论文部分内容阅读
随着我国社会经济与科技的飞速发展,基于位置服务(Location Based Service,LBS)已经在人民生活、应急救援等领域发挥了重要的作用。目前,虽然GNSS(Global Navigation Satellite System)定位技术,为人们的出行及应急救援等活动提供了便利的导航定位服务,但尚难以应用于高大建筑物遮挡或复杂的室内环境,尤其是在此情况下出现突发事件,如何实现快速实时导航定位,是当前亟待解决的关键技术难点。本文从室内突发灾害应急决策需求出发,研究在室内灾害应急救援情况下,由于断电、高温浓烟等因素的影响导致室内场景中布设的定位基础设施或构建的先验数据库被破坏,如何快速提供位置服务。虽然惯性测量单元(Inertial Measurement Unit,IMU)具有不依赖于室内定位基础设施或先验数据库的优点,但现有基于IMU的室内行人定位算法存在偏差较大、精度不高等不足。因此,本文提出基于惯性传感器的融合ROF模型的卡尔曼滤波算法、双状态机的自适应步态检测算法,对IMU数据滤波算法和步态检测算法进行了改进,建立了室内行人快速精准定位算法模型,并通过实例验证表明了本文方法的有效性。主要工作及创新点如下:(1)针对行人在运动过程中,由于身体的抖动及路面不平整等因素导致IMU数据存在噪声,提出融合ROF模型的卡尔曼滤波IMU数据滤波方法,消除了IMU数据中存在的噪声问题,实验结果表明,本文方法具有更高的滤波平滑能力和稳定性,可以有效避免卡尔曼滤波算法初始时刻估计值与实际偏差过大问题。(2)基于惯性导航的行人航迹推算算法,分析研究了步长估计方法、步态检测方法、方向判断方法,建立了室内行人定位算法。重点针对行人步态检测算法进行研究,在综合分析当前相关研究的基础上,提出一种基于双状态机的自适应步态检测算法,解决了步态检测过程不同运动状态、不同传感器姿态的步态检测适用性问题,实验结果表明,本文算法在不同传感器姿态及不同运动状态(跑步+行走混合状态)下,步态检测精度超过99%。(3)通过实例验证,结果表明本文所提出的融合ROF模型的卡尔曼滤波算法和基于双状态机的自适应步态检测算法,利用PDR实现行人定位的最大点位中误差为0.36m,最小点位中误差为0.04m,平均点位中误差为0.23m。