学校编码：10384 分类号____密级___ 学号：23320111153145 UDC___
硕 士 学 位 论 文
基于粒子滤波的个人导航系统算法研究
Algorithm Research on Personal Navigation System Based
on Particle Filter
蒲书祥
指导教师姓名：石江宏 教授
郑灵翔 高级工程师
专 业 名 称：电子与通信工程
论文提交日期：2014 年 4 月
论文答辩时间：2014 年 5 月
学位授予日期：
答辩委员会主席：
评 阅 人：
2014 年 月
厦门大学博硕士论文摘要库
厦门大学学位论文原创性声明
本人呈交的学位论文是本人在导师指导下,独立完成的研究成果。
本人在论文写作中参考其他个人或集体已经发表的研究成果，均在文
中以适当方式明确标明，并符合法律规范和《厦门大学研究生学术活
动规范（试行）》
。
另外，该学位论文为（ ）课题（组）
的研究成果，获得（ ）课题（组）经费或实验室的
资助，在（ ）实验室完成。
（请在以上括号内填写课
题或课题组负责人或实验室名称，未有此项声明内容的，可以不作特
别声明。）
声明人（签名）：
年 月 日
厦门大学博硕士论文摘要库
厦门大学学位论文著作权使用声明
本人同意厦门大学根据《中华人民共和国学位条例暂行实施办法》
等规定保留和使用此学位论文，并向主管部门或其指定机构送交学位
论文（包括纸质版和电子版），允许学位论文进入厦门大学图书馆及
其数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国博士、
硕士学位论文共建单位数据库进行检索，将学位论文的标题和摘要汇
编出版，采用影印、缩印或者其它方式合理复制学位论文。
本学位论文属于：
（ ）1.经厦门大学保密委员会审查核定的保密学位论文，
于 年 月 日解密，解密后适用上述授权。
（ ）2.不保密，适用上述授权。
（请在以上相应括号内打“√”或填上相应内容。保密学位论文
应是已经厦门大学保密委员会审定过的学位论文，未经厦门大学保密
委员会审定的学位论文均为公开学位论文。此声明栏不填写的，默认
为公开学位论文，均适用上述授权。）
声明人（签名）：
年 月 日
厦门大学博硕士论文摘要库
摘要 I
摘要
导航技术作为众多信息技术的代表，正悄然进入人类生活的细枝末节。如何 适应复杂环境、融合多传感器信息实现更加精确的定位成为导航技术的关键所在， 惯性导航系统避免了对于信号源的依赖，使用更加灵活，正逐渐成为个人导航技 术研究的重要课题。然而惯性导航系统存在误差累积、容错能力差等特点，本文 意在设计一种基于惯性传感器的个人导航系统，并结合机器学习支持向量机方法 和粒子滤波，实现对于定位结果的优化。 本文通过提取基于卡尔曼滤波的惯性导航系统所解算步长、航向变化角度等 信息，建立基于步长、航向变化角度的航位推算运动模型，通过粒子滤波算法对 运动轨迹进行优化。优化模块包括平面地图信息融合和活动识别纠正点融合两方 面：首先，平面地图信息为航位推算正确性提供了重要的判断依据，本文假设在 室内平面地图已知的情况下，利用平面地图信息，判断粒子滤波推算的正确性， 即对每一步中每一个粒子分别进行推算，剔除错误粒子，对粒子权重进行二次优 化，保证运动轨迹符合客观事实，从而实现纠正；另外，对惯性传感器以及气压 传感器数据进行预处理，包括坐标变换、高通滤波、计算气压差值等过程，抽象 出训练集进行训练，通过两层的支持向量机对人的活动进行识别，主要识别静止、 走路、上下楼梯、上下电梯等活动，针对其中包含了地理信息的活动提取纠正点， 并将其提供给粒子滤波模块，在粒子滤波推算的过程中纠正定位解算结果。 通过实验可以发现，融合平面地图信息使系统修正了穿越墙壁的错误解算结 果；加入活动识别纠正模块后，在基于卡尔曼滤波的导航系统解算结果误差较大 情况下，累积误差控制在 2%以内。 本文的研究证明：通过融合平面地图信息，影响粒子权重的更新与传递，有 效的剔除了错误粒子；同时借助支持向量机，对惯性传感器数据进行活动识别， 识别准确率较高，通过二次优化识别结果，将带有地理信息的活动作为纠正点， 粒子滤波融合纠正点信息完成修正，提高了系统整体精度；算法具有一定的可行 性。 关键词：个人导航；活动识别；粒子滤波厦门大学博硕士论文摘要库
Abstract
III
Abstrac
t
As a representation among numerous information technologies, the navigation technology is embedding into our daily life in all minutiae. How to adapt to complex environment and to merge multi-sensor information in order to achieve more accurate navigation is becoming the key problem in navigation field. Meanwhile, inertial navigation system avoids dependence on the signal source and flexible to use that make it becoming more and more important in personal navigation field. This paper proposes a kind of personal navigation system that making use of the inertial sensors and combining the machine learning support vector machine method and particle filter to eliminate the accumulated error.
