无处不在的和无缝定位:GNSS伪距和WLAN信号融合的优势

文摘

无处不在的全球定位仅靠GNSS并不可行,因为它缺乏精确位置修正在密集的城市中心和室内。混合定位方法已经开发援助GNSS的环境。指纹定位在无线局域网(无线局域网)是一个有前途的帮助系统因为它的可用性、准确性、和错误机制GNSS的反对。本文提出了一种低成本方法无处不在,无缝定位基于粒子滤波集成GNSS伪距和WLAN接收信号强度指示器(RSSIs)。实现准确的位置估计在室内/室外和过渡区,适当的似然函数是至关重要的,因为他们确定每个传感器信息位置估计的影响。我们空间RSSI分布与高斯过程模型,利用这些模型来预测粒子的位置获得一点RSSIs RSSI似然函数的估计。粒子滤波的性能评估与实际数据的两个测试轨迹环境挑战GNSS和WLAN指纹定位。扩展卡尔曼滤波的结果使用伪距和WLAN的位置观察是作为基准。该算法实现了准确的和健壮的无缝定位中位数5米的准确性。

1。介绍

全球导航卫星系统(GNSS)是存在于现代生活的几乎所有领域,它提供了许多应用程序和服务的基地从运输和物流,通过测绘、不可数数量的休闲活动。随着物联网的发展,位置感知服务的数量和精度要求将进一步增加。在人口构成城市地区和室内,GNSS赤字。跟踪和多路径的现象,在这种情况下往往是最大的误差源(1),抑制健壮的、无处不在的定位。GNSS单无法满足很多基于位置的服务。

共同实现健壮的无处不在的定位策略是支持GNSS额外的传感器信息。不同的技术可用,他们中的许多人已经与GNSS结合使用。定位系统基于无线局域网(WLAN)是新兴的大量选项(2,3]。这是由于WLAN的全球传播基础设施(限制其开发成本)和WLAN启用设备和范围之间的权衡和潜在的定位精度。

方法使用无线局域网定位是不同的。在这项工作中,我们求助于WLAN的位置指纹的原因提出如下。WLAN位置指纹的识别是基于预先录制的信号强度(RSSI)读数。这些RSSIs理想独特的在不同的位置。通常不是达到这种理想情况。尽管如此,非均匀信号强度分布,通过不同的信号衰减,促进信号强度的识别模式。适用于环境,许多障碍,从而提高了定位精度。因此,这种方法效果最好在室内,在城市地区。相比之下,GNSS是基于卫星和接收机之间的信号传播延迟,所谓的伪距。确切的GNSS接收机和卫星之间的视线定位要求。 Open outdoor environments meet this condition best; harsh GNSS environments are dense urban centres and indoors. The operation principles of both localization technologies differ completely. They are well suited to complement each other, thus motivating the integration of pseudoranges and received signal strengths.

一些作者研究了混合动力定位系统基于GNSS和WLAN。不同层次的集成的方法和类型的信息从每个系统使用。在这些方法的调查,我们发现四类信息的融合的GNSS和WLAN可以组合4]:WLAN GNSS的帮助,GNSS切换位置估计和基于WLAN的定位系统,加权GNSS的位置估计和基于WLAN系统深度集成GNSS伪距的不同特性的基于WLAN的定位系统。我们指的是(4)的影响不同的集成方案对整个系统和继续工作的简要概述,研究GNSS和WLAN融合的原始数据,因为它们是最相关的。他们通常依靠递推贝叶斯估计方法,如卡尔曼滤波、粒子滤波,及其变体。此外,他们采用GNSS伪距,但从WLAN使用不同的特性。

的作者(5- - - - - -9]推断范围从WLAN信号与伪距组合它们。WLAN范围得到了从信号传播时间或从WLAN功率测量。在任何情况下,访问点的位置必须是已知的,这是一种不现实的假设在公共区域,如城市中心。使用范围的另一个缺点是发射机和接收机之间的视线的要求。这视距条件是罕见的在室内,使准确,无缝室内/室外定位非常困难。这种方法的优点是,相同的物理量是融合。这意味着融合范围可以使用相同的,知名的GNSS定位方法。

我们考虑直接与RSSIs伪距的融合更有前途,因为他们的相反错误的机制。在[10,11),这种方法已经调查;似然函数的伪距测量和RSS建立在两个工作然后在粒子滤波融合。然而,随着指纹空间离散分布,密度的准确性很大程度上取决于指纹。这是一个明显的劣势中长期大面积本地化应用,指纹的辛苦建设无线地图提供了最大的缺点和挑战。

本研究扩展了以前的工作和提供了一个解决方案,这个解决方案处理离散的指纹。提出了一种粒子滤波相结合的伪距和RSSIs基于似然函数,在一个粒子信号强度得到似然函数的近似高斯过程回归模型。这种方法提供了一个自动的,均衡的权重的两个传感器的信息来源和实现准确的,健壮的,光滑无缝定位。我们比较与扩展卡尔曼滤波算法为WLAN位置估计观测到一个常规的GPS扩展卡尔曼滤波器。

2。插值WLAN信号强度

进行无缝的位置估计在这项研究中,我们考虑的问题融合WLAN RSSI和GNSS连续状态空间的伪距。指纹识别技术是基于空间样本构造所需的无线电地图。插值RSSI优势提供了两个原则。首先,它降低了劳动密集型施工电台地图,因为不需要指纹获取指纹数据库相比,同样的没有插值。第二,更重要的是,它提供了连续模型对于指纹数据库,促进融合的RSSI和伪距。

本节解释通过高斯过程回归插值RSSI电台地图。

2.1。预赛

高斯过程是随机过程,基本上无限维度的多元高斯分布的泛化。无限的输入域的每一个点有一个高斯随机变量相关。定义属性,任何有限的集合这些随机变量联合多元高斯分布。高斯过程是完全平均函数的特征 和协方差函数 : 在哪里从索引中是一个向量集。

2.2。高斯过程RSSI模型

考虑一个非线性函数 描述在空间位置之间的关系和相应的RSSIs,。这个词是我们所寻求的潜在功能为了预测/插入RSSIs和吗代表我。d噪音。在实践中,一个处理有限的输入点。构建一个指纹电台地图指纹对应图纸一套嘈杂的RSSI样本 在已知的位置 未知函数。在机器学习中,这些数据训练数据。

