基于多源信息融合的行人航位推算室內定位方法

劉春燕

（福建省測繪產品質量監督檢驗站，福州 350001）

基于多源信息融合的行人航位推算室內定位方法

劉春燕

（福建省測繪產品質量監督檢驗站，福州 350001）

傳統行人航位推算(Pedestrian Dead Reckoning, PDR)定位技術存在嚴重的誤差累積問題。針對因航向偏差引起的誤差累積，提出一種借助建筑幾何信息實現行人航向的實時補償方案，通過提高定向精度來抑制定位誤差的累積傳遞。分析利用外源絕對位置改善PDR定位結果，試驗一種自適應模型噪聲的擴展卡爾曼濾波(Extended Kalman Filter, EKF)濾波算法，實現PDR與WIFI定位源的濾波融合。通過實驗對比分析，基于改正航向的PDR相較于傳統PDR，有效抑制了誤差的累積，將整體誤差控制在5 m左右；傳統PDR與WIFI源濾波融合，比單純傳統PDR提高了82.8%的精確度；航向改正PDR與WIFI源相融合，則比單純傳統PDR和航向改正PDR分別提高了90.2%和49.5%的精確度。結果表明：補償改正航向和借助外源絕對位置濾波融合均可有效控制傳統PDR的誤差累積，根據條件約束可知航向改正PDR及其與WIFI源融合方案較適用于規則室內環境，而原始航向PDR與WIFI源融合方案則不受室內結構影響，在多次濾波后逐漸提高行人定位精度，從而可滿足行人室內定位精度需求。

行人航位推算定位；幾何信息；航向補償；WIFI定位源；濾波融合

隨著人們對各大型室內場景位置服務的需求日漸迫切，室內定位技術成為當前的研究熱點。微機電系統(Micro-Electro-Mechanical System, MEMS)的迅速發展促使慣性傳感器逐漸向小型輕質化發展。MEMS傳感器具有功耗低、成本低等優勢，使其成為室內行人導航定位技術的一種可靠選擇[1]。通過慣性傳感器實時測量行人的線運動、角運動等信息，建立室內行人航跡推算系統實現位置估算[2]。該項技術根據原理不同，可以分為根據慣性導航機制的連續積分定位和行人航位推算 PDR定位：前者對慣性測量單元(Inertial measurement unit, IMU)的傳感器精度要求高，不適用于行人定位；后者則可直接利用用戶自帶移動智能設備中內置的傳感器件，通過識別步數、計算步長和確定行進方向，即可實現基本的行人位置計算。

相關研究表明現有的步頻檢測及步長計算方法已相當成熟，在一定條件下平滑區域檢測[3]、零點交叉檢測[4]、峰值檢測[5-6]及自相關法[7-8]等均可獲取高準確率的步態識別，將加速度數據的某些統計值，如最值、方差、周期等利用線性模型或非線性模型即可獲取滿足航位推算需求的行人步長值。傳統航位推算方法因航向、步長及步態等估算誤差的傳遞，通常存在嚴重的誤差累積問題，文獻[9]特別指出航向是影響 PDR定位誤差累積的關鍵因素。

針對誤差累積問題，本文從過程融合和結果融合兩種方法討論研究對傳統PDR定位的改善補償應用：一是考慮規則建筑的幾何信息鮮明，可充分利用幾何信息實現對航向的補償改正，從而達到PDR位置計算的糾正；二是雖 WIFI定位系統穩定性較差且定位精度偏低，但無線網絡的普及使其實現簡單，且獲取的是絕對位置坐標，因此設計一種顧及行人運動信息的卡爾曼濾波器，將WIFI定位結果與PDR位置信息作融合運算，提高行人室內定位的穩健性與可靠性。

1 行人航位推算PDR定位

借助行人智能終端中傳感器件的 PDR室內定位技術是一項完全自助式的連續定位技術，具有短時間精度高、自主性強的特征[10]，它是利用智能手機內置的加速度計、方向傳感器以及陀螺儀組合成測量單元，利用下式計算移動終端的位置：

