基于惯性传感器与WiFi的室内行人轨迹推算

为了实现室内无GPS情况下行人的运动轨迹推算,设计了一种基于智能手机惯性元件和WiFi的室内行人轨迹推算算法.该算法基于粒子滤波,利用手机加速度计和陀螺仪进行步态检测和每步旋转角度推算,并使用了一种基于WiFi强度变化趋势的WiFi地标策略.实验结果显示,使用该算法优化后的行人轨迹收敛,接近真实的运动轨迹.在仅使用惯性传感器和WiFi的情况下,可以有效地控制陀螺仪误差积累,完成固定手机姿态的行人轨迹推算.     

一款AGV磁导航传感器的设计

在工业自动化的发展过程中,AGV（自动导引车辆）广泛投入使用,目前应用较广泛的导航方式之一是磁条导航,它具有对环境要求低、安装简单、易维护、成本低等优点。设计了一款AGV磁导航传感器,该传感器以ARM Cortex-M3为核心、RS232C线驱动和磁导航模拟前端设计硬件实验平台,实时采集磁导航信号,采集到的信号通过对数-双曲正切函数的鲁棒自适应滤波算法,减小AGV行驶过程中的偏差,在C/OS Ⅲ微型操作系统进行任务循环调度,通过人机交互界面观测传感器实时状态,对AGV的运行轨迹进行修正。根据实验数据和仿真结果表明：使用该磁导航传感器的AGV行驶偏差较小,车身更加平稳。     

基于足绑式INS的行人导航三轴磁强计在线校准

基于低成本微电子机械系统(MEMS)惯性传感器的足绑式惯性导航系统(INS)是行人自主导航常用的一种方式,足绑式INS可与磁强计组合来约束航向角误差,但磁强计存在误差需要校准。该文提出了适合行人导航的磁强计误差模型和在线校准算法。根据磁强计的误差特性和足绑式INS的机动性,建立了磁强计误差变量的状态方程和观测方程,利用扩展Kalman滤波器(EKF)对三轴磁强计误差进行在线估计和实时校准,利用零速修正(ZUPT)算法和磁航向角约束算法对足绑式INS的误差进行约束。为验证算法的有效性,在操场进行了一圈徒步行走实验。实验结果表明:使用磁强计误差在线辨识和校准算法后,与未进行磁强计误差校准相比,行人导航东向终点误差由-110.7m减小到1.8m,北向终点误差由37.8m减小到5.2m,磁强计误差得到有效校正。该算法实现了基于足绑式INS的行人导航磁强计误差在线校准,大幅提高了行人自主导航的定位精度。     

融合MT2503与MEMS传感器的惯性导航定位算法

为提高惯性导航室内定位算法的精度与连续性,提出一种融合MT2503与MEMS传感器的惯性导航定位算法,算法以MT2503芯片作为定位终端,并将加速度计传感器、陀螺仪,磁力计等传感器与其进行融合,通过加速度计传感器解算步长、步幅、步频,通过陀螺仪与磁力计来识别定位终端微动偏移量,最后在初始位置上累加定位终端位移得出定位终端实时位置。实验证实通过零速修正和卡尔曼滤波对误差进行校正,有效的解决了MEMS(micro-electro mechanical system)定位算法中存在的导航解算误差累积问题,提升了MEMS惯性导航室内定位算法的精度。     

基于智能手机传感器的林区行人定位算法

针对林区卫星信号缺失、跟踪定位困难的问题,提出了基于智能手机传感器的林区行人定位算法(forest-pedestrian location,FPL)。算法在行人航位推算算法(pedestrian dead reckoning,PDR)基础上进行改进：采用扩展卡尔曼滤波(extended Kalman filter, EKF)与卡尔曼滤波(Kalman filter, KF)融合算法对磁力计、加速度计及陀螺仪输出进行多次融合,以提高方位角测量精度;随后,使用Savitzky-Golay(S-G)滤波处理方位角测量值,以提高PDR算法中方位角的估计精度;引入K邻近(K-nearest neighbor, KNN)算法估计步长,将拟合显式步长函数问题转化为“懒惰学习”问题;使用差分气压测高法求解行人高程信息,从而获取行人在林区内的3维定位信息。实验结果表明,该算法可以提高方位角及步长的估计精度,同时可以增加精准的高程定位信息,整体误差控制在5%以内,可以满足林区无信号条件下的定位需求。     

