一种基于粒子滤波的智能移动终端室内行人定位算法_赵逢达
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
［7 ］
本文利用智能手机内置的传感器等对室内环境下用户的 位置进行追踪定位． 系统整体框架如图 1 所示． 该室内定位算 法利用手机硬件层提供的加速度传感器和方向传感器对用户 Fi 模块对用户环境进行感知， 的运动行为进行感知， 利用 Wi通过粒子滤波将运动信息和观测信息进行滤波融合， 向应用 层 LBS 应用等提供用户的位置信息 ．
在室内环境下对行人位置进行定位的问题可以描述为动 ［4 ］ 态系统状态估计问题 ， 定义状态空间方程如下： wt） xt = ft （ xt － 1 ， （ 1） 运动方程 z t = ht （ xt ， （ 2） vt） 观测方程 h v f w 其中，t 和 t 可分别为非线性函数， t 和 t 分别为过程 x t 为 t 时刻用 噪声和观测噪声， 是两组相互独立的噪声序列， z t 为 t 时刻的观测信息． 从贝叶斯估计角度来 户运动信息， …， 看， 状态估计问题就是从所有得到的观测信息 z 1： t = ｛ z 1 ， z t ｝ 中推理出 t 时刻状态变量 x t 的值， 即估计 p （ x t | z 1： t ） ． 本文 所提出的基于粒子滤波的室内定位算法充分利用目前手机内 Fi 模块， 置的加速度传感器、 方向传感器和 Wi分别来对用户 的运动行为和环境进行感知， 作为运动方程和观测方程 ． 为避免贝叶斯估计中的积分运算， 本文利用粒子滤波实 现定位数据的融合， 为室内基于位置的服务提供了定位信息 ． 2． 2 运动模型 为了得到移动用户的运动方程， 采用航位推算法对用户 位置进行推算． 考虑到行人步行行为的复杂性和定位系统低 成本的特点， 在将航位推算应用于室内行人定位时我们采用 步数（ 或步频） 与步长的乘积来获得用户的相对位移量 ．
．
本文将行人在当前位置接收到的无线 AP 点的 ＲSSI 转 换为行人与 AP 点之间的距离， 作为对环境的观测． 在多径信 ［8 ］ 道的室内环境下， 传输损耗模型通常采用如下简化模型 ： p （ d） = p （ d0 ） － 10 nlg （ d / d0 ） （ dBm ） （ 4） p （ d） 代表与 AP 点之间的距离为 d 时接收到的信 其中， p （ d0 ） 表示与 AP 点距离为 d0 时接收到 号强度， 单位为 dBm ， d0 为参考距离， 的信号强度， 通常取 1m． 2． 4 粒子滤波融合
A Particle Filter Based Smart Mobile Terminal Indoor Pedestrian Localization Algorithm
2 2 2 ZHAO Fengda1， ， YAN Tingting 1， ， KONG Lingfu1， 1 2
（ Department of Information Science and Engineering of Yanshan University ， Qinhuangdao 066004 ， China） （ The Key Laboratory for Computer Virtual Technology and System Integration of Hebei Province ， Qinhuangdao 066004 ，China）
图1 2． 1
基于粒子滤波的室内定位算法整体框架图 Fig． 1 Algorithm architecture
本文采用粒子滤波
［9 ］
对用户位置概率密度函数进行近
基本数学模型
似， 对行人运动方向进行滤波 ． 2． 4． 1 初始化 y 0 ） ． 然后设计粒子 假设用户的初始位置已知， 设为（ x 0 ， 结构， 本文只考虑粒子的位置和权值， 将粒子的参数设计为 （ x it ， y it ， w it ） ， 即只包含用户的位置信息和粒子的权重信息 ． 对用户的行走方向进行滤波 ． 其权 取粒子数为 N = 100 ， 值初始值为 1 / N ， 所有粒子的权值之和为 1 ， 每个粒子代表用 户的一个可能的运动状态， 也就是用户的一个可能的位置 ． 2． 4． 2 粒子状态转移 粒子状态转移， 也就是用户的位置随时间的更新过程 ． 在 对行人运动方向进行滤波时， 在行人航位推算每一次矢量相 加时， 引入粒子权重 w 作为路径航向平滑因子， 不同的粒子 权重将产生不同的路径 ． i i i θt ' = （ 1 － w t － 1 ） θt － 1 ' + w θt （ 5）
