الگوریتم یکپارچه سازی نقشه PDR/مگنتومتر/طبقه بهبود یافته برای موقعیت یابی همه جا با استفاده از فیلتر کالمن بدون بو تطبیقی

خلاصه

در این مقاله، طرحی برای ادغام یک واحد اندازه‌گیری اینرسی (IMU) و یک نقشه کف برای ارائه موقعیت‌یابی در همه جا در تعدادی از تنظیمات، مانند یک سوپرمارکت به عنوان راهنمای خرید، در یک سرویس اضطراری آتش نشانی ارائه شده است. ناوبری، یا با یک بیمار بیمارستانی که باید ردیابی شود. ابتدا، چندین الگوریتم تشخیص سرعت صفر (ZDET) با هم مقایسه شده و در هنگام استفاده در تشخیص ایستا یک عابر پیاده مورد بحث قرار می گیرند. با معرفی اطلاعات در مورد سرعت صفر عابر پیاده، ترکیب شده با اندازه‌گیری مغناطیس‌سنج، یک مدل بهبود یافته محاسبه مرده عابر پیاده (PDR) برای محدود کردن خطاهای انباشته مرتبط با موقعیت‌یابی PDR ایجاد می‌شود. دوم، یک الگوریتم تطبیق همبستگی بر اساس طرح ریزی نقشه (CMAP) ارائه شده است، و یک تقسیم منطقه از یک نقشه طبقه برای ادغام الگوریتم PDR نشان داده شده است. در نهایت، به منظور استفاده از ویژگی‌های دینامیکی مسیر عابر پیاده، فیلتر کالمن بدون عطر تطبیقی (A-UKF) برای ادغام محکم IMU، مغناطیس‌سنج‌ها و نقشه کف برای موقعیت‌یابی در همه جا اعمال می‌شود. نتایج یک آزمایش میدانی انجام شده در طبقه چهارم ساختمان دانشکده علوم محیطی و انفورماتیک فضایی (SESSI) در پردیس دانشگاه معدن و فناوری چین (CUMT) تایید می‌کند که طرح پیشنهادی می‌تواند به طور قابل اعتمادی به موقعیت‌یابی در سطح متر دست یابد.

کلید واژه ها:

تشخیص سرعت صفر ; فیلتر کالمن بدون عطر تطبیقی ; زاویه سمت ؛ مطابقت نقشه طبقه ; واحد اندازه گیری اینرسی ; محاسبه مردگان عابر پیاده

چکیده گرافیکی

1. معرفی

محاسبه مردگان عابر پیاده (PDR) [ 1 ، 2 ] یک تکنیک اولویت برای اولین پاسخ دهنده سیستم موقعیت یابی همه جا حاضر است. چندین الگوریتم موقعیت یابی در طول ده سال گذشته توسعه یافته است.

مدل اصلی PDR شامل سه مولفه است: تشخیص گام، تخمین طول گام و تخمین زاویه سمت [ 3 ، 4 ]. اندازه گیری شتاب به دلیل تناوب بودن الگوی راه رفتن عابر پیاده، انتخاب ایده آلی برای تشخیص گام است. آنها به زیرساخت های کمی یا بدون نیاز به پیش نصب در ساختمان ها نیاز دارند، اما بدون مرجع خارجی، خطاها به سرعت ایجاد می شوند [ 5 ].

در یک الگوریتم استاندارد PDR، تعداد و طول گام با استفاده از آستانه شتاب عمودی شناسایی می‌شوند و دقت نتایج به خوبی تخمین‌ها نیست. در عمل هنگام راه رفتن سرعت یک پا در حالت نشستن باید صفر باشد. بنابراین، با توجه به الگوهای مختلف راه رفتن کاربران مختلف، می توان از اطلاعات سرعت صفر که می تواند نتیجه موقعیت را بهبود بخشد، برای تشخیص گام و محاسبه طول گام استفاده کرد.

در همین حال، تعیین جهت نیز یک مسئله ضروری برای الگوریتم PDR است که نیاز به توجه دارد زیرا حسگر بعید است که محور محور باشد. در طول چرخه راه رفتن به طور مداوم با توجه به قاب ناوبری (N-frame) می چرخد. بنابراین، ما باید چرخش سنسور را با استفاده از سرعت های زاویه ای ارائه شده توسط ژیروسکوپ و شدت میدان مغناطیسی (MFS) از مغناطیس سنج ردیابی کنیم. با این حال، هر دو محدودیت های مرتبط خود را دارند.

علاوه بر این، همانطور که می دانیم، خطاهای اندازه گیری به ناچار در داده های حسگر وجود دارند و یک ادغام سه گانه منجر به رشد بالقوه مکعبی در زمان (رانش) می شود. در نظر گرفتن رانش پیامدهایی بر بستن منظم حلقه یکپارچه سازی با اعمال محدودیت های خارجی به سیستم دارد. گسترده ترین محدودیت PDR توسط Zero Velocity Updates (ZUPTs) [ 6 ، 7 ، 8 ] ارائه شده است که در این مقاله نیز استفاده شده است [ 9 ].

از این رو، اطلاعات نقشه طبقه برای این نوع تحقیقات مهم است. برای غلبه بر محدودیت‌هایی که قبلاً توضیح دادیم، می‌توان از نقشه کف برای کالیبره کردن بیشتر سوگیری و تصحیح نتایج موقعیت‌یابی نامعقول استفاده کرد و ردیابی راه رفتن را تحت کنترل نگه داشت. این کار با اصلاح وزن اطلاعات موقعیت یا تصحیح زاویه سمت و سایر موارد کار می کند. به عنوان مثال، ترکیب اندازه‌گیری‌های ژیروسکوپ با استفاده از نقشه کف، امکان تصحیح جهت‌گیری را تنها با استفاده از کمک‌های نقشه [ 10 ، 11 ] فراهم می‌کند و خطاهای عنوان بزرگ از طریق محدودیت‌های هندسی دوربرد که توسط فیلترهای ذرات (PFs) استفاده می‌شوند، حذف می‌شوند [ 2] . ، 11 ، 12]. متأسفانه تعداد زیاد ذرات چنین الگوریتم هایی را از نظر عملیات بلادرنگ غیرواقعی می کند. از این رو، فیلتر کالمن بدون بو، که به تعداد محدودی از ذرات نیاز دارد (2 n +1، که در آن n نشان دهنده بعد بردار حالت است) و همچنان مزیت فیلتر کالمن را به همراه دارد، برای این مطالعه انتخاب شده است.

علاوه بر این، همچنین به خوبی شناخته شده است که بررسی‌های بسیاری در مورد سیستم‌های موقعیت‌یابی مختلف در ادبیات وجود دارد، مانند WiFi [ 13 ، 14 ]، UWB [ 15 ، 16 ]، RFID [ 17 ، 18 ]، Zigbee [ 19 ، 20 ]، و مکان مبتنی بر تصویر (IBL) [ 21 ، 22 ]، در میان دیگران. با این حال، اکثر آنها نیاز به یک تسهیلات اساسی برای پشتیبانی از تشخیص خود دارند. در این مقاله، سرعت صفر شناسایی شده و برای توسعه یک مدل PDR بهبود یافته استفاده می‌شود، و پس از آن، از آن برای ترکیب توپولوژی نقشه طبقه استفاده می‌شود تا موقعیت دقیق‌تری را بدون هیچ گونه آماده‌سازی سخت‌افزاری دیگر ارائه دهد.

