CN103925923B - 一种基于自适应粒子滤波器算法的地磁室内定位系统 - Google Patents

Abstract

本发明公开了一种基于自适应粒子滤波算法的地磁室内定位系统及其方法。所述系统包含一个新型自适应粒子滤波器算法和一个高效的地磁指纹数据收集单元。其中，高效的地磁指纹数据收集单元主要功能是利用手机磁强计快速地收集室内地磁信号，转化为地磁指纹模型并存储。新型自适应粒子滤波器算法是对现有滤波器算法的改进，以提高鲁棒性，精确度和可用性。自适应粒子滤波改进算法关键技术主要包括：自适应行为模型，新型度量模型，自适应重采样模型，定位精度评估和定位失效检测模型。该系统适用于各类集成加速度传感器、陀螺仪和磁强计的智能手机。系统的特点在于不限制手机朝向、摆放位置以及使用，而且定位精度高。

Description

一种基于自适应粒子滤波器算法的地磁室内定位系统

技术领域

本发明涉及传感器，人工智能以及移动计算领域，尤其涉及基于粒子滤波算法和智能手机传感器进行地磁室内定位的系统。

背景技术

随着越来越多的基于位置来提供服务的应用的出现，利用手机进行精确室内定位成为了一大研究热点。由于GPS信号受到建筑物的阻挡，在室内环境无法应用，所以研究者们提出了许多新型的室内定位的方法。常见的几种方法包括：超声波定位技术，Wi-FiFingerprint技术，惯性传感器(加速度传感器，罗盘，陀螺仪等)定位技术等。

超声波定位技术主要利用超声波进行测距，然后通过三角测距法进行定位。使用前需要在室内布置超声波应答器，当接收到手机发射的超声波信号后，反射信号给手机。手机通过测量发射和接收的时间差估计手机距离各个应答器的距离，然后利用三角测距原理获得精确定位。其优点在于定位精度高，缺点是容易受到多径效应的影响，而且需要布置大量的基础设施，造价高。

Wi-Fi Fingerprint定位技术是目前最为火热的定位技术，它通过测量室内各个Wi-Fi热点信号强度RSSI实现定位。主要方法是要先在室内各个位置点测量各个Wi-Fi AP的信号强度得到一个Wi-Fi指纹<RSSI₁,RSSI₂,…,RSSI_n,Location>，最终形成一个Wi-Fi指纹数据库。当用户需要定位时，只需要测量当前Wi-Fi热点的信号强度，然后和指纹数据库进行匹配，就可以完成定位。其优点在于Wi-Fi设备几乎处处可见，不需要额外的布置，而且定位方便快捷，缺点在于需要测量得到指纹数据库较为费时费力，精度低，不稳定，扫描Wi-Fi信号还比较耗电，不适于连续跟踪用户位置。

惯性传感器定位技术主要是在假设已知用户初始位置的情况下，利用手机的惯性传感器来测量用户的行走速度和方向，从而跟踪用户的位置。这类方法的特点在于不需要额外的基础设置，简单方便，耗电低，但是容易产生累积误差，定位精度低。

利用地磁场信号进行定位是一种较为新型的定位技术。其理论基础在于，在室内环境下，地磁场受到室内其他磁场源(如钢筋结构，大型电磁设备等)的影响，而使得磁场发生扭曲，使得各个位置点的地磁信号都不相同，从而形成了类似Wi-Fi指纹一样的地磁指纹。而且智能手机中基本都集成了磁强计。另外，利用粒子滤波技术将地磁数据和惯性传感器数据融合起来进行定位能够实现更加精确的定位，这种方法最初被用于机器人定位领域，然而在通过手机传感器获取数据会引入更多的噪声，而且对人的动作识别也会产生更多的误差，这些噪声和误差极易导致粒子滤波器失效。更严重的问题是在手机采集的地磁场数据是一个三维向量，每个分量代表了磁场在手机的x,y,z方向上磁场强度。同一个地点，当手机方向发生偏转，读到的磁场向量也会发生变化。因此已有的方法不得不要求用户使用时固定手机的朝向，使用非常不便。另外一个难点在于，不同的手机，在同一个地点，同一个朝向状态下地磁读数仍然存在偏差，需要校准。

