大型开放式区域内的室内定位方法与流程

技术特征：

1.一种大型开放式区域内的室内定位方法，其特征在于，包括：

步骤1，根据蓝牙信号强度，定位确定用户手机的初始位置，并且在初始位置的定位过程中周期性地校正用户手机的惯性传感器噪声导致的定位累积误差；

步骤2，由所述初始位置，根据用户手机的惯性传感器的输出值估计出用户的行走距离和用户的转动角度，得到用户手机的新位置；

步骤3，在用户手机的新位置的可能范围内采样产生粒子，其中，粒子具有步长属性和转角属性；

步骤4，基于粒子的步长属性、转角属性的分布以及用户手机采集到的磁场强度，联合确定粒子的权重，确定用户的新位置。

2.根据权利要求1所述的大型开放式区域内的室内定位方法，其特征在于，在所述步骤1中，在定位区域内的多个位置分别布置蓝牙节点，将用户手机检测到的蓝牙信号强度换算成用户手机与多个蓝牙节点之间的距离，通过三角定位算法，确定蓝牙节点的定位范围中用户手机的初始位置；其中，在初始位置的定位过程中，当用户手机再次进入蓝牙节点的定位范围中时，通过三角定位算法校正用户手机的位置，从而在定位过程中校正用户手机的惯性传感器噪声带来的定位累积误差。

3.根据权利要求1所述的大型开放式区域内的室内定位方法，其特征在于，所述惯性传感器包括加速度计和陀螺仪；

在所述步骤2中，当用户手机离开蓝牙节点的定位范围后，以多个粒子代表用户手机的可能位置，根据用户手机的加速度计的输出值估计用户的行走距离，并根据用户手机的陀螺仪的输出值估计用户的转动角度，从而确定粒子更新后得到的新粒子的位置，即：

$\left[\begin{array}{c}{x}_{ij}\\ y_{ij}\end{array}\right]=\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]+\left[\begin{array}{c}{\mathrm{cos\θ}}_i\\ {\mathrm{sin\θ}}_i\end{array}\right]\×l_{ij}$

其中，为采样前的第i个粒子的位置坐标，θ_i为采样前的第i个粒子的方向，l_ij为根据采样前的第i个粒子重采样的第j个粒子的步长，为根据采样前的第i个粒子重采样的第j个粒子的位置坐标。

4.根据权利要求1所述的大型开放式区域内的室内定位方法，其特征在于，在所述步骤3中，根据用户的步长l、转角θ的概率分布，确定用户手机的新位置的可能范围，在用户手机的新位置的可能范围内采样产生粒子；

用户的步长l、转角θ的概率分布f(l)、f(θ)分别为：

$f\left(l\right)=\frac{1}{\sqrt{2\mathrm{\π}}\·\sqrt{0.2\stackrel{\‾}{l}}}\exp (-\frac{{(l-\stackrel{\‾}{l})}^2}{2\·0.2\stackrel{\‾}{l}})$

$f\left(\mathrm{\θ}\right)=\frac{1}{\sqrt{2\mathrm{\π}}\·\sqrt{\frac{\mathrm{\π}}{18}}}\exp \left(-\frac{{(\mathrm{\θ}-\stackrel{\‾}{\mathrm{\θ}})}^2}{2\·\frac{\mathrm{\π}}{18}}\right)$

其中，为预设的人的平均步长，概率分布f(l)的方差为为作为惯性传感器的陀螺仪测量到的转动角度。

5.根据权利要求4所述的大型开放式区域内的室内定位方法，其特征在于，在用户手机的新位置的可能范围内采用改进型粒子滤波算法来采样产生粒子，其中，改进型粒子滤波算法具体为：

在步长l的80％置信区间当中采样产生粒子，长度的采样区间为以(0，)为极点、极轴的极坐标下，极径的范围内；

在转角θ的70％置信区间当中采样产生粒子，角度的采样区间为以(0，)为极点、极轴的极坐标下，极角的范围内；

其中，表示标准正态分布函数。

6.根据权利要求4所述的大型开放式区域内的室内定位方法，其特征在于，在所述步骤4中，根据粒子的权重，采用加权平均算法确定用户的新位置，其中，每个粒子的权重由以下三个参数w₁、w₂、w₃确定：

粒子步长的归一化概率w₁：

$w_1=\frac{\frac{1}{\sqrt{2}\·\sqrt{0.2\stackrel{\‾}{l}}}\·\exp \left(-\frac{{(l_i-\stackrel{\‾}{l})}^2}{2\·0.2\stackrel{\‾}{l}}\right)}{{\mathrm{\Σ}}_{p_k\∈V}\frac{1}{\sqrt{2}\·\sqrt{0.2\stackrel{\‾}{l}}}\·\exp \left(-\frac{{(l_k-\stackrel{\‾}{l})}^2}{2\·0.2\stackrel{\‾}{l}}\right)}$

其中，l_i表示第i个粒子的步长，l_k表示粒子集合中第k个粒子的步长，p_k表示粒子集合中的第k个粒子，V表示当前所有粒子组成的粒子集合；

粒子转动角度的归一化概率w₂：

$w_2=\frac{\frac{1}{\sqrt{2}\·\sqrt{\frac{\mathrm{\π}}{18}}}\·\exp \left(-\frac{{({\mathrm{\θ}}_i-\stackrel{\‾}{\mathrm{\θ}})}^2}{2\·\frac{\mathrm{\π}}{18}}\right)}{{\mathrm{\Σ}}_{p_k\∈V}\frac{1}{\sqrt{2}\·\sqrt{\frac{\mathrm{\π}}{18}}}\·\exp \left(-\frac{{({\mathrm{\θ}}_k-\stackrel{\‾}{\mathrm{\θ}})}^2}{2\·\frac{\mathrm{\π}}{18}}\right)}$

其中，θ_i表示第i个粒子的转角，θ_k表示粒子集合中第k个粒子的转角；

粒子对应位置在磁场强度数据库中的取值与用户手机实时采集到的磁场强度值的相似度w₃：

$w_3=\frac{\exp \left(-\frac{{s_i}^2}{2{\mathrm{\δ}}^2}\right)}{{\mathrm{\Σ}}_{p_k\∈V}\exp \left(-\frac{{s_k}^2}{2{\mathrm{\δ}}^2}\right)}$

其中，s_i表示第i个粒子对应位置在磁场强度数据库中的取值与用户手机实时采集到的磁场强度值的相似度，δ表示当前环境下的磁场强度波动，s_k表示粒子集合中第k个粒子对应位置在磁场强度数据库中的取值与用户手机实时采集到的磁场强度值的相似度；

粒子的权重w为w＝w₁·w₂·w₃。