基于粒子濾波和地圖匹配的融合室內(nèi)定位

周 瑞，魯 翔，盧 帥，李志強(qiáng)，桑 楠

(電子科技大學(xué)信息與軟件工程學(xué)院 成都 610054)

室內(nèi)位置信息在許多應(yīng)用[1-3]中扮演著重要的角色。雖然衛(wèi)星定位系統(tǒng)等技術(shù)已經(jīng)可以滿足大多數(shù)戶外定位的需求，但不適用于室內(nèi)環(huán)境。由于WiFi設(shè)備成本低廉、部署廣泛、實(shí)用性強(qiáng)，基于WiFi的定位方案已在科研、工業(yè)以及日常生活等領(lǐng)域得到認(rèn)可。WiFi信號(hào)指紋匹配是無(wú)線定位的常用算法。其原理為相近位置點(diǎn)采集到的WiFi指紋(室內(nèi)環(huán)境中無(wú)線接收器的信號(hào)強(qiáng)度)也相似，可以通過(guò)訓(xùn)練數(shù)學(xué)模型建立位置和指紋的對(duì)應(yīng)關(guān)系。但室內(nèi)環(huán)境的復(fù)雜性和干擾的不確定性會(huì)導(dǎo)致WiFi指紋的定位結(jié)果并不理想。如今手機(jī)等手持移動(dòng)設(shè)備基本配備了標(biāo)準(zhǔn)慣性傳感器，而該傳感器為推算出行走航位(PDR)提供了可能[4-6]。PDR從設(shè)備中的傳感器獲取數(shù)據(jù)，完全脫離外部信息，短時(shí)間內(nèi)可以達(dá)到較好的定位效果。但是，大多數(shù)便攜式移動(dòng)設(shè)備內(nèi)置的慣性傳感器工藝有限，且精度不高。同時(shí)人在移動(dòng)的過(guò)程中隨機(jī)性太大，導(dǎo)致PDR的誤差會(huì)隨時(shí)間累積，定位結(jié)果越來(lái)越差，最終失效。

研究人員提出將這兩種方法融合以獲得更高的精度和穩(wěn)定性。文獻(xiàn)[7]采用極大似然算法融合WiFi指紋和PDR結(jié)果，在獲取到初始位置和移動(dòng)方向后，不斷使用WiFi定位的位置矯正PDR軌跡，從而減少長(zhǎng)時(shí)間產(chǎn)生的累計(jì)誤差。文獻(xiàn)[8]提出根據(jù)慣性傳感器數(shù)據(jù)和WiFi信號(hào)模式的變化確定室內(nèi)的常見(jiàn)標(biāo)志，如電梯、樓梯、轉(zhuǎn)彎等，然后使用這些室內(nèi)標(biāo)志進(jìn)一步矯正基于WiFi和PDR的卡爾曼濾波融合定位后的結(jié)果。文獻(xiàn)[9]采用序貫蒙特卡羅卡爾曼濾波來(lái)融合WiFi定位和PDR，WiFi定位采用最速下降隨機(jī)起始算法，方向估計(jì)采用粒子濾波算法，位置和速度估計(jì)則采用卡爾曼濾波算法。融合之后定位精度得到顯著提高，但仍會(huì)出現(xiàn)軌跡穿墻等不合理現(xiàn)象。文獻(xiàn)[10]采用擴(kuò)展卡爾曼濾波融合WiFi定位和PDR，使用粒子濾波集成室內(nèi)地圖信息。文獻(xiàn)[11]根據(jù)人們行走通常走準(zhǔn)直線的現(xiàn)象，利用走廊和墻修正限制人的行走軌跡。文獻(xiàn)[12]通過(guò)墻的位置將室內(nèi)環(huán)境抽象為多個(gè)矩形，設(shè)定某段時(shí)間內(nèi)粒子分布在某個(gè)矩形而不是整個(gè)室內(nèi)環(huán)境。文獻(xiàn)[13]提出多樓層場(chǎng)景中的地圖匹配，將房間簡(jiǎn)單抽象為一定大小的矩形，而樓梯則抽象為帶角度的斜矩形。這些矩形只部分連通，其邊界可以約束人的行動(dòng)軌跡，并用粒子濾波去模擬。文獻(xiàn)[14]使用粒子濾波算法估計(jì)出目標(biāo)的粗略位置，結(jié)合誤差分析、馬爾科夫模型、迭代及重采樣等過(guò)程，地圖信息用來(lái)進(jìn)行粒子穿墻檢測(cè)。文獻(xiàn)[15]利用互補(bǔ)擴(kuò)展卡爾曼濾波融合PDR和WiFi，使用地圖進(jìn)行粒子穿墻或穿越障礙物檢測(cè)。