در این مقاله، طرحی برای موقعیت‌یابی فضای داخلی با ترکیب نقشه طبقه و داده‌های حسگر برای به دست آوردن یک نتیجه ناوبری هیبریدی داخلی در زمان واقعی ارائه شده است. در مقایسه با فناوری موجود، ادغام روش تشخیص سرعت صفر و فرکانس نمونه‌برداری بالا می‌تواند دقت و حساسیت تشخیص گام و تخمین طول گام را تا حدودی بهبود بخشد. علاوه بر این، یک فیلتر کالمن بدون عطر تطبیقی (A-UKF) برای ترکیب اطلاعات نقشه با نتیجه PDR بهبود یافته، به عنوان مصالحه ای برای در نظر گرفتن دقت و بار محاسباتی (CL) ارائه شده است. در بخش 2 ، یک نوع روش تشخیص سرعت صفر پیشنهاد شده است، و بخش 3تئوری اساسی را برای تطبیق نقشه مورد استفاده در این روش پیشنهاد می کند. متعاقباً، یک الگوریتم همجوشی مبتنی بر A-UKF در بخش 4 نشان داده شده است . سپس، بخش 5 روش های مورد استفاده در این مطالعه را شرح می دهد. بخش 6 تجهیزات و محیط آزمایش ها و طرح های آزمایشی را برای تأیید صحت و استحکام ایده فهرست می کند که همچنین مورد تجزیه و تحلیل قرار می گیرد. در نهایت، بخش 7 مقاله را به پایان می رساند.

2. یک مدل PDR بهبود یافته

2.1. تشخیص سرعت صفر

الگوریتم ZDET بدون توجه به کاربر و الگوهای جابجایی (راه رفتن، دویدن، راه رفتن کنار، متقاطع) قابل اطمینان ترین و همه کاره ترین روش در نظر گرفته می شود [ 23 ]. همانطور که از نام آن پیداست، در وضعیت پا، سرعت صفر است، در حالی که v ، که با ادغام شتاب آزاد به دست می‌آید، باید زیر مقداری از آستانه مشخص δ باشد. با این حال، به دلیل نویز اندازه‌گیری و بایاس شتاب‌سنج‌ها، نویز زدایی باید اعمال شود. الگوریتم در زیر توضیح داده شده است.

2.1.1. پردازش شتاب

از آنجایی که اندازه‌گیری‌های شتاب دارای نویز و خطاهای فاحش هستند، یک مدل پردازش قبل از توسعه مدل PDR مورد نیاز است.

(1)

شتاب های گرفته شده را تغییر دهید. acc _i از قاب B (B) به قاب ناوبری (N) تبدیل می شود همانطور که شکل 1 در زیر با استفاده از ماتریس چرخش نشان می دهد:

a c c_{i}^{N} = R_{B \to N} \cdot a c c_{i}^{b}

; سپس، تأثیر گرانش از بین می رود.

(2)

شتاب را در هر رویداد موضعی فیلتر کنید:

(آ): قدر شتاب سنج را محاسبه کنید: $a c c_m a g = \sqrt{a c c X^{2} + a c c Y^{2} + a c c Z^{2}}$ ، جایی که $a c c X$ ، $a c c Y$ و $a c c Z$ شتاب سه محوره را در کادر ناوبری نشان می دهد.
(ب): داده های شتاب سنج فیلتر High-Pass (HP). فیلتر دیجیتال و آنالوگ Butterworth که نوعی فیلتر معمولی HP/LP می باشد در این الگوریتم استفاده شده است: $[b, a] = B U T T E R (N, W n,' s')$ ، که در آن N برابر با 1 و ” s ” برابر با “بالا” است. $W n$ باید 0.0 < را برآورده کند $W n$ < 1.0، با 1.0 مربوط به نیمی از نرخ نمونه.

سپس،

a c c_m a g F i l t = filtfilt (b, a, a c c_m a g)

تابع انتقال [ 24 ] است:

اچ (ها) = ب ( 1 ) س n + b ( 2 ) س n - 1 + Λ + b ( n + 1 ) س n + a ( 2 ) س n + Λ + a ( n + 1 )

(1)

شکل 1. تصویر دو سیستم مختصات.

2.1.2. مدل تشخیص سرعت صفر (ZDET).

ما در مورد بهترین مدل برای تشخیص سرعت صفر (ZDET) برای همه موقعیت‌ها اتفاق نظر نداریم. از این رو، در این آزمایش، چهار نوع مدل آشکارساز ارائه شده توسط نیلسون [ 9 ]، به عنوان طرح‌های جایگزین انتخاب شده‌اند. در زیر ارائه می شوند:

(1): آزمون نسبت احتمال تعمیم یافته (GLRT)

تی = \sum i = 1 n ( g ( من ) تی * g ( من ) ε 2 g + f ( من ) تی * f ( من ) ε 2 f ) n

(2)

جایی که $g (i)$ و $f (i)$ نشان دهنده داده های ژیروسکوپ سه محوره و شتاب آزاد به ترتیب و $ϵ_{g}$ و $ϵ_{f}$ انحراف استاندارد نویز مربوطه را نشان می دهد. در همین حال، n اندازه پنجره آشکارساز سرعت صفر را نشان می دهد و T آماره تست آشکارساز است.

(2): تست واریانس اندازه گیری شتاب سنج (MV)

تی = \sum i = 1 n ( a ( i ) - a v g ) تی * ( a ( i ) - a v g ) ε 2 f n

(3)

جایی که $a (i)$ نشان دهنده داده های خام در شتاب سه محوره و $a v g$ نشان دهنده مقدار متوسط شتاب از 1 تا n است .

(3): تست بزرگی اندازه گیری شتاب سنج (MAG)

تی = \sum i = 1 n ( n o r m ( a ( i ) ) - g r a v ) 2 ε 2 f n

(4)

جایی که $n o r m$ خطی سازی است و $g r a v$ گرانش محلی را نشان می دهد.

(4): تست انرژی اندازه گیری نرخ زاویه ای (ARE)

تی = \sum i = 1 n ( n o r m ( g ( من ) ) ) 2 ε 2 f n

(5)

برای تأیید صحت چهار طرح، آنها را در شرایطی مشابه سایت آزمایشی خود (با گوشه ها و خطوط) آزمایش کردیم و نتایج در زیر نشان داده شده است:

همانطور که در جدول 1 مشاهده می کنیم ، کوواریانس شکاف بین نتیجه اندازه گیری شده و مسیر واقعی را برای هر مرحله نشان می دهد. GLRT و ARE بسیار بهتر از دو مدل دیگر عمل می کنند. بنابراین ما GLRT را به عنوان مدل ZDET خود در آزمایش ها انتخاب می کنیم.