高斯过程建模可以看到从贝叶斯的观点。潜在的基本特征函数所描述的是一个高斯过程先验分布和我们想要的功能,来推断由高斯过程建模后验分布。适当的函数,模型先验分布的均值和协方差函数必须选择及其参数,所以称为hyperparameters,需要被发现。(hyperparameters可以从训练数据,部分中描述2.3。2)。高斯过程模型的似然函数反映了RSSI的可能性有多大的样本模型。

观察到RSSIs空间相关;邻近RSSIs通常比RSSIs关联性更强的遥远。RSSIs之间的这种关系是由协方差函数模型。协方差函数指定的内核。在太空中有两个不同的输入位置,和,这些函数是一个在零输入距离,和衰减增加距离。在[12),它已经表明,一个常数意味着函数和一个Matern协方差函数适合RSSI数据很好。不断的意思是函数构成一个hyperparameter和简单 。在[12),我们使用Matern内核( (13])。考虑到我。d观测噪声,内核是增强噪声条件: 协方差函数有三个hyperparameters:是信号方差,基本上RSSIs扩展;长度范围,确定潜在的变化过程;和噪声方差,指定的噪音。不断的意思是,指定值的高斯过程收敛是否缺席训练数据。

2.3。高斯过程回归

高斯过程,描述了一个有限集合的观察,嘈杂的RSSI样本是一个多元高斯分布 ,平均向量 和协方差矩阵 。在这里, 是包含了协方差矩阵,由Matern内核,为所有对矩阵的位置。

描述之间的关系已经观察到RSSIs也延伸到没有见过RSSIs,也就是说,我们希望预测价值。我们表示那些RSSIs和相应的位置并调用这两个集合的集合测试数据。两组RSSIs,训练输出和测试输出,源自相同的物理现象,因此联合高斯分布: 的协方差矩阵 包含了协方差计算在所有成对的培训和测试位置 分别在所有成对的测试位置。

通过调节联合高斯分布(3)观察和输入,高斯过程得到后验分布: 其均值和协方差函数给出 方程(5)使RSSIs在任意位置的预测和(6在这些位置)使计算协方差。这些协方差提供一个有用的措施,对不确定性的预测。

2.3.1。非零均值函数

这个词是一个确定性意味着函数。回归固定意味着函数很简单。固定的意思是减去从观察,恢复零均值的高斯过程的过程。然后应用标准高斯过程回归程序,之后意味着函数添加一次。通过替换固定意味着函数与一组基函数,均值函数可以参数化。其hyperparameters,基函数的参数,可以推断出从数据(13]。

2.3.2。找到Hyperparameters

最后一点我们需要提到的是如何获取的hyperparameter均值和协方差函数。高斯过程回归的似然函数, ,是关键。

对于符号的便利,我们收集hyperparameters向量 。后验分布的依赖hyperparameter表达的 一个棘手的积分。尽管如此,它可以近似用hyperparameters的最可能的值 (14]。最可能的hyperparameters可以确定基于后验概率的, 。最大化 允许推断hyperparameters。这个分数降低边际似然函数,分母是独立的和为模板一致(通常没有先验知识hyperparameters可用)。在实践中,推理是通过最小化的负对数似:

假定正态分布噪声过程和先验分布,分析边际似然的表达式可以推导出(13]:

找到最佳hyperparameters通过计算这个函数的偏导数对hyperparameters然后应用梯度搜索算法来找到它们。

3所示。序贯贝叶斯估计

可以优化定位问题所描述的顺序贝叶斯过滤器,一个递归的框架,还使融合感官数据。随着时间的推移它传播的位置估计基于先前估计移动终端的位置和到达的观察。

它由两步递归地执行。流程更新预测基于上一个和当前位置的移动终端的运动模型。所表达的流程更新Chapman-Kolmogorov方程(15]: 在哪里是在离散时间状态向量。时间指数 表示一个变量序列,例如,所有的观察, ,获得时间。移动终端的运动是由状态转移概率密度建模。这个词是先验概率密度。之前表达的信息可用的移动终端当前评估步骤和代表前一状态的对象或一些初始状态。只要观察,预测状态是可以纠正的。这样做是在测量更新步骤: 在哪里是似然函数(15]。它编码的信息正确观察和用于预测产量后密度。这个递归估计移动终端的位置优化;然而,这些积分通常没有解析解,必须近似。

3.1。粒子滤波

其中一个最多才多艺的近似的递推贝叶斯估计问题是粒子过滤器。粒子过滤器依赖于函数来近似的抽样。的多功能性源于他们近似任意函数的能力。详细描述的广义粒子滤波可以在15),我们在本节。

复杂的积分,描述顺序的贝叶斯估计,可以近似数值如果我们可以样品相关功能。如果样品覆盖函数的域,总结取代复杂的积分,简化操作样品提供了一个足够精确的近似。我们表示的样本 。

然而,它通常是不可能的样本函数,因为它是未知或太复杂。这问题可通过抽样类似的功能,目标函数成正比 。这个词重要性密度。介绍了权重补偿密度和目标重要性密度之间的差异。这些权重需要规范化和统一,以便有效的概率密度函数: 。逼近任意函数的概念由一组加权粒子 被称为重要性抽样。考虑到样品 。因此,我们可以近似的密度样品:

在递归状态估计的背景下,的状态吗th粒子和是它的重量有关。目标密度后密度。这一点上,它是敞开的权重是如何获得的。首先定义一般 权重的推导是基于分解的重要性密度。一个分解,允许增加之前的时间步的重要性密度代表当前状态的一个因素,根据重要性,粒子分布密度可以更新以前的状态与粒子近似的当前状态。这导致一个递归的体重提供更新 方程(15)允许近似后验密度粒子及其权重。 每次迭代后的重量必须规范化。

粒子退化的过程构成了问题描述;每次迭代后,只有少数粒子获得权重,对于大多数粒子,重量减少,直到一个粒子集中几乎完整的重量和其他粒子的重量可以忽略不计。

重要性密度的选择可能会减缓这种效果,但通常一个额外的重采样(替代)一步介绍了克服它。在重采样步骤,粒子根据其权重增加,所以粒子拥有大型权重选择几次和非常小的粒子权重选择一次或可能消失。

重采样介绍更多的问题(主要是减少了多样性,因为许多粒子是重复的),我们重新取样时的简并度算法变得严重。这可以有效评估的样本大小 。如果有效样本大小超过,我们重新取样 粒子的数量。

