1.一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,包括:步骤1、行人手持移动设备行走,从移动设备的IMU中采集加速度计的加速度幅值、陀螺仪的角速度以及磁力计的三轴数据;
步骤2、根据采集加速度计的加速度幅值、陀螺仪的角速度以及磁力计的三轴数据建立室内行人定位的系统模型,所述系统模型包括基于行人航位推算算法建立用于室内行人定位的位置递推模型,基于载体坐标系相对于导航坐标系的欧拉角建立行人的姿态递推模型,基于高斯-马尔可夫过程建立的行人角速度递推模型,以及对IMU中的陀螺仪建立的系统误差模型;
步骤3、建立室内行人定位的量测模型,所述量测模型包括将IMU中的陀螺仪的输出角速率作为连续时间上的观测量,建立基于陀螺仪的量测模型;定频采集Wi-Fi的AP点与移动设备之间的距离作为辅助观测量,建立基于Wi-Fi的量测模型;
步骤4、根据建立的系统模型和量测模型分别建立基于扩展卡尔曼滤波所描述的线性化系统模型和线性化量测模型;
步骤5、根据扩展卡尔曼滤波算法估计室内行人定位的状态数据。
2.根据权利要求1所述的一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,所述步骤2中基于行人航位推算算法建立用于室内行人定位的位置递推模型具体包括:步骤201A、确定参考坐标系,将行人初始位置的载体坐标系作为位置坐标的参考坐标系;
步骤202A、通过加速度幅值中的波峰值和波谷值得到垂直方向加速度计的输出值avert.,并基于垂直方向加速度计的输出值avert.计算步长信息,其计算公式为:式中,分别为垂直方向加速度计输出值的波峰值与波谷值,κ是通过离散训练得到的步长估计系数;
步骤203A、将计算的步长信息Lk通过航向角投影到导航坐标系下,采用行人航位推算算法,计算从k时刻到k+1时刻时行人在导航坐标系下的位置增量:式中,ΔEk+1和ΔNk+1分别表示在k+1时刻沿着东向和北向的行人位置增量;ψk为k时刻的航向角;
步骤204A、计算k时刻行人与参考坐标系之间的转换矩阵Ct:
式中,ψ0是初始航向角;ψk是k时刻的航向角;
步骤205A、将步骤203A计算的位置增量从导航坐标系下转换到载体坐标系下,再经过转换矩阵Ct转换到参考坐标系,得到用于计算k+1时刻行人相对于参考坐标系的位置递推模型:式中,r=(x y z)T为参考坐标系中使用三轴坐标表示的位置矢量;wr为位置矢量的高斯白噪声;为导航坐标系到载体坐标系的方向余弦矩阵,n为导航坐标系的简称,b为载体坐标系的简称。
3.根据权利要求1所述的一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,所述步骤2中基于载体坐标系相对于导航坐标系的欧拉角建立行人的姿态递推模型为:式中,C3×3是姿态递推模型的系数矩阵:其中,p,γ,ψ分别为行人的姿态角,所述姿态角包括俯仰角、横摇角和航向角;为载体坐标系中的角速度,为在三轴上的分量;角加速度为姿态递推模型的过程噪声。
4.根据权利要求1所述的一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,所述步骤2中基于高斯-马尔可夫过程建立的行人角速度递推模型为:式中,Δt是时间间隔;Tx,Ty,Tz分别为一阶马尔可夫模型的时间相关系数;是角速度递推模型的独立白噪声;是角速率的非零均值。
5.根据权利要求1所述的一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,所述步骤2中对IMU中的陀螺仪建立的系统误差模型为:式中,bg和sg分别为陀螺仪的漂移误差和标度因数误差;为系统误差模型白噪声矢量。
6.根据权利要求1所述的一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,所述步骤3中将IMU中的陀螺仪的输出角速率作为连续时间上的观测量,建立基于陀螺仪的量测模型为:式中,bg为陀螺仪的漂移误差;Sg为标度因数误差矩阵,(sgx,sgy,sgz)为标度因数误差sg在三轴上的分量;Δg为陀螺仪测量矢量的高斯白噪声。
7.根据权利要求1所述的一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,所述步骤3中定频采集Wi-Fi的AP点与移动设备之间的距离作为辅助观测量,建立基于Wi-Fi的量测模型为:式中,(xn,yn,zn)表示第n个AP点的位置,di(i=1,2…n)为第i个AP点与移动设备之间的距离;(x,y,z)表示移动设备的位置递推模型r在三轴上的坐标。
8.根据权利要求1所述的一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,所述步骤4中根据系统模型建立基于扩展卡尔曼滤波所描述的线性化系统模型为:Xk=ΦkXk-1+ΓkWk
式中,Xk为系统模型的状态向量;Φk为状态转移矩阵;Wk为系统模型的过程噪声向量;Γk为Wk的系数矩阵;
所述步骤4中根据量测模型建立基于扩展卡尔曼滤波所描述的线性化量测模型为:Zk=HkXk+Δk
式中,Zk为量测模型的量测向量;Hk为量测矩阵;Δk为量测模型的量测噪声向量。
9.根据权利要求8所述的一种MEMS-IMU和Wi-Fi组合的室内行人定位方法,其特征在于,所述步骤5中根据扩展卡尔曼滤波算法估计室内行人定位的状态数据,具体包括:步骤501、系统模型状态向量的一步预测及其方差矩阵:
步骤502、系统模型状态向量的最优估计及其方差矩阵:
步骤503、系统新息及其方差矩阵:
步骤504、增益矩阵: