基于卡尔曼滤波的WiFi-PDR室内定位技术研究

"这篇文章主要探讨了改进的行人航位推算（PDR）技术及其在室内定位中的应用，结合了支持向量机（SVM）的WiFi定位算法，并利用卡尔曼滤波进行多传感器融合，以提高定位精度。" 文章首先介绍了PDR的基本原理，即通过监测人体行走时惯性传感器（如加速度计）的数据，来计算行走距离和位置。由于行走具有周期性，加速度曲线呈现出类似正弦波的模式，每个完整波形对应一个行走周期。关键在于正确识别行走周期并计步，这对PDR的准确性至关重要。然而，传感器数据的噪声和人体运动的不规则性会影响周期的识别。为此，文章提出了预处理加速度数据的方法，运用简单移动平均（SMA）算法平滑数据，以减少噪声干扰。 为了更精确地识别行走周期，文章采用了状态转换方法，将行走周期划分为静止、波峰和波谷状态，并动态调整状态转换参数，如曲线阈值、分界参考值和零参考值，以适应行走速度变化导致的加速度曲线偏移。动态设置零参考值有助于减小误差，提高速度和步长计算的准确性。 接下来，文章提到了PDR的计步和位置更新过程，通过步长和时间间隔来计算行走速度和方向。卡尔曼滤波被用于融合PDR和WiFi定位数据，以降低单一方法的定位误差。滤波系统由状态方程和量测方程构成，其中量测噪声序列的方差被考虑在内，以实现更精确的位置估计。 实验部分，作者比较了基于SVM的WiFi定位与其他方法（如RADAR、Probabilistic和ZCFG）的性能。SVM方法在3米内的定位准确率显著高于其他方法，同时减少了5米以上误差的发生。此外，改进的PDR算法与商业软件Runtastic Pedometer、Moves和Noom Walk进行了对比，证明了其在不同行走方式下的有效性。 该研究通过结合SVM的WiFi定位和改进的PDR技术，提高了室内定位的精度，尤其是在复杂环境下。使用卡尔曼滤波进行数据融合，不仅能够减少单个传感器的误差，还能有效抑制误差的累积，为室内定位提供了一种可靠的解决方案。