技術(shù)特征：

1.一種基于地圖信息和位置自適應(yīng)修正的粒子濾波室內(nèi)定位方法，其特征在于：所述定位方法包括以下步驟：

步驟1，粒子初始化為指定粒子攜帶的狀態(tài)信息為其中是初始時(shí)刻t₀第i個(gè)粒子的狀態(tài)向量，分別是時(shí)刻t₀第i個(gè)粒子的橫坐標(biāo)、縱坐標(biāo)和權(quán)重，初始權(quán)重設(shè)為1，N是粒子數(shù)量，是由目標(biāo)初始位置加上偏移量得到，偏移量服從均值為0，方差為σ²的高斯分布；

步驟2，粒子傳播，根據(jù)式(1)由k-1時(shí)刻粒子狀態(tài)向量S_k-1計(jì)算出粒子在k時(shí)刻的狀態(tài)向量S_k，其中是k時(shí)刻第i個(gè)粒子的坐標(biāo)，是k-1時(shí)刻第i個(gè)粒子的坐標(biāo)，L_k-1是k-1時(shí)刻目標(biāo)的行進(jìn)步長(zhǎng)，L_k是k時(shí)刻目標(biāo)的行進(jìn)步長(zhǎng)，由式(2)計(jì)算得到，其中α，β是步長(zhǎng)模型參數(shù)，是在離線階段根據(jù)已知步長(zhǎng)和步頻通過線性回歸計(jì)算得到，freq_k是k時(shí)刻的目標(biāo)步頻，根據(jù)目標(biāo)行進(jìn)過程中采集到的加速度傳感器數(shù)據(jù)通過波峰檢測(cè)算法計(jì)算得到，是k時(shí)刻第i個(gè)粒子的航向，是k-1時(shí)刻第i個(gè)粒子的航向，由方向傳感器采集得到；

$\left\{\begin{array}{c}{x}_k^i=x_{k-1}^i+L_{k-1}\·sin\left({\mathrm{\θ}}_{k-1}^i\right)\\ y_k^i=y_{k-1}^i+L_{k-1}\·cos\left({\mathrm{\θ}}_{k-1}^i\right)\end{array}\right.---\left(1\right)$

L_k＝α·freq_k+β (2)

步驟3，粒子更新，判斷粒子在傳播過程中是否與地圖中的墻壁等障礙物相交，如果存在相交則該粒子滅亡，權(quán)重置為0；

步驟4，目標(biāo)位置確定，根據(jù)式(3)計(jì)算得到目標(biāo)在k時(shí)刻的最終位置，其中(X_k，Y_k)是k時(shí)刻由粒子濾波算法估算出的目標(biāo)最終位置坐標(biāo)，是k時(shí)刻第i個(gè)粒子的坐標(biāo)，是k時(shí)刻第i個(gè)粒子的權(quán)重；

$\left\{\begin{array}{c}{X}_k=\underset{i=1}{\overset{N}{\Σ}}{x}_k^i\·w_k^i\\ Y_k=\underset{i=1}{\overset{N}{\Σ}}{y}_k^i\·w_k^i\end{array}\right.---\left(3\right)$

步驟5，粒子重采樣和位置自適應(yīng)修正，設(shè)步驟3中得到的存活粒子數(shù)為N_s，在存活的粒子中隨機(jī)抽取N-N_s個(gè)粒子用于補(bǔ)償損失的粒子；在粒子補(bǔ)償時(shí)對(duì)補(bǔ)償?shù)牧Ｗ游恢酶鶕?jù)式(4)進(jìn)行調(diào)整，其中是在k時(shí)刻隨機(jī)抽取的存活粒子的位置坐標(biāo)，是在k時(shí)刻補(bǔ)償粒子的位置坐標(biāo)，是k時(shí)刻的航向偏差修正參數(shù)，分別是的x軸分量和y軸分量，由式(5)計(jì)算得到，是k時(shí)刻重采樣粒子i的位置偏移量，服從均值為0，方差為σ²的高斯分布，分別是的x軸分量和y軸分量；是k時(shí)刻存活粒子位置距離目標(biāo)位置的平均偏移量，分別是的x軸分量和y軸分量，是k-1時(shí)刻重采樣后粒子位置距離目標(biāo)位置的平均偏移量，分別是的x軸分量和y軸分量；μ_k是k時(shí)刻的位置修正增益參數(shù)，由式(10)計(jì)算得到，其中表示

$\left\{\begin{array}{c}{x}_k^r=x_k^s+{\mathrm{\μ}}_k\·{\left({\mathrm{\θ}}_k^{bias}\right)}_x+{\left({\mathrm{\ϵ\θ}}_k^i\right)}_x\\ y_k^r=y_k^s+{\mathrm{\μ}}_k\·{\left({\mathrm{\θ}}_k^{bias}\right)}_y+{\left({\mathrm{\ϵ\θ}}_k^i\right)}_y\end{array}\right.---\left(4\right)$

${\mathrm{\θ}}_k^{bias}={\mathrm{\θ}}_k^{avg\_s}-{\mathrm{\θ}}_{k-1}^{avg\_r}---\left(5\right)$

${\left({\mathrm{\θ}}_k^{avg\_s}\right)}_x=\frac{1}{N_s}\·\underset{i=1}{\overset{N}{\Σ}}{x}_k^i-X_k---\left(6\right)$

${\left({\mathrm{\θ}}_k^{avg\_s}\right)}_y=\frac{1}{N_s}\·\underset{i=1}{\overset{N}{\Σ}}{y}_k^i-Y_k---\left(7\right)$

${\left({\mathrm{\θ}}_{k-1}^{avg\_r}\right)}_x=\frac{1}{N}\·\underset{i=1}{\overset{N}{\Σ}}{x}_{k-1}^i-X_{k-1}---\left(8\right)$

${\left({\mathrm{\θ}}_{k-1}^{avg\_r}\right)}_y=\frac{1}{N}\·\underset{i=1}{\overset{N}{\Σ}}{y}_{k-1}^i-Y_{k-1}---\left(9\right)$

${\mathrm{\μ}}_k=(\frac{\left|\right|{\mathrm{\θ}}_k^{bias}\left|\right|-\left|\right|{\mathrm{\θ}}_{k-1}^{bias}\left|\right|}{\mathrm{\σ}}+1)\·{\mathrm{\μ}}_{k-1}---\left(10\right).$