多传感器行人航位推算方法和UKF融合算法研究

摘要

随着移动互联网快速的崛起，定位与导航技术被应用在诸多领域。在室外空旷的环境下，利用卫星信号的全球定位系统（Global Positioning System，GPS）可以较好地获得用户位置信息，然而在室内环境下，卫星信号受到阻隔很难获得准确的位置信息。目前，惯性导航系统（InertialNavigation System，INS）依靠惯性测量单元（Inertial Measurement Unit，IMU）已成为主要的自主导航系统，但是高精度的IMU体积大且价格昂贵，很难推广使用。
　　近些年，智能移动设备已经在人们生活中普及，且大部分都含有IMU等传感器。因此，本文利用智能移动设备的低成本传感器，提出了一种基于多传感器的室内行人航位推算方法，并且针对低成本传感器的问题，设计了相对应的误差修正模型，主要分为以下三个部分：
　　1、初始对准：初始对准可以使INS所描述的坐标系与导航坐标系相重合，同时让计算机在正式工作的时候有正确的初始值。由于基于智能移动设备的IMU更易受到设备中其他元件的干扰。所以，本文研究在初始对准的精对准阶段引入无迹卡尔曼滤波，并且融合多传感器的数据，对多传感器误差进行修正，从而获取精确的初始信息。
　　2、运动状态检测模型：行人运动时通过IMU获取正确的运动状态信息对于行人航位推算方法解算高精度位置、速度和姿态信息至关重要。当行人步伐状态差别较大时，仅依靠加速度计很难获取正确的行人步态信息。本文研究在智能移动设备多传感器硬件平台的基础上，利用加速度计、陀螺仪获取的运动数据，设定四种阈值条件进行步伐状态检测。
　　3、多传感器行人航位推算方法：在初始对准、运动状态检测模型的基础上，对于多传感器工作时夹杂噪声和解算时误差累积的问题，提出一种基于无迹卡尔曼滤波的零速度更新、零角速率更新和磁力计融合的方法，有效地对航向角以及速度误差进行修正。经过多次实验以及数据分析，利用本文提出的方法得到的平均位置偏差占总路程的1.57％，可较好的满足室内定位需要。

目录

声明

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 主要研究工作

1.4 本文结构安排

第2章 惯性导航基础及相关定位系统

2.1 地球相关描述

2.2 导航常用的坐标系

2.3 坐标系转换

2.4 相关定位系统

2.5 本章小结

第3章 捷联惯导数字算法

3.1 四元数基本概念

3.2 惯性导航微分方程

3.3 姿态更新算法

3.4 速度更新

3.5 位置更新

3.6 本章小结

第4章 卡尔曼滤波理论

4.1 线性卡尔曼滤波

4.2 非线性卡尔曼滤波

4.3 初始对准

4.4 本章小结

第5章 多传感器行人航位推算系统设计与分析

5.1 整体方案

5.2 多传感器行人航位推算系统

5.3 实验结果仿真及分析

5.4 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻读学位期间的研究成果