一种imu室内定位方法
【技术领域】
[0001] 本发明属于室内定位技术领域，尤其涉及一种IMU室内定位方法及系统。
【背景技术】
[0002] 随着物联网和智慧城市建设的兴起和快速发展，人们对室内位置服务例如目标发 现、医疗服务和智能家居等的需求与日倶增。
[0003] 传统的GPS和蜂窝网定位技术在室外能达到较高的定位精度，但是在室内环境 下，由于射频信号受到阻隔而无法有效定位。
[0004] 目前常用的室内定位技术主要是基于各种无线网络，如WLAN、RFID、WIFI等，利用 接收信号强度（ReceivedSignalStrength，RSS)来实现室内定位。但是由于多径效应、墙 壁衰减、人的走动等的影响，室内环境比较复杂，RSS的变化比较大，因此基于无线网络的室 内定位精度受到限制，定位精度很少能达到1米以下，并且这些定位技术需要辅助相应的 信号基站。
[0005] 基于以上原因，考虑使用IMU(InertialMeasurementUnit，IMU)定位，它利用 惯性测量单元推算下一时刻用户的位置，估计行走轨迹，不需要辅助信号基站，具有完全自 主、不受外界环境影响、数据更新速度快等特点。但是，目前传统MU室内定位的航位推算 模型中还存在数据处理误差大，定位精度低的问题。
【发明内容】
[0006] 本发明的目的在于提供一种基于改进航位推算模型和粒子滤波的IMU室内定位 系统，属于室内定位领域，旨在改进航位推算模型和粒子滤波的基础上设计出室内定位系 统，减少室内定位误差。
[0007] 本发明是这样实现的，一种IMU室内定位方法，该方法包括以下步骤：
[0008] S1、步数检测：通过加速度传感器获取Z轴方向的加速度数据，利用步数检测算法 计算行走步数；
[0009] S2、自适应步长估计：根据沿着行走方向的相关数据，结合自适应步长估计算法得 出用户行走一步的距离，所述数据包括加速度和步频；
[0010] S3、航向估计：通过方向传感器和陀螺仪计算得出用户的行走方向；
[0011] S4、室内定位：基于几何中心的部分重采样粒子滤波算法对用户进行室内定位。
[0012] 优选地，在步骤S1中，所述步数检测算法包括以下步骤：
[0013] 对Z轴方向的加速度值进行滤波去噪、峰谷值检测算法，得到Z轴加速度的波形 图；
[0014] 对此波形进行窗口检测算法，对不满足窗口检测的波形段标记为无效步伐；
[0015] 通过对波形进行DTW算法检测，通过检测相邻的波峰和波谷的相近度来确定其是 否为真实的一步。
[0016] 优选地，在步骤S2中，所述自适应步长估计算法包括以下步骤：
[0017] (1)初始化：在未采集到用户的步伐相关数据前，先使用通用步长模型的a和0， 根据步频和步长模型获得步长；
[0018] (2)自适应估计：在收集到i_l时刻步伐相关数据后，根据其步长与步频的关系， 利用线性回归可以得到i时刻的a和0，再根据i时刻的步频可得出相应的步长。
[0019] 优选地，在步骤S4中，所述部分重采样粒子滤波算法包括以下步骤：
[0020] (1)根据预先设定的粒子初始化状态分别对粒子进行初始化t= 0,根据p(X。）生 成1')个粒子2?，#==1，2，~，#。^(1。）分布通常为高斯白噪声分布 ；
[0021] ⑵设定t=t+1，根据状态转移公式| 采样粒子样本 = If表示t时刻的第i个粒子；对每个粒子XX2,...,I分配相应的权 值
其中|X/j是已知t-1时刻的状态量去估计t时刻 状态量的后验概率密度函数，I是已知t时刻的状态量去估计t时刻的观测量的后 验概率密度函数，4表示X&粒子对应的权重；
[0022] 对每个粒子的权重进行归一化：
[0023]
[0024] (3)基于几何中心部分重采样的原理对A类和C类粒子尤，1 = 1，2，...，N进行 重采样，并重新分配权重，对A类和C类粒子根据其加权后的权重进行重采样得 到Ns个新粒子，并对其重新分配权重1/Ns;其中，所述A类粒子为距离小于H的粒子，所述C类粒子为距离大于Th的粒子；
[0025] (4)根据新生成的粒子进行状态估计
[0026] 针对现有技术的不足，本发明提供了一种基于改进航位推算模型和粒子滤波的 MU室内定位方法及系统。本发明针对原航位推算模型数据处理误差大，设计了步数检测 算法和自适应步长算法；粒子滤波算法完成了IMU定位系统的信息整合和优化过程，针对 其自身粒子出现的贫化和退化问题，本发明提出了基于几何中心的部分重采样粒子滤波算 法。本发明MU室内定位过程如图1所示；其中，改进的航位推算模型包括步数检测算法和 自适应步长算法。
[0027] 通常，步数检测算法的一般过程为：
[0028] (1)滤波去噪：为了表现信号的周期性，步数检测算法首先使用低通FIR数字滤波 器去除高频率噪声。低通频率下限设为3Hz;