本文在前面研究的基礎(chǔ)上，采用粒子濾波融合WiFi和PDR的定位結(jié)果，并結(jié)合地圖信息進(jìn)一步提升定位效果。實(shí)驗(yàn)結(jié)果表明：經(jīng)過(guò)粒子濾波融合后，定位系統(tǒng)的精度和穩(wěn)定性都顯著提高；地圖匹配后，定位精度和合理性得到進(jìn)一步提高。主要貢獻(xiàn)包括：采用SVM分類(lèi)(support vector classifier, SVC)和SVM回歸(support vector regression, SVR)相結(jié)合的兩級(jí)WiFi定位；改進(jìn)PDR中的計(jì)步和步長(zhǎng)算法；采用粒子濾波融合WiFi定位和PDR；在粒子濾波中通過(guò)室內(nèi)地圖進(jìn)行粒子穿墻檢測(cè)；對(duì)粒子濾波融合后的軌跡再次進(jìn)行穿墻矯正。

1 系統(tǒng)結(jié)構(gòu)

圖1 粒子濾波融合WiFi定位、PDR和地圖匹配

本文采用粒子濾波算法融合WiFi定位和PDR，將基于支持向量機(jī)(support vector machines, SVM)的WiFi指紋定位獲得的用戶位置作為觀測(cè)數(shù)據(jù)，通過(guò)PDR對(duì)用戶的步數(shù)、步長(zhǎng)和方向的估計(jì)用于對(duì)用戶的行為進(jìn)行建模。該融合系統(tǒng)的結(jié)構(gòu)如圖1所示。在粒子濾波中融合室內(nèi)地圖進(jìn)行粒子穿墻檢測(cè)，并對(duì)融合后的定位結(jié)果再次進(jìn)行穿墻檢測(cè)，最后得到粒子濾波融合的定位結(jié)果。

2 粒子濾波

統(tǒng)計(jì)信號(hào)處理中的濾波問(wèn)題廣泛存在于導(dǎo)航、跟蹤、自控和信息融合等領(lǐng)域，其基本目標(biāo)是運(yùn)用概率方法從充滿噪聲的觀測(cè)數(shù)據(jù)中估計(jì)動(dòng)態(tài)系統(tǒng)的狀態(tài)。動(dòng)態(tài)系統(tǒng)的狀態(tài)方程和觀測(cè)方程可以表示為：

式中，f(?)是狀態(tài)模型；h(?)是觀測(cè)模型；xk代表系統(tǒng)狀態(tài)；zk代表觀測(cè)值；vk和wk分別代表系統(tǒng)噪聲和觀測(cè)噪聲。濾波的任務(wù)就是遞推地在每次獲得觀測(cè)數(shù)據(jù)zk后，估算出系統(tǒng)狀態(tài)xk的概率分布p(xk|z1：k)。

粒子濾波[16]通過(guò)尋找一組狀態(tài)空間中的樣本(稱(chēng)為粒子)，對(duì)概率密度函數(shù)進(jìn)行近似，獲得狀態(tài)的最小方差估計(jì)。假定k-1時(shí)刻系統(tǒng)狀態(tài)的概率密度為，依據(jù)一定原則選取n個(gè)粒子為粒子狀態(tài)，為粒子權(quán)重，在k時(shí)刻獲得觀測(cè)數(shù)據(jù)并經(jīng)過(guò)時(shí)間預(yù)測(cè)和觀測(cè)更新后，n個(gè)粒子的概率密度可近似為系統(tǒng)狀態(tài)的概率密度，即：

式中，δ是Kronecker delta函數(shù)。粒子濾波不要求隨機(jī)變量滿足高斯分布，已在許多領(lǐng)域得到成功應(yīng)用，包括定位問(wèn)題。