جدول 1. کوواریانس چهار مدل تشخیص سرعت صفر (ZDET).

2.2. تخمین طول مرحله

(1): تشخیص شتاب پس از گام در هر مرحله، $a c c_{i}^{N}$ ، برای به دست آوردن سرعت خطی یکپارچه شده است $v e l_{i}^{N}$ : $v e l_{i}^{N} = v e l_{i}^{N} + a c c_{i}^{N} / S a m p l e R a t e$ . وقتی پا ثابت است سرعت را صفر می کنیم [ 25 ].
(2): افزایش موقعیت را در مرحله k بدست می آوریم ، $Δ P_{k} = (Δ P_{k} (n o r t h), Δ P_{k} (e a s t), Δ P_{k} (u p))$ با ادغام نمونه های سرعت تصحیح شده، $v e l_{i}^{N}$ ، در هر مرحله:

$Δ پ ک = \sum j = i (k - 1) من (k) v e ل ن من / اس a m p l e R a t e$

(6)
(3): SL 2D با گرفتن فاصله دکارتی افقی افزایش موقعیت محاسبه می شود:

$اس L ز U پ تی ک = Δ پ ک (n o r t h) 2 + Δ پ ک (e a s t) 2 - - - - - - - - - - - - - - - - - - - - - \sqrt$

(7)

نتایج تخمین طول گام برای مدل های پیاده روی و دویدن مربوطه در جدول 2 نشان داده شده است :

جدول 2. تشخیص راه رفتن بر اساس الگوریتم ZDET.

نتایج نشان می‌دهد که دقت پیاده‌روی و دویدن برای چندین آزمایش با آزمایشگر یکسان، اما مراحل مختلف، به ترتیب بالای 90% و 85% است (در مقایسه با حقیقت زمین)، که نشان می‌دهد روش توسعه‌یافته روشی قابل اعتماد برای آزمایش‌های داخل ساختمان است. .

2.3. تعیین سرفصل با ترکیب داده های ژیروسکوپ و مغناطیس سنج

تعیین سرفصل جزء مهمی از موقعیت یابی مبتنی بر PDR است. زاویه سمت ψ به عنوان زاویه چرخش حول محور Z نسبت به افق/زمین تعریف می شود که می توان با استفاده از یک ژیروسکوپ ادغام شده با یک مغناطیس سنج و همچنین توسط یک میدان مغناطیسی تخمین زد.

ابتدا، داده های مغناطیس سنج و ژیروسکوپ را با استفاده از الگوریتم تخمین عنوان ارائه شده توسط Wonho Kang در [ 21 ] ترکیب می کنیم. زاویه هدینگ ذوب شده به صورت زیر محاسبه می شود:

⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ θ ک = α θ k - 1 + β θ m ، k + γ θ g ، ک ، θ Δ ، ج \leq θ ج ، θ Δ ، m \leq θ متر θ ک = β θ m ، k + γ θ g ، ک ، θ Δ ، ج \leq θ ج ، θ Δ ، m ＞ θ متر θ ک = α θ k - 1 ، θ Δ ، ج ＞ θ ج ، θ Δ ، m \leq θ متر θ ک = α θ k - 1 + γ θ g ، ک ، θ Δ ، ج ＞ θ ج ، θ Δ ، m ＞ θ متر θ Δ ، ج = | θ m ، k - θ g ، ک | ، θ Δ ، m = | θ m ، k - θ m ، k - 1 | .

(8)

که در آن m و n به ترتیب نشان‌دهنده مغناطیس‌سنج و ژیروسکوپ هستند و α ، β و γ وزن‌های اندازه‌گیری جریان از ژیروسکوپ و مغناطیس‌سنج هستند. $θ_{m, k}$ و $θ_{g, k}$ اندازه گیری های بدست آمده توسط ژیروسکوپ و مغناطیس سنج را به ترتیب نشان می دهد $k^{t h}$ گام. $θ_{m}$ انحراف استاندارد مغناطیس سنج است و $θ_{c}$ همبستگی بین مغناطیس سنج و قرائت ژیروسکوپ است. $θ_{Δ, c}$ تفاوت بین است $θ_{m, k}$ و $θ_{g, k}$ . $θ_{Δ, m}$ تفاوت در قرائت های مغناطیس سنج بین دو مرحله متوالی k و k-1 است .

شکل 2. آزمایشی از همجوشی سرفصل.

شکل 2 نتایج ادغام آزمایشی را نشان می دهد که برای آن فردی با یک گوشی هوشمند که محکم در دست داشت ده ها قدم به جلو رفت و سپس از اولین گوشه (پیچ تقریباً 38.5 درجه) عبور کرد. پس از یک راهرو طولانی، آزمایشگر در نهایت به سمت چپ چرخید (تقریباً 90 درجه) و به مقصد رسید. نتایج نشان می‌دهد که اندازه‌گیری‌های شبه هد ثبت‌شده توسط مغناطیس‌سنج قبل و بعد از چرخش به‌طور قابل‌توجهی توسط الگوریتم پیشنهادی هموار می‌شوند و نوسانات را تا حدی کاهش می‌دهند [12 ] .

2.4. PDR بهبود یافته

در زیر نمودار جریان ( شکل 3 ) برای روش بهبود یافته PDR ارائه شده است:

شکل 3. نمودار جریان PDR بهبود یافته.

در مقایسه با روش سنتی PDR، ZDET می‌تواند سرعت را صفر نشان دهد، که خطای باقیمانده در سرعت را حذف می‌کند.

3. الگوریتم تطبیق نقشه طبقه

تطبیق نقشه نوعی روش کالیبره شده با موقعیت مبتنی بر فناوری نرم افزار است که به عنوان نوعی فناوری شبه اندازه گیری استفاده می شود. ایده اصلی شامل مقایسه نتایج محلی‌سازی و منطقه قابل عبور در نقشه طبقه است که مناسب‌ترین مسیر را باید پیدا کرد. برای کالیبره کردن خطای انباشته شده می توانیم از نقطه علاقه (POI) مانند یک گوشه استفاده کنیم. در یک مفهوم گسترده، تطبیق نقشه در موقعیت یابی داخلی را می توان در یک دسته برنامه ترکیبی به جای یک دسته مدل چارچوب [ 26 ] طبقه بندی کرد.

3.1. الگوریتم تطبیق همبستگی بر اساس طرح ریزی (CMAP)

CMAP نوعی الگوریتم تطبیق است که شامل نگاشت نقاط به قوس است. همانطور که در شکل 4 نشان داده شده است ، زمانی که موقعیت کاربر (نقطه P ) از منطقه بافر تنظیم شده بیشتر است، با مقایسه فواصل مربوطه ( d ₁ ، d ₂ و d ₃ ) بین نقطه P و هر خط ( L ₁ ، L ₂ و L ₃) یک راه حل بهینه که موقعیت کاربر را با نزدیکترین خطوط به جای گره ها و نقاط تیز مطابقت دهد («نزدیک ترین» در اینجا نشان دهنده کوتاه ترین فاصله بین ترمینال و جاده است) می تواند تعیین شود. در بیشتر موقعیت ها، این استراتژی بهتر از روش نقطه به نقطه (P2P) عمل می کند [ 10 ].

