摘要：针对IMU误差随时间累积的问题,本文详细分析和设计了基于foot-mounted的IMU室内行人航位推算系统,包括步伐检测算法、静态初始对准、IMU导航算法、EKF等模块。在EKF中通过ZUPT和ZARU计算速度和角速度的误差并进行补偿,从而间接降低位置的发散速度。多次实验结果表明:在短距离、短时间内,该系统在室内行人航位推算有较高的性能,位置误差与总路程的比值在0.5%-2%范围内。

摘要：基于iPad的三轴加速度计、三轴陀螺仪和三轴磁力计设计一种低成本多传感器的室内行人航位推算(PDR)系统。对于低成本传感器,设计了基于扩展卡尔曼滤波(EKF)的初始对准;在行走过程中,针对位置误差发散的问题,采用基于EKF的零速度更新(ZUPT)和磁力计组合的方法,ZUPT修正速度误差,加速度计和磁力计对陀螺仪进行误差修正,同时对航向角误差修正,从而实现了降低位置误差的目的。实验结果表明,对于低成本多传感器,该系统可以较好地满足室内行人定位要求,定位误差占总路程的2%左右;与已有的行人航位推算系统比较,该系统使用低成本的传感器,获得了很高的定位精度。

摘要：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。

摘要：针对利用惯性测量单元进行行人航位推算(PDR)时,其定位误差会随时间累积的问题,提出了一种基于多传感器融合的室内行人航位推算方法;对于智能移动设备的低成本多传感器,设计了基于无迹卡尔曼滤波(UKF)的初始对准,设定4种阈值条件进行步伐状态检测;在行走过程中,针对步长和航向角误差累积的问题,利用基于UKF的零速度更新(ZUPT)对速度误差进行修正,零角速率更新(ZARU)和磁力计融合对航向角误差进行修正,从而有效提高了行人最终的位置精度。试验结果表明:使用该方法可以有效提高PDR位置精度,平均位置偏差占总路程的1.5%左右。

摘要：为解决游客游览溶洞景区时出现的迷路、失联等安全问题,设计了基于位置指纹和行人航位推算的溶洞内定位导航系统。该系统具备实时定位、基于溶洞地形线路导航、遇险救援等功能。文章给出了系统架构,定位导航的原理和方法,以及融合位置指纹和行人航位推算的互补滤波算法。经测试,该系统能够为游客提供精准且全面的位置服务,有助于提升景区的服务质量。

摘要：行人航位推算(PDR)中,惯性传感器误差不断积累,提出一种基于Wi Fi辅助的位置矫正方法。当行人行至信号强度大于一定阈值的无线接入点(AP)时,将当前位置重置为此AP的位置坐标。针对当前PDR算法中步长估算精度低及普适性差等问题,提出了一种Wi Fi辅助的频率—步长模型动态调整方法。当Wi Fi信号强度低于设定阈值时,对合加速度进行快速傅立叶变换(FFT)变换得出实时频率,采用频率—步长模型估计步长;当Wi Fi信号强度连续两次达到设定阈值时,将频率估计步长和Wi Fi估计步长根据接收信号强度指示(RSSI)大小进行加权得出融合步长,以此为基准对频率—步长模型参数进行反馈调整,调整后的模型用于下一阶段的PDR。为验证所提方法,在电气楼设计相关实验,结果表明,位置矫正有效消除了惯性传感器的累积误差,模型参数调整后PDR误差降低20%以上。

摘要：在室内环境中,GPS信号很难获取,以至于室内行人的航位推算(PDR)成了一个比较大的问题;现如今,常用的室内定位以及PDR的方法是结合外部设备如基于RFID、基于WiFi的定位系统;但是,这些设备在室内部署的时候需要消耗较大的物力以及人力资源’在这篇论文中,设计了一个较成熟的基于惯性测量单元(IMU)设备完成行人航位推算的计算方案;整个计算流程分为5个部分,载体的姿态解算、基于滑动窗口以及限定阈值的方法下的行人的步数检测、基于BP神经网络的行人的步长估计、结合磁力计与陀螺仪进行方向融合的航向推算;最后,根据上述所说的算法流程架构,实现了相应的安卓应用;经测试,在100米左右的回路环境下行走,总体距离误差不超过5米,航向角度偏差不超过5%。

摘要：基于惯性传感器的行人航位推算系统不需要预先安装任何基础设备,能自主运行、实现实时行人定位。设计的硬件平台将低成本、低功耗、小尺寸的MEMS惯性传感器与GPS接收机相结合。在室内、城市峡谷等GPS信号不稳定的环境,惯性传感器根据前一GPS定点推算行人行走的相对位置。行人所处位置高度由气压计测量,与平面位置相结合实现三维定位。简单而有效的跨步探测及步长估计算法降低对微处理器的计算及存储要求。利用互补滤波器融合加速度计、陀螺仪、数字罗盘数据,降低方位误差、提高定位精度。室内行人行走测试实验表明:定位误差低于总行走距离的3%。验证了系统的准确性和可靠性,满足行人定位要求。

摘要：针对当前行人航位推算系统因行人随意性行走、传感器漂移等造成行人步长估计不精确、方向计算误差累积问题,提出了一种基于神经网络和智能手机内置多传感器融合的PDR室内定位方法。首先利用加速计采集的传感器数据和移动距离数据训练BP神经网络,将训练好的BP神经网络模型进行行人移动距离预测,然后根据行人行走步伐的连续性特点和传感器输出之间的相关性,设计了一种微航向角融合的方向估计算法。该算法通过对行走过程中的情况进行分类以获得可靠的传感器源,利用3种微航向角进行分类加权融合,最终获得行人行走方向的精确估计。实验结果表明,通过行人移动距离预测和微航向角融合算法能够实现得较好的定位效果。

摘要：为提高低成本惯性测量单元(intertial measurement unit, IMU)阵列的行人航位推算(pedestrian dead reckoning, PDR)定位精度,首次提出了采用多层感知机(multi-layer perceptron, MLP)实现低成本IMU阵列数据融合的算法,通过将自主设计的IMU阵列和高精度IMU同步运动来获得IMU阵列的测量数据(包括三轴加速度和三轴角速度)和高精度IMU的测量数据,以高精度IMU的测量数据作为标签,利用MLP将IMU阵列的测量数据融合,预测出物体的实际加速度和角速度,并用定位算法进行验证。在定位实验中,使用MLP融合后的预测数据的PDR定位精度比使用单个IMU测量数据的PDR定位精度提高了33.9%;比使用简单平均处理的IMU阵列测量数据的PDR定位精度提高了20.8%;比使用最小二乘法融合的IMU阵列测量数据的PDR定位精度提高了11.6%,证明了本文所提出方法的可行性和有效性。