徐逸軒

摘要：步長(zhǎng)估計(jì)是基于行人航跡推算室內(nèi)定位中的關(guān)鍵因素，針對(duì)其累計(jì)誤差會(huì)隨著行人行走的距離和時(shí)間的增加隨之變大，傳統(tǒng)的粒子濾波在提高精度的同時(shí)會(huì)造成粒子貧化的問(wèn)題，本文提出一種基于螢火蟲算法修正的步長(zhǎng)估計(jì)方法.該方法首先在傳統(tǒng)的非線性步長(zhǎng)估計(jì)模型中加入了加速度的平均值和行走時(shí)間，得到改進(jìn)的步長(zhǎng)估計(jì)模型.然后結(jié)合改進(jìn)的螢火蟲算法，通過(guò)粒子權(quán)重不斷修正的方式得到動(dòng)態(tài)步長(zhǎng).實(shí)驗(yàn)證明，該方法在一定程度上解決了粒子貧化問(wèn)題，提高了步長(zhǎng)估計(jì)的精度.

關(guān)鍵詞：室內(nèi)定位;行人航跡推算;步長(zhǎng)估計(jì);螢火蟲算法;動(dòng)態(tài)修正

中圖分類號(hào)：TP273

近年來(lái)，室內(nèi)定位的研究受到國(guó)內(nèi)外的廣泛關(guān)注.智能手機(jī)的普及為室內(nèi)定位帶來(lái)了便捷，其中，行人航跡推算算法 [1]因其受環(huán)境的影響較小，定位精度較高，因此得到廣泛關(guān)注.它是在已知行人初始位置的前提下，通過(guò)智能設(shè)備中傳感器測(cè)得的數(shù)據(jù)，得到行人的步頻、步長(zhǎng)和方向角，估計(jì)出行人的位置和運(yùn)動(dòng)軌跡.在行人航跡推算算法中，步長(zhǎng)的估算起著關(guān)鍵性的作用，可以理解為步長(zhǎng)精度的準(zhǔn)確性直接影響著行人位置估計(jì)的準(zhǔn)確性.

常見的步長(zhǎng)估計(jì)方法包括線性估計(jì)模型和非線性估計(jì)模型 [2]，其中，非線性估計(jì)模型具有較高的準(zhǔn)確性和實(shí)時(shí)性，因此被廣泛使用.傳統(tǒng)的非線性步長(zhǎng)估計(jì)模型 [3]利用行人的步長(zhǎng)與行走時(shí)的加速度之間的非線性關(guān)系，建立數(shù)學(xué)估計(jì)模型來(lái)計(jì)算步長(zhǎng).但是隨著行人行走距離和時(shí)間的增加，累積誤差會(huì)隨之變大.目前大部分的慣性傳感器定位系統(tǒng)會(huì)使用粒子濾波來(lái)提高定位精度，例如采用粒子濾波算法 [4]結(jié)合不同的定位數(shù)據(jù)（如地圖信息）來(lái)修正定位結(jié)果.但是，當(dāng)需要大量的粒子來(lái)保證跟蹤的準(zhǔn)確性時(shí)，粒子濾波算法會(huì)造成粒子貧化 [5]問(wèn)題，因而影響定位精度.針對(duì)上述問(wèn)題，本文提出一種基于螢火蟲算法修正的步長(zhǎng)估計(jì)方法.本文結(jié)合改進(jìn)的螢火蟲粒子濾波算法 [6]，通過(guò)粒子權(quán)重不斷修正的方式來(lái)得到動(dòng)態(tài)步長(zhǎng)，一定程度上解決了粒子貧化問(wèn)題，提高了步長(zhǎng)估計(jì)的精度.

1 基于螢火蟲算法的動(dòng)態(tài)修正步長(zhǎng)方法

1.1 行人航跡推算之步長(zhǎng)估計(jì)

由圖 1可看出，改進(jìn)的螢火蟲粒子濾波算法經(jīng)過(guò)迭代尋優(yōu)，比傳統(tǒng)粒子濾波的狀態(tài)預(yù)測(cè)精度較高，估計(jì)誤差明顯較小.

為了對(duì)所提出步長(zhǎng)估算方法的性能進(jìn)行測(cè)試與分析，本文選取了計(jì)算機(jī)學(xué)院六樓走廊為測(cè)試場(chǎng)景，走廊長(zhǎng)約 45m.采用 Android系統(tǒng)的智能手機(jī)做為整個(gè)實(shí)驗(yàn)的設(shè)備，其型號(hào)為 Honor 10，版本為 Android 9，用以采集實(shí)驗(yàn)所需的相關(guān)數(shù)據(jù).然后借助 Matlab平臺(tái)計(jì)算完成本文方法和傳統(tǒng)方法的對(duì)比試驗(yàn)，并進(jìn)行數(shù)據(jù)分析.

