徐逸軒

摘要：步長估計是基于行人航跡推算室內定位中的關鍵因素，針對其累計誤差會隨著行人行走的距離和時間的增加隨之變大，傳統(tǒng)的粒子濾波在提高精度的同時會造成粒子貧化的問題，本文提出一種基于螢火蟲算法修正的步長估計方法.該方法首先在傳統(tǒng)的非線性步長估計模型中加入了加速度的平均值和行走時間，得到改進的步長估計模型.然后結合改進的螢火蟲算法，通過粒子權重不斷修正的方式得到動態(tài)步長.實驗證明，該方法在一定程度上解決了粒子貧化問題，提高了步長估計的精度.

關鍵詞：室內定位;行人航跡推算;步長估計;螢火蟲算法;動態(tài)修正

中圖分類號：TP273

近年來，室內定位的研究受到國內外的廣泛關注.智能手機的普及為室內定位帶來了便捷，其中，行人航跡推算算法 [1]因其受環(huán)境的影響較小，定位精度較高，因此得到廣泛關注.它是在已知行人初始位置的前提下，通過智能設備中傳感器測得的數(shù)據(jù)，得到行人的步頻、步長和方向角，估計出行人的位置和運動軌跡.在行人航跡推算算法中，步長的估算起著關鍵性的作用，可以理解為步長精度的準確性直接影響著行人位置估計的準確性.

常見的步長估計方法包括線性估計模型和非線性估計模型 [2]，其中，非線性估計模型具有較高的準確性和實時性，因此被廣泛使用.傳統(tǒng)的非線性步長估計模型 [3]利用行人的步長與行走時的加速度之間的非線性關系，建立數(shù)學估計模型來計算步長.但是隨著行人行走距離和時間的增加，累積誤差會隨之變大.目前大部分的慣性傳感器定位系統(tǒng)會使用粒子濾波來提高定位精度，例如采用粒子濾波算法 [4]結合不同的定位數(shù)據(jù)（如地圖信息）來修正定位結果.但是，當需要大量的粒子來保證跟蹤的準確性時，粒子濾波算法會造成粒子貧化 [5]問題，因而影響定位精度.針對上述問題，本文提出一種基于螢火蟲算法修正的步長估計方法.本文結合改進的螢火蟲粒子濾波算法 [6]，通過粒子權重不斷修正的方式來得到動態(tài)步長，一定程度上解決了粒子貧化問題，提高了步長估計的精度.

1 基于螢火蟲算法的動態(tài)修正步長方法

1.1 行人航跡推算之步長估計

由圖 1可看出，改進的螢火蟲粒子濾波算法經(jīng)過迭代尋優(yōu)，比傳統(tǒng)粒子濾波的狀態(tài)預測精度較高，估計誤差明顯較小.

為了對所提出步長估算方法的性能進行測試與分析，本文選取了計算機學院六樓走廊為測試場景，走廊長約 45m.采用 Android系統(tǒng)的智能手機做為整個實驗的設備，其型號為 Honor 10，版本為 Android 9，用以采集實驗所需的相關數(shù)據(jù).然后借助 Matlab平臺計算完成本文方法和傳統(tǒng)方法的對比試驗，并進行數(shù)據(jù)分析.

實驗時，行人手持智能手機，以均刀的速度在走廊沿直線行走 40m，采集到加速度計、陀螺儀和磁力計的數(shù)據(jù)，然后在 Matlab中進行步長的估算.為了驗證本文方法的有效性和可行性，利用同一組數(shù)據(jù)，用了兩種對比方法分別做了 10次實驗.其中，PF步長估計代表基于粒子濾波算法的傳統(tǒng)非線性步長估計方法，F(xiàn)A-PF步長估計代表本文基于螢火蟲粒子修正的步長估計方法.經(jīng)過實驗，得到這兩種算法的誤差比較如圖 2所示：

如圖 2所示，相比于基于粒子濾波算法的傳統(tǒng)非線性步長估計方法，本文提出的基于螢火蟲算法修正的步長估計方法，整體誤差明顯減小.進一步分析可得，10組定位實驗的誤差均值由原來的 4.6m減少到 2.2m.實驗結果表明，該方法在一定程度上提高了步長估計的精度.

3 結束語

基于 PDR的室內定位方法中，步長估計是關鍵因素，但是隨著行人行走距離和時間的增加，累積誤差會隨之變大，傳統(tǒng)的粒子濾波算法在提高精度的同時會造成粒子貧化問題.針對上述問題，本文提出一種基于螢火蟲算法修正的步長估計方法.首先，本文在傳統(tǒng)的非線性步長估計模型中加入了加速度的平均值和行走時間，得到改進的步長估計模型.然后結合改進的螢火蟲粒子濾波算法，通過粒子權重不斷修正的方式來得到動態(tài)步長.經(jīng)過實驗證明，該方法在一定程度上解決了粒子貧化問題，提高了步長估計的精度.

參考文獻

[1]寇彩云，張會清，王普.基于慣性傳感器的行人室內定位算法[J]. 傳感器與微系統(tǒng)，2019，38（01）：143-146.

[2]Kang W，Han Y. SmartPDR：Smartphone-Based Pedestrian DeadReckoning for Indoor Localization[J]. IEEE Sensors Journal，2015，15（5）： 2906-2916.

[3]Kang W，Han Y. SmartPDR：Smartphone-Based Pedestrian DeadReckoning for Indoor Localization[J]. IEEE Sensors Journal，2015，15（5）： 2906-2916.

[4]林慶，王新.基于改進的粒子濾波算法的目標跟蹤[J].信息技術，2017（10）.

[5]Foo P H，Ng G W.Combining the interacting multiple model method withparticle filters for manocuvring target tracking.IET Radar，Sonarand Navigation，2011，5（3）：234一 255

[6]Horng M H. Vector quantization using the firefly algorithm for imagecompression. Expert Systems with A pplications，2012，39（1）：1078-1091

[7]Lundquist C，Karlsson R，Ozkan E，Gustafsson F. Tire radii estimation using a marginalized particle filter. IEEE Trans-actions on Inteligent Transportation Systerms，2014，15（2）：663-672

[8]Zhou Tianrun，Ouyang Yini，Wang Rui，et al. Particle filter based on real-time compressive tracking [C]//Proc of International Conference onAudio.Piscataway，NJ：IEEE Press，2017：754-759.

[9]YANG X S. Firefly algorithm，stochastic test functions and designoptimization [J]. International Journal of Bio-Inspired Computation，2010， 2（2）： 78-84.

[10]Xian W M，Long B，LiM， Wang H J. Prognostics of lithium-ion batteriesbased on the verhulst model， particle swarm optimization and particle filter. IEEETransactions on In-strumentation and Measurement，2013，63（1）：2-17

[11]程美英，倪志偉，朱旭輝.螢火蟲優(yōu)化算法理論研究綜述[J].計算機科學，2015，42（4）：19-24.

[12]Chen J，Ou G，Peng A，et al. An INS/Floor-Plan Indoor Localization System Using the Firefly Particle Filter[J]. ISPRS International Journal ofGeo-Information，2018，7（8）.