一种基于多源信息融合的行人室内导航方法、装置及介质

1.本发明涉及导航技术领域，尤其涉及一种基于多源信息融合的行人室内导航方法、装置及介质。


背景技术：

2.随着社会的发展与进步，人们的生活水平日益提高，对于可靠、实时的基于位置服务需求也越来越高。然而，在室内条件下，由于室内环境复杂多变，存在障碍物多、干扰源多等问题，使得卫星导航信号定位性能变差，在室内定位中效果较差。在卫星导航失效时，常见的导航方法有：
3.(1)惯性导航，基于惯性器件的室内定位技术是以惯性传感器为基础进行的惯性导航，主要包括行人惯性导航系统pins和行人航位推算pdr两种方式。前者往往要求传感器的精度较高，并且需要通过抑制误差漂移以保证长时间的定位可靠性；后者往往对传感器的精度要求较低，依赖于人行走的特性，通过跨步检测，在行人航向上以步长累积的方式更新行人位置。相比于pins，pdr往往能够在成本有限的条件下，实现更好的定位效果，获得更高的成本效益。然而，由于低成本的mems惯性传感器往往误差较大，并且误差会随着时间而逐渐累积，这对定位结果造成了极为不利的影响。
4.(2)wi-fi定位，近年来由于wi-fi技术的普及，大部分室内已经有wi-fi信号覆盖，基于wi-fi信号实现的定位技术，虽然有大量已有的基础设施提供支持，并且通过智能手机可以直接获取wi-fi的信号强度，在很大程度上推动了wi-fi定位技术的发展，但由于wi-fi信号易受环境干扰，定位精度通常难以保证。
5.(3)多源信息融合的室内定位技术，多源信息融合技术利用多个传感器获取的信息，按照特定的规则对这些信息进行分类、处理、融合和使用，实现各传感器之间的信息优势互补。与惯性导航优势互补，有效抑制惯性导航累积误差，进一步提高了定位精度。
6.随着人们对室内高精度定位需求的日益增加，定位精度要求也随之提高，但是尚缺少一种室内高精度定位的技术方案。


技术实现要素：

7.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于多源信息融合的行人室内导航方法、装置及介质。
8.本发明所采用的技术方案是：
9.一种基于多源信息融合的行人室内导航方法，包括以下步骤：
10.构建当前室内环境的地图信息，在地图上选取参考点，建立wi-fi指纹库；
11.利用智能终端上的传感器获取多源信息，所述多源信息包括wi-fi信号强度，角速度，速度，加速度以及姿态信息；
12.根据所述wi-fi信号强度和wi-fi指纹库，构建行人的位置模型，得到行人的位置信息；
13.通过所述姿态信息判断智能终端的瞬时姿态，将加速度从载体坐标系转化到导航坐标系，通过步态检测与步长估计获得行人的运动距离；
14.根据多源信息和运动距离，构建行人的运动模型，得到行人的运动信息，所述运动信息包括：位置、速度；根据扩展卡曼滤波算法，构建基于扩展卡尔曼滤波的融合模型，将多源信息以及行人的位置信息进行融合处理，获取融合后的位置信息，完成拓展卡尔曼滤波中状态向量更新及对误差值的最优估计；
15.利用融合后的位置信息，根据地图信息和粒子滤波算法对行人的位置信息进行进一步的修正与更新，完成多源信息融合的行人室内导航。
16.进一步地，所述行人的位置模型的表达式为：
[0017][0018]
其中，表示估计的位置，x(tk)、y(tk)表示前k个位置点对应的位置坐标，ωj(tk)表示相应数据点的权重系数，基于信号强度的权重系数可表示rssi为信号强度。
[0019]
进一步地，采用以下方式将加速度从载体坐标系转化到导航坐标系：
[0020][0021]
其中，为导航系到载体系的方向余弦矩阵，cr为绕y轴的旋转矩阵，c
p
为绕z轴的旋转矩阵，cy为绕x轴的旋转矩阵，γ为绕y轴的旋转角度，p为绕x轴的旋转角度，y为绕z轴的旋转角度。
[0022]
进一步地，所述步态检测的步骤包括：
[0023]
计算整体加速度：
[0024][0025]
式中，a
x
