基于多傳感器融合的室內定位算法研究

徐湘寓，崔穎強，羅麗燕

(1.江蘇省郵電規(guī)劃設計院有限責任公司，江蘇 南京 210000；2.桂林電子科技大學，廣西 桂林 541004)

基于多傳感器融合的室內定位算法研究

徐湘寓1，崔穎強1，羅麗燕2

(1.江蘇省郵電規(guī)劃設計院有限責任公司，江蘇 南京 210000；2.桂林電子科技大學，廣西 桂林 541004)

對于現(xiàn)有的室內定位算法存在低精度、低實用性和低傳感器利用率等問題，提出了一種基于多傳感器融合的粒子濾波室內定位技術，將智能移動終端與室內定位相結合，利用粒子濾波器過濾定位結果。采用行人航位推算(PDR)技術和RSSI定位技術獲取行人位置信息，提高了定位精度與可靠性。此外，通過定位結果實時上傳至服務器，同步遞增構建位置指紋庫，以適應室內環(huán)境的動態(tài)變化。實驗結果表明，基于多傳感器融合的定位技術與基于Wi-Fi的定位技術相比提高了定位精度與可靠性。

多傳感器融合；室內定位；粒子濾波；航位推算

0 引言

隨著無線網(wǎng)絡的不斷普及，目前各大商場、寫字樓都已實現(xiàn)了無線網(wǎng)絡全覆蓋，且絕大部分人也擁有至少一部移動終端，這使得基于WIFI的定位技術成為室內定位的中流砥柱[1]。就定位精度而言，基于WIFI的室內定位技術與其他室內定位技術相比，還有著不小的差距。但從定位成本、實用性及便捷性的角度出發(fā)，能與其相提并論的主要是航位推算技術。就目前而言，由于室內環(huán)境的復雜性與多變性，單純利用某一種定位技術，其定位精度、可靠性及成本都有相當?shù)木窒扌裕荒軡M足用戶的需求。

近年來，得益于微電子技術的不斷發(fā)展，現(xiàn)有的慣性傳感器在諸多方面(成本、尺寸和靈敏度等)都獲得了極大的提升。而且現(xiàn)有的移動終端也已經內嵌了諸多慣性傳感器，包括加速度傳感器、陀螺儀、方向傳感器以及磁力計等等。因此，越來越多的高校和研究所對基于慣性傳感器的室內定位技術進行了深入研究與探索。當然，在對單一傳感器的室內定位技術的探索與研究中，不僅收獲了眾多的科研成果，同時也發(fā)現(xiàn)了其諸多不足之處，其中最為關鍵的問題就是如何解決由慣性傳感器固有的累積誤差導致定位結果精度以及可靠性偏低的問題。由于PDR定位系統(tǒng)[2]只能提供相對位置信息，因此隨著時間的推移，誤差將會累積，因此需要提供絕對位置信息來糾正誤差[3]。 RSSI定位算法簡單，可以提供絕對位置信息，無需添加額外的硬件，因此，基于PDR和RSSI的融合算法已經被廣泛關注。文獻[4]討論了基于RSSI指紋信息室內定位算法，該算法僅在低噪聲環(huán)境下具有高精度，不適合高噪聲環(huán)境。文獻[5]分析了路徑衰減系數(shù)對位置精度的影響，以提高高噪聲環(huán)境下的精度。文獻[6]提出了一種通過測量節(jié)點能量和節(jié)點之間的幾何關系來計算路徑衰落指數(shù)的方法。

本文主要研究基于多傳感器融合室內行人定位的粒子濾波算法。首先，通過智能手機內置的傳感器預測用戶運動狀態(tài)及建立室內環(huán)境指紋數(shù)據(jù)庫。其次，粒子濾波算法對定位結果進行濾波融合。最后，定位結果實時上傳到服務器，同步構建位置指紋庫。該定位算法充分利用移動終端內嵌的傳感器以及WIFI網(wǎng)絡基礎設施獲取用戶運動過程中的參數(shù)，增加了實用性與用戶友好性。

1 基于多傳感器融合的室內定位算法

本文采用WIFI與多傳感器融合的室內定位技術來估算行人位置并繪制相應的運動軌跡?；赪IFI與多傳感器融合的室內定位技術的整體框圖如圖1所示。

圖1 基于WIFI與多傳感器融合的室內定位技術的整體框圖

1.1 運動模型

采用航位推算技術估算用戶位置信息，為降低成本采用步數(shù)與步長的乘積來估算用戶的相對位移量。

(1)