3 基于粒子濾波的WiFi-PDR定位

WiFi定位會(huì)出現(xiàn)連續(xù)定位結(jié)果跳躍的現(xiàn)象，因此必須考慮定位的時(shí)序相關(guān)性。采用粒子濾波融合WiFi定位和PDR能有效解決時(shí)序性問(wèn)題，進(jìn)而減少定位誤差并提高穩(wěn)定性。在融合定位過(guò)程中，觀測(cè)數(shù)據(jù)是基于SVM的WiFi指紋定位結(jié)果，系統(tǒng)狀態(tài)是估計(jì)用戶位置，而PDR用于分析用戶運(yùn)動(dòng)狀態(tài)并建立行為模型。假設(shè)z1,z2,… ,zk是截止到時(shí)刻k時(shí)連續(xù)的觀測(cè)數(shù)據(jù)，即基于SVM的WiFi指紋定位估計(jì)的用戶位置，xk代表時(shí)刻k的系統(tǒng)狀態(tài)即用戶在時(shí)刻k的位置，粒子濾波就是要估計(jì)出時(shí)刻k在z1,z2,… ,zk的前提下xk的概率分布p(xk|z1：k)。

WiFi定位采用SVC和SVR相結(jié)合的兩級(jí)定位方案。兩級(jí)定位的思想是先確定目標(biāo)的大概區(qū)域，然后在區(qū)域里估計(jì)出精確的坐標(biāo)位置。而定位之前，需要將整個(gè)定位區(qū)域按照樓層平面結(jié)構(gòu)劃分為若干子區(qū)域。如一個(gè)房間或房間外的一段走廊都是一個(gè)小的子區(qū)域等，然后分別訓(xùn)練區(qū)域分類(lèi)模型和子區(qū)域坐標(biāo)回歸模型。具體為在各子區(qū)域內(nèi)采集信號(hào)指紋，通過(guò)SVC訓(xùn)練，建立區(qū)域的分類(lèi)模型，從而能夠根據(jù)信號(hào)指紋確定所屬的子區(qū)域。接著通過(guò)SVR訓(xùn)練，建立位置坐標(biāo)和信號(hào)指紋之間的非線性依賴(lài)關(guān)系模型，在目標(biāo)子區(qū)域可以根據(jù)信號(hào)指紋獲得目標(biāo)點(diǎn)的精確位置。WiFi指紋定位獲得的位置坐標(biāo)(x,y)作為后續(xù)粒子濾波中的觀測(cè)值，和PDR進(jìn)行融合。

PDR通過(guò)加速度計(jì)和磁力計(jì)來(lái)獲得用戶的的行走步數(shù)、步長(zhǎng)和方向，用于在粒子濾波中對(duì)用戶的行為進(jìn)行建模。由于人在行走過(guò)程中速度不斷變化，加速度曲線會(huì)出現(xiàn)上下偏移現(xiàn)象。采用簡(jiǎn)單移動(dòng)平均算法對(duì)加速度數(shù)據(jù)進(jìn)行平滑，平滑后的數(shù)據(jù)曲線分為靜止、波峰和波谷3種狀態(tài)，最后根據(jù)狀態(tài)轉(zhuǎn)換方法識(shí)別行走周期。改進(jìn)PDR算法可根據(jù)加速度曲線的實(shí)時(shí)變化動(dòng)態(tài)設(shè)定狀態(tài)轉(zhuǎn)換參數(shù)，從而使行走周期識(shí)別更加準(zhǔn)確。識(shí)別出行走周期后，根據(jù)行走位移可得到基礎(chǔ)步長(zhǎng)[4]。由于人在行走中的步長(zhǎng)變化不大，可近似統(tǒng)一為固定步長(zhǎng)，并通過(guò)卡爾曼濾波估計(jì)出更加精準(zhǔn)的步長(zhǎng)。方向由加速度計(jì)和磁力計(jì)確定。首先通過(guò)加速度向量和重力加速度計(jì)算出手機(jī)俯仰角和翻滾角，然后將基于手機(jī)坐標(biāo)系的磁場(chǎng)強(qiáng)度向量轉(zhuǎn)換成基于大地坐標(biāo)系的磁場(chǎng)強(qiáng)度向量，使用大地坐標(biāo)系中x和y方向的磁場(chǎng)強(qiáng)度確定行人方向。

3.1 粒子初始化

3.2 運(yùn)動(dòng)模型和系統(tǒng)狀態(tài)方程

令k- 1 時(shí)刻的位置為 (xk-1,yk-1)，k- 1 到k時(shí)刻之間持續(xù)時(shí)長(zhǎng)記為Δtk，該時(shí)間段內(nèi)位移大小記為lk，運(yùn)動(dòng)方向與y軸之間的夾角為θ。則人在k時(shí)刻的位置坐標(biāo)可表示為：

