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

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。