基于扩展Kalman滤波的室内WiFi-PDR融合定位算法.docx

基于扩展Kalman滤波的室内WiFi-PDR融合定位算法
基于扩展Kalman滤波的室内WiFi-PDR融合定位算法
摘要：
随着无线网络和移动计算设备的普及，室内定位成为一个备受关注的领域。在室内环境中，无线信号强度和步态识别是两种常用的定位技术。然而，单独使用其中一种定位技术存在一些问题，如信号衰减、多径效应等。为了提高室内定位的准确性和可靠性，本论文提出了一种基于扩展Kalman滤波的室内WiFi-PDR融合定位算法。该算法将WiFi指纹定位技术与PDR（PedestrianDeadReckoning）定位技术相结合，通过信号强度预测和姿态识别来实现室内定位的精确性和稳定性。
关键词：室内定位，WiFi-PDR融合，扩展Kalman滤波，信号强度预测，姿态识别
1.引言
室内定位广泛应用于商场导航、仓库管理、室内导览等领域。传统的室内定位方法主要包括无线信号强度和步态识别。然而，这两种方法各自存在一些问题，如信号衰减、多径效应影响了无线信号强度定位的准确性；步态识别则对用户的行走状态以及传感器的准确性要求较高。因此，将WiFi指纹定位技术和PDR定位技术相结合，能够提高室内定位的准确性和可靠性。
2.相关工作
扩展Kalman滤波是一种递归滤波器，常用于估计和控制问题。在室内定位领域，扩展Kalman滤波已被广泛应用于WiFi指纹定位、PDR定位等。例如，文献[1]提出了一种基于扩展Kalman滤波的室内WiFi定位算法，该算法通过建立WiFi指纹数据库和预测无线信号强度来实现室内定位。文献[2]提出了一种基于扩展Kalman滤波的PDR定位算法，该算法通过传感器融合和状态预测来实现室内定位。
3.算法设计
本论文提出的室内WiFi-PDR融合定位算法的流程如下：
(1)预处理：收集WiFi信号数据和传感器数据，并对其进行预处理，如去除噪声和异常值。
(2)WiFi指纹定位：根据收集的WiFi信号数据，利用扩展Kalman滤波进行WiFi指纹定位。扩展Kalman滤波模型中的状态变量包括位置、速度和方向。
(3)PDR定位：根据收集的传感器数据，如加速度计、陀螺仪等，利用扩展Kalman滤波进行PDR定位。扩展Kalman滤波模型中的状态变量包括位置、速度和方向。
(4)融合定位：将WiFi指纹定位和PDR定位的结果进行融合，利用扩展Kalman滤波进行位置估计和状态更新。
(5)定位优化：根据实际需求，对定位结果进行优化，如平滑处理、误差修正等。
(6)误差分析：对定位误差进行分析和统计，评估定位算法的性能。
4.实验与结果
为了验证本论文提出的室内WiFi-PDR融合定位算法的性能，我们进行了一系列实验。实验采用了具有不同结构和尺寸的室内环境，并且在不同的人群密集度下进行测试。实验结果表明，本算法能够有效地提高室内定位的准确性和稳定性，定位误差较小且定位精度较高。
5.结论
本论文提出了一种基于扩展Kalman滤波的室内WiFi-PDR融合定位算法，通过将WiFi指纹定位技术和PDR定位技术相结合，提高了室内定位的准确性和可靠性。实验结果表明，该算法在不同的室内环境和人群密集度下均表现出良好的定位性能。然而，该算法仍然存在一些问题，如对环境变化敏感、传感器误差等，需要进一步的研究和改进。
参考文献：
[1]LiJ,LiP,WuT,etal.IndoorWi-FipositioningbasedonextendedKalmanfilter[J].ComputerEngineeringandDesign,2019,40(5):1511-1515.
[2]WangS,WangL.PedestriandeadreckoningbasedindoorpositioningalgorithmusingEKF[J].MicrocomputerSystems,2018,39(12):2473-2477.