式中，xt、yt分別為用戶的位置坐標；lt為用戶t時刻的步長；θt為用戶t時刻的運動方向。其基本原理如圖2所示。

圖2 航位推算示意

需要解決的3個問題：步數(shù)檢測、步長計算和運動方向的確定。

用戶的運動行為包括運動方向與運動距離。在行人行走過程中，身體各部分如腿、腰、肩膀和手臂等部位都會產生相應的運動，這些運動產生的加速度、角速度等也會隨之發(fā)生周期性的變化[7-11]。本文采用加速度傳感器、磁力傳感器和陀螺儀來感知用戶的運動行為。其中加速度傳感器用戶運動狀態(tài)、步數(shù)檢測和步長估算。利用方位傳感器與陀螺儀相融合的方式估算用戶運動方向的信息。

1.2 觀測模型

將行人在當前位置接收到的無線信號的RSSI轉換為用戶位置信息，作為對環(huán)境的觀測。位置指紋定位技術可以分為離線訓練階段與在線定位階段。基本原理如圖3所示。

圖3 位置指紋定位技術基本原理

文獻[12]中提到RP的數(shù)量和位置，物理布局和RSS的平均值對定位精度有重大影響。 為了優(yōu)化AP放置，文獻[13]中提出了一種新穎的方法，通過使用少量的AP來提供全覆蓋，同時將移動設備定位在有限大小的區(qū)域內。 文獻[14]提出了一種基于遺傳算法和嵌入式掩碼機制的目標編程驅動模型，解決了多目標AP部署建設和增強的問題。

2 粒子濾波融合

采用粒子濾波[15-20]對用戶位置概率密度函數(shù)進行近似，對行人運動方向進行濾波。

2.1 初始化

假設用戶的初始位置為x0,y0以及粒子結構為Xt=xt,yt,wt,θtT。其中xt,yt表示用戶的二維坐標；wt與θt分別為位置權值與航向。每個粒子表示用戶的一個可能的運動狀態(tài)信息。

2.2 粒子傳播模型

采用航位推算技術對行人位置進行估算，其中不同的方向(粒子)會產生不同的位置信息，因此粒子傳播模型為：

(2)

2.3 用戶坐標估算及粒子權值更新

用戶位置計算公式為：

(3)

粒子權重更新如公式為：

(4)

權值歸一化如公式為：

(5)

2.4 最優(yōu)位置計算

通過上述步驟可以得出行人可能的位置信息及它們所對應的權值，最后采用加權準則來估算其位置信息。

(6)

2.5 粒子重采樣

隨著用戶不斷前進，粒子會出現(xiàn)退化現(xiàn)象，因此需要對粒子集進行重新采樣以提高粒子的多樣性。多傳感器融合的室內定位算法流程如圖4所示。

圖4 室內定位算法流程

3 實驗設計與結果分析

實驗選取桂林電子科技大學金雞路校區(qū)第8教學樓3層東半部作為實驗場地，整個實驗場地大約為20 m×17 m。該實驗場所包含4個教室和1個走廊。4個AP分別部署在8 309、8 310、8 311與8312四個教室當中，如圖5所示。選取TP-LINK路由器作為WIFI信號發(fā)射點，移動終端選取華為榮耀7手機。

數(shù)據(jù)采集軟件是基于Android4.4手機操作系統(tǒng)下編程實現(xiàn)的。實驗者持有安裝該數(shù)據(jù)采集軟件的手機在實驗場所中按照預定的軌跡行走。

圖5 實驗場地示意

3.1 步數(shù)檢測

本次實驗的實驗步數(shù)與實驗次數(shù)都設定為100步和100次，分2個不同的實驗者進行測試，每人50次。加速度傳感器原始數(shù)據(jù)如圖6所示?？柭鼮V波后的凈加速度值變化曲線如圖7所示。實驗結果如圖8所示。

圖6 加速度傳感器原始數(shù)據(jù)