在这项工作中,我们选择重要性密度状态转换密度 。这简化了(15)进一步;它减少了体重更新是一个产品的重量和似然函数:

4所示。融合GNSS伪距和WLAN收到信号强度

本节首先使用模型的解释部分4.1并描述了贝叶斯过滤器框架的集成部分4.2。扩展卡尔曼滤波器用作基准是详细的在本小节的末尾。

4.1。模型

self-localization的状态空间问题是当地水平坐标系中定义的,在空间位置上用的地方 。相应的速度是它的时间导数 。我们的状态向量表示时间通过 。

以下4.4.1。流程模型

对移动终端的运动建模,我们选择一个随机游走的速度过程(16]。它源于一个朗之万的过程,一个随机微分方程,描述了布朗粒子的速度。运动在一个维度,这一过程 与 它是由白色和正态分布激发过程 ,它允许在预测增长速度的不确定性,也增强了粒子的多样性。参数是一个过程的速率常数。它决定了移动终端的速度增量离散时间步稳态均方根速度,移动终端的速度范围。对于上述实验,我们确定这些参数经验 年代⁻¹, 年代⁻¹和 m s⁻¹, m s⁻¹。

这个模型的结果在一个线性过程模型: 状态转移矩阵和噪声耦合

噪声协方差矩阵是简单的 ;因此,状态转换概率密度高斯与相应的均值和协方差矩阵:

这个过程模型,而非特定的,因此非常普遍。矩阵基本上意味着一个静态移动终端;没有特定的运动和方向是假定的。相反,它增加了方差随着时间的推移,从而扩大该地区潜在的位置。参数的选择增加了方差在东部和北部同样限制方向。设置的原因是由于缺乏一个有用的地理地图无线电高度。随着协调在GPS否认地区不能纠正,我们基本上减缓运动方向。

4.1.2。GNSS伪距似然函数

一个伪距描述从卫星到接收机的距离。这包括几何距离,卫星钟和接收机时钟之间的差异,以及一个电离层和对流层修正项。大多数这些术语使用卫星传输的信息是可以纠正的。然而,错误发生在用户组依然存在。这是接收机时钟偏移,,这通常可以估计。其他相当大的错误是由于多径传播和阴影效果。我们收集这些从星历表,连同错误预测,相对论效应,残差修正条款,和噪音。的伪距th卫星变得

错误的词通常被描述为一个正态分布,零均值随机变量 。而且假设来自不同卫星的伪距独立,联合伪距似然函数的伪距的集合, ,可以写成 它表达了观察到的伪距测量的可能性 ,在那里 。标准偏差由各种条件设置或估计RTKLIB [17];这些术语之间偏差的估计是基于用户设定的精度指标和固定值RTKLIB会计估计错误的对流层延迟归因于,电离层和代码的偏见。

注意到接收机时钟偏移不是状态向量的一部分,它不是由粒子滤波估计。在[11),使用最小二乘法迭代估计接收机时钟偏移量。

4.1.3。WLAN RSSI似然函数

似然函数的RSSI的观察,,建立如下。我们工作时间平均RSSI,补偿变化和接近正态分布的假设观察,我们表示RSSIs的算术平均值。评估一个观察在不同位置的可能性,预测模型观察,,是必需的。然而,缺乏一个准确的模型,涉及RSSI和空间的原因采取指纹分析的实证方法。RSSI测量只存在在指纹的位置,一个近似的RSSI测量预测移动终端的位置。

这些RSSI估计是通过高斯过程回归;召回部分2.3。假设我们有 访问点,我们收到他们的数据包在调查和定位阶段。每个访问点的高斯过程模型可以离线训练,在实际定位阶段。让收到的是RSSIs的平均访问点。一旦构造高斯过程模型,一个使用(5)和(6RSSIs)来预测一个向量,和相应的协方差矩阵,感兴趣的职位。

最后,计算的可能性 观察到的位置吗 ,我们建立高斯概率函数: 在哪里RSSI插值和吗测试输入相应的标准差。这个似然函数是基于RSSI的观察是独立的假设。注意,收音机只包含二维地图位置信息;因此 和布尔矩阵 。

与伪距似然函数相比,预测RSSI和方差是独立的时间,因为他们的推断(静态)电台地图。相同的测试位置收益率相同的预测。相反,标准差的伪距似然函数是独立于移动平台的位置;它只是由信号接收条件。的选择RSSI测量方差来自设置。对于许多访问点,只有一个数据包捕获;因此,一个合理的偏差测量无法估计。另一种将排除这些接入点的观察,然后只使用样本偏差从剩下的RSSI测量。

4.2。粒子滤波的融合的伪距和信号强度

本节结合前文所述的想法;它详细的融合GPS伪距和WLAN RSSI在粒子滤波。短暂,关键序贯贝叶斯估计的概率密度函数近似与粒子及其权重的粒子滤波,然后插入部分3.1。

4.2.1。准备流程更新

的概率密度函数模型的运动已经在(22)。人能样本密度,计算粒子近似(11),并预测移动终端的新位置。由于一个分析过程模型是可用的,更容易传播的粒子近似先验密度,通过这个过程模型(20.): 在哪里是样本噪声模型。

过滤器是初始化时,之前的密度通常是不知道的。一个共同的选择 是一个统一的密度在一个合理的区域。

4.2.2。测量更新

测量更新正式定义为(12)。粒子滤波计算后验密度(16)和(17)。在这一步中,一个粒子近似预测的密度已经可用的重量,就像以前的时间步。最初重采样后,权重都是平等和总结统一。剩下的是更新通过似然函数的权重。

一个粒子近似的伪距可能只是通过计算每个粒子的可能性: 在哪里是一个预测的th伪距根据伪距模型为一个粒子的位置。

我们进行同样的RSSI似然函数和计算每个粒子的可能性。这涉及到预测RSSI和方差值在每个粒子的位置;RSSI的似然函数的测试位置 就变成了 这个词表示在粒子的位置和RSSI的预测分别是标准差在这些位置。

