位置跟踪 - 带计步器和WIFI的Sigma Point卡尔曼滤波器

Question

我正在建立一个使用android的室内位置跟踪应用程序。

我已经成功实施了一个计步器，它计算步数并将它们转换为上一次WIFI / GPS修正的更改，以更准确地跟踪建筑物内的用户位置。

计步器就像魅力一样，我的结果非常准确，但是， 当获得新的WIFI修复时，路径变得不准确并且跳跃。

我在网上搜索并阅读了很多论文和案例研究，我发现我需要某种过滤器来平滑结果。

我已经缩小了我需要使用粒子滤波器或Sigma-Point卡尔曼滤波器（或扩展卡尔曼滤波器）

我已经阅读了很多关于这些过滤器的文章，我在UDACITY.com上看过这个课程但仍然无法得到它。

简而言之，我的计步器输出是基于手机标题的步数的新经度和纬度，WIFI位置管理器输出也是纬度和经度。

有人可以为我提供一个简短的阐述，说明我应该做些什么来平滑新的WIFI修复到我当前的计步器路径？

Answer 1

要使用卡尔曼滤波器（线性或扩展），您需要：

1. 定义你的状态空间：大概是这个位置和速度 人（经验法则：如果您实际测量它，则仅包括加速度）。 您可以在Lat / Lon坐标中执行此操作，而不用担心 非线性，因为人们走得那么远。
2. 定义您的测量空间：即您的传感器告诉您的内容以及相关信息 到州空间。
3. 定义植物噪声模型：确定真实世界的运动特征 你的目标;通常这只是一个协方差矩阵，在统计上描述了如何 目标的动作可以在观察之间发生变化。
4. 定义测量噪声模型：估算传感器报告的数据中的误差; 同样，这是一个统计模型，通常用测量误差的协方差表示。

我的猜测是你的问题来自（4）：你没有适当地模拟基于计步器的子系统和基于GPS固定的子系统的测量误差。

也许值得尝试一个基本的线性卡尔曼滤波器来解决你的问题;所涉及的数学运算有点复杂，可以或多或少地用作黑盒子（一旦你定义了上面的模型）;扩展方法（sigma-point KF或粒子过滤）通常需要更多的问题域特定调整。