《毕业设计论文基于地磁指纹的室内定位系统设计与实现》由会员分享，可在线阅读，更多相关《毕业设计论文基于地磁指纹的室内定位系统设计与实现（30页珍藏版）》请在金锄头文库上搜索。
1、基于地磁指纹的室内定位系统设计与实现摘 要当前，人们对定位服务的要求越来越高，其中基于手机中地磁传感器的室内指纹定位技术受到研究人员的广泛关注。然而，目前大多数基于手机移动定位的方法精度不够理想，同时还需要限定手机移动的方向，这使得它们的鲁棒性和实用性较差。本文设计了一个基于启发式粒子滤波的室内定位系统Maloc。首先，采用动态步长估算算法来最小化动作上的误差并提高粒子滤波的稳定性。然后，结合磁强指纹模型和已有的幅值指纹模型设计了混合型测量模型，来改善系统性能，避免不同型号手机磁力计的校准问题。最后，提出重采样模型实现启发式粒子重采样，改进了传统的粒子滤波算法精度。同时，针对运动估计中存在的问
2、题，本系统提出一个定位错误检测机制来解决“Kidnapped Robot Problem”。实验结果表明，本系统可以实现精度为0.8-1.2m内的室内定位。【关键词】室内定位；地磁；粒子滤波；指纹定位Design and Implementationof Indoor Localization system based on Magnetic FingerprintingAbstractAt present, people are increasingly demanding in the quality of location-based services. Among them, the
3、indoor fingerprint localization technology based on the geomagnetic sensor in the mobile phone is widely concerned by researchers. However, most of the current methods based on mobile phone accuracy is not ideal and also need to define the direction of mobile phone, which makes them less robust and
4、practical.In this paper, an indoor localization system based on heuristic particle filter is designed, Maloc. Inside it, several innovations are made on the motion model, the measurement model and the resampling model to enhance the traditional particle filter. The particle filter is augmented with
5、a dynamic step length estimation algorithm to minimize errors in motion estimation and improve the robustness of particle filter. A hybrid measurement model is used which combines a new magnetic fingerprinting model and the existing magnitude fingerprinting model to improve the system performance an
6、d avoid calibrating different smartphone magnetometers. A heuristic particle resampling algorithm is proposed to improve the accuracy of the traditional particle filter algorithm. In addition, aiming at the problem of motion estimation, a localization failure detection method is presented to address
7、 the “Kidnapped Robot Problem”. Our experimental studies show that Maloc achieves a localization accuracy of m on average in a large building.Key words Indoor Localization, Magnetic, Particle Filter, Smartphone 目 录摘 要IABSTRACTII目 录III1 选题背景及意义11.1 研究背景11.2 研究目的11.3 研究内容21.4 本文贡献和组织结构22 相关工作32.1 国内外研
8、究现状32.2 磁信号定位的可行性32.3 磁场定位基本思想42.4 粒子滤波技术53 MALOC系统63.1 Maloc的整体结构73.2 运动模型93.2.1 计算步数93.2.2 动态步长估计103.2.3 航向变化103.3 磁测模型113.3.1 混合型磁测模型113.3.2 指纹数据库构建123.4 重采样模型133.4.1 启发式自适应重采样算法133.4.2 航向偏移143.5 定位故障检测154 实验164.1 步数误差影响174.2 启发式重采样算法的性能184.3 不同类型观测值的影响184.4 定位质量估计的性能194.5 基于自适应重采样算法的聚集度评估204.6 M