伪距和RSSIs显然是相互独立的,因此融合RSSIs和伪距等于乘以他们的似然函数。给出一个近似后验密度

似然函数提供参数信息只有乘法常数。产生一个有效的概率密度,更新后的重量必须规范化,这样他们总结统一。

在没有的情况下从传感器得到的观察,不能计算似然函数,因此忽略了。如果没有测量可用,该算法所得直接更新过程。

测量的影响,伪距或RSSI平均粒子是由这些功能的可能性。一方面,方差影响粒子权重。在伪距的情况下,它增加如果GPS观测结果被认为是不准确或吵了。RSSI的方差似然函数如果移动终端增加面积很少有指纹,因为,在这些领域,RSSI信息少。大差异导致小重量,反之亦然。另一方面,一个粒子的位置也会影响它的重量,因为一个粒子的位置显示的观察导致大量不同的指数函数,降低了重量。由于这些机制,提出了粒子滤波平衡两者之间的自动定位系统。

4.2.3。位置估计

最终位置的估计均方误差最小化的结果, (18),被称为期望后验估计: 的粒子滤波 。

我们也计算标准差的粒子质量测量的点估计值: 在哪里表示非零重量(19]。

4.3。基准扩展卡尔曼滤波器

将提出了粒子滤波的结果放入上下文中,我们现在他们连同结果从一个扩展卡尔曼滤波器。这个过滤器是基于过程和测量更新说明(11)和(12),而是传播和纠正的概率密度假定噪声是零均值正态分布,因此它只传播的意思是,误差协方差矩阵,在时间。此外,我们扩展状态向量的接收机时钟偏移,,它的时间导数: 。

我们现在首先过程和测量模型,然后更新和扩展卡尔曼滤波的修正步骤。

4.3.1。流程模型

移动终端的运动是所描述的线性模型(20.)。接收机时钟的流程模型是根据20.)两个随机过程模型 状态转移矩阵读取在哪里 噪声耦合矩阵,,可以从时钟偏移噪声的协方差矩阵 ,在那里表示特征向量和的特征值;代表的平方根矩阵的元素。噪声协方差矩阵的元素本身是由时钟的特点,通过阿伦方差系数 ,: 可以发现在20.](我们假设GPS接收机时钟温度补偿晶体时钟。)。

结合的状态转换矩阵和噪声耦合运动和接收机时钟模型 我们可以写完整的流程模型:

4.3.2。度量模型

扩展卡尔曼滤波的测量伪距,如果可用,WLAN的位置。因此,测量向量 。测量模型的通用GPS测量模型8个扩展卡尔曼滤波器;参见[20.]。回忆伪距模型(23),我们将在这里缩写。其雅可比矩阵读取 在哪里代表的偏导数的伪距测量模型(23)对为卫星。

如果位置估计从WLAN可用,测量矩阵变得简单 WLAN的位置估计得到的最大似然估计(28): 在哪里对应的前三个元素。

出于完整性的考虑,我们表示一般测量模型包括所有观察到的伪距和位置从基于WLAN的系统: 噪声项,是在(23),零均值和白色和遵循正态分布的协方差矩阵 。

4.3.3。流程更新

时间更新一步的扩展卡尔曼滤波、均值,误差协方差矩阵,,及时传播(15,20.]: 在哪里表示过程噪声协方差矩阵。最后的噪声协方差矩阵的分块矩阵的结果 和(由(34)):

4.3.4。测量更新

扩展卡尔曼滤波器接近(12),如下所示15,20.]: 矩阵卡尔曼增益和由吗 。在这里,是包含一个方差估计的协方差矩阵测量估计通过为每个伪距RTKLIB对角线。这些方差的估计是基于用户范围精度指标。如果WLAN的位置,协方差矩阵是延长一个对角块包含一个方差的每个坐标WLAN位置: 我们发现一个标准差 达到最低的错误的轨迹,虽然我们预期更大的值将模型误差的WLAN最大似然估计位置更好21]。

5。实验结果

分析粒子滤波的性能,我们进行的实验有两个轨迹。我们开始本节描述的这些实验并继续有关粒子滤波的实现的一些笔记。随后这些实验报告的结果部分5。3和5。4。

5.1。实验设置和数据记录

使用的数据来评估我们的算法从地方大学的试验台。测试床构成两个相对较小的建筑(约8×40米)和屋顶建筑进入了通道。这两个建筑,一个大的四层建筑西南环绕一个更大的开放空间。除了屋顶通道,一些树木挡住了天空。图1描述了测试床和两个轨迹用来评估算法。第一个轨迹,名叫Trajectory-1,开始在室内没有GPS观测和运行主要在室内和沿半开口沿着建筑通道。进入正确的建筑只有一次,以开放空间,附近的一些树。第二个叫做Trajectory-2轨迹。它开始在开放空间和继续,通过下面的树,并导致正确的建筑的通道。通道后,输入正确的建筑,左边的建筑的屋顶通道。左边中间的建筑,它运行在小草坪面积并返回通道的通道建设,从哪里急转弯右向开放空间。西南Trajectory-2结束进一步开放空间,在一座四层楼房的前面。自从Trajectory-1有较大的室内部分,我们称它为indoor-like轨迹。Trajectory-2正好相反; we call it outdoor-like trajectory.

这对GNSS定位场景提供了一个恶劣的环境,散射、堵塞和多路径传播很有可能。中使用的两栋建筑的室内部分实验相对较轻。他们由砖墙和解剖室内主要是由软分区。随着气候有利于打开门窗,这些建筑减弱信号,而小;因此,室内环境挑战WLAN指纹。

我们记录了RSSIs和一台笔记本电脑和一个家用无线网络接口卡。创建电台地图,RSSIs和MAC地址在某些需要捕捉,已知位置。因此我们修改JMapViewer,地图应用程序提供访问开放地图数据。点击地图,在实验者的对应位置,位置和WLAN数据捕获过程获得初始化:RSSIs从所有可用的访问点和相应的捕获MAC地址。第二个点击用户界面,三到五秒之后,发出一个命令来计算算术平均数和方差的RSSIs每个访问点。捕获过程完成通过存储WLAN数据和相应的位置(从获得的第一个点击地图)在数据库中。

这个软件和程序也被用来记录轨迹的WLAN数据测试。导致走走停停的运动,这可能不是最常见的一个行人的运动,但这有助于记录地面真理。再次,WLAN数据在每个位置的轨迹记录几秒钟。地面真理的路径如图1。

轨迹也包含的数据集GPS原始数据,从伪距,卫星位置,和伪距修正条款。这些数据被记录不断。使用接收器是一个u-blox LEA-6T-0 GPS接收器([22])。解析和GPS接收器的数据进行预处理,我们使用RTKLIB。

