26457

موقعيت‌يابي در محيط‌هاي سرپوشيده با كمك الگوريتم تطبيق نقشه

كارشناسي ارشد

برق كنترل

1397-1400

1400/11/25

دكتر سعيد عباداللهي

برق

به دليل انسداد سيگنال هاي GPS در فضاي سرپوشيده، موقعيت‌يابي مستحكم و مؤثر كاربر در فضاي بسته هنوز در مراحل ابتدايي است. امروزه مي‌توان با كمك سنسورهاي حركتي از جمله شتاب‌سنج، ژيروسكوپ و مغناطيس‌سنج در تلفن هاي هوشمند و روش ناوبري كور عابرپياده(PDR) موقعيت‌يابي در محيط داخلي را با كمترين هزينه انجام داد با اين حال به دليل خطاهاي تجمعي ناشي از تخمين جهت و طول گام موقعيت تخمين زده شده از دقت پاييني برخوردار است. تلفيق اطلاعات مكاني يكي از روش‌هاي مهم بهينه‌سازي پيش‌بيني تخمين مكان است. از آن‌جا كه محيط هاي داخلي محدوديت مكاني دارند، نقشه هاي داخلي به يك منبع داده اضافي تبديل شده كه با استفاده از آن مي‌توان دقت سيستم هاي محلي‌سازي را بهبود بخشيد و براي رد نتايج محلي‌سازي نادرست از آن‌ها استفاده كرد. در اين پژوهش قصد داريم با كمك اطلاعات نقشه و الگوريتم‌هاي فيلتر ذره‌اي(PF) و مدل مخفي ماركوف(HMM) موقعيت‌هاي تخمين‌زده شده توسط روش PDR را بهبود دهيم و نتايج اين دو روش را با هم مقايسه كنيم. الگوريتم PF از خوانش‌هاي شتاب‌سنج و ژيروسكوپ براي جلو بردن ذرات و از محدوديت‌هاي مكاني و نقشه مكان براي به‌روزرساني وزن‌ها استفاده مي‌كند. در الگوريتم HMM موقعيت‌يابي با كمك نقشه مكان و اطلاعات گره‌هاي از پيش تعريف شده و همچنين تشخيص چرخش و فعاليت انجام شد. براي ارزيابي اين دو روش، ما از دو معيار دقت مكان كه بر اساس ميزان نزديكي تخمين مكان فعلي به مكان واقعي مربوطه است و همچنين برخورد مسير تخمين زده شده با ديوار و موانع است استفاده كرديم. ما هر دو روش را با استفاده از مجموعه داده‌هاي جمع‌آوري‌شده در خانه و دانشگاه ارزيابي كرديم. نتايج تجربي نشان مي‌دهد كه هردو روش پيشنهادي مي‌توانند نقص‌هاي PDR را جبران كنند و خطاي موقعيت‌يابي را با كمك اطلاعات نقشه تا حدود زيادي جبران كرده و از برخورد مسير تخميني با ديوارها و موانع جلوگيري كنند. الگوريتم HMM دقت موقعيت‌يابي بهتري نسبت به الگوريتم PF به‌دست آورد.

1401/02/20

Positioning in indoor environments with the help of map matching algorithm

2/14/2023 12:00:00 AM

Due to the blockage of GPS signals indoors, the strong and effective positioning of the user indoors is still in its infancy. Today, indoor positioning can be done at a lower cost with the help of motion sensors such as accelerometer, gyroscope and magnetometer in smartphones and pedestrian silent navigation (PDR) method. Estimated has low accuracy. Integrating spatial information is one of the important methods of optimizing location forecasting. Because indoor environments are spatially constrained, internal maps have become an additional data source that can be used to improve the accuracy of localization systems and to use them to rule out incorrect localization results. In this research, we intend to improve the situations estimated by the PDR method with the help of map information and particle filter (PF) algorithms and Markov hidden model (HMM) and compare the results of these two methods.The PF algorithm uses accelerometer and gyroscope readings to propel particles, and spatial constraints and location maps to update weights. In the HMM algorithm, positioning was performed using location maps and predefined node information, as well as rotation and activity detection. To evaluate these two methods, we used two location accuracy criteria based on how close the current location estimate is to the actual location, as well as the estimated path collision with the wall and obstacles. We evaluated both methods using data collected at home and at university. Experimental results show that both proposed methods can compensate for PDR defects and compensate the positioning error to a large extent with the help of map information and prevent the estimated path from colliding with walls and obstacles. The HMM algorithm achieved better positioning accuracy than the PF algorithm.

ناوبري كور عابرپياده , فيلتر ذره اي , مدل مخفي ماركوف , تطبيق نقشه

Pedestrian Dead Reckoning , Particle Filter , Hidden Markov Model , Map Matching

Sadaf salimi sheykhteymor

Dr. Saeed Ebadollahi