شکل 4. نمایش الگوریتم تطبیق همبستگی بر اساس طرح ریزی (CMAP).

3.2. بخش منطقه

ابتدا نقشه پایه باید به چند جزء تقسیم شود، مانند مناطق قابل عبور و صعب العبور. منطقه قابل عبور همچنین می تواند به مناطق بردار خطی و مناطق برداری غیر خطی [ 12 ] تقسیم شود.

از آنجایی که عرض راهرو (داخلی) دارای محدودیت است، رد راه رفتن را می توان به صورت یک خط مستقیم تقریبی مشاهده کرد که با اجزای خاکستری در شکل 5 نشان داده شده است ، و گوشه ها را می توان به عنوان مناطق غیر خطی در نظر گرفت.

شکل 5. تقسیم منطقه.

3.3. تطبیق برداری

هنگامی که رد راه رفتن خارج از محدوده باشد، مانند مشاهده هنگام دویدن در یک منطقه صعب العبور، می توان آن را تا حدی توسط CMAP اصلاح کرد. علاوه بر این، POI را می توان با استفاده از داده های ژیروسکوپ انباشته شده، همانطور که در شکل 6 نشان داده شده است، ارزیابی کرد . وقتی گوشه ای را می پیچیم، دره داده های انباشته شده ممکن است زیر یک حد مشخص باشد (در این مثال 10 راد).

شکل 6. داده های ژیروسکوپ انباشته شده.

روش تطبیق نقشه طبقه ( شکل 7 ) در زیر نشان داده شده است:

شکل 7. جریان تطبیق نقشه.

4. فیلتر کالمن بدون عطر تطبیقی (A-UKF)

علی‌رغم دقت بهتر روش‌هایی که در بالا توضیح داده شد، زاویه عنوان مطلق به‌دست‌آمده با استفاده از فرمول پیش‌فرایند (5) ممکن است خطاهای غیرقابل پیش‌بینی را نشان دهد، که می‌تواند با تطبیق نقشه (CMAP) تا حد معینی حذف شود. با توجه به ترکیب روش های فوق و ویژگی های غیر خطی معادله مشاهده، فیلتر کالمن بدون بو ممکن است روش مناسبی برای استفاده باشد [ 27 ، 28 ، 29 ].

4.1. معادله دینامیک

وضعیت سیستم با استفاده از معادلات بازگشتی UKF تخمین زده می شود و معادله حالت است

ایکس ک = ⎛ ⎝ ⎜ ن ک E ک θ ک ⎞ ⎠ ⎟ = ⎛ ⎝ ⎜ ن k - 1 + س ˜ \cdot cos θ k - 1 E k - 1 + س ˜ \cdot گناه θ k - 1 θ k - 1 + θ ˜ ⎞ ⎠ ⎟ + دبلیو k - 1

(9)

جایی که $N_{k}$ و $E_{k}$ وضعیت های موقعیت در جهت شمالی و جهت شرقی به ترتیب در زمان k هستند . $θ_{k}$ زاویه سمت عابر پیاده را نشان می دهد. $\tilde{s}$ و $\tilde{θ}$ طول گام و سرعت زاویه را به ترتیب نشان دهید. و W _k-1 نویز سیستم در زمان k – 1 است .

4.2. معادله مشاهده

معادله مشاهده برای طول گام یکپارچه بر اساس AHRS، زاویه سمت و اندازه گیری جهت را می توان به صورت زیر نوشت:

ز ک = ⎡ ⎣ ⎢ س ک Δ θ ک θ ک ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ ⎢ (ایکس ک - ایکس k - 1) 2 + (y ک - y k - 1) 2 - - - - - - - - - - - - - - - - - - - - - \sqrt θ ک - θ k - 1 θ ک ⎤ ⎦ ⎥ ⎥ + V

(10)

جایی که $s_{k}$ طول گام است که با استفاده از افزایش سرعت دو مرحله متوالی محاسبه می شود و $Δ θ_{k}$ متغیر زاویه سمت است که توسط CMAP تعیین می شود، از جمله گوشه ها و گالری ها. $θ_{k}$ k ^امین زاویه است که با فرمول (5) اندازه گیری می شود و V بردار نویز اندازه گیری است.

4.3. الگوریتم A-UKF

اگر مدل دینامیکی سیستم غیرعادی باشد، واریانس مدل دینامیکی باید برای کنترل تخمین پارامتر تنظیم شود. بر اساس یک فیلتر کالمن بدون بو (UKF) و الگوریتم فیلتر تطبیقی، با استفاده از الگوریتم UKF برای نمونه‌برداری اهمیت، واریانس نمونه‌گیری و مقدار میانگین را می‌توان با ایجاد ضریب تطبیقی و تنظیم بلادرنگ واریانس نمونه‌گیری محاسبه کرد و در نتیجه باعث تضعیف واریانس نمونه‌برداری شد. مدل حالت خطا [ 30 ].

مراحل محاسبه واریانس پارامتر حالت تطبیقی که با UKF معمولی متفاوت است به شرح زیر است:

(1): پارامتر تطبیقی

آمار متمایز کننده عامل تطبیقی، عدم تطابق حالت است.

{\bar{X}}_{k | k - 1}

نشان دهنده ارزش پیش بینی وضعیت است،

{\tilde{x}}_{k}

راه حل حالت قوی را نشان می دهد و

{\bar{V}}_{k}

نشان دهنده تفاوت بین مقدار پیش بینی وضعیت و راه حل قوی است. چه زمانی

{\bar{V}}_{k}

با رسیدن به حد معینی، سیستم در حالت غیرعادی در نظر گرفته می شود [ 31 ].

V ¯ ¯ ¯ ک = ایکس ¯ k | k - 1 - ایکس ˜ ک

(11)

Δ V ¯ ¯ ¯ ک = V ¯ ¯ ¯ ک t r ( P - - - - \sqrt V ¯ ¯ ¯ ک )

(12)

که در آن tr(·) فرمول ردیابی را نشان می دهد. شکل تابع عامل تطبیقی به صورت زیر است:

γ ک = ⎧ ⎩ ⎨ 1 ج ∣ ∣ Δ V ¯ ¯ ¯ ک ∣ ∣ ∣ ∣ Δ V ¯ ¯ ¯ ک ∣ ∣ \leq ج ∣ ∣ Δ V ¯ ¯ ¯ ک ∣ ∣ > ج

(13)

که در آن C ثابت است و مقدار آن بین 0.85 و 1 است.