In this paper, by extracting steps heading angle changes and other information which are caculated by the system based on kalman filter, establish reckoning motion model, through the particle filter algorithm complete trajectory optimization. The trajectory optimization module based particle filter includes both of activities recognition and plane map information fusion: Firstly, the plane map information provides an important criterion for dead reckoning accuracy, using the planar map information, determine whether each particle for each step is correct, then eliminates the false particle through the secondary particle optimization that ensures the trajectories compliance with the objective facts; In addition, preprocessing inertial sensors and pressure sensor data preprocessing, including coordinate transformation, high-pass filter, the difference between the calculated pressure and so on, identified human activity by two levels of SVM which includes stationary, walking up and down stairs, down the elevator, the system try to extract a correct point from the activities involving geographic information that is identified, then apply it to the particle filter, In process of the particle projecting correct the positioning results.
The experiment shows the plane map information fusion experimental evident system fixed error results through walls; Join the activity recognition correction
Abstract
IV
module, when the result error of the navigation system based on kalman filter is large, its cumulative error could be controlled within 2%.
The study shows that combining flat map information to impact the update and transfer of weight of particle eliminates the error particles effectively; Meanwhile, support vector machine is used to recognize the human activities by the inertial sensor data that provides higher recognition accuracy. Then the correction system consists of the flat map involving geographic information and particle filter that improve the accuracy of navigation system; When the result error of the navigation system based on kalman filter is large, optimizing its cumulative error to make it to be controlled within 2%,the algorithm has certain feasibility.
Key Words: Personal Navigation; Activity Recognition; Particle Filter
目录 V
目录
摘要 ... I
Abstract ... III
第 1 章
绪论 ... 1
1.1 课题研究的背景和意义 ... 1 1.2 个人导航系统国内外研究现状 ... 2 1.2.1 有源系统 ... 2 1.2.2 无源系统 ... 4 1.3 本文的主要工作及组织结构 ... 6 1.3.1 本文主要工作 ... 6 1.3.2 本文结构安排 ... 7第 2 章
粒子滤波理论基础 ... 9
2.1 概述 ... 9 2.2 蒙特卡洛方法 ... 10 2.3 递归 Bayesian 估计 ... 11 2.4 序列重要性抽样（SIS）滤波器 ... 12 2.5 Bootrap/SIR 滤波器 ... 14 2.6 粒子滤波存在的问题 ... 14 2.7 本章小结 ... 15第 3 章
融合平面图的粒子滤波算法研究 ... 17
3.1 概述 ... 17 3.2 标准粒子滤波算法流程 ... 17 3.3 基于粒子滤波的融合算法设计 ... 20 3.3.1 纠正系统算法流程 ... 20 3.3.2 步长及航向角度信息提取 ... 21 3.3.3 系统运动模型 ... 22 3.3.4 自适应重采样 ... 23 3.4 系统测试及分析 ... 24 3.4.1 测试环境介绍 ... 24 3.4.2 自适应重采样算法验证 ... 25 3.4.3 基于卡尔曼滤波的导航系统精度测试 ... 27厦门大学博硕士论文摘要库