，ay，az为采集的三轴加速度值，通过计算整体加速度a来降低传感器姿态的影响；
[0026]
根据整体加速度，在滑动窗口中获得潜在峰值，利用预设的加速度阈值进行初次判断；
[0027]
计算潜在波峰与前一波峰时间差，利用预设的行走一步时间阈值范围进行二次判断；
[0028]
将潜在波峰处与前后邻域加速度比较，进行三次判断去除伪波峰，若潜在峰值点为最大值则算法记一步，否则不做计步处理。
[0029]
进一步地，所述步长估计为：
[0030][0031]
其中sl为步长，a
max
和a
min
分别为行人纵向加速度的最大值和最小值。
[0032]
进一步地，所述扩展卡曼滤波算法包括：
[0033]
x
k+1
＝f(xk)+wk[0034]
其中，x
k+1
为第k+1步的状态变量，xk为第k步的状态变量，wk为过程噪声；f()为扩展卡尔曼滤波中的非线性状态函数；
[0035]
实现系统矩阵线性化的方法包括：
[0036][0037]
其中，zk为观测变量，vk为观测噪声，h()为扩展卡尔曼滤波中的量测函数；
[0038]
实现观测矩阵线性化的方法包括：
[0039][0040]
其中，hk为h(x)对x偏导的雅可比矩阵，为第k步的状态估计。
[0041]
进一步地，拓展卡尔曼滤波中状态向量更新的步骤包括：
[0042]
一步状态预测更新：
[0043][0044]
式中，为上一状态的最优值，为当前状态的一步预测值；
[0045]
一步预测估计误差协方差矩阵更新：
[0046][0047]
式中，p
k+1|k
为对应的协方差一步预测值，φ
k+1|k
为状态转移矩阵，p
k|k
为对应的协方差，为φ
k+1|k
的转置，qk为过程噪声协方差矩阵；
[0048]
计算扩展卡尔曼滤波增益：
[0049][0050]
式中，k
k+1
为扩展卡尔曼滤波增益矩阵，h
k+1
为观测矩阵，为观测矩阵的转置，r
k+1
为测量噪声协方差矩阵；
[0051]
由观测向量计算新息，并更新状态估计：
[0052][0053]
式中，为当前状态的最优估计值，z
k+1
为当前观测值，为当前观测预测值；更新估计误差协方差：
[0054]
p
k+1
＝[i-k
k+1hk+1
]p
k+1|k
[0055]
式中，p
k+1
为对应的协方差，i为单位矩阵。
[0056]
进一步地，所述根据地图信息和粒子滤波算法对行人的位置信息进行进一步的修正与更新，包括：
[0057]
粒子滤波的状态转移方程和观测方程如下：
[0058]
x(t)＝f(x(t-1),u(t),w(t))
[0059]
y(t)＝f(x(t),e(t))
[0060]
式中，x(t)为t时刻状态，u(t)为控制量，w(t)和e(t)分别为状态噪音和观测噪音，粒子滤波从观测y(t)和上个时刻状态x(t-1)，u(t)，w(t)中过滤出t时刻的状态x(t)；
[0061]
粒子滤波中的更新方法主要包含以下步骤：
[0062]
a1、初始化：将观测值初值xi(k)作为概率密度函数x(0)的初值，由对进行n次抽样，初始wi(k)设为
[0063]
a2、一步预测：对每个粒子xi(k)，通过转换公式p(x(k+1)|xi(k))获得一个新的粒子；
[0064]
a3、重要性采样：对于任一粒子xi(k+1)求解它们的权值wi(k+1)＝p(z(k+1)|xi(k+1))；
[0065]
a4、归一化：对权值进行归一化处理：
[0066][0067]
a5、重采样：根据权重大小对粒子进行重采样，权重大的粒子重复的概率较大，权重较小的粒子重复概率小；
[0068]
a6、粒子更新同时加入地图信息：
[0069][0070]
由于室内行走区域存在限值，根据地图信息进行地图匹配，当一步预测的粒子越过可通行区域时(如越墙)，则将它的权重值赋为0：
[0071][0072]
a7、采用基本的粒子滤波算法进行计算，根据解算结果完成行人室内定位及导航。
[0073]
本发明所采用的另一技术方案是：
[0074]