式中，(N, E)表示位置點坐標，L表示步長，θh表示航位角。

PDR由步態檢測、步長估計和航向估算三步驟組成[11-12]。本文涉及的步態識別采用簡單參數多重約束的波峰-波谷檢測模型[5]，該模型避免復雜參數的篩選與訓練學習，步頻檢測準確性達 99.2%。步長計算采用具有穩定運算性能的線性模型(2)，以計算距離與真實距離之間的絕對差值作為評價指標，經多組實驗驗證，該線性模型平均絕對距離差為0.93 m，方差為0.61 m2，其精度與穩定性均滿足PDR運用。

1.1 方向傳感器原始航向信息

智能設備內嵌的方向傳感器返回三軸角度數據，包括θ、δ和α。θ表示方位角度，通常以接近水平狀態下的θ作為原始航向值，對整周步態內的原始航向求均值作為行人的步態航向與α分別是設備x 軸、y 軸與水平面之間的夾角值，當設備保持水平穩定時，兩者的變化基本可保持在[-5°, 5°]之內。

方向傳感器直接輸出的方向值θ是由磁羅盤計算得到的，而磁羅盤極易受到環境或平臺所帶來的磁干擾，因此原始輸出航向值往往與真實航向存在一定偏差。如圖1所示，最大偏差將近30°，其中，圖1(b)中虛線表示建筑物廊道的幾何方向值，為行人真實航向。

圖1 智能設備內嵌航向信息獲取Fig.1 Course information acquisition by embedded smart devices

1.2 幾何信息實時補償航向

磁羅盤所受干擾將產生各種誤差，包括可預測誤差和不可預測誤差兩大類，文獻[9]表示源于環境干擾的不可預測誤差往往難以規避，但可預測誤差卻可通過靜態校準或動態補償來消除。該誤差包括磁偏角、軟硬鐵效應、比例因子和固定偏置、平臺傾斜、安裝未對準和移動行人身體抖動等7種[13]，依各自特征均可建立相關模型。文獻[9]提出一個包含所有可預測誤差的統一模型，并對其作簡化處理得到公式(3)的近似航向誤差 hε模型：

在試驗場，中國礦業大學環測學院三樓設計相應的實驗對以上航向補償模型進行驗證：行人手持設備沿圖3箭頭方向的走廊中線前進，按照建筑的地理幾何方向，航向的變化情況是90°轉至180°轉至270°轉至360°。計算得到原始平滑航向與實時補償航向結果如表1所示。行人實時航向的具體補償估算流程如圖2所示，其中，

圖2 實時補償航向估算流程圖Fig.2 Flow chart of real-time compensation course estimation

表1 不同方法確定航向誤差的對比分析Tab.1 Comparative analysis for heading estimation errors based on different methods

將不同方法獲取的行人航向用于行人定位運算，分別以原始平滑航向、規則建筑幾何方向信息θrg和實時補償航向θh設計三種 PDR定位方案，得到行人的運動軌跡如圖3所示。

圖3 基于不同航向信息的PDR定位結果Fig.3 PDR positioning results for different course information

1.3 自適應模型噪聲的EKF濾波融合定位

按照卡爾曼濾波融合原理，本文設計一種顧及運動信息的自適應確定動態模型噪聲的擴展 KALMAN濾波器，將具有絕對定位功能的WIFI定位源與PDR定位相融合，實現更高精度與穩定性的室內定位。以位置誤差和移動距離值差、航向偏差作為濾波器系統的狀態變量，即系統狀態向量為