Abstract： For existing indoor localization algorithm has low accuracy ，high cost in deployment and maintenance and lack of robustness，this paper proposes a particle filter based indoor w ireless selflearning algorithm ，the pedestrians localization in indoor environment is described as dynamic system state estimation problem ，combines the smart mobile terminal w ith indoor localization，uses the builtin sensors of smart mobile terminal and WiFi module to apperceive the user's movement and his environment ， and filters the resulting localization data w ith a particle filter． And uploads the localization results to the server in time，incrementaly builds the location fingerprint database， and the fingerprint database is constantly updated according to the time stamp， to adapt to the dynamic changes in the indoor environment． Experimental results show that the localization algorithm is effective to overcome the limitations of existing localization algorithm ，improves the localization accuracy and robustness． Key words： indoor localization； particle filter； propagation model； location fingerprint
． 随着
LBS 在室外环境中的成功应用， 人们对室内环境中 LBS 的需 求也与日剧增． 未来室内环境中 LBS 主要集中在贴近生活的 跟踪导航服务， 如室内盲人导航服务 、 基于位置的定向广告推 送服务、 大型博物馆内的自动导游指引服务等 ． LBS 是建立在 对移动物体位置的准确定位基础之上的， 因此， 如何准确、 低 成本地获取室内环境下用户的位置信息便成为了室内 LBS 研究的一个最为基础和关键的问题 ． 近几年来， 众多的高校和研究机构对室内定位技术进行
小 型 微 型 计 算 机 系 统 Journal of Chinese Computer Systems
2014 年 8 月 第 8 期 Vol． 35 No． 8 2014
一种基于粒子滤波的智能移动终端室内行人定位算法
1， 2 1， 2 1， 2 闫亭亭 ， 孔令富 赵逢达 ，
1 2
（ 燕山大学 信息科学与工程学院， 河北 秦皇岛 066004 ） （ 河北省计算机虚拟技术与系统集成重点实验室， 河北 秦皇岛 066004 ）
Email： yantingtingysu@ 126． com
摘
要： 针对现有室内定位算法精度较低 、 部署维护成本高、 鲁棒性不足等缺点， 提出一种基于粒子滤波的室内无线定位自学
习算法， 将在室内环境下行人定位问题描述为动态系统状态估计问题， 将智能移动终端与室内定位相结合， 分别利用智能移动 Fi 模块感知用户运动和用户所在环境， 终端内置的传感器和 Wi并利用粒子滤波对得到的定位数据 进行滤波 融 合． 同时 将定位 结果实时上传至服务器， 递增式地构建位置指纹库， 并根据时间标签不断地更新指纹库， 以适应室内环境的动态变化． 实验结 果 表明， 该定位算法有效克服了现有室内定位的局限性， 提高了定位精度及鲁棒性． 关 键 词： 室内定位； 粒子滤波； 传播模型； 位置指纹 中图分类号： TP18 文献标识码： A 1220 （ 2014 ） 08184206 文 章 编 号： 1000-
1
引
言
了研究和探索， 提出了各种室内定位解决方案， 如三角形定位 技术
［3 ］ 、 位置指纹定位 等． 这些定位算法在定位精度 、 时间 和所需辅助设备上各有取舍 ． 但就目前而言， 由于室内环境的 ［2 ］