(2): محاسبه واریانس معادل فیلتر تطبیقی

پ ¯ ¯ ¯ v v = (پ v v - پ v ک) / γ ک + پ v ک

(14)

ک ¯ ¯ ¯ ک = پ x v پ v v ¯ ¯ ¯ ¯ ¯ / γ ک

(15)

پ ک = پ k | k - 1 / γ ک - ک ¯ ¯ ¯ ک پ v v ک ¯ ¯ ¯ تی ک

(16)

جایی که $P_{k | k - 1}$ نشان دهنده واریانس نقطه نمونه پیش بینی کننده (PSP) و $P_{v v}$ و $P_{x v}$ به ترتیب واریانس و کوواریانس نقطه اندازه گیری پیش بینی کننده (PMP) را نشان می دهد.

نمودار جریان در شکل 8 در زیر نشان داده شده است :

شکل 8. نمودار جریان فرآیند فیلتر.

4.4. تست عامل تطبیقی

برای بررسی اثربخشی عامل تطبیقی، آزمایشی برای اثبات اثر A-UKF طراحی شد. مسیر در ساختمان SESSI در شکل 9 در زیر نشان داده شده است :

شکل 9. مسیر آزمون در ساختمان دانشکده علوم محیطی و انفورماتیک فضایی (SESSI).

علاوه بر این، سه نقطه خطای مصنوعی به داده‌های هر کریدور خطی در مسیر اضافه می‌شود (تقریباً 60 پله، 126 پله و 219 پله)، و نتایج در زیر نشان داده شده است:

شکل 10. نتایج آزمون: ( الف ) موقعیت تخمین زده شده بر اساس فیلتر کالمن بدون بو (UKF) و A-UKF و ( ب ) واریانس پارامتر تطبیقی.

همانطور که در شکل 10 a می بینیم ، ردیابی A-UKF بسیار نزدیکتر از ردیابی UKF کلاسیک به ردیابی واقعی است و تأثیر خطای مصنوعی را با سرعت بیشتری از بین می برد. علاوه بر این، از شکل 10 ب، می بینیم که وقتی یک خطای فاحش ظاهر می شود، عامل تطبیقی آن را اصلاح می کند، همانطور که روش دو گوشه این کار را انجام می دهد، اما با نوسان بسیار کمتر، به این معنی که گوشه ها ممکن است باعث ایجاد خطای کوچکتر شوند. نسبت به خطای فاحش که آن نیز اصلاح می شود.

5. طرح یکپارچه سازی نقشه PDR/مگنتومتر/طبقه بهبود یافته

به طور خلاصه، روش های مورد استفاده در زیر شرح داده شده است:

(1): تحلیل نظری. یک سری از مطالعات پایه مورد تجزیه و تحلیل قرار گرفته است. همانطور که در مقدمه ذکر شد، سیستم‌های PDR اخیر به دلیل کوچک‌سازی مستمر حسگرهای اینرسی (واحد مدیریت اینرسی و سیستم مرجع سرفصل نگرش) به گزینه‌ای امکان‌پذیر برای محلی‌سازی فضای داخلی تبدیل شده‌اند. علاوه بر این، بر اساس سه مؤلفه اصلی PDR (تشخیص مرحله، تخمین طول گام و تعیین جهت)، الگوریتم ZDET، یک الگوریتم غیر معمول اما دقیق، را برای تشخیص گام انتخاب می‌کنیم. سپس در طول هر مرحله، از یک الگوریتم یکپارچه سازی پیوسته برای تعیین فاصله با شتاب استفاده می شود که از شتاب سنج ثبت شده و به مختصات قاب N تبدیل می شود. علاوه بر این، تعیین جهت گیری باید ضروری ترین گام باشد. بنابراین ما از یک فیلتر ترکیبی برای ترکیب داده ها استفاده می کنیم.
(2): توسعه روش شناسی یکپارچه سازی. در آزمایش، چندین فیلتر مانند Extended Kalman Filter، Unscented Kalman Filter، Particle Filter و غیره مورد آزمایش قرار می گیرند. با در نظر گرفتن عوامل مختلف، از جمله دقت اندازه گیری (MA) و بار محاسباتی (CL)، ما در نهایت یک نوع فیلتر کالمن بدون عطر تطبیقی (A-UKF) را به عنوان الگوریتم همجوشی انتخاب می کنیم.
(3): اجرای سیستم فیزیکی و آزمایشات. یک فلوچارت خاص در شکل 11 نشان داده شده است :

شکل 11. نمودار جریان عمومی.

6. آزمایش و تجزیه و تحلیل

6.1. تجهیزات و موقعیت

ما از یک واحد اندازه‌گیری اینرسی، x-IMU، از شرکت x-io Technologies در بریتانیا استفاده می‌کنیم. شکل 12 این سنسور را نشان می دهد. اندازه آن 55 × 35 × 18 میلی متر (L × W × H) و وزن آن تقریباً 50 گرم است.

شکل 12. عکس های تجهیزات و استفاده از آنها: ( الف ) نصب x-IMU و ( ب ) پایه پایه.

شکل 13. سایت آزمایشی: ( الف ) نقشه طبقه طبقه چهارم و ( ب ) مدل سه بعدی سایت آزمایشی.

X-IMU به گونه ای طراحی شده است که همه کاره ترین واحد اندازه گیری اینرسی (IMU) و سیستم مرجع سرفصل نگرش (AHRS) در دسترس باشد. میزبان سنسورهای داخلی، یک پورت کمکی قابل تنظیم و ارتباط بی‌درنگ از طریق USB، بلوتوث یا UART است که آن را به یک سنسور و کنترل‌کننده قدرتمند تبدیل می‌کند. کارت SD روی برد، شارژر باتری ( از طریق USB)، ساعت/تقویم بی‌درنگ و بیدار شدن محرک حرکت نیز X-IMU را به یک ثبت‌کننده داده مستقل و ایده‌آل تبدیل می‌کند.

x-IMU دارای سه شتاب سنج متعامد، سه ژیروسکوپ و سه مغناطیس سنج است. شتاب سنج ها و ژیروسکوپ ها حالت جامد MEMS با بازخوانی های خازنی هستند که به ترتیب شتاب خطی و سرعت چرخش را ارائه می دهند. مغناطیس‌سنج‌ها از یک اصل مغناطیسی مقاومت لایه نازک برای اندازه‌گیری میدان مغناطیسی زمین استفاده می‌کنند.

عملکرد هر حسگر MEMS منفرد در این مرکز در جدول 1 خلاصه شده است . آنها از یک سوگیری قابل توجه رنج می برند، و این تعصب نیز در طول زمان تغییر می کند. بنابراین، الگوریتم‌های PDR چالش اجتناب از تجمع بیش از حد خطا (رانش) در طول ادغام را دارند.

