计误差状态和传感器系统误差，如：张雨帅等人于2022年在文献《基于级联滤波的行人惯性室内定位方法》中采用扩展卡尔曼滤波零速修正算法修正导航估计误差；Bai Nan等人于2020年在文献《A High
‑
Precision and Low
‑
Cost IMU
‑
Based Indoor Pedestrian Positioning Technique》中采用基于运动速度的自适应误差补偿和基于步进检测的上下跟踪，以提高定位精度。该策略下的惯性传感器采用先验的误差模型，其对先验惯性误差模型的强烈依赖势必会限制低成本惯性传感器(典型如MEMS
‑
IMU)的使用，因为低成本IMU的时变噪声模型具有高温度敏感性和动态激励，这对组合系统极其不利。在传统的组合算法中，无论是采用间接法还是直接法，卡尔曼滤波中的系统模型都是基于先验惯性误差模型，换言之，相邻两个测量周期之间的卡尔曼滤波过程
不执行测量更新，IMU的测量值仅用于自由惯性导航计算，所以两种方法在本质上没有区别。在室内导航应用中，不可避免地会出现Wi
‑
Fi信号中断期间或数目无法支撑其提供位置信息的现象，MEMS
‑
IMU系统误差的严重漂移很容易导致在两次辅助测量更新之间出现无法容忍的自由惯性导航解。