9、aloc的总体性能205 总结22参考文献23致谢261 选题背景及意义本章简要介绍提出该选题的原因，以及主要研究的内容和论文的结构。1.1 研究背景现有的Wi-Fi指纹识别方法利用了广泛存在的Wi-Fi这一基础设施，不需要任何专门的硬件或额外的基础设施支持。然而，在实际定位时，设备需要频繁的进行Wi-Fi扫描，耗电十分严重。此外，Wi-Fi指纹定位的有效性取决于很多因素，比如Wi-Fi接入点的数量配置、空间性、以及无线环境的时间稳定性1。随着智能手机的广泛普及，基于手机地磁传感器的指纹识别方法受到研究人员的关注2-4。这类定位方法的基本理论是：在室内环境中，磁场由自然环境和人为环境（例如：钢
10、筋混凝土结构和电力系统）双重因素的组成，其特征表现为起伏不定且不均匀。利用了这种起伏现象，通过读取磁场的三维向量 (X轴，Y轴和Z轴)可以根据磁场指纹进行定位。虽然基于磁场指纹的定位方式与Wi-Fi指纹定位类似，但是具有更多的优点4-8: （1）它独立于Wi-Fi基础设施；（2）比Wi-Fi更可靠；（3）磁场的改变具有十分重大的意义，可以用于精确定位；（4）能量消耗更少。1.2 研究目的地磁传感器读数与手机位置有关，需要采集一个位置上6,9所有方向的磁读数才能精确定位，这导致了收集指纹的成本高昂。另外，当手机方向或用户坐标系发生变换3时，采集的数据会发生偏差，这也就导致了定位精度不高。现有的研
11、究2,3,9大都致力于采用粒子滤波方法来解决上述问题，其基本原理是使用随机样本（即参照系，例如：用户的位置和方向）来表示用户的状态，然后根据磁性指纹及其空间相关性，利用粒子滤波算法通过递归方式重新采样粒子，以达到准确定位的目的。粒子滤波的性能主要依赖于：（1）运动估计；（2）指纹测量和磁性指纹定位模型；（3）重采样。目前的基于磁场的粒子滤波定位方法有以下三个问题：一是，粒子滤波过程容易受到外界因素的影响，而基于手机中内置的传感器则更易被干扰。例如，用户走动幅度不是很明显时，无法有效滤波；现有的大多数粒子滤波定位算法2,3,9大都要求用户行走方向和手机方向一致，否则就会出现较大偏差。因此，需要设
12、计一个动态的运动模型来减小这些干扰。二是，地磁传感器读数与手机位置有关，需要采集一个位置上6,9所有方向的磁读数才能精确定位，这导致了收集指纹的成本高昂。此外，不同的智能手机的磁传感器必须在使用前进行精确校准，否则会导致硬件同步误差等。因此，需要有一个更合适的磁测模型和磁力指纹模型。三是，由于粒子滤波的计算开销与粒子数成正比，当大量的用户同时运行定位算法时，服务器上的计算开销会非常高。因此，需要在满足定位质量的前提下，尽可能的减少粒子数，让其实现自适应的采样。另外，因为现有的粒子滤波方法来源于著名的“Kidnapped Robot Problem”12，这使得运动估计方法容易出错10,11。所
13、以，即便定位已经失败，系统可能还无法及时的反馈出来。因此，系统需要一个快速的故障检测机制来监控它。1.3 研究内容为解决上述问题，本文设计了一个基于地磁指纹识别的室内定位系统Maloc，包括运动识别、磁测校准和能量优化三个部分。为提高系统的普适性，本文进行了定位故障检测。本文的具体工作如下：（1）为了提高系统的精确度，确保不受步数误差的影响达到最小化估计误差的目的。本文提出了一个运动模型，用来解决定位时，用户步数、步长和行走方向上的误差。（2）为提高系统的校准度和扩展系统的普适性，本文提出了一个混合测量模式。该模型提取地磁向量中的水平部分和垂直部分，并结合磁指纹的梯度相关性，避免了不同的手机地
14、磁传感器的校准问题。（3）为减小系统能耗，本文提出了一个自适应的重采样模型。具体来说，就是采用了启发式采样来调整粒子数目，以达到自适应粒子滤波的目的。最后，本文进一步基于粒子聚集度提出定位故障检测机制。该机制能够发现93.5%的定位错误可以减半计算开销。实验结果表明本系统的定位精度为0.8-1.2m米，并且它比基于Wi-Fi的指纹定位方法更节能。1.4 本文贡献和组织结构本文设计了一种启发式粒子滤波来改善系统性能和增强系统的鲁棒性，其贡献如下：（1）提出了一个动态步长估计方法，以补偿用户的真正步长的不确定性。（2）提出了一个启发式粒子重新采样机制，来解决用户方向偏移的问题。（3）提出了一个混合
15、计量模式，不需要限制手机本身的方向和避免了不同手机磁场传感器的校准。本文的组织结构如下。第1部分讲述了选题的背景。第2部分介绍了相关工作，并且证实了磁场定位的可行性。第3部分介绍了整个Maloc系统，分别介绍运动模型、磁测模型以及自适应重采样算法和定位故障检测算法。第4部分为实验部分，第5节总结全文。2 相关工作本章简要介绍了国内外研究现状，本定位系统所使用的粒子滤波技术以及磁传感器的特性。 国内外研究现状当前许多定位方法大都建立在特殊的基础设施之上，例如红外13，声学14和蓝牙15等。显然，部署这些基础设施通常成本是非常高昂的。另一方面，一些系统利用现有的且广泛使用的基础设施，如GSM21，无线网络和频率调制（Frequency Modulation,FM）。其中，基于Wi-Fi的指纹识别系统成为目前的研究热点。基于Wi-Fi的定位方法是使用Wi-Fi接入点（AP）的接收信号强度（Received Signal Strength,RSS）来确认接收器的位置16。Bahl 18首先实现了基于Wi-Fi指纹识别，其定位精度是3-5米。Youssef 19进一步将定位精度提升至2米。然而，上述方法往往要求预先知道AP的具体位置，同时由于多径效应的影响，RSS对环境非常敏感，会随着时间的变化而变化，限制了定位
