论文部分内容阅读
本文主要基于行人经过室内不同结构场景的Wi-Fi接收信号强度（Received Signal Strength Indicator,RSSI）的变化进行室内定位研究。以基于Android手机中的惯性传感器、方向传感器、Wi-Fi信号接收模块以及实验室数据采集APP所采集的数据为研究基础,利用机器学习的方法对Wi-Fi信号变化特征进行提取,结合无线路由器唯一的MAC地址,定义出具有唯一性的地标。最后,将定义的地标与行人航位推算（Pedestrian Dead Reckoning,PDR）算法以及对于航向角进行卡尔曼滤波（Kalman Filtering,KF）优化的算法、地标矫正轨迹算法结合,对行人进行室内导航定位。本文主要研究内容如下:（1）根据行人经过室内不同建筑结构时对应的Wi-Fi信号变化定义出地标,构建机器学习模型,进行地标的特征提取以及识别。本文根据室内具有普遍性的结构,如:空地,走廊,立柱,墙体。结合适当的路由器放置位置,根据经过室内不同的结构场景间对应的Wi-Fi信号变化特征,结合路由器唯一的MAC地址,定义出具有唯一性的地标,利用机器学习进行地标的特征提取,分类以及识别。本文根据室内结构以及路由器放置方式,将地标分成5种类型。使用APP对Wi-Fi数据、传感器数据进行采集,并将数据分成两组,分别是Wi-Fi信号变化特征提取、分类的训练集和Wi-Fi信号变化特征识别的测试集。根据测试结果,特征识别精度为0.975。（2）结合地标矫正以及卡尔曼滤波算法,对行人行走航向及行走路径进行优化。本文根据卡尔曼滤波通过观测信息、状态转移、观测模型对状态进行光滑、滤波及预测的方法,对于地标与地标之间行走路径,对传感器采集的原始航向角进行修正。检测到地标之后,在根据地标修正算法,将行人轨迹经一部优化。结合地标矫正以及卡尔曼滤波算法模型通过matlab平台构建,模型输入端为三轴加速度数据、Wi-Fi数据（包括AP名称、MAC地址以及接受信号强度RSSI）,输出端为优化后的行人轨迹。（3）构建并优化行人航位推算算法对行人室内行走轨迹进行恢复。本文在PDR算法为理论的基础上,对手机采集的多组传感器数据进行分析处理,得到步长,步频,再根据基于频率的步长模型作为估计PDR步长的依据。由于PDR存在无法确定起点以及方向容易受环境影响出现偏差的问题,本文将优化之后的PDR算法结合地标矫正及卡尔曼滤波算法,降低PDR累积误差,修正行人室内行走轨迹。（4）结合实验场所设计实验进行测试,验证室内定位方案以及分析实验结果。本文实验场所为深圳大学科技楼一楼,包括3条行走路线,15组数据（每条路线5组）。根据实验场地实际情况构建地图,将实验结果以坐标的形式导入地图,从而恢复出实验行走路线的轨迹,并对纯PDR定位效果和本文定位算法定位效果对比分析。实验分别比较纯PDR轨迹、本文定位算法轨迹与真实轨迹的误差,其中PDR定位误差为6.99m,本文算法误差为1.346m,定位精度有较大提升。