激光雷達(dá)和行人航跡推算融合的室內(nèi)目標(biāo)定位方法

李景文， 韋晶閃， 陸妍玲*， 姜建武， 朱明， 葉波， 張英南

(1.桂林理工大學(xué)測(cè)繪地理信息學(xué)院， 桂林 541004； 2.廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室， 桂林 541004； 3.廣西壯族自治區(qū)自然資源信息中心， 南寧 510023； 4.廣西產(chǎn)研院人工智能與大數(shù)據(jù)應(yīng)用研究所， 南寧 530200)

目前激光雷達(dá)(light detection and ranging，LiDAR)定位技術(shù)已經(jīng)廣泛應(yīng)用于室內(nèi)定位，能夠有效提高室內(nèi)位置精度和航向定位精度[1]。周宗錕等[2]提出一種LiDAR和二維碼地標(biāo)組合導(dǎo)航方法，針對(duì)室內(nèi)定位中特征點(diǎn)不足的環(huán)境，采用激光雷達(dá)匹配定位的同時(shí)，通過相機(jī)識(shí)別二維碼地標(biāo)校正定位坐標(biāo)，實(shí)現(xiàn)了自動(dòng)引導(dǎo)車(automated guided vehicle，AGV)在環(huán)境特征單一場(chǎng)景下精準(zhǔn)定位與導(dǎo)航。李中道等[3]針對(duì)室內(nèi)環(huán)境復(fù)雜性的制約導(dǎo)致定位失效的問題，提出一種基于超寬帶與激光雷達(dá)的融臺(tái)合定位算法，以粒子濾波為基礎(chǔ)，利用超寬帶(ultra wide band，UWB)實(shí)時(shí)定位數(shù)據(jù)通過提供起始粒子范圍的方式來提高LiDAR的定位速率，取得了較好的定位實(shí)時(shí)性和準(zhǔn)確性。吳衛(wèi)國(guó)等[4]針對(duì)重載AGV定位精度不高的問題，提出了一種基于最小二乘法的三邊定位算法，根據(jù)激光雷達(dá)反光板定位技術(shù)得到角度測(cè)量數(shù)據(jù)及坐標(biāo)，然后通過幾何或代數(shù)等數(shù)學(xué)方法求解AGV在環(huán)境中的位姿，解決了重載AGV在運(yùn)動(dòng)過程中定位不準(zhǔn)的缺陷，有效提高了定位的魯棒性、抗干擾性和精度。Zeng等[5]針對(duì)LiDAR三點(diǎn)定位方法的地標(biāo)的布局導(dǎo)致性能受到限制的問題，提出一種基于迭代最近點(diǎn)(iterated closest points，ICP)和人工地標(biāo)輔助的LiDAR定位算法。在傳統(tǒng)ICP算法的基礎(chǔ)上進(jìn)行了改進(jìn)，將地標(biāo)點(diǎn)提供的定位結(jié)果作為初始迭代ICP值，ICP算法和地標(biāo)的結(jié)合使定位算法能夠在地標(biāo)檢測(cè)受到干擾時(shí)保持一定的定位精度，可以有效提高魯棒性。Su等[6]提出了一種基于全球定位系統(tǒng)/慣性導(dǎo)航系統(tǒng)(global positioning system/inertial navigation system，GPS/INS)集成導(dǎo)航系統(tǒng)輔助的LiDAR定位算法。在掃描到地圖配準(zhǔn)中添加GPS/INS的位姿，以獲得高精度定位和同時(shí)清晰的地圖，并應(yīng)用地圖到地圖配準(zhǔn)在子地圖之間，提高了實(shí)時(shí)測(cè)繪和定位的魯棒性。然而LiDAR在實(shí)際室內(nèi)定位應(yīng)用中往往存在障礙物遮擋、金屬干擾等情況，容易受到外界和特征環(huán)境的干擾，使其定位精度隨機(jī)性大幅度下降。而行人航跡推算(pedestrian dead reckoning，PDR)技術(shù)不易受外界環(huán)境干擾影響，無需依靠任何外來設(shè)備，可以實(shí)現(xiàn)獨(dú)立自主定位[7]。因此現(xiàn)提出一種基于LiDAR與PDR的融合定位方法，以擴(kuò)展卡爾曼濾波(extended Kalman filter，EKF)為基礎(chǔ)，融合PDR位置、姿態(tài)數(shù)據(jù)及LiDAR位姿觀測(cè)值進(jìn)行定位。以期在一定程度上消除PDR定位的累積誤差，彌補(bǔ)LiDAR定位速率低的問題，優(yōu)勢(shì)互補(bǔ)，從而提高室內(nèi)定位的精度。

