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).