假設(shè)vx,k和vy,k為在人在Δtk時(shí)段內(nèi)在x和y方向的速度。由于在正常情況下，人行走的速度變化不大，可以認(rèn)為k時(shí)刻速度和k- 1時(shí)刻的速度相等，即：

考慮到實(shí)際系統(tǒng)中存在由狀態(tài)建模帶來(lái)的誤差和行走過(guò)程中的速度變化，假設(shè)σc代表系統(tǒng)狀態(tài)的噪聲，σv代表行走速度的變化，根據(jù)式(4)和式(5)可以得到系統(tǒng)狀態(tài)方程為：

3.3 粒子權(quán)重更新和隨機(jī)重采樣

當(dāng)在k時(shí)刻獲得一個(gè)新的觀測(cè)值(新的WiFi指紋定位結(jié)果)，并依據(jù)該觀測(cè)值對(duì)所有粒子的權(quán)重進(jìn)行更新。權(quán)重更新后重新篩選粒子，具體為舍棄權(quán)重較小的粒子，只保留權(quán)重較大的粒子。新的粒子權(quán)重值分布采用高斯分布，觀測(cè)值為原點(diǎn)，各粒子與觀測(cè)值之間的歐式距離為輸入，標(biāo)準(zhǔn)差為1.1，即：

式中，為粒子與觀測(cè)值之間的距離：

然后將新的權(quán)重歸一化：

粒子篩選采用隨機(jī)重采樣方式。根據(jù)更新后各粒子的權(quán)重，依次排列形成[0,1]的粒子權(quán)重區(qū)間，其中各粒子的權(quán)重值決定了其區(qū)間長(zhǎng)度。然后生成n個(gè)[0,1]的隨機(jī)數(shù)，找出其在權(quán)重區(qū)間的對(duì)應(yīng)位置，將所有對(duì)應(yīng)位置的粒子篩選出來(lái)形成新的粒子集。

3.4 系統(tǒng)狀態(tài)估計(jì)

在粒子狀態(tài)和粒子權(quán)重更新后，系統(tǒng)當(dāng)前狀態(tài)更新為：

式中，(xk,yk)即為行人當(dāng)前的位置。

4 室內(nèi)地圖匹配

采用粒子濾波融合WiFi定位和PDR解決了定位的時(shí)序性問(wèn)題，但仍存在定位軌跡穿墻問(wèn)題，需要結(jié)合室內(nèi)地圖匹配來(lái)解決。

4.1 室內(nèi)地圖建模

室內(nèi)地圖建模采用矢量表示法與圖層表示法相結(jié)合的方式?；谑噶勘硎痉?，室內(nèi)地圖模型包括：點(diǎn)、線、面。點(diǎn)表示室內(nèi)某個(gè)位置，用地圖中的x和y坐標(biāo)表示。線表示室內(nèi)的墻和門(mén)，包括起點(diǎn)、終點(diǎn)和意義。面則表示房間、走廊、樓梯等空間區(qū)域，包括構(gòu)成該面的所有線和該面的意義。采用圖層表示法的設(shè)計(jì)原則，點(diǎn)、線和面分布在不同的圖層中。

4.2 粒子穿墻問(wèn)題

粒子濾波算法存在粒子轉(zhuǎn)移不當(dāng)?shù)葐?wèn)題，例如粒子轉(zhuǎn)移到不可到達(dá)的區(qū)域或穿墻到另一個(gè)室內(nèi)區(qū)域。利用室內(nèi)地圖的位置信息約束粒子轉(zhuǎn)移，從而解決粒子的不恰當(dāng)轉(zhuǎn)移。粒子i的狀態(tài)空間為，地理屬性為為粒子所在的室內(nèi)區(qū)域，為粒子周?chē)膲Γ瑸榱Ｗ涌纱┻^(guò)的門(mén)，為粒子可到達(dá)的室內(nèi)區(qū)域。然后在重新計(jì)算粒子權(quán)重和歸一化粒子權(quán)重之間加入粒子可用性評(píng)估：

1) 如果粒子轉(zhuǎn)移的目的地屬于不可到達(dá)區(qū)域，如沒(méi)有入口可進(jìn)入的室內(nèi)或在定位空間之外的區(qū)域，則置該粒子的可達(dá)值ωr為0，否則為1：