时间同步是通过将朱利安日期时间戳后直接解析WLAN和GPS数据,分别。在添加记下之后,数据位,随后存储在数据库中。时间同步至少精确到半秒,足够的估计的位置(步行)每秒钟行人。

在数据记录中,实验者把笔记本电脑在他的胸部,面前GPS天线安装在实验者的头上,而WLAN天线是直接连接到笔记本电脑。实验者的身体可能影响了WLAN RSSIs和头部运动可能影响了GNSS数据接收。收音机地图调查阶段和本地化阶段之间,有超过18个月。收音机地图可能退化,不过不严重,因为大学的官方WLAN基础设施相对稳定。

收音机地图(见补充材料(12)被转换为局部坐标系的原点(20.59°,−100.415°,1800.0米)和发达过滤器也计算在这个框架实现。

5.2。滤波器的实现细节

在观测数据处理之前,它是同步的帮助分配记下。

所有必要的GPS数据的接收,特别是星历表,需要几秒钟。因为这个原因和知识,基于WLAN的位置估计可能是不精确的,我们跳过第一个35秒Trajectory-2和启动估计GPS观测。

初始化滤波器我们将粒子均匀分布在测试床,设置速度为零。初始位置估计接近最初的粒子分布的重心,从而相对接近测试床的中心。

我们重复轨迹的估计与随机初始化粒子的50倍。结果,RMSE,标准差,和数据创建数据,平均50对这些重复。

1000个粒子的粒子滤波操作。这保证一定的过滤结果的可靠性。

5.3。Indoor-Like轨迹:Trajectory-1

图2描绘了轨迹估计的粒子滤波(在三种配置),扩展卡尔曼滤波和地面实况数据。路径估计的粒子滤波跟踪地面真理很好。可见跳跃的位置估计。他们由于缺乏观察。这是因为RSSIs只收到每2到5年代。如果,时间间隔,没有GPS观测得到,过滤器只能预测但不正确的预测,不改变位置估计。在当下,又收到一个可靠的RSSI测量,过滤器纠正位置的预测和估计跳跃到新的修正估计。最后一节包含一个室内部分立即紧随其后的是一个户外的部分。当轨道进入建筑(约(247、94)m),估计位置已经被几米,房间内的路径也不是准确的估计。离开房间后,估计漂移和误差进一步上涨。 During the last section of the trajectory, the particle filter estimates follow the ground truth poorly with an offset. The extended Kalman filter shows a very poor performance. The trajectory shows large position jumps. A comparison of the extended Kalman filter estimates with that from the particle filter suggests that the extended Kalman filter takes the position estimate from WLAN not much into account; if it does, these large jumps occur. This was not expected, because the variance of the WLAN position estimate is set lower than former experiments suggested. Furthermore, the estimates of the extended Kalman filter on the roofed passageway of the right building are pulled into the open space. This indicates that the extended Kalman filter weights the GPS information much more than the particle filter does, even though the GPS data are apparently of low quality. Only towards the end of the path, when outdoors on the open space, the extended Kalman filter estimates get better, even better than those of the particle filter.

感知数据的可用性确认所描述的行为。可以从图推导出信息的可用性3。此图描绘了错误在时间的三粒子滤波级配置和扩展的卡尔曼滤波器。WLAN的误差独立解决方案表明,WLAN数据是可用的几乎所有的时间。误差较低,除了在初始化后,当没有收到测量一些秒,在室外部分,WLAN位置指纹表现不佳。GPS独立解决方案收益率低错误在第一分钟左右,尽管没有GPS数据接收。这是由于初始位置相对较近的真正的开始位置。粒子滤波的混合解决方案的相似的错误和WLAN-only解决方案意味着没有GPS数据接收的最大时间轨迹,或至少意味着GPS信息没有融合到混合动力解决方案。

考虑WLAN数据是可用的,全科医师末期,混合溶液的准确性可以更详细地解释:24.5分钟,估计由RSSI观察。因此,错误是小指纹可以区分,沿着通道室内和大部分的时间。(读者被称为[21)的绩效评估(基于高斯过程回归)WLAN-only位置估计量)。大的错误在最后一分钟可以解释如下。几秒钟后正确的大楼外,GPS数据接收和滤波器集成GPS观测到的解决方案。GPS的误差独立解决方案仍然很高但减少的解收敛于真实的位置。同时,移动终端离开远离建筑,收音机地图数据变得越来越模糊,这就增加了WLAN-only错误。混合解决方案增加的错误,因为GPS数据还不准确,他们仍收敛于真实的位置,和WLAN数据变得不准确。粒子滤波权重WLAN数据比GPS数据直到25分钟。然后GPS观测得到更加准确和粒子滤波加权GPS观测开始超过了WLAN的观察。这是预期的效果;人们可以看到,在最后一刻,gps仅仅解决方案收益率更高的精度比WLAN独立的解决方案。 Shifting the weights to GPS observation induces a decrease of the GPS + WLAN solution’s error. Notice that the hybrid solution’s error is always equal or lower than the error of the better performing solution, pointing to an adequate weighting of the two information sources. However, the GPS data, on which the hybrid solution is relying during the last minute, is still relatively poor, maybe because the filter has not yet converged after the huge deviations, or because the last part of Trajectory-1 is surrounded by trees.

扩展卡尔曼滤波的误差的最初等于gps仅仅配置。大约需要3分钟,直到WLAN位置估计被扩展的卡尔曼滤波器。在那一刻,错误减少粒子滤波的误差的大小。而粒子滤波解决方案主要是忽略了GPS信息,扩展卡尔曼滤波器偶尔权重GPS数据和偏离很准确WLAN-only解决方案。一个更好的性能的路径可以看出,当GPS数据质量增加由于更好的卫星的可见性。GPS测量得到更多的体重,而WLAN数据加权更少。在最后一刻,扩展卡尔曼滤波器优于粒子滤波。

算法的精度可以从图进行评估4,这说明了错误的经验累积分布函数。混合解决方案提供了最高的准确度和精密度,平均5 m的准确性和11米的精度在90%概率。

扩展卡尔曼滤波的解决方案产生了一个10米的准确性为50%,20米在90%概率。这是两倍低与粒子滤波的准确性。扩展卡尔曼滤波解决方案的最大误差约30米,而粒子滤波的最大误差是15米。

