[发明专利]基于因子图的气压辅助Wi-Fi/PDR室内定位方法

说明书

本发明公开了基于因子图的气压辅助Wi‑Fi/PDR室内定位方法。对行人轨迹推算进行了改进：基于步伐点的假设使用峰值检测和滤除方法进行步伐检测，在步长估计中使用高斯‑牛顿迭代法计算对数模型参数，在方向估计中采用跳变消除法和IIR滤波处理航向角数据。提出基于广义延拓外推法的突变过滤法滤除并替换气压数据突变值；结合稠密连接网络的CSI矫正定位方法、PDR以及差分气压测高法结果构建因子图模型，融合不同更新速率的量测信息，灵活高效即插即用。本方法能减小行人轨迹结果误差，通过突变过滤法以较低的开销完成检测，充分利用各种量测信息，提高了定位的准确率和稳定性。

技术领域

本发明属于室内导航定位技术领域，涉及基于因子图的多源信息融合方法，具体涉及基于因子图的气压辅助Wi-Fi/PDR室内定位方法。

背景技术

由于单一定位源无法满足室内定位的定位精度和稳定性的要求，因此采用多源信息融合方法，对多种定位信息进行组合是目前室内定位技术中增强定位的鲁棒性和准确度的主要手段之一。凭借着低计算量和高准确率的优势，以卡尔曼滤波器为代表的滤波方法在实时性要求高的多源融合定位领域中占有一席之地。

不同于基于马尔科夫假设的卡尔曼滤波只依靠上一时刻的状态进行估计，图优化方法能够对之前数据的整体或局部进行非线性优化，只要计算资源允许，往往能取得比滤波器技术更高的优化精度。而近年来随着云计算、物联网的兴起，大规模计算成为可能，以因子图为代表的优化方法逐渐被应用到导航定位、地图构建等领域中，在诸如无人驾驶、智能物流等方面起到了不可小视的作用。因子图是一种信息传递模型，能通过双向图刻画被因式分解为若干局部函数乘积形式的全局函数。基于因子图的室内多源融合定位方法本质上是贝叶斯网络最大后验估计，能够完成多种定位方法的动态融合，可应对传感器输出频率不同以及量测信息丢失的情况，实现即插即用，十分灵活。

目前大部分多源信息融合方法基于联邦滤波器，应对采样频率各异的量测量时，为了保证各子系统时间一致通常会舍去适量的量测信息；另一方面以EKF为代表的一系列滤波器建立在马尔科夫性假设成立的基础上，虽然极大地减少了计算复杂度，但也丢弃了许多重要的信息。对此，因子图可以在解决时间同步问题的同时，充分利用量测信息提高定位精度。

发明内容

针对现有技术的不足，本发明提出了基于因子图的气压辅助Wi-Fi/PDR室内定位方法，使用信道状态信息(Channel State Information，CSI)作为指纹数据，对行人轨迹推算(Pedestrian Dead Reckoning，PDR)的各步骤进行改进，削弱惯性器件误差累积对定位的影响，并使用气压计，通过自身差分气压测高方法获得高度变化量，从而提高定位的精确度以及增强定位的鲁棒性。

基于因子图的气压辅助Wi-Fi/PDR室内定位方法，具体包括以下步骤：

步骤S1：在定位区域内布置定位装置。所述定位装置包括Wi-Fi设备、无线网卡、惯性器件模块和数字气压传感器。

所述Wi-Fi设备的信号覆盖定位区域，用于构建无线传感器网络，在离线阶段对定位区域进行网格划分，通过无线网卡传输采集的信道状态信息。根据Wi-Fi设备采集的数据与对应的位置坐标构建CSI指纹库，训练定位神经网络预测位置坐标，然后利用广义延拓插值法进行CSI指纹库扩充，得到插值指纹库。在i时刻定位神经网络根据CSI信号输出的估计位置经过插值指纹库的矫正后，得到用于输入因子图的坐标量测数据

所述惯性器件模块包含加速度计和陀螺仪，用于在定位过程中持续输出三轴加速度和航向角。所述数字气压传感器用于持续输出当前位置的气压值和气温。

步骤S2：改进PDR，构建步长模型，输出轨迹推算量测信息，具体包括以下步骤：