一种基于多源信息融合的行人室内导航装置，包括：
[0075]
至少一个处理器；
[0076]
至少一个存储器，用于存储至少一个程序；
[0077]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0078]
本发明所采用的另一技术方案是：
[0079]
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0080]
本发明的有益效果是：本发明引入多源信息融合技术，引入拓展卡尔曼滤波算法和粒子滤波算法，同时加入wi-fi指纹匹配与地图信息，创建合适的模型，修正惯性导航系统中的误差，为系统提供更加安全可靠和精准的位置信息。
附图说明
[0081]
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0082]
图1是本发明实施例中一种基于多源信息融合的行人室内导航方法的总体流程示意图；
[0083]
图2是本发明实施例中扩展卡尔曼滤波融合模型构建流程示意图；
[0084]
图3是本发明实施例中粒子滤波模型构建流程示意图。
具体实施方式
[0085]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0086]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0087]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0088]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0089]
本发明引入多源信息融合技术，引入扩展卡曼滤波算法和粒子滤波算法，同时加入wi-fi指纹匹配与地图信息，创建合适的模型，修正惯性导航系统中的误差，为系统提供更加安全可靠和精准的位置信息。因此，建立基于多源信息融合的行人室内导航方法，为实现行人室内的精确定位提供有效方法。
[0090]
参见图1，本实施例提供一种基于多源信息融合的行人室内导航方法，包括以下步
骤：
[0091]
步骤1：构建当前室内环境的地图信息，在地图上选取参考点，建立wi-fi指纹库；利用手机内置的传感器获取多源信息，多源信息包括：wi-fi信号强度，角速度，速度，磁场强度以及姿态信息。
[0092]
步骤2：处理步骤1采集到的wi-fi信号，构建行人的位置模型；得到行人的位置信息。
[0093]
在本实施例中，构建行人位置模型时，对其中的行人位置模型进行改进，用受加权k邻近法模型代替k邻近法模型。
[0094]
具体地，构建行人位置模型包括：
[0095][0096]
其中表示估计的位置，x(tk)、y(tk)表示前k个位置点对应的位置坐标，ωj(tk)表示相应数据点的权重系数，基于信号强度的权重系数可表示rssi为信号强度。
[0097]
步骤3：通过步骤1中的方向传感器判断手机瞬时姿态，将加速度从载体坐标系通过一定方法转化为导航坐标系。再通过步态检测与步长估计获得行人的运动距离。
[0098]
其中，加速度坐标系转化的方法为：
[0099][0100]
式中，定义导航系n绕z轴(正轴向上)旋转y角(航向角、yaw)，再绕x轴旋转p角(俯仰角、pitch)，最后绕y轴旋转γ角(横滚角、roll)得到导航系到载体系的方向余弦矩阵而载体系到导航系的方向余弦阵
[0101]
步态检测包括：
[0102]
1)计算整体加速度，通过计算整体加速度a来降低传感器姿态的影响。式中，a
x
，ay，az为采集的三轴加速度值。
[0103][0104]
2)在滑动窗口中获得潜在峰值，利用加速度阈值[1.2g,3g]进行初次判断。
[0105]
3)计算潜在波峰与前一波峰时间差，利用行走一步时间阈值范围[0.4s,1s]进行二次判断。
[0106]
4)将潜在波峰处与前后邻域加速度比较，进行三次判断去除伪波峰，若潜在峰值点为最大值则算法记一步，否则不做计步处理。