2) 如果粒子轉(zhuǎn)移到不可直接到達(dá)區(qū)域，即源區(qū)域與目的區(qū)域沒(méi)有門(mén)相連，則置該粒子的直達(dá)值ωc為0，否則為1：

這樣，粒子i便有了3個(gè)權(quán)重值：由式(7)計(jì)算得到是否進(jìn)入不可達(dá)區(qū)域的權(quán)重、是否進(jìn)入不可直達(dá)區(qū)域的權(quán)重和距離權(quán)重。將這3個(gè)權(quán)重值相乘得到新的粒子權(quán)重：

根據(jù)這個(gè)新的權(quán)重值進(jìn)行歸一化和重采樣。

4.3 軌跡穿墻問(wèn)題

解決粒子穿墻問(wèn)題后，軌跡穿墻問(wèn)題明顯改善，但還不能杜絕。觀察發(fā)現(xiàn)這些穿墻通常發(fā)生在門(mén)附近的墻上。因此，如果濾波融合后估計(jì)的軌跡穿墻到另一個(gè)區(qū)域，則將穿墻點(diǎn)重定位到門(mén)的位置。這樣直接矯正穿墻會(huì)導(dǎo)致后續(xù)的定位延遲過(guò)大。為彌補(bǔ)這種延遲，采用回退N步的方式進(jìn)行穿墻矯正。如圖2所示，P為當(dāng)前濾波融合系統(tǒng)估計(jì)的軌跡，Pk為k時(shí)刻的定位結(jié)果，D1和D2為兩個(gè)門(mén)。在k時(shí)刻檢測(cè)到軌跡線Pk-1Pk與墻W相交，而最近的門(mén)是D2，則回退N步(此例中N= 2 )，調(diào)整k-N時(shí)刻的定位結(jié)果到門(mén)D2上，表示為Qk-N，調(diào)整之后新的軌跡為Q，其上Qk-N+1到Qk之間的軌跡點(diǎn)Qi的位置坐標(biāo)為：

穿墻矯正后，定位點(diǎn)Pk轉(zhuǎn)移到了kQ，濾波融合系統(tǒng)中的粒子也做出相應(yīng)轉(zhuǎn)移，以kQ為初始點(diǎn)對(duì)粒子坐標(biāo)值重新進(jìn)行初始化采樣，而速度不變。

圖2 軌跡穿墻問(wèn)題

5 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)場(chǎng)景為電子科技大學(xué)第三教學(xué)樓二樓，大小為64 m×14 m，采用校園網(wǎng)WiFi環(huán)境，對(duì)定位區(qū)域中的200個(gè)參考點(diǎn)進(jìn)行了WiFi指紋采樣，設(shè)備是基于Android的三星Galaxy Note。實(shí)驗(yàn)為穿過(guò)多個(gè)房間和走廊的行走，手機(jī)屏幕向上并手持于胸前。測(cè)試主要采集3類(lèi)數(shù)據(jù)：WiFi信號(hào)指紋、加速度和磁場(chǎng)強(qiáng)度，共采集到90條WiFi信號(hào)指紋、5 974條加速度數(shù)據(jù)和5 911條磁場(chǎng)強(qiáng)度數(shù)據(jù)，用時(shí)120 s。使用同樣實(shí)驗(yàn)數(shù)據(jù)，將基于SVM的WiFi指紋定位、改進(jìn)的PDR、基于粒子濾波的WiFi+PDR融合定位和基于粒子濾波的WiFi+PDR+Map融合定位4種方法進(jìn)行對(duì)比。

5.1 定位誤差分析

本文采用平均定位誤差和定位誤差累計(jì)概率分布作為定位性能的度量標(biāo)準(zhǔn)。定位誤差指的是實(shí)際位置和估計(jì)位置之間的歐幾里得距離；平均定位誤差是所有測(cè)試位置的定位誤差的均值；定位誤差累計(jì)概率分布則為定位誤差小于特定值的累計(jì)概率。