基于 随着 IEEE802． 11 技术的成熟和移动互联网的发展， based Services， LBS ） 已渗透到人们的 位置的服务 （ Location多方面生活中， 在多种场合发挥着极为重要的作用， 在车载导 航、 医疗救 援 等 领 域 都 具 有 十 分 广 阔 的 应 用 前 景
［1 ］Hale Waihona Puke Baidu
复杂性和多变性， 单纯依靠某一种定位技术， 其定位精度、 时 间和成本都有相当的局限性， 往往无法满足用户的定位需求 ． 近几年来， 智能手机得到快速的发展， 现有智能手机不仅 在计算、 存储和处理能力等性能方面得到了很大提升， 而且嵌 入了大量微型传感器， 比如加速度传感器和方向传感器 ． 智能 手机的发展为在室内环境下实现一个经济且用户友好的定位 系统提供了一个新的平台和机遇 ． 本文主要研究基于粒子滤波的室内定位算法， 将智能手 机与传统定位技术相结合， 利用智能手机感知用户运动和用 户所在环境， 分别作为贝叶斯估计的运动模型和观测模型， 利 用粒子滤波对其进行滤波融合， 将其应用于室内环境下的用
8期
赵逢达 等： 一种基于粒子滤波的智能移动终端室内行人定位算法 导航
［6 ］
1843
户定位， 并自主构建室内环境的位置指纹库 ．
和健康监测等方面已得到了一定的应用 ． 在本文中我
2
基于手机的室内无线定位算法
们采用加速度传感器和方向传感器对用户的运动行为进行感 知． 其中加速度传感器用来感知用户加速度的变化， 它使用三 维方向的加速度分量来表示 ． 通过对加速度传感器采集到的 行走时的数据进行滤波处理和特征提取， 建立人体计步模型 来实现步数检测． 利用方向传感器来采集用户运动方向的变 化． 本文中参考国外学者使用加速度传感器输出的数据计算 步长的经验公式， 来对移动用户的步长进行在线修正 2． 3 观测模型
0711 收修改稿日期： 20130911 基金项目： 河北省自然科学基金项目（ F2012203170 ） 资助； 河北省自然科学基金项目 收稿日期： 2013（ F2012203188 ） 资助． 作者简介： 赵逢达， 1976 年生， 男， 博士， 副教授， 研究方向为基于多传感器信息融合的 SLAM 、 家庭服务机器人服务对象 1988 年生， 1957 年生， 异常行为发现和足球机器人； 闫亭亭， 女， 硕士， 研究方向为移动智能计算、 基于智能手机的室内定位； 孔令富， 男， 博士， 教 授， 博士生导师， 研究方向为智能信息处理 、 智能控制、 机器人视觉、 机器人学等研究．
本文利用智能手机内置的传感器等对室内环境下用户的 位置进行追踪定位． 系统整体框架如图 1 所示． 该室内定位算 法利用手机硬件层提供的加速度传感器和方向传感器对用户 Fi 模块对用户环境进行感知， 的运动行为进行感知， 利用 Wi通过粒子滤波将运动信息和观测信息进行滤波融合， 向应用 层 LBS 应用等提供用户的位置信息 ．
在室内环境下对行人位置进行定位的问题可以描述为动 ［4 ］ 态系统状态估计问题 ， 定义状态空间方程如下： wt） xt = ft （ xt － 1 ， （ 1） 运动方程 z t = ht （ xt ， （ 2） vt） 观测方程 h v f w 其中，t 和 t 可分别为非线性函数， t 和 t 分别为过程 x t 为 t 时刻用 噪声和观测噪声， 是两组相互独立的噪声序列， z t 为 t 时刻的观测信息． 从贝叶斯估计角度来 户运动信息， …， 看， 状态估计问题就是从所有得到的观测信息 z 1： t = ｛ z 1 ， z t ｝ 中推理出 t 时刻状态变量 x t 的值， 即估计 p （ x t | z 1： t ） ． 本文 所提出的基于粒子滤波的室内定位算法充分利用目前手机内 Fi 模块， 置的加速度传感器、 方向传感器和 Wi分别来对用户 的运动行为和环境进行感知， 作为运动方程和观测方程 ． 为避免贝叶斯估计中的积分运算， 本文利用粒子滤波实 现定位数据的融合， 为室内基于位置的服务提供了定位信息 ． 2． 2 运动模型 为了得到移动用户的运动方程， 采用航位推算法对用户 位置进行推算． 考虑到行人步行行为的复杂性和定位系统低 成本的特点， 在将航位推算应用于室内行人定位时我们采用 步数（ 或步频） 与步长的乘积来获得用户的相对位移量 ．
．
本文将行人在当前位置接收到的无线 AP 点的 ＲSSI 转 换为行人与 AP 点之间的距离， 作为对环境的观测． 在多径信 ［8 ］ 道的室内环境下， 传输损耗模型通常采用如下简化模型 ： p （ d） = p （ d0 ） － 10 nlg （ d / d0 ） （ dBm ） （ 4） p （ d） 代表与 AP 点之间的距离为 d 时接收到的信 其中， p （ d0 ） 表示与 AP 点距离为 d0 时接收到 号强度， 单位为 dBm ， d0 为参考距离， 的信号强度， 通常取 1m． 2． 4 粒子滤波融合
