鐘亞洲， 吳 飛， 任師濤

(上海工程技術(shù)大學 電子電氣工程學院，上海 201620)

0 引 言

室內(nèi)復雜多變環(huán)境下，利用信號強度進行定位時，易致電磁波信號產(chǎn)生衰減、多徑和干擾[1]?；谥讣y數(shù)據(jù)庫的無線室內(nèi)定位方法需要在目標環(huán)境中選取若干參考點進行采樣并通過指紋數(shù)據(jù)庫作為目標環(huán)境特征進行位置估計。無線接入點的性能和分布決定了定位的精度，如果想要在大區(qū)域級進行人員定位，大規(guī)模基礎(chǔ)設(shè)施建設(shè)導致基于指紋數(shù)據(jù)庫的無線室內(nèi)定位方案優(yōu)勢并不明顯。而智能手機感知環(huán)境的能力已經(jīng)非常強大。因此，基于行人航跡推算(pedestrian dead reckoning,PDR)的定位和導航方式將帶來新的機遇[2～4]。文獻[3]提出了利用加速度和角速度建立行人運動模型，采用足綁式(Foot-mounted)方法和擴展卡爾曼濾波對導航參數(shù)誤差進行估計和補償；文獻[4]為了提高人員動作分類的準確率，提出了利用慣性數(shù)據(jù)特征，通過支持向量機理論構(gòu)建行進動作分類器；文獻[5]針對人體三維坐標精準定位，提出了三維復雜運動模式航跡推算算法，通過有效跨步求解人體位置的三維坐標。但以上文獻均未利用環(huán)境信息來提高定位精度。

本文設(shè)計了粒子濾波(particle filtering,PF)器并且融合室內(nèi)平面地圖和PDR信息，提出一種基于PF的PDR定位算法，提高了室內(nèi)環(huán)境下用戶定位精度。

1 基于PF的室內(nèi)定位方法

系統(tǒng)整體框架如圖1所示，首先使用手機內(nèi)置的加速度計進行步伐檢測和計步，陀螺儀和磁力計進行方向估計;然后結(jié)合地圖匹配信息，使用PF算法對得到的定位數(shù)據(jù)進行濾波融合。

圖1 基于地圖匹配的室內(nèi)定位流程

行人行走一步時，PDR算法需進行方向和步長估計。根據(jù)行人初始位置，可以推算出之后時刻行人的位置[6]。設(shè)坐標系為東北坐標系，行人位置更新為

(1)

式中xk為第k步時行人的東西坐標；yk為第k步時行人的南北坐標；SLk為第k步時的步長；θk為第k步時相對于北向的夾角。

2 PDR算法

2.1 步伐檢測算法

行人實際的室內(nèi)運動中一般包含著多種運動模式，通過PDR，可以將行人的行走運動模式建立為一個三維運動模型[7]。PDR需要步伐和頻率檢測，如果步伐檢測出現(xiàn)錯誤或者丟失步伐數(shù)值，將導致步行距離與實際行走的長度偏差較大。本文選用零點交叉法來檢測步伐。

使用加速度傳感器進行步伐檢測和計步時，會產(chǎn)生一些測量噪聲[8],將會導致步伐檢測和計步出現(xiàn)錯誤，影響步長估計的精度。用高通濾波器濾除重力加速度，即

aavg=a×0.1+aavg×0.9,ah=a-aavg

(2)

式中a,aavg,ah分別為加速度測量值、均值和經(jīng)高通濾波后的值。

輸出的過零點加速度計檢測使用此信號。步伐檢測算法的結(jié)果如圖2所示。

圖2 加速度值零點交叉法

2.2 步長估計算法

由于步長受線性模式的影響[9]，使用式(3)～式(5)確定行走頻率與加速度方差

SL=α·WF+β·AV+γ

(3)

WF=1/(tk-tk-1)

(4)

(5)

式中α，β和γ參數(shù)根據(jù)環(huán)境進行設(shè)定；WF為行走頻率；AV為加速度方差。通過式(6)計算步行距離

(6)

3 PF融合

3.1 初始化

取粒子數(shù)為N=100，對用戶的行走方向進行濾波。設(shè)定權(quán)值初始值為1/N，根據(jù)系統(tǒng)設(shè)定可知粒子的權(quán)值之和為1，每個粒子代表用戶的一個可能的運動狀態(tài)，即用戶的一個可能的位置。