[0107]
步长估计为：
[0108][0109]
其中sl为步长，a
max
和a
min
分别为行人纵向加速度的最大值和最小值。
[0110]
步骤4：处理步骤1中采集到的多源信息，构建行人的运动模型；得到行人的运动信息，包括：位置、速度；根据拓展卡尔曼滤波算法，构建基于拓展卡尔曼滤波的融合模型；将步骤1中得到的多源信息以及步骤2中得到的行人的位置信息进行融合处理，获取融合后的位置信息；完成拓展卡尔曼滤波中状态向量更新及对误差值的最优估计。
[0111]
扩展卡尔曼滤波算法包括：
[0112]
状态方程为：
[0113]
x(k+1)＝φx(k)+γw(k)
[0114]
其中x(k)＝[n(k)e(k)vn(k)ve(k)]
t
，n(k)和e(k)为分别为k时刻的北方向和东方向的位置状态值，vn(k)和ve(k)分别为k时刻的北方向和东方向的速度状态值，w(k)为k时刻的系统噪声，φ和γ分别为k时刻到k+1时刻的状态转换矩阵和系统噪声系数矩阵。
[0115][0116]
观测方程为：
[0117]
z(k+1)＝h(k+1)x(k+1)+v
[0118]
其中z(k)＝[n
wifi e
wifi s]
t
，n
wifi
和e
wifi
分别为通过wi-fi获取的北方向坐标值和东方向坐标值，s是通过步态检测得到的两秒内平面位移数值。h(k+1)为量测矩阵，可由公式推导并线性化后得到。v为观测噪声，并且假设噪声服从高斯分布。
[0119]
扩展卡尔曼滤波中状态向量更新的方法，包括以下步骤：
[0120]
步骤4-1，一步状态预测更新：
[0121][0122]
其中，为上一状态的最优值，为当前状态的一步预测值；
[0123]
步骤4-2，一步预测估计误差协方差矩阵更新：
[0124][0125]
其中，p
k+1|k
为对应的协方差一步预测值，φ
k+1|k
为状态转移矩阵，p
k|k
为对应的协方差，为φ
k+1|k
的转置，qk为过程噪声协方差矩阵；
[0126]
步骤4-3，计算扩展卡尔曼滤波增益：
[0127][0128]
其中，k
k+1
为扩展卡尔曼滤波增益矩阵，h
k+1
为观测矩阵，为观测矩阵的转置，r
k+1
为测量噪声协方差矩阵；
[0129]
步骤4-4，由观测向量计算新息，并更新状态估计：
[0130][0131]
其中，为当前状态的最优估计值，z
k+1
为当前观测值，为当前观测预测值。步骤4-5，更新估计误差协方差：
[0132]
p
k+1
＝[i-k
k+1hk+1
]p
k+1|k
[0133]
其中，p
k+1
为对应的协方差，i为单位矩阵。
[0134]
步骤5：利用步骤4获得的基于拓展卡尔曼滤波的位置信息，根据粒子滤波算法，同时加入地图匹配，对行人的位置信息进行进一步的修正与更新，完成多源信息融合的行人室内导航。
[0135]
粒子滤波算法包括：
[0136]
粒子滤波器是用随机样本来直接估计近似状态后验概率密度函数：
[0137][0138]
其中，wi(k)为粒子x
ik
的权值，所有权值之和为1，δ(.)为狄拉克函数。
[0139]
粒子滤波中的更新方法包含以下步骤：
[0140]
步骤5-1，初始化。
[0141]
将观测值初值xi(k)作为概率密度函数x(0)的初值，由对进行n次抽样，初始wi(k)设为
[0142]
步骤5-2，一步预测。
[0143]
对每个粒子xi(k)，通过转换公式p(x(k+1)|xi(k))获得一个新的粒子xi(k+1)。
[0144]
步骤5-3，重要性采样。
[0145]
对于任一粒子xi(k+1)求解它们的权值wi(k+1)＝p(z(k+1)|xi(k+1))。
[0146]
步骤5-4，归一化。
[0147]
对权值进行归一化处理。
[0148]
步骤5-5，重采样。
[0149]
根据权重大小对粒子进行重采样，权重大的粒子重复的概率较大，权重较小的粒子重复概率小。
[0150]
