文摘

地磁室内定位是一个有吸引力的室内定位技术由于其infrastructure-free特性。地磁匹配算法的室内定位、粒子滤波是使用最广泛的。然而经常遭受过滤算法发散时室内磁场分布的连续变异。重采样步骤实现的过程中会使情况更糟糕的是,这直接导致损失的室内定位的解决方案。针对这个问题,我们提出了一种改进的粒子滤波算法基于初始定位误差约束,灵感来自于豪斯多夫距离测量的点集匹配理论。由于粒子滤波的工作范围不能超过最初的定位误差的大小,它避免了采样粒子的不利影响具有相同磁场强度但远离目标定位系统在迭代过程中。改进算法的有效性和可靠性进行了验证实验。

1。介绍

基于位置服务的快速发展,室内定位接受增加的关注。室内定位技术可以应用于公安、位置跟踪,智能交通,等等。例如,医院可以定位和监控病人使用室内定位技术。室内定位可以解决发现的问题汽车大型设施和地下停车场;它还可以快速找到最优的路线在大型购物中心购物。室内定位是目前基于技术,如wi - fi, RFID,蓝牙,UMB、地磁学。在不同的室内定位技术中,地磁室内定位方法具有广阔的应用前景,因为它是infrastructure-free和地磁信号稳定1]。

早在1950年代,基于地磁场矢量匹配地磁定位技术应用于大型户外环境导航,包括水面舰艇、潜艇和导弹。在过去,地磁定位技术通常使用相关匹配算法(2- - - - - -4[]或递归滤波算法5,6]。最近使用地磁定位技术在室内环境中被认为是一个重要的突破。现代建筑的地磁场被钢筋混凝土,钢结构,电力系统、电子设备、和其他人工资源,形成一个独特的和空间上连续的地磁签名(7,8]。室内磁场可以构建一个指纹收集模型基于无线指纹技术。一般来说,指纹地磁扰动模型的建设可以使用各种特征变量,包括单变量(地磁总强度)、双变量(H和V方向磁场组件),或三个变量(X,Y,Z方向磁场组件)。更多的特征变量包括定位,更可以改善定位精度(9]。室内定位技术基于磁场与磁场强度匹配,通过室内移动运营商,与指纹地磁扰动模型,使室内定位。

目前,粒子滤波算法,k最近的邻居(10),和扩展卡尔曼滤波器(EKF) (11)已经应用于室内定位系统基于指纹模型。粒子滤波由蒙特卡罗技术已广泛应用作为一个有效的匹配算法,因为它的广泛适应性的优势在非线性、非高斯系统(12- - - - - -14]。大,杜伦(12)提出了一个实时室内定位方法,利用单一硬件磁强计估计手持设备的位置。使用粒子滤波,0.7米的定位精度位置和25度取向实现的一个简单的直线轨迹。Haverinen和Kemppainen13机器人装备一个磁传感器,测量三个平面。他们他们的机器人穿过一条走廊,它收集数据,一组走廊的位置创建一个地图,并用蒙特卡罗定位(粒子滤波)从任何起点准确确定其位置。最大误差约28厘米,但机器人需要旅行25米,以本地化本身。金等。15)提出了一个室内定位系统使用智能手机。他们用粒子滤波来估计用户位置基于地磁异常(15)和用户与墙之间的距离作为一个条件约束。实验结果在走廊里表明定位精度是在3米。

使用粒子滤波器要求承运人完成连续递归滤波器的位置在一段时间内,和它滤波发散的问题16]。滤波器收敛是受到室内分布的地磁的影响,和散度会发生如果它缺乏室内地磁学签名。稀疏的特点,室内地磁场,磁场尽可能多的地方也有类似的模式,就越有可能发生粒子滤波算法的差异,最终导致了过度的定位误差。

为了应对这一挑战,本文提出了利用点集匹配的豪斯多夫距离测量方法提高粒子滤波算法以及定位误差的约束的方法。新的粒子滤波算法中,初始定位误差作为约束的距离,只允许粒子满足约束迭代,和重采样。再加上重采样步骤的收敛特性,我们可以抑制持续散度的影响。这项工作的主要贡献包括:(1)地磁数据采集平台的发展,提出一种改进的粒子滤波算法,(2)为了防止滤波器发散,和(3)离线测试系统的设计来估计移动机器人携带磁传感器的位置。

本文组织如下。经典的粒子滤波算法中描述的部分2.1。部分2.2简要概述了改进算法的基础上,豪斯多夫距离。节3,数据采集机器人首先简要描述,然后介绍了数据收集,最后定位的分析结果。结论部分给出4。