技术实现思路

[0005]本专利技术解决的问题是如何在使用MEMS
‑
IMU进行室内定位时规避掉其系统误差的严重漂移对自由惯性导航解的影响。
[0006]为解决上述问题，本专利技术提供一种MEMS
‑
IMU和Wi
‑
Fi组合的室内行人定位方法，包括：
[0007]步骤1、行人手持移动设备行走，从移动设备的IMU中采集加速度计的加速度幅值、陀螺仪的角速度以及磁力计的三轴数据；
[0008]步骤2、根据采集加速度计的加速度幅值、陀螺仪的角速度以及磁力计的三轴数据建立室内行人定位的系统模型，该系统模型包括基于行人航位推算算法建立用于室内行人定位的位置递推模型，基于载体坐标系相对于导航坐标系的欧拉角建立行人的姿态递推模型，基于高斯
‑
马尔可夫过程建立的行人角速度递推模型，以及对IMU中的陀螺仪建立的系统误差模型；
[0009]步骤3、建立室内行人定位的量测模型，所述量测模型包括将IMU中的陀螺仪的输出角速率作为连续时间上的观测量，建立基于陀螺仪的量测模型；定频采集Wi
‑
Fi的AP点与移动设备之间的距离作为辅助观测量，建立基于Wi
‑
Fi的量测模型；
[0010]步骤4、根据建立的系统模型和量测模型分别建立基于扩展卡尔曼滤波所描述的线性化系统模型和线性化量测模型；
[0011]步骤5、根据扩展卡尔曼滤波算法估计室内行人定位的状态数据。
[0012]本专利技术的有益效果是：采用行人航位推算算法建立的位置递推模型，从根本上缓解了低成本的MEMS
‑
IMU系统误差的严重漂移对自由惯性导航解的影响，同时通过建立基于陀螺仪的量测模型和基于Wi
‑
Fi的量测模型，使得观测值直接且独立地参与扩展卡尔曼滤波算法的测量更新，从而避免传统集成策略中惯性导航机理对IMU输出的严重依赖；另外，根据对IMU量测值的选择，对IMU中的陀螺仪建立的系统误差模型，由于原始数据和系统误差都将参与扩展卡尔曼滤波的更新，IMU原始输出噪声的影响可以被显著降低。
[0013]作为优选，所述步骤2中基于行人航位推算算法建立用于室内行人定位的位置递推模型具体包括：
[0014]步骤201A、确定参考坐标系，将行人初始位置的载体坐标系作为位置坐标的参考坐标系；
[0015]步骤202A、通过加速度幅值中的波峰值和波谷值得到垂直方向加速度计的输出值a
vert.
，并基于垂直方向加速度计的输出值a
vert.
计算步长信息，其计算公式为：
[0016][0017]式中，分别为垂直方向加速度计输出值的波峰值与波谷值，κ是通过离散训练得到的步长估计系数；
[0018]步骤203A、将计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种MEMS
‑
IMU和Wi
‑
Fi组合的室内行人定位方法，其特征在于，包括：步骤1、行人手持移动设备行走，从移动设备的IMU中采集加速度计的加速度幅值、陀螺仪的角速度以及磁力计的三轴数据；步骤2、根据采集加速度计的加速度幅值、陀螺仪的角速度以及磁力计的三轴数据建立室内行人定位的系统模型，所述系统模型包括基于行人航位推算算法建立用于室内行人定位的位置递推模型，基于载体坐标系相对于导航坐标系的欧拉角建立行人的姿态递推模型，基于高斯
‑
马尔可夫过程建立的行人角速度递推模型，以及对IMU中的陀螺仪建立的系统误差模型；步骤3、建立室内行人定位的量测模型，所述量测模型包括将IMU中的陀螺仪的输出角速率作为连续时间上的观测量，建立基于陀螺仪的量测模型；定频采集Wi
‑
Fi的AP点与移动设备之间的距离作为辅助观测量，建立基于Wi
‑
Fi的量测模型；步骤4、根据建立的系统模型和量测模型分别建立基于扩展卡尔曼滤波所描述的线性化系统模型和线性化量测模型；步骤5、根据扩展卡尔曼滤波算法估计室内行人定位的状态数据。2.根据权利要求1所述的一种MEMS
‑
IMU和Wi
‑
Fi组合的室内行人定位方法，其特征在于，所述步骤2中基于行人航位推算算法建立用于室内行人定位的位置递推模型具体包括：步骤201A、确定参考坐标系，将行人初始位置的载体坐标系作为位置坐标的参考坐标系；步骤202A、通过加速度幅值中的波峰值和波谷值得到垂直方向加速度计的输出值a
vert.
，并基于垂直方向加速度计的输出值a
vert.
计算步长信息，其计算公式为：式中，分别为垂直方向加速度计输出值的波峰值与波谷值，κ是通过离散训练得到的步长估计系数；步骤203A、将计算的步长信息L
k
通过航向角投影到导航坐标系下，采用行人航位推算算法，计算从k时刻到k+1时刻时行人在导航坐标系下的位置增量：式中，ΔE
k+1
和ΔN
k+1
分别表示在k+1时刻沿着东向和北向的行人位置增量；ψ
k
为k时刻的航向角；步骤204A、计算k时刻行人与参考坐标系之间的转换矩阵C
t
：式中，ψ0是初始航向角；ψ
k
是k时刻的航向角；步骤205A、将步骤203A计算的位置增量从导航坐标系下转换到载体坐标系下，再经过转换矩阵C
t
转换到参考坐标系，得到用于计算k+1时刻行人相对于参考坐标系的位置递推模型：
式中，r＝(x y z)
T
为参考坐标系中使用三轴坐标表示的位置矢量；w
r
为位置矢量的高斯白噪声；为导航坐标系到载体坐标系的方向余弦矩阵，n为导航坐标系的简称，b为载体坐标系的简称。3.根据权利要求1所述的一种MEMS
‑
IMU和Wi
‑
Fi组合的室内行人定位方法，其特征在于，所述步骤2中基于载体坐标系相对于导航坐标系的欧拉角建立行人的姿态递推模型为：式中，C3×3是姿态递推模型的系数矩阵：其中，p,γ,ψ分别为行人的姿态角，所述姿态角包括俯仰角、横摇角和航向角；为载体坐标系中的角速度，为在三轴上的分量；角加速度为姿态递推模型的过程噪声。4.根据权利要求1所述的一种MEMS
‑
IMU和Wi
‑
Fi组合的室内行人定位方法，其特征在于，所述步骤2中基于高斯
‑
...

【专利技术属性】
技术研发人员：朱明红，胡智春，
申请(专利权)人：宁波大学，
类型：发明
国别省市：