步骤5-6，粒子更新。
[0151]
令及
[0152]
步骤5-7，采用基本的粒子滤波算法进行计算。
[0153]
使用上述解算结果完成行人室内导航。
[0154]
以下结合附图及具体实施例对上述方法进行详细解释说明。
[0155]
如图1所示，本实施例提供一种基于多源信息融合的行人室内导航方法，具体方法
技术点如下：
[0156]
s1、提供wi-fi定位位置模型构建功能。
[0157]
能够通过手机内部内置传感器获取导航系统内所有的传感器信息，通过选择位置、信号强度信息，构建行人位置模型。
[0158]
多源信息融合技术的关键在于确定多源信息之间的关系。在导航系统中，多源信息主要包括三轴角速度、加速度、wi-fi信号强度、磁场强度等。构建行人位置模型具体包括：
[0159][0160]
其中表示估计的位置，x(tk)、y(tk)表示前k个位置点对应的位置坐标，ωj(tk)表示相应数据点的权重系数，基于信号强度的权重系数可表示rssi为信号强度。
[0161]
s2、扩展卡尔曼滤波融合模型构建功能。
[0162]
利用建立的模型，通过扩展卡尔曼滤波算法融合位置、速度等信息，计算出实时位置结果。
[0163]
传统卡尔曼滤波仅适用于线性系统，而扩展卡尔曼滤波器是卡尔曼滤波算法的一种，是将传统卡尔曼滤波应用到非线性领域中，传统卡尔曼滤波中的系统矩阵f和观测矩阵h将被f(x)和h(x)代替，随后将非线性系统按照一阶泰勒展开进行线性化。
[0164]
扩展卡尔曼滤波的系统模型为：
[0165]
x
k+1
＝f(xk)+wk[0166]
其中，x
k+1
为第k+1步的状态变量，xk为第k步的状态变量，wk为过程噪声；f()为扩展卡尔曼滤波中的非线性状态函数。
[0167]
实现系统矩阵线性化的方法包括：
[0168][0169]
其中，f
k-1
为f对x偏导的雅克比矩阵，为第k-1步的后验状态估计，x为状态变量。
[0170]
扩展卡尔曼滤波的观测模型为：
[0171]
zk＝h(xk)+vk[0172]
其中，zk为观测变量，vk为观测噪声，h()为扩展卡尔曼滤波中的量测函数；
[0173]
实现观测矩阵线性化的方法包括：
[0174]
[0175]
其中，hk为h(x)对x偏导的雅可比矩阵，为第k步的状态估计。
[0176]
如图2所示，图2给出了本发明的扩展卡尔曼滤波融合模型构建过程。在本实施例中，利用角速度、加速度、位置等多源信息来构建误差模型，具体的扩展卡尔曼滤波更新主要包括以下五个步骤：
[0177]
步骤1，一步状态预测更新：
[0178][0179]
其中，为上一状态的最优值，为当前状态的一步预测值；
[0180]
步骤2，一步预测估计误差协方差矩阵更新：
[0181][0182]
其中，p
k+1|k
为对应的协方差一步预测值，φ
k+1|k
为状态转移矩阵，p
k|k
为对应的协方差，为φ
k+1|k
的转置，qk为过程噪声协方差矩阵；
[0183]
步骤3，计算扩展卡尔曼滤波增益：
[0184][0185]
其中，k
k+1
为扩展卡尔曼滤波增益矩阵，h
k+1
为观测矩阵，为观测矩阵的转置，r
k+1
为测量噪声协方差矩阵；
[0186]
步骤4，由观测向量计算新息，并更新状态估计：
[0187][0188]
其中，为当前状态的最优估计值，z
k+1
为当前观测值，为当前观测预测值。
[0189]
步骤5，更新估计误差协方差：
[0190]
p
k+1
＝[i-k
k+1hk+1
]p
k+1|k
[0191]
其中，p
k+1
为对应的协方差，i为单位矩阵。
[0192]
基于以上五个步骤，完成了扩展卡尔曼滤波中状态向量的更新及对误差值的最优估计。
[0193]
s3、基于粒子滤波与地图匹配融合模型构建功能。
[0194]
基于上述模型的估计结果，在拓展卡尔曼滤波融合模型的基础上进行粒子滤波并且加入地图信息，减少运算量，加快运算速度，降低误差，提高模型精度。
[0195]