當WIFI系統位置更新時，以WIFI與PDR兩系統的位置差作為系統觀測值，即：

EKF狀態方程可表示為

狀態轉移矩陣為

觀測矩陣為

對于濾波過程所需的動態噪聲序列和觀測噪聲序列，結合大量的定位結果數據，對WIFI和PDR兩系統定位的誤差統計特性分析得到經驗數值，動態噪聲矩陣為

當低頻輸出的 WIFI位置未更新時，將系統預測坐標與PDR觀測坐標之間的差值作為系統觀測變量，其他不變，進行遞推糾正PDR的位置計算。

式中：

公式(11)是利用濾波得到的位置誤差，更新當前時刻的行人位置，也是融合模型計算得到k時刻的最終位置，并用濾波誤差值對下一時刻k+1進行位置預測（公式(12)）。

2 試驗與結果分析

2.1 試驗設計

中國礦業大學環測學院四樓已搭建WIFI網絡系統（如圖4所示），已有WIFI定位系統定位頻次根據設備對 WIFI信號更新識別的頻次自動設定，正常情況下是每間隔 1 s至 2 s給移動用戶發送一次位置信息。選用三星Galaxy Note3作為定位測試設備，設備內嵌傳感器數據采樣頻率設置為 50 Hz，對每一個新輸入的傳感數據作相應的步態檢測、步長計算和航向估算。在融合過程中，以 WIFI信號采集定位時間戳為基準，將WIFI定位結果與航位推算PDR定位結果作EKF濾波融合處理。根據數據分析得知當用戶以正常速度步行前進時，2 s時間內將跨出4～5步（如圖4 (b)所示），平均移動距離為3.5 m。

本文的試驗設計是，用戶沿環測學院四樓走廊中線行走，從B區西端出發，以常速沿著走廊經過A區走向C區最西端。在此過程中，行人基本保持水平保持設備，總步行316步。通過計算各種定位方案的點位誤差以及誤差分布情況，評定各方案的定位性能。WIFI定位系統采用現有 WKNN算法[15]實現位置計算，得到平均誤差為3.73 m，最大誤差為16.95 m。在起始點以WIFI定位系統的多次平滑結果作為PDR初始位置信息，設計以下4種方案：

方案1：基于步態原始平滑航向的PDR定位方法，標記OHPDR；

方案2：以幾何信息實時濾波補償航向的PDR定位方法，標記AHPDR；

方案3：基于自適應模型噪聲確定的擴展卡爾曼濾波實現WIFI與OHPDR融合定位，標記EKFWOHP；

方案4：基于自適應模型噪聲確定的擴展卡爾曼濾波實現WIFI與AHPDR融合定位，標記EKFWAHP。

圖4 試驗環境Fig.4 Test environment

2.2 試驗結果與分析

根據不同方案得到的定位結果如下所示：表2和圖5以圖表形式給出了各方案定位誤差情況，圖 6展現了不同方案的定位軌跡。

圖表結合對各方案進行具體分析得到：

方案 1隨著時間的增長，定位誤差不斷變大。誤差值從初始的3.78 m逐漸累積到44.95 m，定位航跡完全偏離真實軌跡。

方案 2在航向補償改正的基礎上，PDR定位誤差控制在5 m左右，最大誤差是 5.39 m，說明這種航向改正型的 PDR 定位方案有效解決了誤差累積問題。但由于WIFI定位系統提供的初始位置本身存在 3.78 m誤差，導致在第一次轉彎后便偏離真實軌跡，在不同直行廊道上均表現以不同距離平行間隔。因此步態識別與步長計算滿足條件的情況下，該方案的定位精度基本由起算點位置的準確度起決定性作用。

方案 3以原始平滑航向推算行人航位，加入WIFI系統的絕對位置，采用自適應模型噪聲的擴展卡爾曼濾波進行融合計算。就平均定位誤差而言，比原始航向 OHPDR定位精度提高了 82.8%。根據航跡顯示分析，該方案同樣很好地抑制了原始航向OHPDR的誤差累積，且隨著絕對位置融合次數的增多，逐漸將偏離的點拉回到真實軌跡方向，由此說明隨著 WIFI定位信息的更新，可逐漸補償傳統PDR的定位精度，以滿足行人室內定位使用。從航向估算來看，該方案可用于無法使用建筑幾何改正航向的不規則室內環境定位運用。

