基于多传感器数据融合的室内定位算法-论文.pdf

《基于多传感器数据融合的室内定位算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第44卷第1期上海师范大学学报(自然科学版)Vo1．44，No．12015年2月JournalofShanghaiNormalUniversity(NaturalSciences)Feb．，2015DOI：10．3969／J．ISSN．1000—5137．2015．01．012基于多传感器数据融合的室内定位算法夏俊，俞晖，罗汉文(上海交通大学电子信息与电气工程学院，上海200240)摘要：基于惯性测量单元(IMU)的定位方法是一种全自主定位方法，该方法通常是基于单个IMU(Single—IMU)实施定位，其具有较大的漂移误差和累积误差．因此，提

2、出了一种基于多个可穿戴式IMU(Multi—IMUs)与室内无线传感器网络(IWSN)的多传感器数据融合的室内定位算法，根据佩戴于不同部位的Multi-IMUs信息协同，提高人体姿态检测的有效性，并且利用模糊投票机制(FuzzyVotingScheme)融合Multi—IMUs位置信息；此外，结合IWSN，采用卡尔曼滤波算法(KalmanFilterAlgorithm)融合IWSN解算出的位置信息与Multi-IMUs计算出的位置信息降低基于IMU的累积误差．实验结果表明，所提出的基于多传感器数据融合的室内定位算法能够识别出行走的姿态，与基于S

3、ingle．IMU的定位算法相比，该算法有效地降低了累积误差和漂移误差，提高了室内定位的有效性和可靠性．关键词：室内定位算法；惯性测量单元；模糊投票机制；无线传感器网络；卡尔曼滤波算法中图分类号：TN929．5文献标志码：A文章编号：1000-5137(2015)01-0065-080概述近年来，移动互联网的快速发展，促进了LBS(LocationBasedServices)应用服务的兴起，诸如利用位置信息提供导航、跟踪、监测、推送消息、就近购物等应用，其中，LBS应用服务包含两个发展方向：基于室外位置信息应用服务和基于室内位置信息应用服务．针

4、对室外环境，GPS系统、伽利略系统、北斗系统等卫星导航系统已能够方便快捷地提供人员、物品的位置信息；但是，在室内环境中，卫星导航系统的信号衰减非常严重，无法保证与室内的相关定位设备直接通信，因此，以GPS系统、伽利略系统以及北斗系统为代表的卫星导航系统并不适用于室内定位的应用．室内定位系统主要分为两种类型，即基于基础辅助设施定位系统和全自主定位系统，其中，基于基础实施定位系统需要借助于外部基础设施辅助定位，而全自主定位系统无需借助于外部基础设施，完全依据自身定位设备即可实现自主定位的目的．文献[1]介绍了一种基于Wifi．Fingerprint

5、的室内定位方法，这种方法不仅需要定位环境中有充足的AP，同时，还需要人工采集大量的训练数据，建立Fingerprint指纹数据库，这种方法人力成本比较高．文献[2]介绍了一种结合地标(Landmark)多点相关监测和概率RFID地图技术的室内定位方法，该方法是利用电子标签和读卡器之间的短距离通信，同时利用三边测量法计算出标签的位置信息．此外，还有些室内定位方法是基于红外线、超声波、Bluetooth、UWB、Zigbee技术I5J．上述定位方法主要是借助于相关基础设施进行定位，使用这类定位算法的定位系统需要部署大量的基础设施，成本比较高，如果定

6、位环境缺乏相关基础设施，则无法实现定位，但这类方法定位具有较高的定位精度．收稿日期：2014．12．12通信作者：罗汉文，中国上海市东川路800号，上海交通大学电子信息与电气工程学院，邮编：200240，E—mail：hwluo@sjtu．edu．cn．66上海师范大学学报(自然科学版)2015正全自主定位系统最常用的方法就是使用惯性测量单元进行自主导航定位，基于惯性测量单元的惯性导航技术是通过一个起始点，以及前进的方向、速度、时间或计步、步长等信息，推算出当前的位置信息．文献[7]中介绍了基于J愤性测量单元的定位技术，并且比较了多种可以用于惯

7、性测量单元的传感器节点．文献[8]中介绍了结合惯性测量定位和GPS定位技术的定位系统．基于惯性测量单元的定位方法在短距离内具有较高的定位精度，且不需要建设基础设施，提高了该定位技术的灵活性，但是这类定位方法具有漂移误差和累积误差的缺点．现在已经提出了很多定位算法的设计模式用于改进基于惯性测量单元的误差，文献[9]中提出了一种利用测距的子系统来修正惯性测量单元定位方法所带来的累积误差，定位系统的纠正精度取决于该子系统Landmark位置信息的精度．在大数据的时代背景下，定位系统的原始数据来源纷繁复杂，因此，本文作者提出了一种基于多传感器数据融合的

8、室内定位算法，该算法利用Multi-IMUs信息协同检测行人的行走姿态，并且利用模糊投票机制融合Multi—IMUs的位置信息；此外，该定位算法结合了