[发明专利]一种基于EKF滤波的初始状态自适应融合定位方法

说明书

本发明涉及定点跟踪的技术领域，公开了一种基于EKF滤波的初始状态自适应融合定位方法，将待测区域进行网格化处理，建立离线状态下的Wi‑Fi位置指纹数据库，再利用扩展卡尔曼滤波方法EKF将Wi‑Fi位置指纹定位方法和行人航位推算方法PDR进行融合，其用户运动时的初始状态是在Wi‑Fi位置指纹定位方法的基础上，结合多点卡尔曼滤波方法获得，同时，在扩展卡尔曼滤波方法EKF的迭代过程中，则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵，以完成对用户运动时下一个状态的位置预测。本发明的方法简单可靠，操作方便，易于实现，便于推广应用。

技术领域

本发明涉及定位追踪的技术领域，具体涉及一种基于EKF滤波的初始状态自适应融合定位方法。

背景技术

随着新一代蜂窝网技术的商用落地，室内定位技术再次引起人们的广泛关注，日益增长的生活与商业需求的位置服务刺激了室内定位系统和相关技术的快速发展。典型的室内定位技术包括Wi-Fi、蓝牙、RFID、超宽带等，其中，Wi-Fi位置指纹定位的网络覆盖广，可满足大多数室内定位需求，但其信号易受环境干扰，导致定位结果产生较大波动；行人航位推算(Pedestrian Dead Reckoning,PDR)定位方法利用惯性传感单元(Inertialmeasurement unit，IMU)实现航位推算定位，目前移动终端设备支持良好，但存在较大的惯性累积误差。

为提高上述单一定位系统的性能，目前的研究对有关Wi-Fi与PDR的融合定位系统与技术进行了探讨与分析。多数情况下，可以通过融合定位的方法来改善单一系统的定位性能，这样一方面可以减少Wi-Fi定位的波动性所带来的影响，另一方面可以降低PDR在定位过程中所带来的累积误差，但目前基于Wi-Fi/PDR的融合定位方法仍存在如下问题：

1)忽略了包括始发位置与航向角在内的初始状态确定过程，这样可能会导致定位系统在有限时间内无法快速收敛；

2)在使用扩展卡尔曼滤波EKF算法进行融合时，Wi-Fi信号强度数据的误差衡量往往使用了自定义的固定值，没有很好的将真实环境下Wi-Fi信号强度数据波动所带来的影响反馈给EKF系统。

发明内容

本发明提供了一种基于EKF滤波的初始状态自适应融合定位方法，解决了现有融合算法没有考虑初始状态对系统快速收敛的影响，使用了自定义的固定值衡量Wi-Fi信号强度数据的误差影响系统最终定位误差等问题。

本发明可通过以下技术方案实现：

一种基于EKF滤波的初始状态自适应融合定位方法，将待测区域进行网格化处理，建立离线状态下的Wi-Fi位置指纹数据库，再利用扩展卡尔曼滤波方法EKF将Wi-Fi位置指纹定位方法和行人航位推算方法PDR进行融合，其用户运动时的初始状态是在Wi-Fi位置指纹定位方法的基础上，结合多点卡尔曼滤波方法获得，同时，在扩展卡尔曼滤波方法EKF的迭代过程中，则以用户运动过程中相邻两个状态的信号强度数据RSSI的欧氏距离来构成动态的观测噪声协方差矩阵，以完成对用户运动时下一个状态的位置预测。

进一步，所述初始状态包括初始位置L₀和初始航向角θ₀，以Wi-Fi位置指纹数据库为基础，利用Wi-Fi位置指纹定位方法解算得到用户由静止开始运动m步后预测的各个位置点坐标记为在每个位置点i重新采集得到M组Wi-Fi信号强度数据，再利用Wi-Fi位置指纹定位方法解算得到每个位置点i对应的M个定位结果，记为L′_i(j)(j＝1,2，…,M)，然后利用多点卡尔曼滤波方法对所有的定位结果进行迭代解算获得滤波后的各个位置点i坐标(x_i,y_i)(i＝0,1,2，…,m)，记为则初始位置初始航向角

进一步，在扩展卡尔曼滤波方法EKF的迭代过程中，利用如下方程式计算观测噪声协方差矩阵R_k