室内行人航向修正算法研究

室内环境下的行人导航问题是当前导航领域的研究难点与热点,基于足绑式MEMS是行人导航的主要形式之一。针对目前行人导航航向发散的问题,同时避免磁力计引入外部误差,在零速更新（ZUPT）的基础上,研究了磁角速率更新（MARU）的航向修正算法,假定行人处于零速区间时磁场是恒定的,当惯性传感器转动时,磁力计的三维矢量也会相应变化,利用磁场的变化信息作为零速时刻陀螺仪输出角速率的观测值,并通过扩展卡尔曼滤波（EKF）对角速度误差进行补偿,从而限制航向角的漂移。实验结果表明,该算法航向跟踪性强,对航向修正有一定的有效性,其终点定位误差占总路径的0.55%,达到了良好的定位精度。     

基于微机电系统的室内行人航向修正算法

室内环境下的行人导航问题是当前导航领域的研究难点与热点。足绑式微机电系统(MEMS)是行人导航的主要形式之一。针对目前行人导航航向发散的问题,同时避免磁力计引入外部误差,在零速更新(ZUPT)的基础上,研究了磁角速率更新(MARU)的航向修正算法。假定行人处于零速区间时磁场是恒定的,当惯性传感器转动时,磁力计的三维矢量也会相应变化。利用磁场的变化信息作为零速时刻陀螺仪输出角速率的观测值;并通过扩展卡尔曼滤波(EKF)对角速度误差进行补偿,从而限制航向角的漂移。实验结果表明,该算法航向跟踪性强,对航向修正有一定的有效性,其终点定位误差占总路径的0.55%,达到了良好的定位精度。     

一种基于改进卡尔曼滤波的姿态解算算法

针对多传感器融合姿态解算精度不高的问题,本文提出一种改进的卡尔曼滤波算法,即高阶线性互补滤波与扩展卡尔曼滤波(Extended Kalman Filter,EKF)相结合的融合算法。该数据的融合是基于加速度计、陀螺仪传感器频率特性和姿态角的微分方程建立的系统模型,将互补滤波的姿态角数据作为该系统模型的观测值,利用EKF算法对加速度计、陀螺仪、磁力计进行数据融合。高阶的互补滤波和EKF的融合算法能够有效的解决陀螺方向的估计偏差,为了证明该算法的可行性,用搭载IMU(InertialSmeasurementSunit)模块的四旋翼飞行器进行了动态和静态的实验,分析对比了最新导航算法、经典卡滤波算法和该融合算法滤波的效果。实验结果表明：本文提出的高阶无源线性互补滤波和EKF相结合的融合算法,无论在静态还是动态的实时性情况下,都能很明显的去除噪声和抑制姿态角的漂移,且提高了姿态角的精度。     

基于无迹卡尔曼滤波的全球导航卫星系统精密定位算法研究

针对城市街道环境中卫星信号容易被遮挡、全球导航卫星系统(GNSS)直接定位精度较差的问题,提出了基于无迹卡尔曼滤波(UKF)的精密定位算法。首先,针对卫星信号在传输过程中由于非视距传播严重影响伪距与载波相位观测值测量的问题,提出利用支持向量机分类算法对信号进行分类,从而获得较为理想的卫星信号。其次,通过数学建模建立周边行人和目标行人之间的联系,利用UKF将周边行人的定位数据作为观测值去修正目标行人的定位误差,从而提高目标行人的定位精度。实验仿真结果表明,该算法能够有效提高城市环境中行人的定位精度。     

基于神经网络的室内外场景识别方法

针对目前室内外场景识别方法所面临的低精度、低可靠性和低稳定性的问题,提出了一种基于神经网络算法的高精度室内外场景识别的方法.该方法利用智能手机内置的光传感器、磁传感器和全球导航卫星系统(global navigation satellite system,GNSS)模块采集训练数据,根据卫星数量、高度角、信噪比数据在室内外具有不同的特性,将场景划分成不同的区间并结合室内外的地磁数据与光照强度数据构成场景识别的特征,最后将不同时间的特征数据输入神经网络模型进行训练室内外场景识别模型.大量的测试实验结果表明,基于神经网络的室内外场景识别方法在不同的场景下识别准确率可以达到96％,能有效地识别室内外场景,具有较强的稳定性,可为室内外无缝定位系统的构建提供参考.