1 LiDAR和PDR融合的室內(nèi)定位過程

LiDAR是一種測(cè)量從傳感器到被測(cè)物的角度和距離的光學(xué)傳感器，依據(jù)激光脈沖從發(fā)射到接收的時(shí)間計(jì)算測(cè)量目標(biāo)與傳感器之間的距離[8-9]。具有抗干擾能力強(qiáng)，速度、角和距離分辨率高等優(yōu)點(diǎn)，但是容易受室內(nèi)復(fù)雜環(huán)境干擾造成定位誤差，魯棒性不強(qiáng)[10]，可以引入慣性導(dǎo)航來獲取移動(dòng)行人精準(zhǔn)的位姿信息以改善激光雷達(dá)單一導(dǎo)航系統(tǒng)帶來的誤差缺陷。而PDR是利用慣性傳感器對(duì)移動(dòng)目標(biāo)的步數(shù)、步長(zhǎng)及航向角進(jìn)行估計(jì)，推算出路線及位置[11-12]，在短時(shí)間內(nèi)的定位精度很高。因此將LiDAR和PDR定位技術(shù)進(jìn)行融合，通過數(shù)據(jù)采集及處理、定位方法解算、融合定位等步驟實(shí)現(xiàn)較高精度的室內(nèi)定位。該方法首先對(duì)LiDAR和PDR系統(tǒng)在時(shí)間和空間上進(jìn)行統(tǒng)一，并將PDR姿態(tài)估計(jì)值與LiDAR的位姿觀測(cè)值進(jìn)行參數(shù)解算，最后利用EKF算法進(jìn)行融合定位。方法結(jié)構(gòu)圖如圖1所示。

圖1 LiDAR和PDR融合的室內(nèi)定位過程Fig.1 Indoor positioning process of LiDAR and PDR fusion

2 數(shù)據(jù)采集及處理

室內(nèi)環(huán)境下PDR和LiDAR融合定位方法首先要對(duì)兩種傳感器進(jìn)行數(shù)據(jù)采集及處理，使用的激光雷達(dá)可以實(shí)現(xiàn)在二維平面的8 m半徑范圍內(nèi)進(jìn)行360°全方位掃描，可進(jìn)行高達(dá)4 000次/s的測(cè)距動(dòng)作。通過掃描環(huán)境能獲得姿態(tài)、位置信息，主要包括速度、距離和角度，以串口通信方式進(jìn)行傳輸。航跡推算是基于姿態(tài)角度傳感器內(nèi)含磁力計(jì)、加速度計(jì)和陀螺儀等的慣導(dǎo)芯片進(jìn)行數(shù)據(jù)采集，將傳感器芯片固定于行人目標(biāo)上，目標(biāo)移動(dòng)時(shí)，加速度和角速度處于不斷變化的狀態(tài)，根據(jù)航跡推算，可以得到行人的姿態(tài)信息，以此來實(shí)現(xiàn)導(dǎo)航目的。

當(dāng)使用傳感器采集數(shù)據(jù)時(shí)，LiDAR掃描匹配得到的相對(duì)位置是世界坐標(biāo)系坐標(biāo)，經(jīng)過高斯投影后得到的是激光坐標(biāo)系坐標(biāo)，而PDR解算后得到的位置和姿態(tài)是慣導(dǎo)坐標(biāo)系坐標(biāo)，所以需要轉(zhuǎn)換成同一參考坐標(biāo)系[13]坐標(biāo)。為了構(gòu)建統(tǒng)一的測(cè)量方程，需將LiDAR數(shù)據(jù)相對(duì)位置坐標(biāo)變換到PDR坐標(biāo)系坐標(biāo)。首先需要將LiDAR的點(diǎn)云數(shù)據(jù)從極坐標(biāo)系轉(zhuǎn)換到直角坐標(biāo)系，然后求取LiDAR坐標(biāo)系到PDR坐標(biāo)系的旋轉(zhuǎn)變化量和平移變化量。其轉(zhuǎn)換公式為

(1)

