基于WiFi和惯性传感器的室内融合定位算法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第16-21页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 室内定位跟踪技术的研究现状 | 第17-19页 |
| 1.2.1 无线定位技术 | 第17-19页 |
| 1.2.2 惯性定位技术 | 第19页 |
| 1.2.3 室内融合定位技术 | 第19页 |
| 1.3 论文研究内容及章节安排 | 第19-21页 |
| 第二章 室内定位技术相关理论 | 第21-30页 |
| 2.1 基于WiFi的室内定位技术 | 第21-24页 |
| 2.1.1 基于测距的定位技术 | 第21-22页 |
| 2.1.2 基于场景分析的定位技术 | 第22-24页 |
| 2.2 基于惯性传感器的行人导航 | 第24-26页 |
| 2.2.1 惯性传感器简介 | 第24-25页 |
| 2.2.2 行人航位推算 | 第25-26页 |
| 2.3 粒子滤波 | 第26-29页 |
| 2.3.1 贝叶斯递推滤波器 | 第26-27页 |
| 2.3.2 粒子滤波原理 | 第27-29页 |
| 2.3.3 粒子退化和重采样 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于混沌理论和GPR的RSS指纹库构建 | 第30-46页 |
| 3.1 RSS采样量的理论计算 | 第30-37页 |
| 3.1.1 混沌时间序列理论和相空间重构 | 第30-31页 |
| 3.1.2 RSS时间序列的混沌特性 | 第31-35页 |
| 3.1.3 RSS采样量的计算 | 第35-37页 |
| 3.2 基于高斯过程回归的RSS预测 | 第37-40页 |
| 3.2.1 高斯过程回归模型介绍 | 第37-38页 |
| 3.2.2 RSS预测原理 | 第38-40页 |
| 3.2.3 基于空间特征分区的RSS预测 | 第40页 |
| 3.3 实验分析 | 第40-45页 |
| 3.3.1 RSS指纹库构建实验场景 | 第40-41页 |
| 3.3.2 RSS预测和结果分析 | 第41-42页 |
| 3.3.3 指纹库定位效果分析 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于惯性传感器的行人航位推算 | 第46-58页 |
| 4.1 改进的行人航位推算算法 | 第46-53页 |
| 4.1.1 人体行走模型与方向估计 | 第46-49页 |
| 4.1.2 自适应阈值步伐检测算法 | 第49-52页 |
| 4.1.3 行人步长的动态估计 | 第52-53页 |
| 4.2 实验与分析 | 第53-57页 |
| 4.2.1 步伐检测实验 | 第53-56页 |
| 4.2.2 步长估计实验 | 第56页 |
| 4.2.3 行人轨迹追踪实验 | 第56-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 基于粒子滤波的多源信息融合定位 | 第58-75页 |
| 5.1 融合定位算法框架 | 第58-59页 |
| 5.2 粒子滤波融合定位基本流程 | 第59-61页 |
| 5.3 融合地图信息的粒子滤波定位算法 | 第61-67页 |
| 5.3.1 室内地图建模 | 第61-63页 |
| 5.3.2 基于地图信息的粒子穿墙判断 | 第63-64页 |
| 5.3.3 基于地图信息的行人转弯判断 | 第64-65页 |
| 5.3.4 基于动态粒子数的粒子滤波融合定位 | 第65-67页 |
| 5.4 定位实验与结果分析 | 第67-74页 |
| 5.4.1 实验实施 | 第67-69页 |
| 5.4.2 不同定位算法下定位效果比较 | 第69-71页 |
| 5.4.3 不同数目粒子集定位效果比较 | 第71-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 论文总结 | 第75-76页 |
| 6.2 工作展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第81页 |