3.2 粒子狀態(tài)轉(zhuǎn)移

通過粒子狀態(tài)不斷轉(zhuǎn)移，用戶的位置隨著時間的推移不斷更新。PF算法需要考慮到行人運動過程中的誤差控制， PDR算法中通過矢量疊加，不同的粒子權(quán)重在運動中將產(chǎn)生不同的路徑[10]。隨著時間和位置距離的累加，會導致位置信息的累計偏差增大。因此，將粒子權(quán)重w作為路徑航向平滑因子

(7)

式中θt為t時刻行人位置信息中方向信息,為引入平滑因子后第i個粒子代表的行走方向。圖3為粒子平滑示意。

圖3 粒子平滑示意

3.3 粒子更新

PF算法通過不斷更新粒子的位置和權(quán)重值來逼近系統(tǒng)的真實后驗概率分布。權(quán)重值越大，系統(tǒng)在該狀態(tài)的可能性越大。通過運動模型，粒子不斷更新位置，同時，通過量測模型粒子更新權(quán)重值。PDR算法需要考慮定位實時性問題，所以PF算法的計算量需要滿足硬件的需求，在智能手機硬件的基礎(chǔ)上盡可能提高PF算法的實時性[11]。為降低PF算法的計算量，選擇地圖匹配的PF算法。主要思路是充分利用環(huán)境信息，將地圖信息導入PDR系統(tǒng)中，利用地圖中的障礙物來更新粒子權(quán)重。設(shè)定當粒子遇到墻壁或者家居等障礙物時，粒子滅亡，粒子的權(quán)重變?yōu)榱?否則,粒子存活并更新粒子的位置和權(quán)重。

3.4 重采樣

重采樣能夠抑制退化現(xiàn)象[12],減少權(quán)值較小的粒子數(shù)目，對具有較大權(quán)值得粒子增加粒子數(shù)目，但會導致粒子多樣性降低，同時，增加粒子數(shù)目會導致PF算法的計算復雜度增加，從而消耗更多的計算時間。本文選擇權(quán)值選擇的PF算法[13]，通過選出權(quán)值較大的粒子來估計行人的運動位置和狀態(tài)。結(jié)合地圖匹配的PF算法，可以提高PDR系統(tǒng)的重采樣效率，同時也解決了粒子退化問題。

4 系統(tǒng)仿真測試與對比分析

4.1 系統(tǒng)仿真環(huán)境

實驗場地是一個70 m×50 m 的長方形區(qū)域，平面圖如圖4所示，圖中主要有走廊AB和走廊BC，走廊兩側(cè)的墻壁和門視為障礙物。本次仿真實驗按照正常速度行走進行測試。要求測試人員以A點為起點，沿著走廊AB從正西方向朝著正東方向行走，到達走廊BC之后立刻右轉(zhuǎn)彎，從B點沿著走廊BC從正北方向朝著正南方向行走，C點為單次實驗終點。

圖4 實驗場地平面

(8)

式中σv為高斯噪聲。設(shè)置高斯噪聲為零均值，標準差為0.08 m/s。

4.2 系統(tǒng)仿真結(jié)果對比分析

通過在室內(nèi)環(huán)境下進行仿真實驗，比較了使用PF的PDR算法前后的定位精度誤差。仿真實驗要求測試人員以空心圓為起點，空心矩形為終點。使用的PDR算法記為PDR+PF_Method，使用PF的PDR算法記為PDR_Method。對于2種方法分別進行10次行走測試。通過對行人的行走過程進行軌跡分析和標定，將行人最終定位軌跡繪制在實驗平面圖中，為定位誤差分析提供了參考。圖5為仿真實驗平面示意。

圖5 仿真實驗平面

將2種方法計算的總距離與實際行走的距離進行比較，得到圖6所示的實驗誤差比較。

圖6 實驗誤差比較

由圖6可知，測試10次之后，PDR_Method算法計算出的總距離和實際軌跡距離誤差較大，誤差范圍大于等于5 %,占比70 %以上，而PDR+PF_Method測試10次的誤差范圍均在5 %以內(nèi)。仿真實驗結(jié)果表明：本文基于PF的PDR定位算法提高了行人室內(nèi)定位的精度。

5 結(jié) 論

本文針對目前PDR定位精度不高的缺點，提出一種基于PF的PDR定位算法。仿真實驗結(jié)果表明，使用PF算法輔助PDR之后，提高了定位精度。