針對(duì)WiFi信號(hào)易受環(huán)境波動(dòng)和存在多徑效應(yīng)現(xiàn)象,行人航位推算(pedestrian dead rockoning, PDR)系統(tǒng)中傳感器模塊精度有限,且存在累積誤差問(wèn)題,因此提出了一種加入自適應(yīng)調(diào)整因子的改進(jìn)無(wú)跡卡爾曼濾波(unscented Kalman filter, UKF)融合算法,該算法利用殘差r_k的理論協(xié)方差與實(shí)際協(xié)方差的差異作為條件,引入調(diào)整因子ρ調(diào)整狀態(tài)向量和觀測(cè)向量的協(xié)方差進(jìn)而調(diào)整卡爾曼增益參數(shù)。實(shí)驗(yàn)結(jié)果表明平均定位誤差為1.35 m,最大定位誤差為2.23 m。定位誤差在1.5 m以?xún)?nèi)的概率達(dá)到了約80%,相比標(biāo)準(zhǔn)UKF算法在1.5 m以?xún)?nèi)的概率約為22%,提高了約58%。該算法提高了室內(nèi)定位的定位精度,增強(qiáng)了定位的穩(wěn)定性。

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
1 行人航跡推算(PDR)
    1.1 步數(shù)及步長(zhǎng)估計(jì)
    1.2 航向角估計(jì)
2 WiFi室內(nèi)定位模型
    2.1 WiFi信號(hào)強(qiáng)度指紋庫(kù)建立
    2.2 在線(xiàn)匹配算法
3 WiFi與PDR融合定位算法
    3.1 UKF算法原理
    3.2 自適應(yīng)調(diào)整因子的改進(jìn)UKF算法
    3.3 融合系統(tǒng)模型建立
4 實(shí)驗(yàn)設(shè)計(jì)及數(shù)據(jù)分析
    4.1 實(shí)驗(yàn)環(huán)境
    4.2 仿真數(shù)據(jù)分析
    4.3 系統(tǒng)APP效果圖
5 結(jié)論



本文編號(hào)：3743705