式(1)中：xi、yi分別為掃描到的第i個(gè)激光點(diǎn)距離激光雷達(dá)原點(diǎn)的橫坐標(biāo)和縱坐標(biāo)；di為該點(diǎn)到激光雷達(dá)的距離數(shù)據(jù)；θi為該點(diǎn)的角度數(shù)據(jù)；γi為當(dāng)前激光束與上一時(shí)刻激光束的轉(zhuǎn)角增量。

3 定位方法解算

在PDR和LiDAR融合之前需要對(duì)這兩種技術(shù)進(jìn)行方法解算，對(duì)于激光雷達(dá)要將其采集到的數(shù)據(jù)進(jìn)行坐標(biāo)轉(zhuǎn)換，構(gòu)建局部地圖進(jìn)行特征提取得到其位置、姿態(tài)觀測(cè)量；PDR行人航跡推算需要對(duì)采集到的加速度、磁場(chǎng)和角速度進(jìn)行步數(shù)檢測(cè)、步長(zhǎng)估計(jì)和航向估算得到位置、姿態(tài)結(jié)果，為后續(xù)融合提供數(shù)據(jù)基礎(chǔ)。

3.1 激光雷達(dá)位姿解算

對(duì)數(shù)據(jù)進(jìn)行預(yù)處理并坐標(biāo)轉(zhuǎn)換之后需要構(gòu)建局部地圖，并對(duì)局部地圖進(jìn)行特征提取。預(yù)設(shè)好建圖區(qū)域，把行人周圍環(huán)境劃分為0.2 m×0.2 m的二維柵格；根據(jù)每個(gè)柵格內(nèi)t時(shí)刻是否有掃描值，以P(gi)表示第i個(gè)柵格占用的概率，柵格值為1代表被占用，柵格值為0代表空閑，表達(dá)式為

(2)

計(jì)算局部地圖的占柵格值, 根據(jù)當(dāng)前的已有位姿，判斷其對(duì)局部地圖的匹配程度，匹配度最高的位姿，即為當(dāng)前位姿的最優(yōu)估計(jì)。

特征匹配是該激光雷達(dá)導(dǎo)航定位方法的關(guān)鍵，依據(jù)移動(dòng)目標(biāo)的位姿以及物體彼此間的距離關(guān)系進(jìn)行判斷匹配。根據(jù)移動(dòng)目標(biāo)在導(dǎo)航系下的位置篩選出可能是結(jié)構(gòu)體的點(diǎn)云數(shù)據(jù)，計(jì)算數(shù)據(jù)之間的距離，并與已知的信息進(jìn)行比較，分別從中選出符合條件次數(shù)最多的點(diǎn)，確定其結(jié)構(gòu)體的位置信息，然后推算其他結(jié)構(gòu)體的位置信息，確認(rèn)在點(diǎn)云數(shù)據(jù)中是否存在其他結(jié)構(gòu)體。

通過移動(dòng)目標(biāo)朝向計(jì)算公式解算出地面坐標(biāo)系與目標(biāo)坐標(biāo)系之間的夾角θ，行人朝向計(jì)算公式為

(3)

式(3)中：αmax、αmin分別為最長(zhǎng)、最短距離；βmax、βmin分別為最大、最小角度；N為柵欄總數(shù)。

解算出行人的方向角θ后，使用坐標(biāo)轉(zhuǎn)換公式可以快速解算得出目標(biāo)在地面坐標(biāo)系中的位置坐標(biāo)(X，Y)，即

(4)

式(4)中：(xg，yg)為重力坐標(biāo)。

3.2 PDR行人航跡推算

PDR行人航位推算是在確定初始位置的情況下，通過姿態(tài)傳感器采集行人目標(biāo)移動(dòng)的角速度、加速度和磁力等數(shù)據(jù)，對(duì)步數(shù)、步長(zhǎng)及航向進(jìn)行估算，最后推算出行人的位置及軌跡[14]。

(5)

式(5)中：(Xk，Yk)為上一時(shí)刻位置坐標(biāo)點(diǎn)；(Xk+1，Yk+1)為下一時(shí)刻位置坐標(biāo)點(diǎn)；θk為上一時(shí)刻航向角；S為步長(zhǎng)。