4種方法的定位誤差如表1所示。由于無(wú)線信號(hào)的不穩(wěn)定性及周?chē)h(huán)境的干擾，WiFi定位的平均誤差為3.77 m；PDR短期定位效果好，但會(huì)出現(xiàn)誤差累積的現(xiàn)象，實(shí)驗(yàn)中平均誤差為2.87 m；而經(jīng)過(guò)粒子濾波融合后，WiFi定位和PDR相互補(bǔ)償從而使得平均誤差降到2.75 m，相比WiFi定位和PDR提高了27.1%和4.2%。地圖匹配后，通過(guò)將粒子和軌跡約束到合理區(qū)域內(nèi)，平均誤差達(dá)到1.81 m，相比粒子濾波的融合結(jié)果又提高了34.2%。圖3為4種方法的定位誤差累計(jì)概率分布。可以看出基于粒子濾波的融合定位系統(tǒng)明顯優(yōu)于單獨(dú)的定位系統(tǒng)，地圖匹配能進(jìn)一步明顯地提高定位精度。在定位初期，PDR效果良好，甚至優(yōu)于WiFi和PDR的融合結(jié)果，但隨著PDR誤差的累積，融合系統(tǒng)逐漸顯現(xiàn)出優(yōu)勢(shì)。

圖3 定位精度對(duì)比

表1 定位誤差對(duì)比

5.2 定位軌跡分析

圖4為粒子濾波融合WiFi和PDR的定位結(jié)果，圖5為粒子濾波融合WiFi、PDR和地圖匹配的定位結(jié)果。實(shí)驗(yàn)人員從圖最右側(cè)位置開(kāi)始，經(jīng)過(guò)走廊和4個(gè)房間，最終在左下角房間結(jié)束，接近勻速行走。兩圖中房間內(nèi)的編號(hào)代表用于兩級(jí)WiFi定位的子區(qū)域編號(hào)，帶小方框的實(shí)線是真實(shí)軌跡，基于SVM的WiFi定位繪制的軌跡點(diǎn)和真實(shí)軌跡相差較大。由于WiFi定位是單點(diǎn)定位，且沒(méi)有上下文關(guān)聯(lián)信息，故定位軌跡難以形成連續(xù)結(jié)果，位置跳變現(xiàn)象經(jīng)常出現(xiàn)。PDR繪制的軌跡和真實(shí)軌跡的重合度比WiFi結(jié)果要好，但后期的誤差累積導(dǎo)致時(shí)間越長(zhǎng)定位誤差越大。圖4中基于粒子濾波的WiFi+PDR融合定位算法得到的行走軌跡雖然和真實(shí)軌跡不盡重合，但由于融合算法中WiFi定位修正了PDR的誤差累積，而PDR修正了WiFi定位結(jié)果不連續(xù)的現(xiàn)象，使得WiFi+PDR融合算法明顯優(yōu)于WiFi定位和PDR?；诹Ｗ訛V波的WiFi+PDR+Map融合算法繪制出的軌跡，由于運(yùn)用室內(nèi)地圖矯正了粒子穿墻和軌跡穿墻現(xiàn)象，使得定位結(jié)果更加合理與準(zhǔn)確，是4種方法中最接近真實(shí)軌跡的定位曲線，誤差波動(dòng)較小，表現(xiàn)優(yōu)異。由于在軌跡穿墻處采用回退N步的方式進(jìn)行穿墻矯正，基于粒子濾波的WiFi+PDR+Map融合算法得到的定位軌跡，包含若干在穿墻處的斷點(diǎn)。

圖4 WiFi+PDR估計(jì)的行走軌跡

圖5 WiFi+PDR+Map估計(jì)的行走軌跡

6 結(jié)束語(yǔ)

基于WiFi指紋和基于手持移動(dòng)設(shè)備傳感器的PDR是室內(nèi)定位常用的方案。但是WiFi指紋的定位精度和穩(wěn)定性都不高，而單一PDR方法會(huì)出現(xiàn)誤差線性累計(jì)問(wèn)題，不能應(yīng)用于實(shí)際復(fù)雜的定位場(chǎng)景。本文融合這兩個(gè)定位結(jié)果并結(jié)合地圖信息，充分發(fā)揮各自的技術(shù)特點(diǎn)，避免了WiFi定位和PDR單一定位系統(tǒng)的不足，使其在穩(wěn)定性、適應(yīng)性和精確性等方面都得到提高。