表1比较粒子滤波的性能混合解决方案与个人GPS和WLAN解决方案和扩展的卡尔曼滤波数值,也就是说,用均方根误差(RMSE)和标准差(SD)。混合解决方案明显优于其他两个粒子滤波的配置。全科医师的解决方案是非常不准确的,因为GPS观测只能在最后一节的轨迹。出于同样的原因,WLAN独立解决方案几乎一样好混合的解决方案。然而,它有一个更高的概率大错误。由于附加信息的GPS观测在上一节的轨迹,混合解决方案比WLAN-only更准确的解决方案。粒子滤波的RMSE WLAN + GNSS配置与扩展卡尔曼滤波的解决方案相比,两次小。然而,考虑到这两个过滤器的标准偏差,扩展卡尔曼滤波的结果是小于粒子滤波的两倍。

误差分布函数和粒子云的标准偏差表明,混合的解决方案不仅更准确,也更准确;其经验误差分布函数提出了最轻的尾巴。GPS + WLAN的配置也产生最小的标准偏差。

5.4。Outdoor-Like轨迹:Trajectory-2

Trajectory-2滤波器的总体性能是描绘在图5。GPS观测可见的持续可用性;走走停停的运动导致的位置估计集群,因为,在没有运动阶段,继续滤波器的估计位置静态移动终端基于GPS观测。在这些集群之间,估计位置会跳,这可以解释再次接待的一个可靠的RSSI观察一段时间后。估计收敛靠近起点后,估计路径大致符合地面真理。移动终端的估计更加准确进入正确的建筑。然而,大多数时候沿着屋顶通道和周围的小草坪区域定位性能仅仅是公平的。更精确的估计可以看到角落里,两建筑几乎碰,后来再次开放空间。

扩展卡尔曼滤波显示了一个类似的定位性能。它估计正确的进入大楼。左边半开口通道的建设和在草坪面积小,精度降低;然而,位置估计的扩展卡尔曼滤波器出现比粒子滤波的平滑。扩展卡尔曼滤波估计的准确性增加年底再次开放空间的路径。

原因描述表现的原因,我们参考图6。再次说明了大小错误,三种配置的混合算法和扩展的卡尔曼滤波器。这个数字表明,粒子滤波的误差GPS + WLAN的解决方案是在平均低于5米;然而,在不同的时刻,它超过10米。gps仅仅解决方案收益率错误类似于混合动力解决方案和错误小于WLAN的独立的解决方案。结果只基于WLAN非常差,尤其是关于24分钟26分钟和最后4分钟的轨迹。

粒子滤波的低精度的GPS + WLAN解决方案大约24 - 25分钟是因为穷人的WLAN和GPS观测的质量。在这时间间隔,WLAN的观察是非常不准确的原因,他们基本上是作品,因此混合动力解决方案的准确性与gps仅仅解决方案。分钟34和35,穷人之间混合解决方案的精度是由一个不合适的权重的观察。过滤器是过于自信的GPS观测或估计WLAN观测的质量太穷,分别。相同的方面也可见一开始约23分钟,约27.5分钟。不过,总体而言,混合动力解决方案的准确性,又倾向于更精确的传感器信息;它从未提出三种配置中最大的错误。图6表明,加权机制很好除了一些零星的例外。

扩展卡尔曼滤波器的准确性也大部分时间约5米和显示只有少数的峰值大于10米;见,例如,28岁,而34分钟24日。值得注意的是,在某些情况下,扩展卡尔曼滤波器提出了最低的错误;是指25分钟,35岁,37和38。一般来说,图6证实了粒子滤波的准确性的相似性GPS + WLAN配置和扩展的卡尔曼滤波器。

我们再次检查错误的累积分布函数,如图7。该算法取得了中等精度为4.5 m和只有10%的错误超过10米。作为混合解决方案使用了两种传感器数据,它并不奇怪优于单个解决方案。中值误差对gps仅仅是大约6.5米,WLAN-only配置的是8米。不同的是更大的概率为90%;gps仅仅取得了12米和WLAN-only 23米。因此,与两个独立的解决方案相比,这两个系统的集成也提高了精度。

扩展卡尔曼滤波精度的中位数是5.5米,只有一米大于粒子滤波的混合解决方案。错误的概率是90%,至于粒子滤波在GPS + WLAN配置中,10 m。扩展卡尔曼滤波的最大误差约18米,几乎是10米的最大误差小于混合解决方案。然而,最大的粒子滤波误差显然源于最初的估计,在第一个观察得到;扩展卡尔曼滤波的最大误差发生在34分钟。

表2总结了性能分析,证实了先前的想法。提出了均方根误差和标准差来源于粒子云,对比三种配置,以及RMSE和扩展卡尔曼滤波器的标准偏差。扩展卡尔曼滤波器产生最小的均方根误差和标准偏差,尽管GPS + WLAN配置的值误差小于中位数扩展卡尔曼滤波的误差。粒子滤波的混合溶液在平均更准确,其标准差的两倍多的扩展卡尔曼滤波器。正如所料,粒子滤波在GPS + WLAN配置优于GPS仅仅和WLAN-only解决方案。GPS独立解决方案执行也考虑到本地化的场景。基于WLAN的观察是平庸的表现,因为大部分户外路径,指纹是模棱两可的。

表示错误数据是特定于系统、场景和上下文。如果测量GPS和WLAN的严重退化,粒子滤波只能收益率差估计。一个想法的质量度量可以从图中获得8。

图8比较了估计的Trajectory-2 GPS仅仅粒子滤波解决方案与商业GPS接收器([22])和最小二乘(LS)解决方案(这是用于估计接收机的时钟偏移量)。此外,此图描绘了一个轨迹从商业GPS接收器从另一个实验。黑色轨迹是来自相同的GPS观测数据,送入粒子滤波(蒂尔曲线)和最小二乘算法(青色曲线)。灰色的轨迹是另一种轨迹估计的GPS接收器,并记录在相同的路径,但在另一个实验;实验者的运动在这个实验是连续的。