行人航跡推算共分為步數(shù)檢測(cè)、步長(zhǎng)估計(jì)和航向估算3個(gè)步驟[15]。人行走的過程具有周期性變化規(guī)律,可以分成靜止、波峰和波谷3種狀態(tài)，通過觀察三軸加速度變化規(guī)律可以對(duì)運(yùn)動(dòng)狀態(tài)進(jìn)行劃分。為了降低由于人不規(guī)律動(dòng)作和傳感器非精確性產(chǎn)生噪聲，先采用簡(jiǎn)單移動(dòng)平均法(simple moving average method，SMA)進(jìn)行平滑濾波。接著依據(jù)三軸加速度a合成加速度變化曲線，判斷峰值個(gè)數(shù)對(duì)步數(shù)進(jìn)行檢測(cè)，表達(dá)式為

(6)

式(6)中：ax、ay、az分別為三軸的加速度值。行走狀態(tài)的判斷根據(jù)狀態(tài)閾值決定，通過時(shí)間間隔和峰值大小等限制條件過濾局部出現(xiàn)的偽峰值，進(jìn)一步提高步數(shù)檢測(cè)的準(zhǔn)確性。

步長(zhǎng)估算是通過姿態(tài)數(shù)據(jù)和行人的運(yùn)動(dòng)狀態(tài)來估計(jì)行人每一步的步長(zhǎng)[16]。采用基于加速度計(jì)輸出的非線性步長(zhǎng)模型對(duì)步長(zhǎng)進(jìn)行估算，其估測(cè)模型為

(7)

式(7)中：amax和amin分別為加速度的峰值和谷值；h為步長(zhǎng)系數(shù)，與行人的身高、體重、行走習(xí)慣等眾多因素有關(guān)，難以估計(jì)。因此，通過LiDAR定位結(jié)合步數(shù)檢測(cè)和加速度對(duì)步長(zhǎng)進(jìn)行反推求解。

航向角估計(jì)需要加速度傳感器和磁力計(jì)共同完成，由磁力計(jì)測(cè)出三軸磁場(chǎng)強(qiáng)度，加速度測(cè)出三軸加速度，然后通過加速度向量和重力加速度g計(jì)算出俯仰角r和翻滾角θ，表達(dá)式為

(8)

(9)

確定行人方向α，表達(dá)式為

(10)

4 擴(kuò)展卡爾曼濾波融合過程

PDR和LiDAR融合過程是根據(jù)定位數(shù)據(jù)和信息的來源不同，將LiDAR和PDR兩種方法所測(cè)得的位置、速度、姿態(tài)角等信息進(jìn)行組合。融合定位時(shí)，必須考慮到兩個(gè)解算設(shè)備的系統(tǒng)時(shí)間同步和坐標(biāo)系統(tǒng)一致，從而達(dá)到融合定位在時(shí)間和空間上的統(tǒng)一。在時(shí)間上，LiDAR與PDR的時(shí)間標(biāo)識(shí)都可以通過電腦進(jìn)行統(tǒng)一調(diào)配，將傳感器的時(shí)間系統(tǒng)與電腦的時(shí)間系統(tǒng)相統(tǒng)一。在空間上，以PDR起始坐標(biāo)為基準(zhǔn)建立平面直角坐標(biāo)系，然后將LiDAR的坐標(biāo)系轉(zhuǎn)換到該基準(zhǔn)坐標(biāo)系內(nèi)。

數(shù)據(jù)的融合采取擴(kuò)展卡爾曼濾波(EKF)算法，它可以將卡爾曼濾波的狀態(tài)方程進(jìn)行離散化處理，將協(xié)方差和均值線性化。擴(kuò)展卡爾曼濾波算法包括狀態(tài)方程、觀測(cè)方程和系統(tǒng)線性化處理[17]。其中狀態(tài)方程根據(jù)當(dāng)前狀態(tài)值與誤差協(xié)方差來預(yù)測(cè)下一時(shí)刻的先驗(yàn)估計(jì)值；而觀測(cè)方程則是根據(jù)反饋得到的測(cè)量值與先驗(yàn)估計(jì)值來獲取后驗(yàn)估計(jì)值，從而減小導(dǎo)航誤差；系統(tǒng)線性化處理需要對(duì)原系統(tǒng)與系統(tǒng)量測(cè)進(jìn)行泰勒級(jí)數(shù)展開處理，處理后只對(duì)線性項(xiàng)予以保留，實(shí)現(xiàn)較高精度的系統(tǒng)狀態(tài)估計(jì)。