實(shí)驗(yàn)先通過(guò)粒子濾波將WiFi指紋和PDR結(jié)果進(jìn)行融合，使得定位系統(tǒng)時(shí)序相關(guān)，從而降低定位系統(tǒng)中定位結(jié)果跳變現(xiàn)象的可能性；然后建立矢量室內(nèi)地圖，將室內(nèi)地圖信息融合到基于粒子濾波的WiFi+PDR定位算法中，采用粒子穿墻約束和軌跡穿墻矯正方法，減少不正常的狀態(tài)轉(zhuǎn)移，顯著提高了最終的定位精度。通過(guò)仿真對(duì)比實(shí)驗(yàn)，基于粒子濾波的融合定位算法通過(guò)對(duì)地圖匹配前后粒子濾波融合系統(tǒng)的定位精度和行走軌跡對(duì)比，應(yīng)用已知的室內(nèi)地圖信息能夠有效地解決定位軌跡穿墻問(wèn)題，使得定位結(jié)果更加合理精確。

[1]BAHL P, PADMANABHAN V N. RADAR： an in-building RF-based user location and tracking system[C]//19th Annual Joint Conference of the IEEE Computer and Communications Societies. Tel Aviv, Israel： IEEE, 2000(2)：775-784.

[2]YOUSSEF M A, AGRAWALA A, UDAYA SHANKAR A.WLAN location determination via clustering and probability distributions[C]//1st IEEE International Conference on Pervasive Computing and Communications. Fort Worth, TX：IEEE, 2003： 143-150.

[3]WOODMAN O, HARLE R. Pedestrian localisation for indoor environments[C]//10th International Conference on Ubiquitous Computing. Seoul, South Korea： ACM, 2008.

[4]SCARLETT J. Enhancing the performance of pedometers using a single accelerometer[EB/OL]. [2015-11-20].http：//www.analog.com/en/analog-dialogue/articles/enhancin g-pedometers-using-single-accelerometer.html.

[5]SHIN S H, PARK C G, KIM J W, et al. Adaptive step length estimation algorithm using low-cost MEMS inertial sensors[C]//IEEE Sensors Applications Symposium. San Diego, CA： IEEE, 2007.

[6]PARK S K, SUH Y S. A zero velocity detection algorithm using inertial sensors for pedestrian navigation systems[J].Sensors, 2010, 10(10)： 9163-9178.

[7]CHEN L H, WU E H K, JIN M H, et al. Intelligent fusion of Wi-Fi and inertial sensor-based positioning systems for indoor pedestrian navigation[J]. IEEE Sensors Journal, 2014,14(11)： 4034-4042.

[8]CHEN Z, ZOU H, JIANG H, et al. Fusion of WiFi,smartphone sensors and landmarks using the Kalman filter for indoor localization[J]. Sensors, 2015, 15： 715-732.

[9]LI W W L, ILTIS R A, WIN M Z. A smartphone localization algorithm using RSSI and inertial sensor measurement fusion[C]//IEEE Global Communications Conference.Atlanta, GA： IEEE, 2013.

[10]WANG J, HU A, LIU C, et al. A floor-map-aided WiFi/pseudo-odometry integration algorithm for an indoor positioning system[J]. Sensors, 2015, 15： 7096-7124.

[11]BAO H, WONG W C. An indoor dead-reckoning algorithm with map matching[C]//9th IEEE International Conference on Wireless Communications and Mobile Computing. [S.l.]：IEEE, 2013.

[12]PERTTULA A, LEPPAKOSKI H, KIRKKO-JAAKKOLA M, et al. Distributed indoor positioning system with inertial measurements and map matching[J]. IEEE Transactions on Instrumentation and Measurement, 2014, 63(11)：2682-2695.

[13]ASCHER C, KESSLER C, WEIS R, et al. Multi-floor map matching in indoor environments for mobile platforms[C]//2012 International Conference on Indoor Positioning and Indoor Navigation. [S.l.]： [s.n.], 2012.

[14]ASCHER C, KESSLER C, WANKERL M, et al. Dual IMU indoor navigation with particle filter based map-matching on a smartphone[C]//2010 International Conference on Indoor Positioning and Indoor Navigation.[S.l.]： IEEE, 2010.

[15]LEPP?KOSKI H, COLLIN J, TAKALA J. Pedestrian navigation based on inertial sensors, indoor map, and WLAN signals[J]. Journal of Signal Processing Systems,2013, 71(3)： 287-296.

[16]程水英, 張劍云. 粒子濾波評(píng)述[J]. 宇航學(xué)報(bào), 2008,29(4)： 1009-1111.CHENG Shui-ying, ZHANG Jian-yun. Critical particle filter[J]. Journal of Astronautics, 2008, 29(4)： 1009-1111.