目录 VI 3.4.4 融合墙壁信息测试 ... 28 3.5 本章小结 ... 30
第 4 章
融合活动识别纠正点的粒子滤波算法研究 ... 31
4.1 概述 ... 31 4.2 线性可分支持向量机 ... 32 4.3 活动识别算法流程及子模块设计 ... 36 4.3.1 算法流程图 ... 36 4.3.2 基于卡尔曼滤波的姿态角计算 ... 37 4.3.3 瞬时加速度计算 ... 39 4.3.4 坐标变换 ... 40 4.3.5 训练集特征提取 ... 42 4.3.6 纠正点提取算法 ... 43 4.4 活动识别子模块算法验证 ... 44 4.4.1 姿态角度计算测试 ... 44 4.4.2 瞬时加速度计算测试 ... 45 4.4.3 欧拉角坐标变换测试 ... 46 4.4.4 训练集数据及标签定义 ... 47 4.4.5 纠正点提取算法验证 ... 50 4.5 活动识别实验及分析 ... 51 4.5.1 上下楼活动识别 ... 51 4.5.2 走平路活动识别 ... 52 4.5.3 乘坐电梯活动识别 ... 53 4.5.4 活动识别结果统计以及分析 ... 54 4.6 粒子滤波融合纠正点测试 ... 54 4.7 本章小结 ... 58第 5 章
总结及展望 ... 59
5.1 工作总结 ... 59 5.2 未来工作展望 ... 60参考文献 ... 61
致谢语 ... 67
厦门大学博硕士论文摘要库
Contents
VII
Contents
Abstract in Chinese ... I
Abstract in English ... III
Chapter 1 Preface ... 1
1.1Research Background and Significant ... 1
1.2 Research Actualities on Personal Navigation System ... 2
1.2.1Source System ... 2
1.2.2Sourceless System ... 4
1.3Main Contents and Structure of this Thesis ... 6
1.3.1Main Contents of This Thesis ... 6
1.3.2Structure of This Thesis ... 7
Chapter 2 Individual Inertial Navigation System ... 9
2.1 Introduction ... 9
2.2 Monte Carlo Method ... 10
2.3 Recursive Bayesian Estimation ... 11
2.4 Sequence Importance Sampling (SIS) Filter ... 12
2.5 Bootrap/SIR Filter ... 14
2.6 Problems on Particle Filter ... 14
2.7 Chapter Summary ... 15
Chapter 3 Research on Integrate Plan Correct System ... 17
3.1 Introduction ... 17
3.2 Standard Particle Filter Algorithm Flow ... 17
3.3 Correcting the system design based on particle filter ... 20
3.3.1 Correcting System Algorithm Flow ... 20
3.3.2 Information Extraction ... 21
3.3.3 System Motion Mode ... 22
3.3.4 Adaptive Resampling ... 23
3.4 System Testing and Analysis ... 24
3.4.1 Test Environment Introduction ... 24
3.4.2 Adaptive Resampling Algorithm Validation ... 25
3.4.3 Navigation System Based Kalman Filter Accuracy Tests ... 27
Contents
VIII
3.4.4 Integration Wall Information Test ... 28
3.5 Chapter Summary ... 30
Chapter 4 Research on Integrate Correcting Points System ... 31
4.1 Introduction ... 31
4.2 Linearly Separable Support Vector Machine ... 32
4.3 Activity Recognition Algorithm Processes and Sub-module Design ... 36
4.3.1Algorithm Flowchar ... 36
4.3.2 Attitude Angle Calculated Based on Kalman Filter ... 37
4.3.3 Calculate Instantaneous Acceleration ... 39
4.3.4 Coordinate Transformation ... 40
4.3.5 Feature of Training Set Extraction ... 42
4.3.6 Activity Recognition Corrective Point Extraction ... 43
4.4 Sub-moudule of Activity Recognition Algorithm Validation ... 44
4.4.1 Attitude Angle Calculation Test ... 44
4.4.2 Calculate Instantaneous Acceleration Test ... 45
4.4.3 Euler Angles Coordinate Transformation Test ... 46
4.4.4 Data of Training Definitions and Labels ... 47
4.4.5 Corrective Point Extraction Test ... 50