发明内容

本发明主要针对以上背景技术中的不足，提供一种利用智能手机的传感器读取的地磁场信号进行精确室内定位的方法，该方法不需要额外的基础设施，耗电低，应用广泛；更重要的是，该方法不限制手机的朝向和使用，具有更好的鲁棒性和实用性。最后该定位方法取得了非常高的定位精度。

本发明通过以下技术方案实现：

一种基于自适应粒子滤波器算法的地磁室内定位系统及其方法，包括一个高效的地磁指纹数据的收集方法和一个自适应粒子滤波器算法，该定位系统适用于各类集成了加速度传感器、陀螺仪和磁强计的智能手机。

所述高效的地磁指纹数据收集方法主要功能是利用手机磁强计快速地收集室内地磁信号，转化为地磁指纹模型，最终通过插值得到高密度<地磁指纹，位置>数据库，它包括三个过程：首先将所要收集地磁数据的区域用平行的直线路径分割；接着收集者需要拿着运行着地磁数据收集程序的手机，沿着这些路径匀速缓慢行走，收集每条路线上的地磁数据；最后，我们通过插值的方式，将两条线之间的地磁数据补齐，从而得到高密度的地磁指纹数据库。所述地磁数据收集程序是基于智能手机开发的应用软件，用户能够在该程序上设置和选择路线，该应用主要收集地磁数据和重力加速度数据，并进行数据处理，转换为粒子滤波器算法需要的地磁指纹模型，最后和其对应的位置一起存入数据库。

所述自适应粒子滤波器算法是对粒子滤波算法的进一步改进，粒子滤波算法是一个迭代的贝叶斯过程，通过一系列的粒子用来估计系统状态的后验分布。在定位领域，系统状态就是指用户的位置坐标(x,y)和朝向θ。每个粒子都是对当前系统状态的一个假设，通过对粒子赋一个权值来评估该粒子和真实状态的接近程度。该自适应粒子滤波算法包括以下几个关键组成部分：

1)行为模型：通过惯性传感器对人的行为进行估计，包括计步，动态步长估计和两步之间朝向变化估计，根据用户行为的变化来更新每个粒子的状态。

2)度量模型：将地磁指纹作为观察值，匹配手机读数和地磁指纹数据库中指纹数据，重新评估更新后的每个粒子的权重。

3)重采样模型：主要重新选取更高概率的靠近真正状态的粒子进入下一轮迭代；完成重采样后，粒子集将更加贴近真实状态的后验分布。

4)定位精度评估和定位失效检测模型：主要用来评估当前定位精度，并启发式地检测是否发生定位失效的情况，一旦发生失效，则启动恢复程序。

所述基于自适应粒子滤波器算法的地磁室内定位系统的各个关键模型都不依赖于手机的朝向，并且能够容忍行为模型的估计误差，因此，使得该系统对手机朝向、摆放位置和使用都没有限制。

所述行为模型中计步算法主要通过处理手机加速度传感器数据得到；人在行走时，加速度会发生周期性的变化；首先使用低通滤波器和均值滤波器来平滑原始的加速度数据降低误差，接着设置相邻波峰和波谷之间加速度大小阈值和时间差阈值(上界和下界)过滤掉干扰情况，最后通过数波峰或者波谷数量就可以实现计步功能。

所述行为模型中步长估计算法是一种动态的步长估计算法，在普通粒子滤波算法中步长被设置为一个常量，但是不同的人步长各异，即使同一个人步长也时常发生变化，所以本发明通过对重采样后的粒子步长求加权平均值得到一个建议步长。并利用一个队列缓存最近N个建议步长，将这N个建议步长的平均值作为下一次迭代的步长估计。

所述行为模型中连续两步之间用户朝向变化的估计算法，首先是通过对从陀螺仪读取的角速度进行积分，得到两步之间手机x,y,z三轴上角度变化，继而利用加速度传感器获取到重力的方向，也就是竖直方向，通过坐标系变化，得到两步之间手机围绕竖直方向变化的角度，即用户朝向变化值。