方案4將WIFI定位結果與航向改正型AHPDR采用自適應卡爾曼濾波進行融合計算，試驗結果表明其不僅解決了原始PDR的嚴重誤差累積問題，還很大程度提高了定位精度，相較前3個方案，最小誤差分別降低了93.7%、92.8%和29.4%，平均誤差分別降低了90.2%、49.5%和43.1%，最大誤差比第1和第3個方案降低了87.4%和28.3%。與獨立航向改正方案2相比，方案4很好地解決了由初始位置誤差引起的全程傳遞問題。

圖5 不同方案定位誤差分析Fig.5 Positioning error analysis for different solutions

圖 6 與PDR 相關的不同方案定位軌跡分析Fig.6 Positioning trajectory analysis for different solutions associated with PDR

表2 不同方案定位誤差分析Tab.2 Positioning error analysis for different solutions

綜上，在以PDR 技術實現室內定位導航時，首要問題是解決定位誤差的累積效應，可通過改正行人航向或者利用外源絕對位置信息適時對 PDR結果進行濾波校正得以解決處理。特別是，在航向修正的基礎上，以WIFI系統的定位結果與PDR作融合處理，能夠獲得2.5 m范圍內高精度室內定位結果，很好地滿足行人室內導航定位要求。另外，這種融合定位方法，對 WIFI獨立定位系統同樣存在很好的校正作用，平均誤差提高了37.8%，最大誤差降低了11.3 m。

3 結 論

針對傳統PDR誤差累積無法長時間精確定位問題，提出了兩種方法實現定位誤差累積的抑制：一是借助規則建筑物的幾何方向通過卡爾曼濾波估算航向誤差修正參數，通過補償航向信息提高定位精度，與原始平滑航向定位精度相比提高了80.7%。二是顧及行人運動屬性，建立自適應模型參數的EKF模型，實現WIFI定位源的絕對位置信息與PDR定位結果的融合。第二種方法首先有效解決了傳統PDR定位誤差累積，通過與原始平滑航向PDR方案經過多次融合計算的結果，可滿足于不規則的室內環境定位運用，平均定位精度可達 4.08 m，與航向改正型 PDR方案相結合，解決了由初始位置誤差引起的誤差傳遞問題，并定位精度整體提高了49.5%。由此，將WIFI與PDR多源定位結果融合，能夠滿足用戶室內高精度定位應用需求。

（References）：

[1] 孫立寧, 周兆英, 龔振邦. MEMS國內外發展狀況及我國 MEMS發展戰備的思考[J]. 機器人技術與應用, 2002(2): 2-4. Sun Li-ning, Zhou Zhao-ying, Gong Zhen-bang. The status of MEMS development inside and outside and the develop strategic considering in our country[J]. Robot Technology and Application, 2002(2): 2-4.

[2] Fischer C, Gellersen H. Location and navigation support for emergency responders: A survey[J]. IEEE Pervasive Computing, 2010, 9(1): 38-47.

[3] Cho S Y, Park C G. MEMS based pedestrian navigation system[J]. Journal of Navigation, 2006, 59(1): 135-153.

[4] Beauregard S, Haas H. Pedestrian dead reckoning: a basis for personal positioning[C]//Proceedings of the 3rd Workshop on Positioning, Navigation and Communication. 2006: 27-35.

[5] Wang J, Hu A, Liu C, et al. A floor-map-aided WiFi/ Pseudo-odometry integration algorithm for an indoor positioning system[J]. Sensors, 2015, 15(4): 7096-7124.

[6] 陳國良, 李飛, 張言哲. 一種基于自適應波峰檢測的MEMS計步算法[J]. 中國慣性技術學報, 2015, 23(3): 315-321. Chen Guo-liang, Li Fei, Zhang Yan-zhe. Pedometer method based on adaptive peak detection algorithm[J]. Journal of Chinese Inertial Technology, 2015, 23(3): 315- 321.

[7] Weimann F, Abwerzger G, Hofmann-Wellenhof B. A pedestrian navigation system for urban and indoor environments[C]//Proc. 20th International Technical Meeting of the Satellite Division of the Institute of Navigation ION GNSS. 2007: 1380-1389.