2。一种改进的粒子滤波算法

2.1。传统的粒子滤波算法

粒子滤波算法是一种基于蒙特卡罗的想法最优贝叶斯估计方法(17]。它常被用来估计目标沿着走廊的位置从一个未知的位置。粒子滤波采用蒙特卡罗定位(制程)方法近似后验概率分布 当它太复杂的直接采样,但先验概率密度 可以采样和测量密度 可以被评估,在哪里表示目标定位,代表粒子定位,是观察。整个粒子滤波过程包括三个步骤,即预测、更新和重采样。

粒子滤波算法遵循的一般框架序贯重要性采样(SIS)算法,并增加了采样重要性重采样(先生)解决样本贫化由迭代过程引起的。它首先生成一组样品N从先验概率密度粒子,然后生成的重量根据测量密度 每个粒子。归一化权重来让他们重新采样前的总和等于1。重采样的基本思想是消除粒子用小重量和专注于粒子与大重量。由于容易实现,粒子滤波广泛使用这样的重采样算法。是由二维运动模型 在哪里 , 它服从均匀分布;l是移动的距离;和

在(2),是移动的方向。我们可以大致选择的大小l根据人的一步的长度。测量密度 基于单变量高斯概率密度函数,给出的是哪一个 在哪里协方差的观察吗 。这个函数返回位置的磁场强度在指纹模型中。最后,这个职位的目标是估计基于重量样品的颗粒,这是由 和定位误差是由

基于粒子滤波的地磁室内定位,粒子的重量是由(3)根据目标的磁场强度和粒子的近地磁强度,重量越大。去除小的粒子权重后,估计位置然后计算(4)。当粒子的重量的差异并不大,粒子之间的距离位置的偏差和目标位置(大16]。如果粒子位置远离目标位置,估计位置和目标位置之间的误差很大。换句话说,获得的估计位置的加权和单个粒子的位置。欧氏距离的值就越大目标和粒子之间的大重量,价值就越大 。最后,它将导致更大的定位误差如图所示(5)。我们进一步解释部分3.2通过一个例子。

2.2。一种改进的算法基于豪斯多夫距离

增加地磁匹配的特征元素可以有效地解决分歧问题的粒子滤波算法,但它也将大大增加原始算法的复杂性和定位所需的时间。灵感来自于豪斯多夫距离匹配,一种改进的粒子滤波算法提出了基于豪斯多夫距离和在下面描述。

我们知道,任何一点的磁场是稳定的静态环境中一定范围内,它是独一无二的。如果粒子滤波在合理范围内,估计位置的偏差将会减少。豪斯多夫距离可以被应用于确定粒子滤波的合理范围。豪斯多夫距离是两组之间的距离的最大值的点在空间中定义如下(4]: 在哪里代表之间的最大距离一个_我和b_我的两个点集 和 ,是一个距离准则, 和 代表两个有限集的点。豪斯多夫距离代表之间的匹配程度一个和B。

一般来说,在地磁特征匹配的基于传统粒子滤波,我们可以控制粒子参与计算的重量估计位置(4)当他们的体重变得很大。然而,是很难控制,一旦它的值变得太大。这将会导致滤波发散。自是每个粒子之间的最大距离和目标,它可以控制。因此,如果这个最大值可以控制在一个合理的范围内,我们可以避免的问题变得大。为了避免人为因素的影响,我们使用定位系统来估计目标的初始位置。应用约束之间的初始定位误差估计初始位置和测量环境中目标的真实位置。让最初的定位误差 ;以下可以建立初始定位误差约束:

这个职位目标的估计基于重量(样本粒子的4)必须满足条件(7)。使用改进的粒子滤波算法,分歧的问题是可以避免的,因为我们已经删除了这些粒子有一个更大的重量,但远离目标。因此,定位定位系统可以更快地收敛的结果。改进后的算法的实现步骤的算法1并给出实现过程的流程图如图1。

3所示。实验和分析

3.1。数据采集系统开发:一个地磁数据采集机器人

地磁指纹的结构模型是一种地磁室内定位技术的先决条件。为了快速、有效地建立指纹图谱模型,数据采集机器人开发了城市测绘学院包括数据采集模块和控制模块如图2(18]。机器人与HMC5983加载三轴磁传感器放置在离地面1.3米的高度。传感器的放置在这样一个高度分离的磁传感器,以避免干扰机器人本身。机器人是由控制模块控制。数据通过USB电缆实时导入到电脑,通过openMAT软件保存地磁数据和记录,而级计算。最后,我们使用基于matlab软件在计算机进行定位。由于磁传感器本身会产生一个相对稳定的干涉场当精力充沛19),我们必须纠正HMC5983磁传感器的数据采集模块,以确保数据的真实性之前收集的数据。周围的磁传感器的旋转z设在自己的坐标系统将生成相应的圆的大小x设在和y设在磁场。然而,由于一个干涉场的存在,圆心的位置将一段短距离的路。可以通过添加一个固定值来消除干扰磁传感器的输出值,如图3。