برای تایید اثربخشی الگوریتم پیشنهادی، یک آزمایش میدانی در طبقه چهارم ساختمان دانشکده علوم محیطی و انفورماتیک فضایی (SESSI) در محوطه دانشگاه معدن و فناوری چین (CUMT) در Xuzhou، Jiangsu، چین انجام شد. . در شکل 13 a، فلش‌های آبی راهروهای خطی را نشان می‌دهند و «گوشه‌های» قرمز راهروهای غیرخطی و سایر مناطقی را نشان می‌دهند که برای عبور از آن‌ها در دسترس نیست. نوعی AHRS به نام x-imu تولید شده توسط x-io Technologies Limited به عنوان پایانه کاربر در آزمایش استفاده شد. مشخصات فنی آن در جدول 3 نشان داده شده است .

جدول 3. مشخصات فنی IMU.

6.2. آزمایش کنید

برای مقایسه نتایج ردیابی، چهار طرح طراحی شد:

طرح 1: نتیجه ردیابی مبتنی بر PDR به کمک نقشه کف توسط تلفن هوشمند دستی (MPDR).
طرح 2: تست موقعیت یابی داخلی مبتنی بر ZDET با داده های معمولی (ZDET).
طرح 3: تست موقعیت یابی داخلی مبتنی بر ZDET با تطبیق نقشه (MZDET).

تطبیق نقشه (به دست آمده توسط A-UKF) برای تصحیح اطلاعات از حسگرهای مختلف برای طرح‌های 1 و 3 استفاده شد. در طرح‌های 2 و 3، از ZDET برای تشخیص گام و تخمین طول گام استفاده شد و PDR معمولی توسط طرح پذیرفته شد. 1. سطح کف به طور کلی باید از قبل از روی اندازه گیری های شتاب سنج محور Z تعیین شود، اگرچه در اینجا فقط موقعیت یابی 2 بعدی در نظر گرفته شد.

شکل 14 مسیرهای موقعیت را برای سه طرح نشان می دهد. خطوط رنگارنگ نشان دهنده مسیرهای سفر محاسبه شده با استفاده از طرح های مختلف است. در آزمون، شرکت کننده آزمون با راه رفتن یکنواخت و پایدار راه می رفت. بنابراین، مسیر واقعی باید پایدار باشد.

همانطور که در شکل 15 مشاهده می شود ، الگوریتم تطبیق نقشه می تواند به PDR کمک کند تا خطای انباشته شده را حذف کند، که باید یک مشکل اجتناب ناپذیر برای PDR کلاسیک باشد. با این حال، برخی از مسائل هنوز تا حدی آشکار شده است. تخمین طول گام و تشخیص گام ممکن است نادقیق باشد و خطا درست مانند یک خط سیاه در یک بلوک جمع می شود. علاوه بر این، در مقایسه با ZDET، نتایج موقعیت‌یابی MZDET دقیق‌تر است و به ندرت از تأثیر زاویه عنوان متغیر رنج می‌برد.

شکل 14. موقعیت تخمینی سه طرح.

شکل 15. خطای انباشته شده الگوریتم PDR.

علاوه بر این، در مقایسه با یک الگوریتم PDR معمولی، شکل زیر نشان می‌دهد که الگوریتم UKF تداوم و پایداری الگوریتم PDR را حفظ می‌کند و به طور همزمان تجمع خطاها را محدود می‌کند و در نتیجه دقت موقعیت‌یابی را بهبود می‌بخشد.

شکل 16 سری مراحل خطاهای موقعیت سه طرح را با توجه به موقعیت های مرجع ارائه شده توسط یک ایستگاه اصلی نشان می دهد. بزرگترین خطاهای الگوریتم ادغام MZDET طی صدها مرحله مشاهده شد که بسیار بهتر از دو روش دیگر نشان می دهد.

علاوه بر این، در شکل 17 می‌بینیم که وقتی یک خطای فاحش (خطای بزرگ) مشاهده می‌شود، عامل تطبیقی قادر به واکنش است و آن را به سرعت اصلاح می‌کند.

شکل 16. سری مراحل خطای سه طرح.

شکل 17. واریانس پارامتر تطبیقی.

MSE، میانگین خطا (AE) و حداکثر خطا (ME) نشان می‌دهد که الگوریتم ZDET به کمک نقشه، مطمئن‌ترین و دقیق‌ترین نتایج موقعیت‌یابی را به دست آورد. در این آزمایش، دقت نشان‌داده‌شده توسط MSE الگوریتم موقعیت‌یابی داخلی MZDET 78.3 درصد در مقایسه با الگوریتم ZDET خالص بهبود یافت و AE و ME به ترتیب 73.8 درصد و 69.2 درصد کاهش یافت. در مقایسه با الگوریتم MPDR، MSE الگوریتم WPO یکپارچه 32.2% بهبود یافت و AE و ME به ترتیب 39.5% و 53.7% کاهش یافت (جدول 4 ) .

جدول 4. تحلیل خطای سه طرح.

همانطور که از مقایسه مشاهده می شود، الگوریتم موقعیت یابی MZDET یکپارچه منجر به بهبود دقت، قابلیت اطمینان و نرخ محاسبه و کاهش خطای انباشته می شود. بنابراین این روش تا حدی نسبت به سایر روش ها برتری دارد.

6.3. تست استحکام

برای نشان دادن استحکام الگوریتم ادغام A-UKF برای یک سیستم موقعیت یابی داخلی روی پا، برخی از خطاهای فاحش (سه برابر آستانه کوواریانس طول گام) به مشاهدات طول پله اضافه شد که در جدول 5 فهرست شده است :

جدول 5. خطاهای فاحش اضافه شده به اندازه گیری طول پله.

شکل 18 مسیرهای تعیین موقعیت با استفاده از الگوریتم UKF و الگوریتم A-UKF را نشان می دهد. همانطور که در جدول 6 نشان داده شده است، هفت نقطه آلوده به خطای فاحش، که باعث خراب شدن مسیر می شوند، در اطراف هر گوشه و دالان خطی در شکل 13 a مشاهده شده است. جدول 6 باقیمانده های این دو الگوریتم را برای هر نقطه زمانی تحت تأثیر (همانطور که در جدول قبل نشان داده شده است) نشان می دهد، و نتایج نشان می دهد که الگوریتم A-UKF به قابلیت اطمینان و دقت بسیار بالاتری دست می یابد.

شکل 18. موقعیت تخمینی بر اساس A-UKF و UKF.

جدول 6. باقیمانده های دوره های خطای فاحش.

_{همچنین خطاهای فاحش به اندازه‌گیری‌های θ k} (سه برابر آستانه کوواریانس زاویه عنوان)، همانطور که در جدول 7 فهرست شده است ، برای تأیید استحکام هر دو الگوریتم اضافه شد . مسیرهای تعیین موقعیت به دست آمده با استفاده از الگوریتم UKF و الگوریتم A-UKF در شکل 19 نشان داده شده است . همانطور که در شکل 19 نشان داده شده است، هفت نقطه آلوده به خطای فاحش باعث می شود که مسیر در اطراف دوره های تحت تاثیر در نتیجه بازگشت الگوریتم ها بدتر شود. جدول 8 باقیمانده های دوره های آلوده به خطای فاحش را فهرست می کند.

جدول 7. خطاهای فاحش اضافه شده به اندازه گیری های جهت گیری.

