论文部分内容阅读
随着互联网和与智能终端的发展,基于位置的服务在人们日常生活中的应用越来越广泛。由于全球定位系统的全面覆盖性,室外定位技术发展已相当成熟,但室内环境中,由于GPS信号被建筑物遮挡,室外定位方法在室内不适用,而现有的室内定位技术也不成熟,市场应用性不高。在此背景下,为解决室内定位问题,本文选择了惯性传感器与PDR定位技术作为研究基础,旨在对惯性传感器定位技术过程中存在的定位误差做出修正,提高室内定位精度,增加室内定位技术的市场普适性。本文对室内行人运动的惯性传感器数据进行状态界定,并通过条件随机场预测算法,将行人运动状态与行人航位推算技术相结合,修正室内定位误差。文章主要研究内容如下:(1)构建深度学习模型预测室内行人步行运动状态。本文将室内行人步行状态分为:上楼、下楼、电梯、正常行走、转弯五种状态,并使用手机APP对传感器数据进行采集。传感器数据集经预处理后划分为训练集与测试集,分别用于深度学习识别模型训练与测试。本文构建的深度学习模型经测试数据集检验,识别精度达0.97。最后将深度学习识别模型转化为预测模型,用于预测室内行人步行运动状态序列。(2)构建条件随机场模型预测行人步行路径。本文根据CRF中维特比算法的预测原理,构建了CRF步行状态预测模型,并结合地图匹配原理构建室内地图、设置室内地图节点,将步行运动状态序列与室内地图节点匹配用于预测室内行人步行路径。其中模型构建过程通过Python代码实现,模型输入为步行动作状态序列,输出为通过地图节点表示的步行路径。(3)构建行人航位推算算法结构恢复行人室内步行轨迹。本文以PDR定位算法理论为基础,通过编写matlab程序对室内步行传感器数据进行分析处理,得到行人行走步数、步频与步长及航向角。并通过过零点数据处理及坐标转换方法将步行轨迹与室内电子地图匹配,并将步行轨迹恢复情况展示于室内地图。由于PDR算法存在定位误差以及导航轨迹漂移情况,本文将CRF与PDR算法结合,以修正导航轨迹,降低累计误差,提高定位精度。(4)结合实验场地室内地图进行实地测试,验证室内定位算法并分析实验结果。本文实验包括了四条室内行走路线,实验场地为深圳大学科技楼1楼和14楼,实验前根据实验场地的实际情况构建了室内电子地图。本文通过将实验数据及导航路径导入地图,对PDR定位效果与行人PDR+CRF定位效果进行对比分析。本文将PDR及PDR+CRF步行轨迹坐标与真实轨迹坐标的定位精度进行对比,PDR定位精度为4.43米,PDR+CRF定位精度为1.19米,定位精度提升明显。