[8] 陳國良, 張言哲, 楊洲. 一種基于手機傳感器自相關分析的計步器實現方法[J]. 中國慣性技術學報, 2014, 22(6): 794-798. Chen Guo-liang, Zhang Yan-zhe, Yang Zhou. A realization method of pedometer with auto-correlation analysis based on mobile phone sensor[J]. Journal of Chinese Inertial Technology, 2014, 22(6): 794-798.

[9] 陳偉. 基于GPS和自包含傳感器的行人室內外無縫定位算法研究[D]. 合肥: 中國科學技術大學, 2010. Wei Chen. Research on GPS/self-contained sensors based seamless outdoor/indoor pedestrian positioning algorithm [D]. Hefei: University of Science and Technology of China, 2010.

[10] 張世哲. 基于慣性傳感器和WiFi的室內定位系統的設計與實現[D]. 北京: 北京郵電大學, 2012. Zhang Shi-zhe. Indoor positioning system design and implementation based on inertial sensor and WIFI[D]. Beijing: Beijing University of Post and Telecommunications, 2012.

[11] Yim J. Introducing a decision tree-based indoor positioning technique[J]. Expert Systems with Applications, 2008, 34(2): 1296-1302.

[12] Li F, Zhao C, Ding G, et al. A reliable and accurate indoor localization method using phone inertial sensors[C]//Proceedings of the 2012 ACM Conference on Ubiquitous Computing. ACM, 2012: 421-430.

[13] Chen W, Chen R, Chen Y, et al. An adaptive calibration approach for a 2-axis digital compass in a low-cost pedestrian navigation system[C]//Proc. IEEE I2MTC. Austin, TX, USA, 2010: 1392-1397.

[14] 劉春燕, 王堅. 基于幾何聚類指紋庫的約束KNN室內定位模型[J]. 武漢大學學報(信息科學版), 2014, 11: 1287-1292. Liu Chun-yan, Wang Jian. A constrained KNN indoor positioning model based on geometric clustering fingerprinting technique[J]. Geomatics and Information Science of Wuhan University, 2014, 11: 1287-1292.

Indoor localization method based on pedestrian dead reckoning aided by multi-source fusion

LIU Chun-yan

(Fujian Provincial Quality Supervision and Inspection Station for Surveying and Mapping Products, Fuzhou 350001, China)

In view that traditional PDR localization technology has serious error accumulation problem, andthe accumulated error is caused by course deviation, an improved course estimation solution is proposed by using geometric information to compensate and enhance the pedestrian course. We make such analysis that the exogenous absolute location is used to improve the positioning result of pedestrian dead reckoning(PDR), then an evolved EKF filtering algorithm with adaptive model noise is proposed, which realizes the PDR and WIFI positioning sources’ filtering fusion. Experiment results show that, compared with traditional PDR, the PDR with enhanced-course can effectively restrain the error accumulation, and the total errors are controlled to about 5 m. The accuracy of original-course PDR adaptive filtering with WIFI location is improved by 82.8%, compared with the pure original-course PDR’s one. And when fusion with enhanced-course PDR and WIFI location, the accuracies are improved by 90.2% and 49.5% respectively compared with the pure original-course PDR’s and enhanced-course PDR’s. These results show that enhancing course and fusion with exogenous absolute position can both effectively restrain the error accumulation. Considering the constraint conditions, the improved-course PDR schemes are applicable to a regular indoor environment. However, the original-course PDR and WIFI fusion scheme is not affected by the indoor structure, and its results with couple filtering calculation can meet the accuracy requirements for pedestrian indoor positioning.

pedestrian dead reckoning localization; geometric information; course compensation; WIFI positioning source; filtering fusion

U666.1

A

1005-6734(2016)02-0208-07

10.13695/j.cnki.12-1222/o3.2016.02.013

2015-12-10；

2016-03-18

國家863計劃項目（2013AA12A201）

劉春燕（1990—），女，碩士，助理工程師，從事室內定位研究和測繪產品質量檢驗。E-mail：lcy_sia@163.com