基于螢火蟲算法修正的步長估計方法

徐逸軒

摘要：步長估計是基于行人航跡推算室內定位中的關鍵因素，針對其累計誤差會隨著行人行走的距離和時間的增加隨之變大，傳統的粒子濾波在提高精度的同時會造成粒子貧化的問題，本文提出一種基于螢火蟲算法修正的步長估計方法.該方法首先在傳統的非線性步長估計模型中加入了加速度的平均值和行走時間，得到改進的步長估計模型.然后結合改進的螢火蟲算法，通過粒子權重不斷修正的方式得到動態步長.實驗證明，該方法在一定程度上解決了粒子貧化問題，提高了步長估計的精度.

關鍵詞：室內定位;行人航跡推算;步長估計;螢火蟲算法;動態修正

中圖分類號：TP273

近年來，室內定位的研究受到國內外的廣泛關注.智能手機的普及為室內定位帶來了便捷，其中，行人航跡推算算法 [1]因其受環境的影響較小，定位精度較高，因此得到廣泛關注.它是在已知行人初始位置的前提下，通過智能設備中傳感器測得的數據，得到行人的步頻、步長和方向角，估計出行人的位置和運動軌跡.在行人航跡推算算法中，步長的估算起著關鍵性的作用，可以理解為步長精度的準確性直接影響著行人位置估計的準確性.

常見的步長估計方法包括線性估計模型和非線性估計模型 [2]，其中，非線性估計模型具有較高的準確性和實時性，因此被廣泛使用.傳統的非線性步長估計模型 [3]利用行人的步長與行走時的加速度之間的非線性關系，建立數學估計模型來計算步長.但是隨著行人行走距離和時間的增加，累積誤差會隨之變大.目前大部分的慣性傳感器定位系統會使用粒子濾波來提高定位精度，例如采用粒子濾波算法 [4]結合不同的定位數據（如地圖信息）來修正定位結果.但是，當需要大量的粒子來保證跟蹤的準確性時，粒子濾波算法會造成粒子貧化 [5]問題，因而影響定位精度.針對上述問題，本文提出一種基于螢火蟲算法修正的步長估計方法.本文結合改進的螢火蟲粒子濾波算法 [6]，通過粒子權重不斷修正的方式來得到動態步長，一定程度上解決了粒子貧化問題，提高了步長估計的精度.

1 基于螢火蟲算法的動態修正步長方法

1.1 行人航跡推算之步長估計

由圖 1可看出，改進的螢火蟲粒子濾波算法經過迭代尋優，比傳統粒子濾波的狀態預測精度較高，估計誤差明顯較小.

為了對所提出步長估算方法的性能進行測試與分析，本文選取了計算機學院六樓走廊為測試場景，走廊長約 45m.采用 Android系統的智能手機做為整個實驗的設備，其型號為 Honor 10，版本為 Android 9，用以采集實驗所需的相關數據.然后借助 Matlab平臺計算完成本文方法和傳統方法的對比試驗，并進行數據分析.

實驗時，行人手持智能手機，以均刀的速度在走廊沿直線行走 40m，采集到加速度計、陀螺儀和磁力計的數據，然后在 Matlab中進行步長的估算.為了驗證本文方法的有效性和可行性，利用同一組數據，用了兩種對比方法分別做了 10次實驗.其中，PF步長估計代表基于粒子濾波算法的傳統非線性步長估計方法，FA-PF步長估計代表本文基于螢火蟲粒子修正的步長估計方法.經過實驗，得到這兩種算法的誤差比較如圖 2所示：

如圖 2所示，相比于基于粒子濾波算法的傳統非線性步長估計方法，本文提出的基于螢火蟲算法修正的步長估計方法，整體誤差明顯減小.進一步分析可得，10組定位實驗的誤差均值由原來的 4.6m減少到 2.2m.實驗結果表明，該方法在一定程度上提高了步長估計的精度.

3 結束語

基于 PDR的室內定位方法中，步長估計是關鍵因素，但是隨著行人行走距離和時間的增加，累積誤差會隨之變大，傳統的粒子濾波算法在提高精度的同時會造成粒子貧化問題.針對上述問題，本文提出一種基于螢火蟲算法修正的步長估計方法.首先，本文在傳統的非線性步長估計模型中加入了加速度的平均值和行走時間，得到改進的步長估計模型.然后結合改進的螢火蟲粒子濾波算法，通過粒子權重不斷修正的方式來得到動態步長.經過實驗證明，該方法在一定程度上解決了粒子貧化問題，提高了步長估計的精度.

參考文獻

[1]寇彩云，張會清，王普.基于慣性傳感器的行人室內定位算法[J]. 傳感器與微系統，2019，38（01）：143-146.

[2]Kang W，Han Y. SmartPDR：Smartphone-Based Pedestrian DeadReckoning for Indoor Localization[J]. IEEE Sensors Journal，2015，15（5）： 2906-2916.

[3]Kang W，Han Y. SmartPDR：Smartphone-Based Pedestrian DeadReckoning for Indoor Localization[J]. IEEE Sensors Journal，2015，15（5）： 2906-2916.

[4]林慶，王新.基于改進的粒子濾波算法的目標跟蹤[J].信息技術，2017（10）.

[5]Foo P H，Ng G W.Combining the interacting multiple model method withparticle filters for manocuvring target tracking.IET Radar，Sonarand Navigation，2011，5（3）：234一 255

[6]Horng M H. Vector quantization using the firefly algorithm for imagecompression. Expert Systems with A pplications，2012，39（1）：1078-1091

[7]Lundquist C，Karlsson R，Ozkan E，Gustafsson F. Tire radii estimation using a marginalized particle filter. IEEE Trans-actions on Inteligent Transportation Systerms，2014，15（2）：663-672

[8]Zhou Tianrun，Ouyang Yini，Wang Rui，et al. Particle filter based on real-time compressive tracking [C]//Proc of International Conference onAudio.Piscataway，NJ：IEEE Press，2017：754-759.

[9]YANG X S. Firefly algorithm，stochastic test functions and designoptimization [J]. International Journal of Bio-Inspired Computation，2010， 2（2）： 78-84.

[10]Xian W M，Long B，LiM， Wang H J. Prognostics of lithium-ion batteriesbased on the verhulst model， particle swarm optimization and particle filter. IEEETransactions on In-strumentation and Measurement，2013，63（1）：2-17

[11]程美英，倪志偉，朱旭輝.螢火蟲優化算法理論研究綜述[J].計算機科學，2015，42（4）：19-24.

[12]Chen J，Ou G，Peng A，et al. An INS/Floor-Plan Indoor Localization System Using the Firefly Particle Filter[J]. ISPRS International Journal ofGeo-Information，2018，7（8）.