شکل 19. موقعیت تخمینی بر اساس UKF و A-UKF.

جدول 8. باقیمانده های دوره های خطای فاحش.

این نتایج نشان می‌دهد که الگوریتم A-UKF قوی‌تر از الگوریتم UKF معمولی است، صرف نظر از اینکه خطای فاحش از کجا سرچشمه گرفته است.

این مشاهدات نتایج زیر را در مورد الگوریتم های موقعیت یابی بررسی شده برای سیستم های ناوبری داخلی به دست می دهد.

(1): با توجه به موضوع تشخیص گام، روش ZDET برای بهبود دقت تشخیص و در نتیجه کاهش نوسان تا حد قابل قبولی و بهبود دقت کل الگوریتم پیشنهاد شد.
(2): علیرغم دقت بالای ارائه شده توسط تشخیص سرعت صفر، PDR همیشه به دقت قابل توجهی در جهت گیری نیاز دارد، و بنابراین، اکثر آزمایشات با استفاده از PDR به محدودیت هایی برای مقابله با اطلاعات به دست آمده از ژیروسکوپ یا مغناطیس سنج نیاز دارند. با این حال، گنجاندن یک نقشه الکترونیکی از ساختار توسط UKF در تجزیه و تحلیل، عملیات اضافی را حذف می کند، در نتیجه به بهبود سرعت و کیفیت محاسبات کمک می کند.
(3): با توجه به پایداری UKF، پارامتر تطبیقی در الگوریتم ادغام شده است. آزمایش‌ها نشان می‌دهد که در مقایسه با UKF کلاسیک، A-UKF استحکام بسیار قوی‌تری ارائه می‌دهد، قابلیت اطمینان موقعیت‌یابی را بهبود می‌بخشد و تغییر چشمگیری در نرخ عملکرد و کیفیت به سمت بالا ایجاد می‌کند.
(4): با توجه به CL قابل توجه A-UKF، که می تواند با محاسبه زمان خواندن در یک تلفن هوشمند معمولی بارگذاری شود، امکان اندازه گیری شبه واقعی با استفاده از تلفن همراه به جای رایانه مرکزی وجود دارد، همانطور که معمولاً در این مورد استفاده می شود. سایر آزمایشات اخیر

7. نتیجه گیری

این مقاله چندین الگوریتم موقعیت‌یابی را برای سیستم‌های ناوبری داخلی بررسی می‌کند. روش تشخیص مرحله الگوریتم به روز رسانی صفر سرعت (ZDET) ارائه شد. الگوریتم ZDET به کمک نقشه کف پیشنهادی با یک فیلتر کالمن بدون عطر تطبیقی (A-UKF) ترکیب شد. نتایج آزمون تجربی نشان می‌دهد که روش‌های ZDET خطای تخمین طول گام و تشخیص گام را تا حد معینی حذف کردند. همچنین نشان داده شد که A-UKF می تواند برای تصحیح زاویه سمت و بهبود کیفیت و دقت نتایج موقعیت یابی بسیار مفید باشد. توسعه بیشتر این الگوریتم بر ترکیب سایر منابع داده مانند WiFi و ibeacon مبتنی بر بلوتوث کم انرژی (BLE) متمرکز خواهد بود که می تواند دقت و پایداری الگوریتم را بهبود بخشد و آن را کارآمدتر کند.