商用GPS接收器估计(黑色路径)轨迹在一开始,直到进入正确的构建路径。相反的粒子滤波适用于gps仅仅解决方案;估计是拉向开放空间。室内的部分是不承认的GPS接收器,而GPS独立的解决方案的结果是好的室内部分。在左边的建筑的屋顶通道,只有或多或少的GPS接收器提供足够的估计;估计出现更高的精度比gps仅仅解决方案。后,在通道的建设,GPS接收器的精度降低;其估计交叉的建筑,直到他们回到正轨,接收器是在开放的领域。通道的GPS仅仅解决方案显示了更好的结果正确的建筑,但在开放空间的GPS接收器似乎更准确了。

的最小二乘解说明了质量GPS测量和GPS接收器的替代轨迹显示了严酷的环境。最小二乘解的估计比gps仅仅解决方案类似,但更嘈杂的由于缺少运动模型。尽管如此,位置修复在室内部分非常好。另一种GPS轨迹是比黑色的轨迹,尤其是后半开口通道的建设和周围的小草坪区域;无法修复可以估计在最后一分钟的轨迹。

比较的轨迹精度的GPS接收器和混合粒子滤波图所示9。这一数字描绘了震级误差Trajectory-2从旁边的混合粒子滤波获得错误的GPS接收器。此外,我们将展示卫星的数量。初的轨迹,开放空间,GPS接收器比混合更准确的解决方案。实际上遵循地面真理很好,即使在正确的建筑的通道,这是了不起的在这种情况下(甚至可能是一个例外的替代轨迹表明GPS接收器)。旁边的室内部分和路径离开大楼,29分钟后一般,不过估计不佳。错误上升到20米、30米。这些大错误时可用卫星的数量是不同的,表明快速变化的天空视图这会降低GPS性能。时间间隔的GPS性能好与部分观测的数量是恒定的。

大部分时间的轨迹,6 - 7 GPS观测,相当数量,考虑到场景。只在几个时代,卫星的数量减少到四个,只有一个时间低于4。这意味着,在时间间隔的GPS性能差,观察的数量是公正的足以让一个好的位置固定,但观测的质量没有足够的精确位置估计。

WLAN数据的集成提高了定位精度。GPS接收器的RMSE轨迹是9.79米,约三米的RMSE大于粒子滤波和扩展卡尔曼滤波。

6。讨论

GNSS降解性能的地区的阻塞satellite-to-receiver链接,因为,例如,散射和多路径效应延迟信号,提高传播时间。然而,同样的障碍物减弱WLAN信号这空间RSSI分布异构。这有助于区分附近RSSIs和提高了分辨率和WLAN指纹定位系统的准确性。相反的效果发生在开放区域,GNSS的立场修复通常是准确的,但位置估计依赖于WLAN RSSI经常显示大错误。这些大错误是由非常相似的RSSI模式在遥远的地点。

正如预期的那样,粒子滤波混合解决方案达到最高的准确度和精密度较独立的解决方案。小错误的两个独立的配置提供了一个混合解决方案的误差上界。

与扩展卡尔曼滤波相比,该算法优于扩展卡尔曼滤波在indoor-like场景。Trajectory-2,粒子滤波的性能,扩展卡尔曼滤波器具有可比性,粒子滤波在平均水平略低于扩展卡尔曼滤波器。扩展卡尔曼滤波器估计比粒子滤波的估计更准确。这是由于小数量的噪音,介绍了粒子滤波的过程模型来减轻样本贫化(由于重采样)。然而,扩展卡尔曼滤波器的性能相当差(大位置跳跃)的粒子滤波只有WLAN数据是可用的。WLAN数据的集成粒子滤波效果更好。从我们的观点来看,扩展卡尔曼滤波器的缺点提出了在场景中没有或很少有GPS数据不超过小优势所示场景,GPS和WLAN数据基本上都是可用的。

低精度的混合解决方案的部分是由于缺乏一个系统或由于质量差的一个观察结合锋利的方向和/或改变天空的视图。至于大多数时候的一个系统运作相当不错,极端偏离地面真理,因为它是常见的融合在一个水平位置,可以看到Trajectory-1扩展卡尔曼滤波器,可以避免,因为权重结果的持续适应在光滑的位置估计,在室内/室外过渡。

选择运动模型是非常普遍的,在我们的实验。然而,必须选择一个适当的模型根据最终的应用程序。

我们的方法的一个缺点是RSSI插值的计算复杂度。预测RSSIs需要协方差矩阵的逆,有尺寸等于使用粒子的数量。降低计算成本的一种方法是减少粒子数。补偿精度的损失由于减少粒子,一个更好的密度是明智的重要性。对于一些场景,扩展卡尔曼滤波解决方案可以实现类似或更好的性能较低的计算复杂度。我们的方法使用极大似然估计量来估计从WLAN RSSI的位置;这也是基于高斯过程回归。取代了WLAN的位置估计使用更简单的算法(例如,k最近的邻居)将减少的复杂性进一步扩展的卡尔曼滤波器。上述变化的具体影响定位精度的粒子滤波需要进一步的研究。

无处不在的传播的方法在很大程度上依赖于WLAN指纹定位系统,更精确地与无线电覆盖率地图,和他们访问和兼容。为进一步的想法,我们指的是(4]。我们冒昧的另一点是GNSS接收机的伪距的可访问性。然而,大多数现成的接收器不提供伪距。然而,这是改变现在智能手机访问原始测量最近出现在市场上。

本研究的目的是开发相反伪距所提供的信息,另一方面RSSI的另一方面。我们考虑自动权重不同的传感器信息的功能,但它也是明显的,它是可利用的。一些相对简单和直接的想法和变化提出了系统可能会提高定位精度。

最简单的变化是使用multiconstellation,多频接收机。这提高了覆盖率,因为这些接收器的使用增加了应收数量的信号,它提高了定位性能,因为第二个GNSS的频率使更准确的修正错误。利用载波相位信息将大大减少GNSS定位误差;然而,这样的接收器是刚开始进入市场。额外的改进预计从接收机的多路径缓解方法,例如,在相关器阶段,如果这些还没有实现接收机使用。多路径缓解基于RSSI的数据也值得研究。

在WLAN方面,最关键的问题是选择方差的RSSI似然函数。似乎明智的考虑时间方差估计,表达的不确定性的WLAN的观察,而不是高斯过程的预测模型。结合当前使用的RSSI方差,包含空间信息,和RSSI从观察到的样本方差估计,包含时间信息,提高很有可能两者之间的权重信息来源。插值的方法来减少计算成本WLAN RSSI是另一个开放点。