實(shí)驗(yàn)時(shí)，行人手持智能手機(jī)，以均刀的速度在走廊沿直線行走 40m，采集到加速度計(jì)、陀螺儀和磁力計(jì)的數(shù)據(jù)，然后在 Matlab中進(jìn)行步長(zhǎng)的估算.為了驗(yàn)證本文方法的有效性和可行性，利用同一組數(shù)據(jù)，用了兩種對(duì)比方法分別做了 10次實(shí)驗(yàn).其中，PF步長(zhǎng)估計(jì)代表基于粒子濾波算法的傳統(tǒng)非線性步長(zhǎng)估計(jì)方法，F(xiàn)A-PF步長(zhǎng)估計(jì)代表本文基于螢火蟲粒子修正的步長(zhǎng)估計(jì)方法.經(jīng)過(guò)實(shí)驗(yàn)，得到這兩種算法的誤差比較如圖 2所示：

如圖 2所示，相比于基于粒子濾波算法的傳統(tǒng)非線性步長(zhǎng)估計(jì)方法，本文提出的基于螢火蟲算法修正的步長(zhǎng)估計(jì)方法，整體誤差明顯減小.進(jìn)一步分析可得，10組定位實(shí)驗(yàn)的誤差均值由原來(lái)的 4.6m減少到 2.2m.實(shí)驗(yàn)結(jié)果表明，該方法在一定程度上提高了步長(zhǎng)估計(jì)的精度.

3 結(jié)束語(yǔ)

基于 PDR的室內(nèi)定位方法中，步長(zhǎng)估計(jì)是關(guān)鍵因素，但是隨著行人行走距離和時(shí)間的增加，累積誤差會(huì)隨之變大，傳統(tǒng)的粒子濾波算法在提高精度的同時(shí)會(huì)造成粒子貧化問(wèn)題.針對(duì)上述問(wèn)題，本文提出一種基于螢火蟲算法修正的步長(zhǎng)估計(jì)方法.首先，本文在傳統(tǒng)的非線性步長(zhǎng)估計(jì)模型中加入了加速度的平均值和行走時(shí)間，得到改進(jìn)的步長(zhǎng)估計(jì)模型.然后結(jié)合改進(jìn)的螢火蟲粒子濾波算法，通過(guò)粒子權(quán)重不斷修正的方式來(lái)得到動(dòng)態(tài)步長(zhǎng).經(jīng)過(guò)實(shí)驗(yàn)證明，該方法在一定程度上解決了粒子貧化問(wèn)題，提高了步長(zhǎng)估計(jì)的精度.

參考文獻(xiàn)

[1]寇彩云，張會(huì)清，王普.基于慣性傳感器的行人室內(nèi)定位算法[J]. 傳感器與微系統(tǒng)，2019，38（01）：143-146.

[2]Kang W，Han Y. SmartPDR：Smartphone-Based Pedestrian DeadReckoning for Indoor Localization[J]. IEEE Sensors Journal，2015，15（5）： 2906-2916.

[3]Kang W，Han Y. SmartPDR：Smartphone-Based Pedestrian DeadReckoning for Indoor Localization[J]. IEEE Sensors Journal，2015，15（5）： 2906-2916.

[4]林慶，王新.基于改進(jìn)的粒子濾波算法的目標(biāo)跟蹤[J].信息技術(shù)，2017（10）.

[5]Foo P H，Ng G W.Combining the interacting multiple model method withparticle filters for manocuvring target tracking.IET Radar，Sonarand Navigation，2011，5（3）：234一 255

[6]Horng M H. Vector quantization using the firefly algorithm for imagecompression. Expert Systems with A pplications，2012，39（1）：1078-1091

[7]Lundquist C，Karlsson R，Ozkan E，Gustafsson F. Tire radii estimation using a marginalized particle filter. IEEE Trans-actions on Inteligent Transportation Systerms，2014，15（2）：663-672

[8]Zhou Tianrun，Ouyang Yini，Wang Rui，et al. Particle filter based on real-time compressive tracking [C]//Proc of International Conference onAudio.Piscataway，NJ：IEEE Press，2017：754-759.

[9]YANG X S. Firefly algorithm，stochastic test functions and designoptimization [J]. International Journal of Bio-Inspired Computation，2010， 2（2）： 78-84.

[10]Xian W M，Long B，LiM， Wang H J. Prognostics of lithium-ion batteriesbased on the verhulst model， particle swarm optimization and particle filter. IEEETransactions on In-strumentation and Measurement，2013，63（1）：2-17

[11]程美英，倪志偉，朱旭輝.螢火蟲優(yōu)化算法理論研究綜述[J].計(jì)算機(jī)科學(xué)，2015，42（4）：19-24.

[12]Chen J，Ou G，Peng A，et al. An INS/Floor-Plan Indoor Localization System Using the Firefly Particle Filter[J]. ISPRS International Journal ofGeo-Information，2018，7（8）.