منابع

Cho, SY; سیستم ناوبری عابر پیاده مبتنی بر پارک، CG Mems. جی. ناویگ. 2006 ، 59 ، 135-153. [ Google Scholar ] [ CrossRef ]
کلپال، م. Beauregard، S. یک فیلتر ذرات عقب‌گرد برای ترکیب نقشه‌های ساختمان با تخمین‌های جابجایی PDR. در مجموعه مقالات پنجمین کارگاه آموزشی موقعیت‌یابی، ناوبری و ارتباطات، هانوفر، آلمان، 27 مارس 2008. ص 207-212.
لی، اف. ژائو، سی. دینگ، جی. گونگ، جی. لیو، سی. Zhao، F. یک روش قابل اطمینان و دقیق مکان یابی داخلی با استفاده از حسگرهای اینرسی تلفن. در مجموعه مقالات چهاردهمین کنفرانس بین المللی محاسبات همه جا حاضر، پیتسبورگ، PA، ایالات متحده آمریکا، 5 تا 8 سپتامبر 2012. ص 421-430.
کورگی، م. Kurata، T. موقعیت یابی شخصی بر اساس تجزیه و تحلیل حرکت راه رفتن با حسگرهای مستقل و یک دوربین پوشیدنی. در مجموعه مقالات دومین سمپوزیوم بین المللی IEEE/ACM در مورد واقعیت ترکیبی و افزوده، واشنگتن، دی سی، ایالات متحده آمریکا، 7 تا 10 اکتبر 2003. صص 103-112.
هارل، آر. بررسی سیستم های موقعیت یابی اینرسی داخلی برای عابران پیاده. IEEE Commun. Surv. معلم خصوصی 2013 ، 15 ، 1281-1293. [ Google Scholar ] [ CrossRef ]
Lan، KC؛ Shih, WY استفاده از تلفن های هوشمند و پلان های طبقه برای ردیابی مکان داخلی. IEEE Trans. هوم ماخ سیستم 2014 ، 44 ، 211-221. [ Google Scholar ]
کولومار، دی اس؛ نیلسون، جی. هندل، P. صاف کردن INS های با کمک ZUPT. در مجموعه مقالات کنفرانس بین المللی 2012 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، سیدنی، استرالیا، 13 تا 15 نوامبر 2012. صص 1-5.
نیلسون، جو. اسکوگل، آی. هندل، پی. Hari، KVS Foot-mounted INS for all—یک پیاده سازی جاسازی شده منبع باز. در مجموعه مقالات سمپوزیوم موقعیت مکانی و ناوبری IEEE/ION 2012 (PLANS)، Myrtle Beach، SC، ایالات متحده، 23-26 آوریل 2012. صص 140-145.
هندل، پی. رانتاکوکو، جی. اسکوگ، آی. نیلسون، JO تشخیص سرعت صفر – ارزیابی الگوریتم. IEEE Trans. بیومد. مهندس 2010 ، 57 ، 2657-2666. [ Google Scholar ]
عطیا، م. موسی، ع. El-Sheimy، N. Map با استفاده از اطلاعات ساختمان‌ها برای برنامه‌های ناوبری داخلی به محاسبه مردگان عابر پیاده کمک کرد. موقعیت یابی 2013 ، 4 ، 227-239. [ Google Scholar ] [ CrossRef ]
نورمینن، اچ. ریستیماکی، ع. علی لوتی، س. Piché، R. فیلتر ذرات و صاف کننده برای مکان یابی داخلی. در مجموعه مقالات کنفرانس بین المللی 2013 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، Montleliard-Belfort، فرانسه، 28-31 اکتبر 2013. صص 1-10.
وانگ، جی. هو، ا. لیو، سی. Li, X. یک الگوریتم یکپارچه سازی WIFI/شبه کیلومتر شماری به کمک نقشه کف برای یک سیستم موقعیت یابی داخلی. Sensors 2015 , 15 , 7096–7124. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Lim, C.-H.; وان، ی. Ng، B.-P. C. یک سیستم محلی سازی WIFI داخلی در زمان واقعی با استفاده از آنتن های هوشمند. IEEE Trans. مصرف کنید. الکترون. 2007 ، 53 ، 618-622. [ Google Scholar ] [ CrossRef ]
لیم، J.-S. جانگ، W.-H. یون، جی.-و. دست ها. اتوماسیون به روز رسانی نقشه رادیویی برای سیستم های موقعیت یابی WIFI. IEEE Commun. Lett. 2013 ، 17 ، 693-696. [ Google Scholar ] [ CrossRef ]
محفوظ، محمدرضا; کوهن، ام جی; به، G. Fathy، AE ادغام UWB و نقشه فشار بی سیم در ناوبری جراحی. IEEE Trans. مایکرو. فناوری تئوری 2009 ، 57 ، 2550-2564. [ Google Scholar ] [ CrossRef ]
مارانو، اس. گیفورد، WM; وایمیرش، اچ. Win، MZ Nlos شناسایی و کاهش برای محلی سازی بر اساس داده های تجربی UWB. IEEE J. Sel. مناطق کمون. 2010 ، 28 ، 1026-1035. [ Google Scholar ] [ CrossRef ]
سانپچودا، تی. Kovavisaruch، L. بررسی محلی سازی RFID: کاربردها و تکنیک ها. در مجموعه مقالات پنجمین کنفرانس بین المللی مهندسی برق/الکترونیک، کامپیوتر، مخابرات و فناوری اطلاعات، کرابی، تایلند، 14 تا 17 مه 2008. صص 769-772.
کیم، تی. شین، جی. تک، S. برنامه ریزی سلول برای ردیابی اشیاء داخلی بر اساس RFID. در مجموعه مقالات دهمین کنفرانس بین‌المللی مدیریت داده‌های تلفن همراه: سیستم‌ها، خدمات و میان‌افزار، تایپه، تایوان، 18 تا 20 مه 2009. ص 709-713.
نبیه، ع.ک. عثمان، اچ. گوما، م. Aly، GM طرح موقعیت یابی داخلی مبتنی بر فازی جدید با استفاده از پروتکل بی سیم ZigBee. در مجموعه مقالات هفتمین کنفرانس بین المللی مهندسی کامپیوتر و سیستم ها (ICCES)، قاهره، مصر، 27-29 نوامبر 2012; ص 16-20.
چانگ، AY؛ لیو، تی.-سی. ارزیابی عملکرد موقعیت‌یابی داخلی در زمان واقعی با سیستم‌های WSN مبتنی بر RFID و ZigBee فعال. J. Vibroeng. 2013 ، 15 ، 736. [ Google Scholar ]
جینامو، جی. کوربی، سی. لوویزولو، پی. لینگوا، ا. آیکاردی، آی. Grasso, N. برآورد موقعیت و جهت گیری دقیق در محیط شهری بر اساس مدل های سه بعدی. در روندهای جدید در تجزیه و تحلیل و پردازش تصویر – کارگاه های آموزشی ICIAP 2015 ; مورینو، وی.، اد. Springer: Cham, Switzerland, 2015; ص 185-192. [ Google Scholar ]
جینامو، جی. کوربی، سی. فرانسینی، جی. لپسوی، اس. لوویزولو، پی. لینگوا، ا. Aicardi، I. راه حل جستجوی تصویری MPEG7 برای موقعیت یابی مبتنی بر تشخیص تصویر با استفاده از مدل های سه بعدی. در مجموعه مقالات بیست و هفتمین نشست فنی بین‌المللی بخش ماهواره مؤسسه ناوبری، تامپا، فلوریدا، ایالات متحده آمریکا، 8 تا 12 سپتامبر 2014.
فلیز آلونسو، آر. زالاما کازانووا، ای. Gómez García-Bermejo، J. ردیابی عابر پیاده با استفاده از حسگرهای اینرسی. J. Phys. عوامل 2009 ، 3 ، 35-43. [ Google Scholar ]
مادویک، SO یک فیلتر جهت گیری کارآمد برای آرایه های حسگر اینرسی و اینرسی/مغناطیسی. در دسترس آنلاین: https://www.samba.org/tridge/UAV/madgwick_internal_report.pdf (در 30 آوریل 2010 قابل دسترسی است).
مادویک، SOH؛ هریسون، AJL; Vaidyanathan، A. برآورد جهت گیری IMU و MARG با استفاده از الگوریتم نزول گرادیان. در مجموعه مقالات کنفرانس بین المللی IEEE 2011 در مورد رباتیک توانبخشی (ICORR)، زوریخ، سوئیس، 29 ژوئن تا 1 ژوئیه 2011. صص 1-7.
برنشتاین، دی. Kornhauser، A. مقدمه ای بر تطبیق نقشه برای دستیاران ناوبری شخصی . New Jersey TIDE Center: Newark, NJ, USA, 1998. [ Google Scholar ]
جیمنز، آر. سکو، اف. پریتو، جی سی. گوارا، جی. ناوبری عابر پیاده در داخل ساختمان با استفاده از چارچوب INS/EKF برای کاهش رانش انحرافی و IMU روی پا. در مجموعه مقالات هفتمین کارگاه آموزشی جهت یابی موقعیت یابی و ارتباطات (WPNC)، درسدن، آلمان، 11 تا 12 مارس 2010. صص 135-143.
مدر، تی. هافنر، پی. ویسیول، ک. Wieser, M. موقعیت یابی 3 بعدی داخل ساختمان با محاسبه مردگان عابر پیاده و تشخیص فعالیت بر اساس فیلتر bayes. در مجموعه مقالات کنفرانس بین المللی موقعیت یابی داخلی و ناوبری داخلی، بوسان، کره، 27 تا 30 اکتبر 2014.
زامپلا، اف. خدر، م. رابرتسون، پی. Jiménez, A. فیلتر کالمن بدون عطر و به‌روزرسانی نرخ زاویه‌ای مغناطیسی (MARU) برای بهبود محاسبه مرده عابر پیاده. در مجموعه مقالات سمپوزیوم موقعیت مکانی و ناوبری IEEE/ION 2012 (PLANS)، Myrtle Beach، SC، ایالات متحده، 21-23 سپتامبر 2011. صص 129-139.
یانگ، ی. Gao, W. فیلتر کالمن تطبیقی بهینه. جی. جئود. 2006 ، 80 ، 177-183. [ Google Scholar ] [ CrossRef ]
رن، ایکس. یانگ، ی. تجزیه و تحلیل طیفی قوی سری های زمانی تصحیح یونوسفر زمین. جی. جئود. ژئودین. 2014 ، 2 ، 115-119. [ Google Scholar ]

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

خلاصه

1. معرفی