985工科博士毕业，专攻定位、导航和滤波等算法研究。从业10年，主要使用MATLAB

摘要 本文提出了一种三维空间中的蓝牙RSSI与PDR（行人航位推算）融合定位方法。通过模拟真实轨迹、PDR观测轨迹和蓝牙定位数据，采用卡尔曼滤波实现多源信息融合。实验结果表明：融合后的定位误差（RMSE 1.06m）显著优于单独PDR（5.83m）和蓝牙定位（2.34m），有效抑制了PDR的累积漂移。可视化分析显示，融合轨迹在三维空间各坐标轴上均能紧密跟踪真实轨迹，验证了算法的有效性。该方案为室内三维定位提供了一种低成本、高精度的解决方案。

本文提出了一种基于三维AOA(到达角)与PDR(行人航位推算)融合的定位方法。通过MATLAB仿真验证，该方法有效结合了无线定位的全局修正能力和PDR的短时高精度特性。实验结果显示，融合后的定位误差(RMSE 0.521m)较单独PDR(2.123m)和无线定位(1.298m)分别降低了75.5%和59.9%。三维轨迹对比图和误差曲线表明，所提方法能有效抑制PDR的累积漂移，同时克服无线定位的跳变问题，实现了稳定连续的室内三维定位。

本文提出了一种基于IMM-CKF滤波的三维行人导航多运动模式估计方法。通过仿真实验，对比分析了纯PDR观测轨迹与IMM-CKF融合轨迹的性能差异。结果显示，IMM-CKF能有效抑制PDR的累积漂移误差，在三维空间中将定位误差降低约62%。算法通过5种运动模型（停止、匀速、加速、转弯和机动）的自适应切换，准确识别行人运动模式，模型概率变化与真实运动状态高度吻合。该方法仅需单MATLAB文件即可实现，适用于行人定位算法的验证与改进，代码已开源并提供定制服务。

本例程从仿真IMU加速度数据出发，完成步态峰值检测、步长估计、PDR航位推算和EKF融合校正，覆盖二维行人导航从传感器信号到轨迹输出的完整链路。本程序先仿真IMU加速度和陀螺仪数据，再通过峰值检测提取步态事件，最后由步长和航向增量递推PDR轨迹。量测包括检测步态构造的PDR输入和间隔出现的稀疏位置观测，适合展示PDR漂移被外部定位修正的过程。步态检测图：展示仿真IMU加速度模值和检测到的步态时刻，用于验证步态检测结果是否合理。轨迹对比图：对比真实轨迹、PDR观测轨迹和EKF融合轨迹，展示二维定位修正效果。

向三维行人导航中的多运动模式估计问题，将带漂移的PDR位置观测与IMM-CKF滤波结合，可以直观看到纯PDR轨迹、融合轨迹、误差曲线和模型概率的变化。只有一个文件，适合学习、滤波算法改造和行人定位方案验证

本例程是一个单文件 MATLAB 仿真程序，主要包括真实轨迹生成、PDR航位推算、TDOA无线定位观测、KF融合、误差统计和结果绘图。KF更新后得到 PDR+KF 轨迹，它同时利用了PDR的短时连续性和无线定位的绝对位置约束。PDR只依靠相邻步之间的运动增量更新位置，因此短时间内连续性较好，但会因为步长误差和航向误差逐步积累漂移。轨迹对比图：对比真实轨迹、PDR观测轨迹和TDOA/PDR融合轨迹，展示二维定位修正效果。坐标分量对比图：对比各方法在不同坐标方向上的位置变化，用于观察二维各轴分量的跟踪效果。

本例程是一个单文件 MATLAB 仿真程序，主要包括真实轨迹生成、PDR航位推算、AOA无线定位观测、KF融合、误差统计和结果绘图。融合阶段以PDR相邻步位移作为状态预测增量，将无线定位结果作为位置量测。AOA观测以锚点到目标的方位角为主要量测，程序根据当前真实位置生成带噪声的角度观测，再通过非线性最小二乘求解无线定位点。各轴位置分量对比图：对比各方法在不同坐标方向上的位置变化，用于观察二维各轴分量的跟踪效果。轨迹对比图：对比真实轨迹、PDR观测轨迹和AOA/PDR融合轨迹，展示二维定位修正效果。