A Particle Filter Based Smart Mobile Terminal Indoor Pedestrian Localization Algorithm
2 2 2 ZHAO Fengda1， ， YAN Tingting 1， ， KONG Lingfu1， 1 2
（ Department of Information Science and Engineering of Yanshan University ， Qinhuangdao 066004 ， China） （ The Key Laboratory for Computer Virtual Technology and System Integration of Hebei Province ， Qinhuangdao 066004 ，China）
图1 2． 1
基于粒子滤波的室内定位算法整体框架图 Fig． 1 Algorithm architecture
本文采用粒子滤波
［9 ］
对用户位置概率密度函数进行近
基本数学模型
似， 对行人运动方向进行滤波 ． 2． 4． 1 初始化 y 0 ） ． 然后设计粒子 假设用户的初始位置已知， 设为（ x 0 ， 结构， 本文只考虑粒子的位置和权值， 将粒子的参数设计为 （ x it ， y it ， w it ） ， 即只包含用户的位置信息和粒子的权重信息 ． 对用户的行走方向进行滤波 ． 其权 取粒子数为 N = 100 ， 值初始值为 1 / N ， 所有粒子的权值之和为 1 ， 每个粒子代表用 户的一个可能的运动状态， 也就是用户的一个可能的位置 ． 2． 4． 2 粒子状态转移 粒子状态转移， 也就是用户的位置随时间的更新过程 ． 在 对行人运动方向进行滤波时， 在行人航位推算每一次矢量相 加时， 引入粒子权重 w 作为路径航向平滑因子， 不同的粒子 权重将产生不同的路径 ． i i i θt ' = （ 1 － w t － 1 ） θt － 1 ' + w θt （ 5）
Abstract： For existing indoor localization algorithm has low accuracy ，high cost in deployment and maintenance and lack of robustness，this paper proposes a particle filter based indoor w ireless selflearning algorithm ，the pedestrians localization in indoor environment is described as dynamic system state estimation problem ，combines the smart mobile terminal w ith indoor localization，uses the builtin sensors of smart mobile terminal and WiFi module to apperceive the user's movement and his environment ， and filters the resulting localization data w ith a particle filter． And uploads the localization results to the server in time，incrementaly builds the location fingerprint database， and the fingerprint database is constantly updated according to the time stamp， to adapt to the dynamic changes in the indoor environment． Experimental results show that the localization algorithm is effective to overcome the limitations of existing localization algorithm ，improves the localization accuracy and robustness． Key words： indoor localization； particle filter； propagation model； location fingerprint
． 随着