卡爾曼濾波初始化，是在確定起始測(cè)量值后，對(duì)狀態(tài)x進(jìn)行初始化，最后對(duì)時(shí)間進(jìn)行更新。LiDAR和PDR組合的狀態(tài)方程式為

(11)

以LiDAR和PDR的坐標(biāo)差值(Zp-ZL)作為量測(cè)值，構(gòu)建量測(cè)方程式為

(12)

式(12)中：Zk為L(zhǎng)iDAR和PDR的坐標(biāo)差量測(cè)值；H為狀態(tài)空間到測(cè)量空間的映射。

離散非線性動(dòng)態(tài)系統(tǒng)表達(dá)式為

(13)

式(13)中：xk+1為狀態(tài)變量；zk為觀測(cè)變量；wk為過程演化噪聲；vk為測(cè)量噪聲；fk()為狀態(tài)量之間的非線性函數(shù)，可以利用估計(jì)狀態(tài)量求預(yù)測(cè)狀態(tài)量；hk()為觀測(cè)量與狀態(tài)量之間的非線性函數(shù)，可以利用預(yù)測(cè)狀態(tài)量求預(yù)測(cè)觀測(cè)量。對(duì)系統(tǒng)線性化處理，根據(jù)前一時(shí)刻的狀態(tài)值和離散時(shí)間的非線性動(dòng)態(tài)系統(tǒng)對(duì)下一時(shí)刻先驗(yàn)估計(jì)值進(jìn)行預(yù)計(jì)，即

xk=fk-1(xk-1,wk-1)

(14)

對(duì)其按照一階泰勒展開可得

(15)

EKF預(yù)測(cè)狀態(tài)向量及其協(xié)方差矩陣為

(16)

根據(jù)增益矩陣，計(jì)算狀態(tài)向量估計(jì)值及其協(xié)方差矩陣為

(17)

式(17)中：Kk為增益矩陣；Rk為測(cè)量噪聲協(xié)方差；Hk為雅克比矩陣；I為單位矩陣。

5 實(shí)驗(yàn)與分析

實(shí)驗(yàn)選取桂林理工大學(xué)立信樓一樓走廊為實(shí)驗(yàn)環(huán)境，使用激光雷達(dá)和一套JY-901慣性傳感器作為數(shù)據(jù)收集工具，使用MATLAB實(shí)現(xiàn)數(shù)據(jù)融合算法精確定位，場(chǎng)地布局如圖2所示。

圖2 實(shí)驗(yàn)路線示意圖Fig.2 Schematic diagram of experiment route

實(shí)驗(yàn)時(shí)，激光雷達(dá)放置原點(diǎn)處，慣性傳感器的手持方式為單手托住并位于行人的正前方。行人沿著圖2中標(biāo)志的參考路徑行走，實(shí)驗(yàn)路線為長(zhǎng)方形，選擇包含直線和轉(zhuǎn)彎。首先直線行走12 m，然后在轉(zhuǎn)彎處右轉(zhuǎn)，直走4.2 m，最后直走回到原點(diǎn)處停止，實(shí)驗(yàn)中的NLOS誤差采用人為遮擋進(jìn)行模擬。本次實(shí)驗(yàn)將PDR算法和激光雷達(dá)定位算法進(jìn)行了比較，分別選取5組有效數(shù)據(jù)pdr1～pdr5在MATLAB進(jìn)行解算，并輸出，結(jié)果如圖3、圖4所示。

圖3和圖4分別為PDR以及LiDAR的室內(nèi)定位算法定位結(jié)果，黑色粗直線表示行走的真實(shí)路線，其他5組不同顏色形狀標(biāo)記直線分別表示該算法的不同定位結(jié)果。分析圖3可得，PDR室內(nèi)定位在初始定位的時(shí)候與真實(shí)軌跡的重合率比較高，隨著時(shí)間的推移，軌跡的增加，定位點(diǎn)偏移逐漸增大，累積誤差會(huì)越來越大。如圖4所示，LiDAR解算軌跡接近參考真值，定位結(jié)果較好，但是在后期開始偏移明顯，定位期間行人的走動(dòng)以及障礙物的遮擋都會(huì)產(chǎn)生NLOS誤差，而無約束條件時(shí)誤差隨著時(shí)間與位移的累計(jì)越來越大。

