安卓移动终端室内定位系统设计与实现

发布时间：2017-10-20 09:22

  本文关键词：安卓移动终端室内定位系统设计与实现

  更多相关文章： 室内定位 指纹定位 惯性导航 机器学习 传感器

【摘要】：随着移动互联网技术的迅速发展以及基于位置服务(LBS)需求的日益增加,室内定位技术随之快速发展。目前,人们对基于移动终端的各种室内定位技术进行了广泛研究。例如,基于WiFi的定位技术、基于蓝牙的定位技术、基于图像的定位技术以及基于惯性传感器的惯性导航技术等。其中,基于惯性传感器的惯性导航技术不依赖于外部信号,具有稳定性高、成本低的优点;基于WiFi的定位技术因WiFi接入点(AP)的遍布性,具有较好的推广性,尤其是WiFi指纹定位技术,其具有精度高、成本低和实现简单等优点。本文围绕着基于惯性传感器的行人惯性导航技术、WiFi指纹定位技术及机器学习定位技术,对定位算法的精度、计算复杂度以及稳定性等方面做了深入研究。具体地,论文主要完成以下工作。首先,本文分析了现有惯性导航定位技术的原理及影响其定位精度的主要原因。经研究发现,现有的行人惯性导航技术中步态检测算法在慢速行走情况下的准确率有待提高,标准粒子滤波算法应用于环境复杂的室内场景中其性能有待优化。因此,本文提出了一种动态功率阈值调整的步态检测方法,有效提高了行人步态检测准确率;同时加入地图信息改进了粒子滤波算法,提高了行人惯性导航精度。最后把所提方法在Android平台实现并做了相应测试。实验结果表明,所提方法比传统方法定位精度更准确。进一步,分析了行人惯性导航定位方法在实际应用中存在的主要问题,即累积误差问题。针对该问题,选择了WiFi指纹定位技术,提出WiFi指纹辅助的行人惯性导航技术,通过所提联合定位算法定时校正行人惯性导航的位置。并把所提方法在Android平台实现并完成相应测试。实验结果表明,所提定位技术可以有效解决行人惯性导航累积误差问题,且具有较高的精度与稳定性。最后,对机器学习室内定位技术进行了研究,分析了多种机器学习算法的定位精度及计算时间。选择了定位精度较高的机器学习算法,利用该算法定位精度高,行人惯性导航技术实时性好的优点,提出机器学习算法与行人惯性导航相结合的定位技术。把所提方法在Android平台实现并完成测试。实验结果表明,相比较于指纹定位法及上面所提定位技术,该方法具有更高的定位精度。
【关键词】：室内定位 指纹定位 惯性导航 机器学习 传感器
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN92
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 选题背景与研究意义9-10
• 1.2 课题研究现状与趋势10-12
• 1.2.1 基于基础设施的有源定位技术10-11
• 1.2.2 基于自身传感器的无源定位技术11-12
• 1.3 论文主要贡献12
• 1.4 论文内容安排12-15
• 第2章 室内定位理论基础15-27
• 2.1 惯性导航技术15-21
• 2.1.1 常用坐标系16-17
• 2.1.2 常用坐标系之间转换17-19
• 2.1.3 行人航迹推算技术19-21
• 2.1.4 粒子滤波技术21
• 2.2 WiFi定位技术21-26
• 2.3 多种技术融合定位26
• 2.4 本章小结26-27
• 第3章 行人惯性导航技术研究27-43
• 3.1 行人步态检测27-33
• 3.1.1 加速度信号处理29-30
• 3.1.2 步态判别30-31
• 3.1.3 动态阈值调整31-33
• 3.2 航向检测33-35
• 3.3 步长估计35
• 3.4 地图匹配的粒子滤波算法35-38
• 3.5 实验结果与分析38-41
• 3.6 本章小结41-43
• 第4章 WiFi指纹辅助的行人惯性导航技术43-61
• 4.1 系统原理概述43-44
• 4.2 系统各模块原理44-49
• 4.2.1 WiFi指纹定位44-47
• 4.2.2 联合定位算法47-49
• 4.3 定位系统的实现49-53
• 4.4 实验结果与分析53-59
• 4.5 本章小结59-61
• 第5章 机器学习与行人惯性导航联合定位61-73
• 5.1 系统原理概述61-62
• 5.2 系统各模块原理62-67
• 5.2.1 机器学习定位62-66
• 5.2.2 联合定位66-67
• 5.3 定位系统的实现67-70
• 5.4 实验结果与分析70-71
• 5.5 本章小结71-73
• 结论73-75
• 1 全文总结73
• 2 未来工作展望73-75
• 参考文献75-79
• 攻读硕士学位期间所发表的学术论文79-81
• 致谢81

，

本文编号：1066492