与卡尔曼滤波相比较粒子滤波的思想基于蒙特卡洛方法，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子，当样本数量n
→
∞时可以逼近任何形式的概率密度分布。
[0196]
粒子滤波的状态转移方程和观测方程如下：
[0197]
x(t)＝f(x(t-1),u(t),w(t))
[0198]
y(t)＝f(x(t),e(t))
[0199]
其中的x(t)为t时刻状态，u(t)为控制量，w(t)和e(t)分别为状态噪音和观测噪音，粒子滤波从观测y(t)和上个时刻状态x(t-1)，u(t)，w(t)中过滤出t时刻的状态x(t)。
[0200]
参见图3，粒子滤波中的更新方法主要包含以下步骤：
[0201]
步骤1，初始化。
[0202]
将观测值初值xi(k)作为概率密度函数x(0)的初值，由对进行n次抽样，初始wi(k)设为
[0203]
步骤2，一步预测。
[0204]
对每个粒子xi(k)，通过转换公式p(x(k+1)|xi(k))获得一个新的粒子xi(k+1)。
[0205]
步骤3，重要性采样。
[0206]
对于任一粒子xi(k+1)求解它们的权值wi(k+1)＝p(z(k+1)|xi(k+1))。
[0207]
步骤4，归一化。
[0208]
对权值进行归一化处理。
[0209]
步骤5，重采样。
[0210]
根据权重大小对粒子进行重采样，权重大的粒子重复的概率较大，权重较小的粒子重复概率小。
[0211]
步骤6，粒子更新同时加入地图信息。
[0212]
令及
[0213]
由于室内行走区域存在限值，根据地图信息进行地图匹配，当一步预测的粒子越过可通行区域时(如越墙)，则将它的权重值赋为0：
[0214][0215]
步骤7，采用基本的粒子滤波算法进行计算。
[0216]
s4、基于多源信息融合的行人室内导航方法。
[0217]
在上述三个模型构建完成后，基于多源信息融合的行人室内导航方法基本生成。在卫星导航失效时引入该导航模型，预测误差，实时修正各种因素对惯性导航系统造成的定位误差，提高室内行人的定位精度。
[0218]
在wi-fi定位位置模型、扩展卡尔曼滤波融合模型及粒子滤波与地图匹配融合模型构建完成之后，本发明提出的基于多源信息融合的行人室内导航方法基本完成，具体的流程图如图1所示。在行人室内导航系统中，利用多源信息构建好扩展卡尔曼滤波融合模型
及粒子滤波与地图匹配融合模型，在常规卫星导航失效时，利用手机中的内置传感器获得导航系统所需要信息，进而通过本发明的导航方法进行行人室内导航获得行人当前位置信息。
[0219]
综上所述，本实施例方法相对于现有技术，至少具有如下优点及有益效果：
[0220]
(1)本实施例方法通过引入拓展卡尔曼滤波与粒子滤波，改进传统的pdr定位，并且加入地图匹配，减少运算量。
[0221]
(2)本实施例方法基于多源信息融合的行人室内导航方法能够提高行人导航定位效率和精度。
[0222]
(3)本实施例方法中的模型和方法能够适用于大部分行人室内导航系统。
[0223]
本实施例还提供一种基于多源信息融合的行人室内导航装置，包括：
[0224]
至少一个处理器；
[0225]
至少一个存储器，用于存储至少一个程序；
[0226]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0227]
本实施例的一种基于多源信息融合的行人室内导航装置，可执行本发明方法实施例所提供的一种基于多源信息融合的行人室内导航方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0228]
本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0229]