圖7 卡爾曼濾波后的凈加速度值變化曲線

圖8 基于加速度傳感器的計步結果

最終的試驗結果表明，1步之內誤差大約在 46%，3步之內的誤差大約在83%。加速度傳感器可以較為準確地檢測行人步數(shù)。

3.2 方向檢測

假設實驗者的初始航向為0°，實驗者行走一段距離之后掉頭，然后旋轉90°繼續(xù)行走一段時間停止，實驗者總計步行距離大約為35 m，步行時間大約在46 s。

從圖9可以看出，方向傳感器在行人轉彎時存在一定的延時。如圖10所示，基于陀螺儀推算得出的角度與實際角度之間的誤差大約在20°(此誤差僅僅考慮直線行走情況，轉彎等情況另行討論)。實驗者第1次變向為快速轉彎，因此瞬間產生的加速度會比較大，導致基于陀螺儀的航向推算出現(xiàn)一個比較大的波動點。第2次變向是緩慢進行的行為，因此圖中并未出現(xiàn)比較大的波動點。實驗結果表明，方位傳感器雖然能夠實現(xiàn)航位角的絕對估算且沒有誤差累積，但面對行人航向的變化有些力不從心；而陀螺儀對運動方向的變化較為敏感，但只能進行相對航向估算。

圖9 基于方向傳感器的航向推算

圖10 基于陀螺儀的航向推算

通過上述的比較與分析得出結論：二者可以取長補短，通過方向傳感器與陀螺儀的融合來實現(xiàn)行人航向估算。

為了直觀地展示二者融合的優(yōu)勢，繪制了圖11和圖12，對比上述3種方法的實驗結果。通過卡爾曼濾波融合之后，航向估算值得到了切實的改善，但還是出現(xiàn)航向估算值圍繞正確航向值上下波動的情況，但其波動幅度小于單純基于方向傳感器的航向角推算，所以采用均值濾波對其進行平滑濾波處理；在面對行人轉彎的情況時，經過卡爾曼濾波之后的航向估算值在追蹤速度與準確性等方面明顯優(yōu)于其他2種方法。

圖11 3種航向角估算對比

圖12 3種航向角估算對比局部放大圖

3.3 定位結果實時上傳，遞增式構建位置指紋庫

按照1 m×1 m的小方格作為信號強度采集點所得到的定位軌跡圖如圖13所示，其平均誤差大約在2.019 5 m左右；按照0.5 m×0.5 m的小方格作為信號強度采集點所得到的定位軌跡圖如圖14所示，其平均誤差大約在1.951 2 m左右。

對比圖13和圖14可以看出，增加定位區(qū)域的采樣點數(shù)可以提高指紋定位的精確度，同時也增加了離新階段數(shù)據(jù)采集和處理的工作量，不利于面積較大的室內環(huán)境下定位。而定位結果實時上傳，遞增式構建指紋數(shù)據(jù)庫的方法不僅使定位精度得到了切實改善，同時也減少了離線階段的工作量。由圖15可以看出，隨著用戶位置指紋的上傳，其定位精度大約在1.853 1 m左右，匹配的準確率有所提高。

通過上述3種情況下的指紋定位軌跡圖的比較，可以得出以下結論，通過增加數(shù)據(jù)采集點，即增加指紋數(shù)據(jù)庫可以在一定程度上提高定位精度。其方法有2種：增加離線階段的工作量，劃分更加細致的方塊去建立位置指紋信息；對已有的位置指紋庫進行更新，根據(jù)定位結果和測得的指紋數(shù)據(jù)對原先的數(shù)據(jù)指紋庫進行更新。同時，基于WIFI定位的軌跡圖無法準確的體現(xiàn)用戶的運動軌跡。

圖13 指紋定位軌跡圖(參考點設置1 m)

圖14 指紋定位軌跡圖(參考點設置0.5 m)

圖15 指紋定位軌跡圖(遞增式構建指紋數(shù)據(jù)庫)

3.4 多傳感器融合的室內定位算法的定位性能測試

在教室內，行人在預定的運動軌跡上勻速運動并利用移動終端不斷采集加速度計、陀螺儀、磁力計、方向傳感器以及AP點的信號強度數(shù)據(jù)。

由圖16可知，多傳感器融合的定位軌跡與實驗者實際行走軌跡更加匹配。2種定位算法的誤差對比如圖17所示。

圖16 航位推算與融合定位定位對比

圖17 航位推算與融合定位結果誤差分析

3種定位算法的定位精度如表1所示。從表1可以看出，航位推算大約79%的定位誤差是在1.316 m左右，位置指紋定位算法大約53%的定位誤差是在1.853 1 m左右，而多傳感器融合的定位算法大約87%的定位誤差是在0.471 5 m左右。

表1 3種定位算法的定位精度

定位算法定位精度/m多傳感器融合0．4715(87%)PDR算法1．3160(79%)WIFI定位1．8531(53%)