正确的价值的方法 HMC5983磁传感器和x设在和y设在磁场抵消 给出如下: 在哪里 和 分别是最大和最小值; 原始磁场值吗x设在和y设在;和 的补偿吗x设在和y设在方向的磁场值。

3.2。实验数据收集和指纹模式建设

实验数据采集是在二楼进行测绘研究所的北京大学的土木工程和建筑(BUCEA)。建筑是钢筋混凝土的框架。图4显示了一个简单的计划,走廊总长度68米。磁场测量每25 Hz产生一个三维向量 在单位的μT。

为了证明粒子滤波算法的缺陷,我们随机收集了在走廊里一行数据。图5在走廊里显示了磁场分布是线性的和连续的,以及不同位置的磁场强度可能是相同的。这证明,当粒子的位置离目标很远,它将导致偏差估计吗在粒子滤波算法。一个例子是显示在图6。

在走廊里,我们收集了地磁数据沿着四行60厘米。为构建指纹图谱模型,我们沿着路线计划收购控制机器人前进的步长机器人0.2与地磁数据测量的采样率5赫兹。进行本地化,我们使用标准的磁场 的观察,因为磁场强度是一种旋转不变的标量。的是由

最后指纹模式是由应用线性插值的磁场强度使用一个0.02步长在计算机,如图7和地图添加网格坐标生成后,其相对坐标系。

4所示。定位结果

收购机器人用于测量控制旅行沿着走廊直,步长为0.6米。它每秒钟记录数据,迭代次数t= 16。定位系统,样品颗粒的数量N设置为400;每个测试组进行了使用相同的值的标准偏差的测量模型 ,总共20时间测试。SIS算法和粒子滤波算法的算法用于爵士调查地磁匹配精度和连续滤波发散的程度。

伯尔图8表明,SIS算法滤波发散的问题和地磁匹配地磁匹配过程的不稳定。虽然定位误差给出了一个整体下降趋势,没有收敛。

如图9爵士的算法,使过滤更严重的分歧,分歧和连续过滤现象导致的损失定位(见①,②,③图9)。大多数的实验后开始收敛t= 5。平均匹配精度为1.78米,平均运行时间是10.9秒。我们可以看到数据的比较8和9爵士算法添加后,粒子收敛迭代计算一段时间后由于重采样步骤。匹配的精度远优于SIS算法,虽然定位损失也是不可避免的。

定位误差的约束方法如图10和11。在图10,点表示样本粒子中随机选择的定位区域;空心圆表示的初始位置加权和的位置迹象表明移动载体的位置t= 1。在图11圆,变形是由于地磁指纹的限制模型范围代表初始定位误差范围。从数据可以得出结论10和11建立定位误差的约束在最初的定位之后,采样粒子有一个限制他们的最大距离 。它不使用的粒子远离目标的真实位置定位的过程。由于粒子的数量,减少整个系统的时间保存16次迭代(平均运行时间是9.1秒)。

图12表明最初的定位误差都在10 m,为室内定位是可以接受的。实验结果和定位误差分析的基础上,改进粒子滤波算法在图所示13。在实验中使用改进算法,大多数粒子开始收敛t= 2,没有失去定位如图9,平均匹配精度提高到0.62米。与爵士的粒子滤波算法相比,改进的算法可以有效地防止滤波器发散,消除损失位置。其收敛速度快于经典的粒子滤波算法,整个系统的平均运行时间16次迭代是下降了16.15%。

5。结论和未来的工作

室内地磁扰动阻止经典粒子滤波算法实时稳定找到位置。虽然粒子滤波算法在匹配的准确性,有很强的收敛粒子迭代过程伴随着定位的损失。在本文中,我们将位置误差约束添加到粒子滤波算法和比较和分析经典的粒子滤波算法的优点和缺点的改进算法匹配精度,通过实域测试运行时间和其他方面。结果表明,改进算法可以解决持续的粒子滤波发散问题,避免损失的定位。单变量特性的前提下,可以提高室内定位速度和有效解决地磁匹配的技术缺陷。在未来我们将努力工作结合WLAN和其他技术来实现有效的初始定位精度比5米。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由国家重点支持中国(没有研究和发展项目。2017 yfb0503702)。