所述度量模型是一种新型的混合的模型，综合利用了两种不同的地磁指纹模型，分别是HV地磁指纹模型和地磁密度指纹模型。在定位的初始阶段，使用HV地磁指纹模型，能够加快粒子滤波器收敛速度，更快的完成定位；为了提高定位鲁棒性和稳定性，完成定位后切换到地磁密度指纹模型来继续追踪定位。

所述度量模型使用地磁指纹作为观察值进行匹配和评估权重时，并非使用地磁指纹的绝对值来评估，而是使用连续两步之间地磁指纹的差值作为观察值，这样能够避免不同手机读数存在偏差的问题，即不需要去一一校准所有的手机。

所述地磁密度指纹模型，是指将三轴地磁向量数据的大小，即模值，当作地磁读数。其特点是不受手机朝向变化的影响，而且非常稳定。

所述HV地磁指纹模型是指通过加速度获取竖直方向，然后从三轴的地磁向量读数中抽取水平分量和竖直分量，形成一个新的二维地磁向量，该地磁向量不受手机朝向变化的影响，而且比地磁密度指纹多了一个分量，因此特异性更高，作为度量模型的观察值时能够加快定位。但是容易受到用户行为的影响，不够稳定。

所述重采样模型是两种重采样算法的混合模型，包括权重离散分布重采样算法和启发式重采样算法。重采样时，会先根据当前检测到用户朝向变化值的大小来自适应地决定两种重采样算法分别需要采集的粒子数量。一般地，用户朝向变化越大，启发式重采样算法采集粒子数比重就越大。

所述权重离散重采样算法是根据当前粒子的权重分布情况选取粒子，直观上，就是权重大的粒子多取，权重小的粒子少取。

所述启发式重采样算法是从当前预测的位置一定范围内，随机选取一部分新的粒子。粒子的朝向可以在当期预测朝向一定变化范围内随机设置。该算法主要能够增加粒子多样性，保证鲁棒性，更关键的是能够防止由于用户使用手机做其他事情导致估计人朝向变化值出现大的误差而发生定位失效。

所述定位精度评估和定位失效检测模型是通过计算粒子的聚集度来预测当前定位精度，当预测精度超过一个阈值时，则判定为发生了定位失效。发现定位失效后，则启动定位恢复程序。

所述粒子的聚集度是指以当前预测位置为圆心，能够圈住多数粒子(如90％)的圆的最小半径。

所述定位恢复程序是从历史定位信息中选取距离当前点较近的稳定点重新执行自适应粒子滤波的定位算法。

所述历史定位信息包括用户计步数据，每步中的手机读取的地磁指纹数据和用户朝向变化数据，以及预测的用户位置和朝向信息。

所述稳定点是指从该点到当前点，用户朝向变化很少，这样带来的误差也就较少。

所述基于自适应粒子滤波器算法的地磁室内定位系统是一种离线的工作模式，用户通过手机采集和处理惯性传感器和磁强计数据得到行为模型参数和地磁指纹数据，将其上传至定位服务器进行定位，服务器将定位结果返回到手机。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所有需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来说，在不付出创造性劳动的前提下所获得的其他附图都属于本发明的保护范围。

图1为本发明实施例提供的一种基于自适应粒子滤波器算法的地磁室内定位系统的算法框架图。

图2为本发明实施例提供的地磁指纹数据收集方法描述图和地磁收集程序样例图。

图3为本发明实施例提供的动态步长估计算法描述图。

图4为本发明实施例提供的朝向变化估计算法示意图。

图5为本发明实施例提供的一种基于自适应粒子滤波器算法的地磁室内定位系统的用例图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示，本发明实施例提供的一种基于自适应粒子滤波器算法的地磁室内定位系统的算法框架图，图1中：