基于擴(kuò)展卡爾曼濾波的PDR/LiDAR融合定位結(jié)果如圖5所示，定位軌跡與真實(shí)參考路徑相近，融合解算結(jié)果良好，未出現(xiàn)顯著的跳變與誤差累積，定位誤差能維持在厘米級(jí)以內(nèi)。圖6給出了PDR定位、LiDAR定位以及本文算法的定位對(duì)比結(jié)果，分別對(duì)LiDAR定位實(shí)驗(yàn)和融合定位實(shí)驗(yàn)中，添加人為遮擋因素，使其LiDAR傳感器個(gè)別點(diǎn)云定位失效，利用PDR進(jìn)行定位修正?？梢钥闯?，軌跡轉(zhuǎn)彎前累積誤差比較小，轉(zhuǎn)彎后累積誤差稍微變大，之后又慢慢變小。本文算法在定位誤差上得到了有效的改善。表明PDR和LiDAR融合定位的方式在非視距(non line of sight，NLOS)和有動(dòng)態(tài)障礙物環(huán)境下仍然可以提供良好的定位精度。

圖3 PDR行走測(cè)試Fig.3 PDR walk test

圖4 LiDAR行走測(cè)試Fig.4 LiDAR walk test

圖5 融合算法定位實(shí)驗(yàn)結(jié)果Fig.5 Experimental results of fusion algorithm positioning

表1為PDR、LiDAR以及LiDAR+PDR融合定位解算結(jié)果在x和y方向的誤差統(tǒng)計(jì)。從表1可以看出，在室內(nèi)環(huán)境較好的情況下，PDR、LiDAR以及LiDAR+PDR融合算法的定位精度都可以達(dá)到厘米級(jí)以內(nèi)，其中LiDAR+PDR融合算法定位精度略高；在NLOS環(huán)境中，LiDAR會(huì)出現(xiàn)定位點(diǎn)缺失或偏移，PDR定位結(jié)果發(fā)散，而LiDAR+PDR融合算法能夠滿足室內(nèi)定位精度的要求，定位誤差能夠達(dá)到厘米級(jí)以內(nèi)。圖7為x軸向的精度與y軸向的位置誤差。

從圖7、圖8中可以更加明顯地看到誤差變化，PDR定位算法在短距離內(nèi)誤差累積小，定位精度高，但積累誤差是會(huì)隨著時(shí)間的推移越來越大，實(shí)驗(yàn)最大誤差達(dá)到了2.07 m。LiDAR傳感器容易受到噪聲和其他因素的影響，在試驗(yàn)結(jié)果中存在一定程度的誤差，其最大誤差為1.36 m。而在結(jié)合PDR的定位校正后，精度得到顯著提高，其最大誤差為0.53 m。PDR可以使軌跡從不穩(wěn)定變?yōu)榉€(wěn)定，當(dāng)位姿發(fā)生變化大時(shí)時(shí)，PDR作用顯得比較重要，可以改善方向角的穩(wěn)定性及其定位精度。綜上所述，LiDAR+PDR卡爾曼濾波融合在減小累積誤差方面起著非常好的作用，這兩種算法融合可以實(shí)現(xiàn)更高的定位精度。

圖6 單一算法定位實(shí)驗(yàn)對(duì)比Fig.6 Experimental comparison of single location algorithm

表1 三種定位解算結(jié)果誤差統(tǒng)計(jì)Table 1 Error statistics of three positioning solutions

圖7 x軸方向位置誤差Fig.7 Position error in the x-axis direction

圖8 y軸方向位置誤差Fig.8 position error in the y-axis direction

6 結(jié)論

基于擴(kuò)展卡爾曼濾波將LiDAR和PDR兩種定位方法相融合，利用PDR減小LiDAR產(chǎn)生的漂移，進(jìn)而減小其軌跡誤差，提高了室內(nèi)定位精度。實(shí)驗(yàn)結(jié)果表明，LiDAR和PDR融合方法定位誤差X軸可以達(dá)到0.32 m，Y軸可以達(dá)到0.26 m，相較于PDR或LiDAR單一定位技術(shù)來說，本文方法定位精度能夠得到全面提升，誤差能夠控制在厘米級(jí)之內(nèi)，可以獲得較為穩(wěn)定、可靠的定位結(jié)果。由此可以看出，融合定位方法比單一定位方法更能滿足復(fù)雜的室內(nèi)環(huán)境需求，能夠有效抑制單一定位方法的誤差累積，克服各自的缺點(diǎn)，相互受益，獲得較為穩(wěn)定、準(zhǔn)確的定位結(jié)果。