LBS 在室外环境中的成功应用， 人们对室内环境中 LBS 的需 求也与日剧增． 未来室内环境中 LBS 主要集中在贴近生活的 跟踪导航服务， 如室内盲人导航服务 、 基于位置的定向广告推 送服务、 大型博物馆内的自动导游指引服务等 ． LBS 是建立在 对移动物体位置的准确定位基础之上的， 因此， 如何准确、 低 成本地获取室内环境下用户的位置信息便成为了室内 LBS 研究的一个最为基础和关键的问题 ． 近几年来， 众多的高校和研究机构对室内定位技术进行
小 型 微 型 计 算 机 系 统 Journal of Chinese Computer Systems
2014 年 8 月 第 8 期 Vol． 35 No． 8 2014
一种基于粒子滤波的智能移动终端室内行人定位算法
1， 2 1， 2 1， 2 闫亭亭 ， 孔令富 赵逢达 ，
1 2
（ 燕山大学 信息科学与工程学院， 河北 秦皇岛 066004 ） （ 河北省计算机虚拟技术与系统集成重点实验室， 河北 秦皇岛 066004 ）
Email： yantingtingysu@ 126． com
摘
要： 针对现有室内定位算法精度较低 、 部署维护成本高、 鲁棒性不足等缺点， 提出一种基于粒子滤波的室内无线定位自学
习算法， 将在室内环境下行人定位问题描述为动态系统状态估计问题， 将智能移动终端与室内定位相结合， 分别利用智能移动 Fi 模块感知用户运动和用户所在环境， 终端内置的传感器和 Wi并利用粒子滤波对得到的定位数据 进行滤波 融 合． 同时 将定位 结果实时上传至服务器， 递增式地构建位置指纹库， 并根据时间标签不断地更新指纹库， 以适应室内环境的动态变化． 实验结 果 表明， 该定位算法有效克服了现有室内定位的局限性， 提高了定位精度及鲁棒性． 关 键 词： 室内定位； 粒子滤波； 传播模型； 位置指纹 中图分类号： TP18 文献标识码： A 1220 （ 2014 ） 08184206 文 章 编 号： 1000-
1
引
言
了研究和探索， 提出了各种室内定位解决方案， 如三角形定位 技术
［3 ］ 、 位置指纹定位 等． 这些定位算法在定位精度 、 时间 和所需辅助设备上各有取舍 ． 但就目前而言， 由于室内环境的 ［2 ］
基于 随着 IEEE802． 11 技术的成熟和移动互联网的发展， based Services， LBS ） 已渗透到人们的 位置的服务 （ Location多方面生活中， 在多种场合发挥着极为重要的作用， 在车载导 航、 医疗救 援 等 领 域 都 具 有 十 分 广 阔 的 应 用 前 景
［1 ］Hale Waihona Puke Baidu
复杂性和多变性， 单纯依靠某一种定位技术， 其定位精度、 时 间和成本都有相当的局限性， 往往无法满足用户的定位需求 ． 近几年来， 智能手机得到快速的发展， 现有智能手机不仅 在计算、 存储和处理能力等性能方面得到了很大提升， 而且嵌 入了大量微型传感器， 比如加速度传感器和方向传感器 ． 智能 手机的发展为在室内环境下实现一个经济且用户友好的定位 系统提供了一个新的平台和机遇 ． 本文主要研究基于粒子滤波的室内定位算法， 将智能手 机与传统定位技术相结合， 利用智能手机感知用户运动和用 户所在环境， 分别作为贝叶斯估计的运动模型和观测模型， 利 用粒子滤波对其进行滤波融合， 将其应用于室内环境下的用
8期
赵逢达 等： 一种基于粒子滤波的智能移动终端室内行人定位算法 导航
［6 ］
1843
户定位， 并自主构建室内环境的位置指纹库 ．
和健康监测等方面已得到了一定的应用 ． 在本文中我
2
基于手机的室内无线定位算法
们采用加速度传感器和方向传感器对用户的运动行为进行感 知． 其中加速度传感器用来感知用户加速度的变化， 它使用三 维方向的加速度分量来表示 ． 通过对加速度传感器采集到的 行走时的数据进行滤波处理和特征提取， 建立人体计步模型 来实现步数检测． 利用方向传感器来采集用户运动方向的变 化． 本文中参考国外学者使用加速度传感器输出的数据计算 步长的经验公式， 来对移动用户的步长进行在线修正 2． 3 观测模型
0711 收修改稿日期： 20130911 基金项目： 河北省自然科学基金项目（ F2012203170 ） 资助； 河北省自然科学基金项目 收稿日期： 2013（ F2012203188 ） 资助． 作者简介： 赵逢达， 1976 年生， 男， 博士， 副教授， 研究方向为基于多传感器信息融合的 SLAM 、 家庭服务机器人服务对象 1988 年生， 1957 年生， 异常行为发现和足球机器人； 闫亭亭， 女， 硕士， 研究方向为移动智能计算、 基于智能手机的室内定位； 孔令富， 男， 博士， 教 授， 博士生导师， 研究方向为智能信息处理 、 智能控制、 机器人视觉、 机器人学等研究．