在刚开始进行定位时，粒子滤波器需要从初始定位区域内随机产生N个粒子(101)。每当通过计步算法检测到用户迈了一步时，就进行一次迭代(102)。在迭代开始时，先要获取通过动态步长估计算法估计当前用户的步长l，并计算出这一步用户朝向的变化Δθ(103)，接着对每一个粒子(104)(105)，利用行为模型更新粒子的状态(106)，如公式(1)(2)(3)。其中G_θ和G_l是高斯噪声。

公式(1)

公式(2)

公式(3)

接着，利用度量模型去重新评估每个粒子的权重(107)，如公式(4)。其中表示第i个粒子在第t步时的状态(x，y，θ)，是粒子i在第t步时的权重，z^t是第t步时观察值，也就是手机上地磁读数转换为地磁指纹后的向量，是根据第i个粒子在第t步时的状态从指纹数据库中取出对应该状态的地磁指纹数据，V代表协方差。该评估公式的隐含意义是指是指如果从到数据库中存储的指纹数据的变化值和当前手机读取到的指纹数据的变化值越相近，则说明粒子i的越接近真实状态，那么其权重也就越大。

公式(4)

在刚开始定位时，比如t≤10时，观察值使用的HV地磁指纹模型，当t＞10，观察值使用地磁密度指纹模型，这样在刚开始时HV模型加快粒子滤波器收敛到正确位置，再利用地磁密度模型进位置跟踪，提高鲁棒性。权重重新评估完成后，将所有粒子的权值归一化(108)。

然后，根据Δθ来确定两种重采样算法的需要采样粒子的数量N_d和N_h(109)，其中N_d+N_h＝N，通过权重离散分布方法采集N_d个，启发式重采样算法采集N_h个(110)。一般地，我们使用公式(5)来决定N_h。其中p用来控制敏感程度。但是N_h大小必须小于N。

公式(5)

权重离散分布重采样算法过程是将根据当前所有粒子权重建立一个离散分布，然后从这个离散分布中采集粒子，也就是说权重大的粒子会多采集，权重小的粒子会少采集。启发式重采样算法的过程是从当前预测的用户状态所在位置周围范围，比如5米，随机采集粒子，粒子朝向可从当前预测的用户朝向一定范围内，比如或者随机采样选取。这样做能够增强粒子的多样性，防止行为模型的误差导致粒子滤波器失效。

重采样后，就可以求所有粒子的状态的加权平均值来估计用户的位置和朝向(111)。接着利用定位精度估计算法估计当前定位精度E(112)，如果E大于阈值(113)，说明定位可能已经失效，那么启动恢复程序(114)。恢复程序的运行方式是通过记录的历史定位信息，包括定位的状态，读取的磁场指纹数据，行为模型参数等，然后选择一处较为稳定的数据，即从该点到当前点用户的朝向变化较少，步长较为稳定。从这点开始重新启动定位程序。

下面的具体实例来对地磁指纹数据收集方法进行说明，如图2所示，本发明实例提供的地磁指纹数据收集方法描述图和地磁收集程序样例图，图2中：

右图(202)所示的就是本实施例提供的一种基于地磁数据收集程序样例图，用户在该程序上可以通过设置路线的起点，长度和行走方向来选择当前要收集的路径。左图(201)所示的就是本实施例提供的地磁指纹数据收集方法的描述图，首先任何室内区域可以划分出如图所示路线来覆盖一个区域，采集数据时，只需要在程序上设置好和当前路线对应的起点，长度和方向，然后点击开始，沿着路线匀速缓慢行走，就能够收集该路线的上地磁数据。手机采集的地磁向量是B＝(B_x，B_y，B_z)，通过重力传感器获取重力加速度向量为G＝(g_x，g_y，g_z)，那么抽取竖直分量和水平分量B_v，B_h的方法就是地磁数据的存储方式为<B_h，B_v，Location>,B_h是地磁向量的水平分量，B_v是地磁向量的垂直分量，使用地磁密度指纹模型时，地磁向量的模值可以通过求得。因为每条路线起点和方向都已知，并且用户是匀速行走，所以地磁指纹数据对应的位置Location就可以很容易的算出。为了减少对应位置时的误差，路线最好不要太长，收集时行走速度也应尽量缓慢些。最后，对于每条路线上，地磁指纹数据记录的频率较高，在本实施例中是每0.1米一个。然而本实施例中，每条路线之间的距离是0.6米，所以我们使用插值的方式将两条线之间的地磁数据填充，最终形成高密度的地磁指纹数据。