不同粒子數(shù)情況下的定位軌跡圖如圖18所示，當粒子數(shù)N=100時，其定位誤差大約為0.471 5 m；當粒子數(shù)N=1 000時，其定位精度提高到0.358 7 m左右。但粒子數(shù)的增加意味著定位算法計算量以及計算時間的增加，這大大影響了定位算法的實時性。

圖18 室內定位軌跡圖

圖19直觀地展示了多傳感器融合的室內定位算法針對不同粒子數(shù)的誤差分析。

圖19 不同粒子數(shù)的室內定位誤差對比

3.5 算法魯棒性驗證

為了驗證多傳感器融合的室內定位算法的魯棒性，還對以下因素對定位精度的影響進行了相關實驗：行人行走的速度、頻率和步幅。接下來的實驗過程中，依次將各實驗條件替換為慢速行走、跑步和步幅大小變化的行走。在這3種實驗條件下，分別用多傳感器融合、航位推算和位置指紋定位進行定位，并對實驗結果進行分析，定位誤差如表2所示。

表2 魯棒性驗證 (m)

如表2所示，與PDR及RSSI定位算法相比，多傳感器融合的室內定位算法的適用性與實用性更加具有優(yōu)勢。單獨采用航位推算進行定位，其定位誤差主要來源于傳感器的誤差累積，尤其是在快速行走或者變速行走時，人體的擺動增加了傳感器的噪聲導致定位誤差增大。而本文算法是在航位推算的基礎之上融合位置指紋定位，并用粒子濾波算法對定位結果進行濾波矯正，一定程度上降低了上述因素對定位精度的影響，提高了算法的魯棒性。

4 結束語

由于現(xiàn)有的室內定位技術具有成本高、定位精度低和傳感器利用率低等缺陷，本文對基于多傳感器融合的室內行人定位算法進行了進一步研究。從上述實驗結果可以看出，該算法的平均誤差在0.47 m左右，而基于WIFI位置算法的平均誤差為1.85 m。本文算法可以提高定位精度、穩(wěn)定性和實時性，達到良好的定位效果。

[1] HARLER.A Survey of Indoor Inertial Positioning Systems for Pedestrians[J].IEEE Communications Surveys & Tutorials,2013,15(3):1281-1293.

[2] CHOH,KWON Y.RSS-based Indoor Localization with PDR Location Tracking for Wireless Sensor Networks[J].AEU-International Journal of Electronics and Communications,2016,70(3):250-256.

[3] ZAMPELLA F,ANTONIO R J R,SECO F.Robust Indoor Positioning Fusing PDR and RF Technologies：The RFID and UWB case[C]∥International Conference on Indoor Positioning and Indoor Navigation.IEEE,2014:1-10.

[4] CHENG L,WU C D,ZHANG Y Z.Indoor Robot Localization Based on Wireless Sensor Networks[J].IEEE Transactions on Consumer Electronics,2011,57(3):1099-1104.

[5] YANGL,CHEN H,CUI Q,et al.Probabilistic-KNN：A Novel Algorithm for Passive Indoor-Localization Scenario[C]∥Vehicular Technology Conference.IEEE,2015:1-5.

[6] MAO G,Anderson B D O,Fidan B.Path Loss Exponent Estimation for Wirelesssensor Network Localization[J].Computer Networks,2007,51(10):2467-2483.

[7] WANG C S,LIN S L.An Integrated Optimization Model for Wireless Access Point Deployment Construction,and Enhancement[C]∥Ieee/acis International Conference on Software Engineering,Artificial Intelligence,NTWORKING and Parallel/distributed Computing.IEEE,2015:1-6.

[8] BANDIRMALI N,TORLAK M.ERLAK：On the Cooperative Estimation of the Real-Time RSSI Based Location and K Constant Term[C]∥Wireless Personal Communications,2017:1-10.

[9] 劉斌,劉宏建,金笑天,等.基于智能手機傳感器的人體活動識別[J].計算機工程與應用,2016,52(4):188-193.

[10] 汪仲偉,孫廣中.LiveData——基于智能手機傳感器的用戶數(shù)據(jù)采集系統(tǒng)[J].計算機科學,2014,41(10):27-30.

[11] LI Y,XUE F,FENG L,et al.A Driving Behavior Detection System Based on a Smartphone′s built-in sensor[J].International Journal of Communication Systems,2016,51(3):18-21.

