基于多特征的室内融合定位方法

摘要

本发明公开了一种基于多特征的室内融合定位方法。该方法整个过程分成三个大的部分，分别是Wi‑Fi指纹概率计算、惯性导航计算和粒子滤波融合。Wi‑Fi指纹概率计算使用的是余弦相似度匹算法。惯性导航计算又分成三个部分：步数计算、步长计算和行走方向估计。步数计算运用了行走检测、中心移动平均、窗口波峰检测、动态时间规整、导数分析滤波和波峰复活的方法，步长计算运用了步长与步频的关系模型，行走方向估计运用了水平加速度的时频域分析和基于重力方向的调整策略。最后，在粒子滤波融合部分，基于惯性导航和Wi‑Fi指纹概率构建的隐式马尔可夫模型，使用粒子滤波方法，结合地图信息，计算位置概率，最终得到定位结果。

主权项

一种基于多特征的室内融合定位方法，其特征包括以下部分：Wi‑Fi指纹概率计算，分成离线训练阶段和在线定位阶段，离线训练阶段收集指纹数据并建立指纹数据库；在线定位阶段实时获取Wi‑Fi接收信号强度信息，使用余弦相似度匹配算法计算指纹点的概率；惯性导航计算，分成步数计算、步长计算、行走方向估计三个阶段：步数计算，首先加速度传感器和陀螺仪收集加速度和角速度数据，然后计算一定区间内的加速度标准差，根据加速度标准差及角速度大小判断用户是否行走，若行走，则进行窗口波峰检测、动态时间规整、加速度导数分析和波峰复活策略，得到该区间内行走步数；步长估计，根据前一阶段得到的步数和行走区间长度，计算得到行走步频，根据步频与步长关系模型，得到行走步长；行走方向估计，通过水平加速度传感器和线性加速度传感器数据计算得到水平加速度，进行水平加速度的时频域分析及基于重力方向的调整，再结合磁场方向得到用户的地理行走方向；粒子滤波融合，利用以上得到的指纹点概率、步数、步长和行走方向，结合地图的路径信息和墙壁信息，进行粒子滤波，得到用户位置。