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种基于多源信息融合的行人室内导航方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0230]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0231]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0232]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0233]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0234]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0235]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0236]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0237]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0238]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种基于多源信息融合的行人室内导航方法，其特征在于，包括以下步骤：构建当前室内环境的地图信息，在地图上选取参考点，建立wi-fi指纹库；利用智能终端上的传感器获取多源信息，所述多源信息包括wi-fi信号强度，角速度，速度，加速度以及姿态信息；根据所述wi-fi信号强度和wi-fi指纹库，构建行人的位置模型，得到行人的位置信息；通过所述姿态信息判断智能终端的瞬时姿态，将加速度从载体坐标系转化到导航坐标系，通过步态检测与步长估计获得行人的运动距离；根据多源信息和运动距离，构建行人的运动模型，得到行人的运动信息；根据扩展卡曼滤波算法，构建基于扩展卡尔曼滤波的融合模型，将多源信息以及行人的位置信息进行融合处理，获取融合后的位置信息，完成拓展卡尔曼滤波中状态向量更新及对误差值的最优估计；利用融合后的位置信息，根据地图信息和粒子滤波算法对行人的位置信息进行进一步的修正与更新，完成多源信息融合的行人室内导航。2.根据权利要求1所述的一种基于多源信息融合的行人室内导航方法，其特征在于，所述行人的位置模型的表达式为：其中，表示估计的位置，x(t
k
)、y(t
k
)表示前k个位置点对应的位置坐标，ω
j
(t
k
)表示相应数据点的权重系数，基于信号强度的权重系数可表示rssi为信号强度。3.根据权利要求1所述的一种基于多源信息融合的行人室内导航方法，其特征在于，采用以下方式将加速度从载体坐标系转化到导航坐标系：其中，为导航系到载体系的方向余弦矩阵，c
r
为绕y轴的旋转矩阵，c
p
为绕z轴的旋转矩阵，c
y
为绕x轴的旋转矩阵，γ为绕y轴的旋转角度，p为绕x轴的旋转角度，y为绕z轴的旋转角度。4.根据权利要求1所述的一种基于多源信息融合的行人室内导航方法，其特征在于，所述步态检测的步骤包括：计算整体加速度：
式中，a
x
，a
y
，a
z
为采集的三轴加速度值，通过计算整体加速度a来降低传感器姿态的影响；根据整体加速度，在滑动窗口中获得潜在峰值，利用预设的加速度阈值进行初次判断；计算潜在波峰与前一波峰时间差，利用预设的行走一步时间阈值范围进行二次判断；将潜在波峰处与前后邻域加速度比较，进行三次判断去除伪波峰，若潜在峰值点为最大值则算法记一步，否则不做计步处理。5.根据权利要求1所述的一种基于多源信息融合的行人室内导航方法，其特征在于，所述步长估计为：其中sl为步长，a
max
和a
min
分别为行人纵向加速度的最大值和最小值。6.根据权利要求1所述的一种基于多源信息融合的行人室内导航方法，其特征在于，所述扩展卡曼滤波算法包括：x
k+1
＝f(x
k
)+w
k
其中，x
k+1
为第k+1步的状态变量，x