[12] BAALA O,ZHENG Y,CAMINADA A.The Impact of AP Placement in WLAN-Based Indoor Positioning System[C]∥Eighth International Conference on Networks.IEEE Computer Society,2009:12-17.

[13] SUNL J,WANG S.Algorithm Based on MR Location Fingerprint Positioning[J].Telecom Engineering Technics & Standardization,2016,32 (14):148-151.

[14] LIAO L,CHEN W,ZHANG C,et al.Wireless Access Point Deployment for Both Coverage and Localization[J].IEEE Transactions on Vehicular Technology,2010,60(5):2239-2252.

[15] 王法勝,魯明羽,趙清杰,等.粒子濾波算法[J].計算機學報,2014,37(8):1679-1694.

[16] CARPENTERJ,CLIFFORD P,FEARNHEAD P.Improved Particle Filter for Nonlinear Problems[J].IEE Proceedings - Radar,Sonar and Navigation,2002,146(1):2-7.

[17] 程蘭,王志遠,陳杰,等.基于粒子濾波和滑動平均擴展Kalman濾波的多徑估計算法[J].電子與信息學報,2017,39(3):709-716.

[18] HOL J D,SCHON T B,GUSTAFSSON F.On Resampling Algorithms for Particle Filters[C]∥Nonlinear Statistical Signal Processing Workshop.IEEE,2006:79-82.

[19] SUN C J,KUO H Y,LIN C E.A Sensor Based Indoor Mobile Localization and Navigation Using Unscented Kalman Filter[C]∥Position Location and Navigation Symposium.IEEE Xplore,2010:327-331.

[20] ITO T,ANZAI D,WANG J.A Modified Particle Filter Algorithm for Wireless Capsule Endoscope Location Tracking[C]∥International Conference on Body Area Networks.ICST (Institute for Computer Sciences,Social-Informatics and Telecommunications Engineering),2013:536-540.

AnIndoorPedestrianLocalizationAlgorithmBasedonMulti-sensorInformationFusion

XU Xiangyu1,CUI Yingqiang1,LUO Liyan2

(1.JiangsuPost&TelecomrnunicationsPlanningandDesigningInstituteCo.Ltd,Najing210000,China;2.GuilinUniversityofElectronicTechnology,Guilin541004,China)

Considering that existing indoor localization algorithms have the problems such as low accuracy,high cost in deployment and maintenance,lack of robustness and low sensor utilization,this paper proposes a particle filter algorithm based on multi-sensor fusion.The algorithm combines the smart mobile terminal with indoor localization,and filters the result of localization with the particle filter.In this paper,a dynamic interval particle filter algorithm based on pedestrian dead reckoning (PDR) information and RSSI localization information is used to improve the filtering precision and the stability.Moreover,the localization results will be uploaded to the server in real time,and the location fingerprint database will be built incrementally to adapt to the dynamic changes of the indoor environment.Experimental results show that the algorithm based on multi-sensor fusion improves the localization accuracy and robustness compared with the location algorithm based on Wi-Fi.

multi-sensor fusion;indoor localization;particle filter;pedestrian dead reckoning (PDR)

2017-06-04

國家自然科學基金資助項目(61371107)；廣西信息科學實驗中心基金資助項目(LD16061X)；廣西自然科學基金資助項目(2016GXNSFBA38014)；中國博士后科學基金資助項目(2016M602921XB)

10.3969/j.issn.1003-3106.2018.01.03

徐湘寓,崔穎強，羅麗燕.基于多傳感器融合的室內定位算法研究[J].無線電工程,2018,48(1):10-16.[XU Xiangyu,CUI Yingqiang,LUO Liyan.An Indoor Pedestrian Localization Algorithm Based on Multi-sensor Information Fusion[J].Radio Engineering,2018,48(1):10-16.]

TN915.04

A

1003-3106(2018)01-0010-07

徐湘寓男，(1992—)，畢業(yè)于桂林電子科技大學信息與通信工程專業(yè)，碩士，助理工程師。主要研究方向：傳感器網(wǎng)絡。

崔穎強男，(1985—)，工程師。主要研究方向：通信網(wǎng)絡規(guī)劃與設計、無線網(wǎng)絡傳感器。

羅麗燕女，(1987—)，博士，碩士生導師。主要研究方向：智能定位、無人機監(jiān)控、無線網(wǎng)絡傳感器和超寬帶通信等。