依赖于用例中,只有一个可以创造指纹的路径。这个间接包含的信息环境和提高了定位性能通过删除可能模棱两可的指纹。这个想法也意味着插值与高斯过程,因为没有指纹区域方差(训练数据)将更高。

7所示。结论

本研究提出了一种新的算法结合GPS伪距和WLAN RSSIs。该算法实现了准确和健壮的无缝定位,因为它利用互补信息包含在感官数据。我们开发了一个似然函数,克服缺点的空间离散的指纹通过插值RSSIs高斯过程回归。集成RSSI的似然函数和伪距似然函数到粒子滤波产生细粒,自动加权GPS和WLAN的观察,提高了准确度和精密度与独立的解决方案相比只使用GPS或WLAN数据。这在准确度和精密度来自计算复杂性的增加。扩展卡尔曼滤波器作为基准,WLAN集成与GPS伪距位置估计,实现了在一个场景中类似的定位性能提出了粒子滤波相比。然而,没有足够的GPS数据,扩展卡尔曼滤波精度降低,这就是为什么我们考虑到粒子滤波值其复杂性。

在现实的室内/室外实验中,在一个环境恶劣的GNSS和WLAN指纹定位,该方法达到了平均定位精度约7米。该集成方法的GPS伪距和WLAN RSSI的低成本,可以提高定位移动平台的性能,当伪距和RSSIs在导航处理器。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究支持的部分Consejo Nacional de Ciencia Tecnologia和部门de Investigacion y Posgrado de la Facultad de Ingenieria de la地方大学。作者感谢卡拉Alejandra罗哈斯Camargo协助编程数据记录器和数据采集。菲利普·里克特还要感谢爱德华多Castano-Tostado改进这项工作的他的评论。

引用

1. e·d·卡普兰和c·j·赫加蒂Eds。理解全球定位系统(GPS):原理及应用Artech家出版社,第二版,2006年版。
2. n . Samama“全球定位:技术和性能,全球定位:技术和性能,2007年,页1 - 419。视图:出版商的网站|谷歌学术搜索
3. n El-Sheimy和c·古德”导航对消费者的移动设备集成解决方案,”在GNSS》第六卷,没有。5,页74 - 82,2011年9月。视图:谷歌学术搜索
4. p级m . Toledano-Ayala g . m . Soto-Zarazua和e·A·Rivas-Araiza”杂交的调查方法基于GNSS和无线局域网的定位系统,”环境智能和智能环境杂志》上》第六卷,没有。6,723 - 738年,2014页。视图:出版商的网站|谷歌学术搜索
5. 美国Zirari、p . Canalda和f .间谍,“基于无线GPS定位算法相结合,”学报2010年IEEE国际会议上无线通信、网络和信息安全(WCNIS),第688 - 684页,北京,中国,2010年6月。视图:出版商的网站|谷歌学术搜索
6. d·费尔南德斯f . Barcelo-Arroyo Martin-Escalona, m . Ciurana m . Jofre和e·古铁雷斯”融合的WLAN和GNSS可见定位在城市地区:位置模糊,”16 IEEE学报》研讨会上计算机和通信,ISCC”11集选区,页748 - 751年,2011年7月。视图:出版商的网站|谷歌学术搜索
7. 陈y, x, y,“无线局域网辅助GPS无缝定位,”学报2012年国际会议上计算机科学和电子工程,ICCSEE 2012中文,页612 - 615年,2012年3月。视图:出版商的网站|谷歌学术搜索
8. k·努尔,s .冯、凌c和w·奥臣”集成GPS的WiFi高精度测距功能,“地理空间信息科学,16卷,不。3、155 - 168年,2013页。视图:出版商的网站|谷歌学术搜索
9. b·李和k·奥基夫”,WLAN TOA和GNSS混合系统等室内导航”学报》在第26届国际技术会议的卫星导航研究所的分工,第425 - 416页,2013年。视图:谷歌学术搜索
10. p·里希特,j·塞茨,l . Patino-Studencka j·g . Boronat和j . Thielecke“wi - fi方位和位置跟踪使用定向接收信号强度测量,”学报2012传感器数据融合研讨会:趋势、解决方案、应用程序(SDF)波恩,页72 - 77年,德国,2012年9月。视图:出版商的网站|谷歌学术搜索
11. g . Hejc j·塞茨,t . Vaupel“贝叶斯wi - fi信号的传感器融合的优点和GNSS代码和载波相位定位在城市环境中,”学报2014年IEEE /离子位置,位置和导航研讨会,2014年计划美国,页1026 - 1032,2014年5月。视图:出版商的网站|谷歌学术搜索
12. p·里希特和m . Toledano-Ayala”回顾高斯过程回归建模在无线传感器网络定位,“传感器(瑞士),15卷,不。9日,第22615 - 22587页,2015年。视图:出版商的网站|谷歌学术搜索
13. c·e·拉斯穆森和c k·威廉姆斯,机器学习高斯过程麻省理工学院出版社,波士顿,质量,美国,2006年。视图:MathSciNet
14. d·j·c·麦凯信息理论、推理和学习算法,剑桥大学出版社,纽约,纽约,美国,2003年。视图:MathSciNet
15. b . Ristic s Arulampalam, n .戈登超出了卡尔曼滤波器:粒子滤波器跟踪应用程序,2003年。
16. j . Vermaak a·布莱克,“非线性滤波对于说话人跟踪噪声和混响环境,”IEEE国际会议上声学学报》,演讲,和信号处理,2001 (ICASSP ' 01)美国,页3021 - 3024,2001年5月。视图:谷歌学术搜索
17. t . TakasuRTKLIB手册,2013年。
18. y Bar-Shalom、x荣莉和t . Kirubarajan评估应用程序跟踪和导航约翰•威利& Sons Inc ., 2001年。
19. m . Weyn投机取巧的无缝定位[博士。论文),2011年。
20. r·g·布朗和p . y . c .黄介绍随机信号,应用卡尔曼滤波约翰威利& Sons,卷。4日,公司,2012年。
21. p·里希特,A . Pena-Torres和m . Toledano-Ayala“高斯过程模型的严格评估WLAN指纹,”学报》国际会议室内定位和室内导航,IPIN 20152015年10月,可以。视图:出版商的网站|谷歌学术搜索
22. 宝藏,u-blox 6接收机描述,2013年。

版权

版权©2017菲利普·里希特和曼纽尔Toledano-Ayala。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。