面向三维行人导航中的多运动模式估计问题，将带漂移的PDR位置观测与IMM-EKF滤波结合，可以直观看到纯PDR轨迹、融合轨迹、误差曲线和模型概率的变化。代码采用单个 m 文件组织，适合用于课程实验、论文仿真、滤波算法改造和行人定位方案验证。

本例程面向室内无线定位与PDR融合场景，使用锚点测距提供外部约束，并通过IMM-EKF处理行人运动状态变化。程序同时输出纯PDR、无线定位和融合定位结果，适合学习UWB/蓝牙测距、PDR组合导航和非线性滤波融合框架。运行 后，程序会完成以下流程：生成带步长和航向误差的PDR轨迹、锚点无线测距观测，并使用IMM-EKF完成PDR/无线融合定位。本例程为二维行人导航仿真，便于后续改造成其他方法和环境。轨迹对比图：真实轨迹、纯PDR、无线定位、IMM-EKF融合轨迹以及锚点位置。定位误差曲线：各方法随步数变化

本例程针对位置观测噪声随时间变化的问题，比较固定噪声CKF和自适应CKF在PDR融合中的表现。程序给出轨迹、误差和噪声估计曲线，适合用于展示自适应滤波思想、观测质量变化建模以及PDR漂移抑制效果。

二维PDR自适应EKF融合MATLAB例程 功能概述 本程序实现了一个二维行人航位推算(PDR)与自适应扩展卡尔曼滤波(EKF)融合的定位系统，主要功能包括： 模拟行人运动轨迹和PDR漂移误差 生成随时间变化的位置观测噪声 实现固定噪声EKF和自适应EKF两种滤波算法 可视化对比分析不同方法的性能 关键特性 PDR建模：模拟步长和航向角误差造成的轨迹漂移 自适应滤波：实时估计并调整观测噪声协方差矩阵 多维度评估：提供轨迹、误差曲线、噪声估计等可视化结果 性能指标：计算RMSE、标准差等量化指标 运行结果 程

运行代码后，程序会完成以下流程：模拟 IMU 加速度与陀螺仪数据、检测步态峰值、构建 PDR 轨迹，并利用稀疏位置观测进行 UKF 校正。本例程面向二维行人导航，先用仿真 IMU 数据生成步态冲击峰，再通过阈值和最小步间隔完成步态检测。检测得到的步时刻和步态幅值用于构建 PDR 递推，随后使用稀疏位置修正量进入 UKF。加速度模值以重力项、随机噪声、脚步冲击峰和谷值组合得到。二维轨迹对比：对比真实轨迹、纯 PDR 轨迹、稀疏位置观测和 UKF 融合轨迹。文件内，包含仿真、检测、滤波、误差统计和绘图函数。

基于低功耗蓝牙(BLE)指纹定位与行人航位推算(PDR)融合的室内定位方法，采用无迹卡尔曼滤波(UKF)和粒子滤波(PF)两种算法进行融合估计。

运行程序后，程序会完成以下流程：模拟停止、匀速、加速、转弯和机动等多运动模式，并使用 IMM-UKF 对带漂移的 PDR 位置观测进行融合。仿真轨迹包含停止、正常行走、加速、协调转弯和随机机动等运动模式，PDR 观测中加入慢变漂移和模式相关噪声，滤波器需要在不同模型之间在线分配权重。轨迹图和误差曲线显示，IMM-UKF 对带噪 PDR 位置观测进行了平滑处理，并在该仿真中获得略低于 PDR 观测的 RMSE。模型概率曲线：展示 IMM 中各运动模型概率，以及真实模式和主导模型之间的对应关系。