下面具体实例用来对动态步长估计算法的流程进行说明，如图3所示，本发明实施例提供的动态步长估计算法描述图，图3中：

每当完成一次权重离散分布重采样(301)后，就启动动态步长估计子程序(302)。该子程序会首先判断当前用户朝向变化是否超过阈值(303)，如果超过阈值，则不对步长进行更新，继续使用上一次的步长。因为当用户行走至拐角时，步长会和平时走路时有些许不同，所以防止引入更多误差，就不将其纳入队列中。如果不超过阈值，那么就将计算通过权重离散分布重采样算法获取的粒子的步长求加权平均值l_w(304),将其加入到步长缓存队尾(305)。这时继续判断队列长度是否超过的预设的上限(306)，如果是的话，就将队头的元素移除(307)。最后将队列中存储的步长求平均值，作为对步长的重新估计(308)。

下面具体实施例用来对计算手机朝向变化的流程进行说明，如图4所示，本发明实施例提供的朝向变化估计算法示意图，图4中：

P(401)和P’(402)分布代表手机在前后两步时的朝向，Δθ′(403)是二者之间的夹角，计算用户朝向的变化等同于计算手机围绕竖直方向的变化的角度。而竖直方向Z(405)可以通过重力传感器得到，接着就可以计算出P和P’在水平方向上的投影，两个投影的向量的夹角就是用户朝向变化值Δθ(404)。

下面具体实施例用来对定位系统的工作模式进行说明，如图5所示，本发明实施例提供的基于自适应粒子滤波器算法的地磁室内定位系统的用例图，图5中：

数据提供者利用我们的地磁指纹数据收集方法(504)收集建筑物内的地磁指纹数据，并将其上传至地磁指纹数据库(503)。当用户(501)需要定位时，只需要利用手机收集惯性传感器和磁强计数据，进行初步处理得到计步，朝向变化和磁场指纹数据，将其上传至定位服务器(502)，定位服务其通过自适应粒子滤波算法，结合已有的地磁指纹数据库对用户进行定位，并将定位结果通过网络返回给用户。

Claims (11)

1.一种基于自适应粒子滤波器算法的地磁室内定位系统，特征在于：包含一个高效的地磁指纹数据收集单元和一个自适应粒子滤波器单元；

所述高效的地磁指纹数据收集单元是利用手机磁强计快速地收集室内地磁信号，转化为地磁指纹模型，最终通过插值得到高密度(地磁指纹，位置)数据库；

所述高效的地磁指纹数据收集单元：首先将所要收集地磁数据的区域用平行的直线路径分割；接着收集者需要拿着运行着地磁数据收集程序的手机，沿着这些路径匀速缓慢行走，收集每条路线上的地磁数据；最后，通过插值的方式，将两条线之间的地磁数据补齐，从而得到高密度的地磁指纹数据库；

所述地磁数据收集程序是基于智能手机开发的应用软件，用户能够在该程序上设置和选择路线，该应用软件收集地磁数据和重力加速度数据，并进行数据处理，转换为所述自适应粒子滤波器单元需要的地磁指纹模型，最后和其匹配的位置一起存入数据库；

所述地磁指纹模型包括两种，地磁密度指纹模型和HV地磁指纹模型，在存入数据库时，只需要保存位置对应的HV地磁指纹模型，地磁密度指纹模型通过从HV地磁指纹模型中计算得来；

所述地磁密度指纹模型，是指将三轴地磁向量数据的大小，即模值，当作地磁读数；所述HV地磁指纹模型是指通过加速度获取竖直方向，然后从三轴的地磁向量读数中抽取水平分量和竖直分量，形成一个新的二维地磁向量，所述二维地磁向量不受手机朝向变化的影响，而且比地磁密度指纹多了一个分量，作为度量模型的观察值时能够加快定位速度；