k
为第k步的状态变量，w
k
为过程噪声；f()为扩展卡尔曼滤波中的非线性状态函数；实现系统矩阵线性化的方法包括：其中，z
k
为观测变量，v
k
为观测噪声，h()为扩展卡尔曼滤波中的量测函数；实现观测矩阵线性化的方法包括：其中，h
k
为h(x)对x偏导的雅可比矩阵，为第k步的状态估计。7.根据权利要求1所述的一种基于多源信息融合的行人室内导航方法，其特征在于，拓展卡尔曼滤波中状态向量更新的步骤包括：一步状态预测更新：式中，为上一状态的最优值，为当前状态的一步预测值；一步预测估计误差协方差矩阵更新：式中，p
k+1|k
为对应的协方差一步预测值，φ
k+1|k
为状态转移矩阵，p
k|k
为对应的协方差，为φ
k+1|k
的转置，q
k
为过程噪声协方差矩阵；计算扩展卡尔曼滤波增益：式中，k
k+1
为扩展卡尔曼滤波增益矩阵，h
k+1
为观测矩阵，为观测矩阵的转置，r
k+1
为
测量噪声协方差矩阵；由观测向量计算新息，并更新状态估计：式中，为当前状态的最优估计值，z
k+1
为当前观测值，为当前观测预测值；更新估计误差协方差：p
k+1
＝[i-k
k+1
h
k+1
]p
k+1|k
式中，p
k+1
为对应的协方差，i为单位矩阵。8.根据权利要求1所述的一种基于多源信息融合的行人室内导航方法，其特征在于，所述根据地图信息和粒子滤波算法对行人的位置信息进行进一步的修正与更新，包括：粒子滤波的状态转移方程和观测方程如下：x(t)＝f(x(t-1),u(t),w(t))y(t)＝f(x(t),e(t))式中，x(t)为t时刻状态，u(t)为控制量，w(t)和e(t)分别为状态噪音和观测噪音，粒子滤波从观测y(t)和上个时刻状态x(t-1)，u(t)，w(t)中过滤出t时刻的状态x(t)；粒子滤波中的更新方法主要包含以下步骤：a1、初始化：将观测值初值x
i
(k)作为概率密度函数x(0)的初值，由对进行n次抽样，初始w
i
(k)设为a2、一步预测：对每个粒子x
i
(k)，通过转换公式p(x(k+1)|x
i
(k))获得一个新的粒子；a3、重要性采样：对于任一粒子x
i
(k+1)求解它们的权值w
i
(k+1)＝p(z(k+1)|x
i
(k+1))；a4、归一化：对权值进行归一化处理：a5、重采样：根据权重大小对粒子进行重采样，权重大的粒子重复的概率较大，权重较小的粒子重复概率小；a6、粒子更新同时加入地图信息：令及由于室内行走区域存在限值，根据地图信息进行地图匹配，当一步预测的粒子越过可通行区域时，则将它的权重值赋为0：a7、采用基本的粒子滤波算法进行计算，根据解算结果完成行人室内定位及导航。
9.一种基于多源信息融合的行人室内导航装置，其特征在于，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-8任一项所述方法。10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述方法。

技术总结
本发明公开了一种基于多源信息融合的行人室内导航方法、装置及介质，其中方法包括：构建当前室内环境的地图信息，建立Wi-Fi指纹库；获取多源信息；构建行人的位置模型，得到行人的位置信息；通过步态检测与步长估计获得行人的运动距离；构建基于扩展卡尔曼滤波的融合模型，将多源信息以及行人的位置信息进行融合处理，获取融合后的位置信息；利用融合后的位置信息，根据地图信息和粒子滤波算法对行人的位置信息进行进一步的修正与更新。本发明引入多源信息融合技术，引入拓展卡尔曼滤波算法和粒子滤波算法，加入Wi-Fi指纹匹配与地图信息，创建合适的模型，修正惯性导航系统中的误差，为系统提供更加安全可靠和精准的位置信息。系统提供更加安全可靠和精准的位置信息。系统提供更加安全可靠和精准的位置信息。


技术研发人员：黎善斌 方辉
受保护的技术使用者：华南理工大学
技术研发日：2023.03.06
技术公布日：2023/7/21