4.5 Activity Recognition Experiments and Analysis ... 51
4.5.1 The Downstairs and Upstairs Activity Recognition ... 51
4.5.2 Go Flat Road Activity Recognition ... 52
4.5.3 Take Elevator Activity Recognition ... 53
4.5.4 Results of Activity Recognition and Statistical Analysis ... 54
4.6 Activity Recognition Corrected Test ... 54
4.7 Chapter Summary ... 58
Chapter 5 Conclusion and Prospect ... 59
5.1 Conclusion ... 59
5.2 Proespect of Future Work ... 60
Reference ... 61
Acknowledgements... 67
第 1 章 绪论 1
第1章 绪论
1.1 课题研究的背景和意义
以计算机技术为先导的信息技术的飞速发展，给普适计算[1]技术带来了发展 的契机，无时无刻的计算提供无时无刻的信息，并无时无刻不在改变着人类的工 作以及生活方式。随着移动终端技术的发展以及移动终端的普及化，导航技术也 成功的从军事专用，逐步走向民用，成为普适计算成功的先驱。 导航的起源要追溯到数千年以前，人类的先祖们利用太阳、月球以及自然界 的其它天体辨别方向，直到 19 世纪后半叶，人造天体的概念才被提出，1964 年 美国建成的“子午仪”卫星导航系统，标志着一个崭新的人造天体导航时代的到 来。此后，定位与导航系统的主流技术便是卫星定位与导航，当下存在的卫星导 航系统包括美国的 GPS 定位系统，俄罗斯的 GLONASS 定位系统，中国的北斗定 位系统，欧洲的伽利略定位系统，卫星导航技术以其覆盖面积广、技术成熟，使 得其它定位技术望其项背。当然，卫星定位系统却也存着致命的缺陷，如信号易 被遮挡，因而在复杂环境中，如丛林、山谷、室内环境中无法正常使用，也正因 为如此，多传感器融合的定位技术应运而生，利用 WiFi 信号、蓝牙信号、惯性 传感器数据等多种传感器融合进行定位的系统，试图弥补卫星导航系统的缺陷， 使导航系统提供覆盖面积更广、精度更加精确的服务。 参考卫星导航的定位原理，衍生出了众多基于无线信号的定位系统，如 WiFi 信号、蓝牙信号、超声波信号、可测距光波等，这些系统均属于有源的定位系统。 尽管在一定范围内的使用中，其有效地克服了卫星导航技术的遮蔽问题，并且其 在室内定位使用上也满足人们对于定位精度的要求，但其使用必须事先安装好信 号源设备，使用以及维护成本相应提高，且无线信号本身易受干扰导致系统稳定 性较差，其定位依赖于信号源的特性导致且其无法用于未知环境，具有一定的局 限性。基于惯性传感器的 INS(Indoor Navigation System)是一种无源的惯性导航系 统，它不依赖于信号源，只根据自身惯性传感器信息进行计算，通过一定的信号 处理手段最终解算出定位结果，该种系统因其布置简单、维护成本低、短时间内 定位精度较好的特点，有效的解决了有源系统信号源被遮挡、干扰、稳定性差的基于粒子滤波的个人导航系统算法研究 2 问题，正逐步成为室内导航的一个研究热点。 基于位置的服务（LBS）在近几年发展迅速，对于定位精度的要求也越来越 高，尤其是在复杂的室内环境，室内环境对定位精度的要求往往在 1m 范围内。 在超市、展厅、机场、图书馆、地下停车场、大型写字楼等环境，精确的定位将 给生活节奏越来越快的现代都市人提供更加便捷的服务，人们的出行、工作、生 活对于室内定位的需求日益高涨。惯性导航系统因其低成本、低功耗、体积小的 特点便于其集成在可穿戴设备中，使用更加方便。正因为如此，对于惯性个人导 航技术的研究也就蕴含着巨大的商业价值和研究意义[2]。
1.2 个人导航系统国内外研究现状
在室外环境中，以 GPS 为代表的卫星导航系统已经可以为使用者提供令人满 意的定位结果。另外，利用事先安装的通信设施提供的信号（如 cellular 和电视 广播信号）进行定位的系统也已经投入使用。随着人们生活节奏的加快，人们对 于生活质量的追求，室内导航定位技术的商业价值在近年越发明显，而由于室内 的特殊环境，对于定位精度的要求相对室外也更高，一般要求定位精度在 3m 之 内。广阔的消费市场吸引了包括谷歌、诺基亚、博通等一系列大公司竞相投入到 室内的研究队伍，意图在导航市场上博得先机。另外，国内外高校和科研机构也 在室内导航系统的研发中扮演着重要角色，如杜克大学、德国的 DLR 实验室等。参照 Stephane Beauregard 在论文“Infrastructureless Pedestrian Positioning”中 对于导航系统的分类方法，本文将导航系统分为有源系统（source system）和无 源系统（sourceless system）。顾名思义有源系统就是定位需要依赖于外部信号发 射接收装置，通过特殊的接收装置与信号源的通信，进行定位解算。除了我们熟 知的卫星导航技术，依靠射频信号、超声波信号以及光测距信号进行定位的系统 [3]，本文把通过云端定位信息匹配（指纹匹配）的系统同样划分为有源系统。无 源系统则是指不依赖于外部装置，仅依靠系统自身传感器获得信息进行定位的系 统，其典型代表是惯性导航系统（INS）[4]。 1.2.1 有源系统 根据信号源信息，通过信号源与信号节点之间的信息交互，最终计算来完成
厦门大学博硕士论文摘要库
Degree papers are in the “Xiamen University Electronic Theses and Dissertations Database”. Full texts are available in the following ways:
1. If your library is a CALIS member libraries, please log on http://etd.calis.edu.cn/ and submit requests online, or consult the interlibrary loan department in your library.
2. For users of non-CALIS member libraries, please mail to [email protected] for delivery details.