所述自适应粒子滤波器单元精确地估计用户的位置和朝向，包括：自适应行为模型，度量模型，自适应重采样模型，定位精度评估和定位失效检测模型，其中各个模型都不依赖于手机的朝向，并且能够容忍用户行为估计误差；

所述自适应行为模型是通过惯性传感器对用户的行为进行估计，包括计步，步长估计和连续两步之间朝向变化估计，根据用户行为变化来更新每个粒子的状态；

所述度量模型将地磁指纹作为观察值，匹配手机读数和地磁指纹数据库中指纹数据，重新评估更新后的每个粒子的权重；

所述自适应重采样模型重新筛选粒子，使得重采样后，粒子集将更加贴近真实状态的后验分布；

所述定位精度评估和定位失效检测模型用来评估当前定位精度，并启发式地检测是否发生定位失效的情况，一旦发生失效，则启动恢复程序。

2.根据权利要求1所述的地磁室内定位系统，其特征在于：

所述计步算法通过处理手机加速度传感器数据得到；人在行走时，加速度会发生周期性的变化；首先使用低通滤波器和均值滤波器来平滑原始的加速度数据降低误差，接着设置相邻波峰和波谷之间加速度大小阈值和时间差上界和下界的阈值过滤掉干扰情况，最后通过数波峰或者波谷数量实现计步功能；

所述步长估计算法是一种动态自适应的步长估计算法，在普通粒子滤波算法中步长被设置为一个常量，但是不同的人步长各异，即使同一个人步长也时常发生变化，所以本发明通过对重采样后的粒子步长求加权平均值得到一个建议步长；并通过一个队列缓存最近N个建议步长，将这N个建议步长的平均值作为下一次迭代时的步长；

所述连续两步之间朝向变化估计算法，首先是通过对从陀螺仪读取的角速度进行积分，得到两步之间手机x,y,z三轴上角度变化，继而利用加速度传感器获取到重力的方向，也就是竖直方向，通过坐标系变化，得到两步之间手机围绕竖直方向变化的角度，即用户朝向变化值。

3.根据权利要求1所述的地磁室内定位系统，其特征在于：

所述度量模型是一种新型的混合的模型，综合利用了两种不同的地磁指纹模型，分别是HV地磁指纹模型和地磁密度指纹模型，在定位的初始阶段，使用HV地磁指纹模型，能够加快粒子滤波器收敛速度，更快的完成定位；为了提高定位鲁棒性和稳定性，完成定位后切换到地磁密度指纹模型来继续追踪定位；

所述度量模型使用地磁指纹作为观察值进行匹配和评估权重时，并非使用地磁指纹的绝对值来评估，而是使用连续两步之间地磁指纹的差值作为观察值，这样能够避免不同手机读数存在偏差的问题，即不需要去一一校准所有的手机。

4.根据权利要求1所述的地磁室内定位系统，其特征在于，

所述自适应重采样模型是两种重采样算法的混合模型，包括权重离散分布重采样算法和启发式重采样算法，重采样时，会先根据当前检测到用户朝向变化值的大小来自适应地决定两种重采样算法分别需要采集的粒子数量；用户朝向变化越大，启发式重采样算法采集粒子数比重就越大；

所述权重离散重采样算法是根据当前粒子的权重分布情况选取粒子，直观上，就是权重大的粒子多取，权重小的粒子少取；

所述启发式重采样算法是从当前预测的位置一定范围内，随机选取一部分新的粒子；粒子的朝向在当期预测朝向一定变化范围内随机设置，防止由于用户使用手机做其他事情导致估计人朝向变化值出现大的误差而发生定位失效。

5.根据权利要求1所述的地磁室内定位系统，其特征在于：

所述定位精度评估和定位失效检测模型是通过计算粒子的聚集度来预测当前定位精度，当预测精度超过一个阈值时，则判定为发生了定位失效；发现定位失效后，则启动定位恢复程序；