[0029] (2)峰谷值检测：峰谷值检测用于计算一个单步内的一个峰值和谷值，判断其是 否完成一步，如图2。
[0030] 通过对加速度数据平滑处理后，算法找到波形的峰值和谷值去判断是否完成一 步。但是，并不是每一个符合峰谷值特征的波形都是真实的一步，手机的偶尔抖动也会产生 错误的一步。本发明通过增加时间窗口检测和动态时间规整（DTW)距离算法来减少错误的 估计。
[0031] 时间窗口检测：时间窗口用于排除无效抖动。假设用户最快的行走速度为每秒 三步，最慢的步行速度为每两秒一步。因此，两个有效的步数之间时间间隔在时间窗口 [0. 3s~2.Os]之内，如果时间间隔小于0. 3s或者大于2s的步伐是无效步伐。
[0032] DTW算法：DTW已经被广泛作为检测两个离散波形的相似度的有效方法。低的DTW 距离代表着高相似度。考虑到当一个人正常行走时是左右脚交替前行，所以可以看成是相 似的波形在重复。基于此，设计了DTW算法来确定通过峰谷值检测的一步是真正的一步。具 体操作过程为：假设通过峰谷值检测的步行{Sl，S2,S3,. . .，Sn}。那么，对于Si，算法可以 计算Si与Si-2之间的DTW距离。如果它低于给定的门限值，那么Si看做是真实的一步， 否则视为无效的一步。
[0033] 自适应步长估计算法：基于步长与步频、加速度的关系，本发明选择步长模型：
[0034] Lg=aXf+PXv+y；
[0035] 其中，、是步长，f是步频（即每秒行走的步数），a、0和y是可变参数，在每 一步完成之后可根据相关数据对其修正：
[0036]fx=l/a-t,i)；
[0037]
[0038] 其中，h是检测到行走完第i步的时间。at是时刻t的加速度值，％.是一步之内 的加速度平均值，N是一步内的信号输出个数。
[0039] 本发明的自适应步长估计算法过程具体为：
[0040] (1)初始化：在未采集到用户的步伐相关数据前，先使用通用步长模型的a和0， 根据步频和步长模型获得步长；
[0041] (2)自适应估计：在收集到i_l时刻步伐相关数据后，根据其步长与步频的关系， 利用线性回归可以得到i时刻的a和0，再根据i时刻的步频可得出相应的步长。
[0042] 此外，相对于本发明改进粒子滤波算法部分而言，现有粒子滤波算法几乎都是对 所有粒子进行的完全重采样，这种"过度"重采样极易引发粒子贫化。若将完全重采样用部 分重采样替代，则参与重采样的粒子有助于缓解退化问题，未参与重采样的粒子有利于保 持粒子的多样性。基于这种思想，本发明提出了基于几何中心的部分重采样粒子滤波算法， 先通过几何方法寻找粒子集的中心，按照粒子与其中心的欧式距离的大小确定需要重采样 的粒子，解决了粒子滤波的贫化和退化的问题，最后通过为了保证滤波算法的有效性通过 设置滤波阀值，高于此阀值说明滤波算法失去其有效性，重新初始化重新滤波。
[0043] 本发明的粒子滤波系统模型为：
[0044] Xt=ft(Xt1;utj)；
[0045] Zt=ht(Xt,yt);
[0046] 其中，\和Zt分别是t时刻的状态量和观测量，uti和yt分别为系统过程噪音 和观测噪音，其概率密度函数相互独立其已知。滤波的目的就是根据给定的状态初值X。和 序贯获取的量测序列Z1:t={ZZ2, . . .，ZJ递推估计Xt。粒子滤波通过状态方程来预测状 态的先验概率模型，再用观测值对其进行修正，得到状态的后验概率模型，从而得到系统状 态值的最优估计。
[0047]粒子滤波的思路就是从选取的重要性密度函数q(Xt|XQ:tdZ1:t)中抽取N个加权粒 子i= 1，2, . . .，N，经过权值归一化及再抽样来估计t时刻的后验概率分布：
[0048]
[0049] 其中，5为Dirac函数。
[0050] 基于几何中心的部分重采样的主要思想是：通过几何方法找到粒子集的中心点， 使中心点与各个粒子的欧式距离之和为最小。设置距离阀值Th、Tl(0〈Il〈Th)，关于如何设 置在下文中说明。根据粒子与中心点的距离，粒子可以分为3类：
[0051] A类：距离小于n的粒子；
[0052] B类：距离大于II小于Th的粒子；
[0053] C类：距离大于Th的粒子。
[0054] B类的粒子是比较稳健的，不需要重采样，因此重采样只需要对A类和C类的粒子 进行，如图3。
[0055] 距离阀值的大小选择对于重采样算法的计算时间、粒子的多样性以及粒子滤波的 性能有着重要影响，设Th= 0. 8L，II= 0. 2L。
[0056] 假设A类和C类粒子的总数目为Ns，在重采样之前A类和C类粒子的权重为 = ，其中％是粒子的权重。易知，A类的权重大，C类的权重小，为了 减少每次重采样中C类粒子的损失，我们对A类和C类粒子群权重M，/= 取平均得 $，再将g与?丨进行组合，得到新的粒