所述粒子的聚集度是指以当前预测位置为圆心，能够圈住多数粒子的圆的最小半径；

所述定位恢复程序是从历史定位信息中选取距离当前点较近的稳定点重新执行自适应粒子滤波的定位算法；

所述历史定位信息包括用户计步数据，每步中的手机读取的地磁指纹数据和用户朝向变化数据，以及预测的用户位置和朝向信息；

所述稳定点是指从该稳定点到当前点，用户朝向变化很少，这样带来的误差也就较少。

6.一种基于自适应粒子滤波器算法的地磁室内定位方法，特征在于：包括一个高效的地磁指纹数据收集步骤和一个新型自适应粒子滤波器算法步骤，其中：

所述高效的地磁指纹数据收集步骤是利用手机磁强计快速地收集室内地磁信号，转化为地磁指纹模型，最终通过插值得到高密度(地磁指纹，位置)数据库；

所述自适应粒子滤波器算法步骤包括：自适应行为步骤，新型度量步骤，自适应重采样步骤，定位精度评估和定位失效检测步骤，其中，各个步骤都不依赖于手机的朝向，并且能够容忍用户行为估计误差；

所述自适应行为步骤是通过惯性传感器对用户的行为进行估计，包括计步，步长估计和连续两步之间朝向变化估计，根据用户行为变化来更新每个粒子的状态；

所述新型度量步骤将地磁指纹作为观察值，匹配手机读数和地磁指纹数据库中指纹数据，重新评估更新后的每个粒子的权重；

所述自适应重采样步骤重新筛选粒子，使得重采样后，粒子集将更加贴近真实状态的后验分布；

所述定位精度评估和定位失效检测步骤用来评估当前定位精度，并启发式地检测是否发生定位失效的情况，一旦发生失效，则启动恢复程序。

7.根据权利要求6所述的地磁室内定位方法，其特征在于：

所述高效的地磁指纹数据收集方法包括三个过程：首先将所要收集地磁数据的区域用平行的直线路径分割；接着收集者需要拿着运行着地磁数据收集程序的手机，沿着这些路径匀速缓慢行走，收集每条路线上的地磁数据；最后，通过插值的方式，将两条线之间的地磁数据补齐，从而得到高密度的地磁指纹数据库；

所述地磁数据收集程序是基于智能手机开发的应用软件，用户能够在该程序上设置和选择路线，收集地磁数据和重力加速度数据，并进行数据处理，转换为粒子滤波器算法需要的地磁指纹模型，最后和其匹配的位置一起存入数据库；

所述指纹模型包括两种，地磁密度指纹模型和HV地磁指纹模型；在存入数据库时，保存位置对应的HV地磁指纹模型，地磁密度指纹模型通过从HV地磁指纹模型中计算得来；

所述地磁密度指纹模型，是指将三轴地磁向量数据的大小，即模值，当做地磁读数；

所述HV地磁指纹模型是指通过加速度获取竖直方向，然后从三轴的地磁向量读数中抽取水平分量和竖直分量，形成一个新的二维地磁向量，该地磁向量不受手机朝向变化的影响，而且比地磁密度指纹多了一个分量，作为度量模型的观察值时能够加快定位速度。

8.根据权利要求6所述的地磁室内定位方法，其特征在于：

所述计步算法通过处理手机加速度传感器数据得到；人在行走时，加速度会发生周期性的变化；首先使用低通滤波器和均值滤波器来平滑原始的加速度数据降低误差，接着设置相邻波峰和波谷之间加速度大小上界和下界的阈值和时间差上界和下界的阈值过滤掉干扰情况，最后通过数波峰或者波谷数量实现计步功能；

所述步长估计算法是一种动态自适应的步长估计算法，在普通粒子滤波算法中步长被设置为一个常量，但是不同的人步长各异，即使同一个人步长也时常发生变化，所以通过对重采样后的粒子步长求加权平均值得到一个建议步长，并通过一个队列缓存最近N个建议步长，将这N个建议步长的平均值作为下一次迭代时的步长；

所述连续两步之间朝向变化估计算法，首先是通过对从陀螺仪读取的角速度进行积分，得到两步之间手机x,y,z三轴上角度变化，继而利用加速度传感器获取到重力的方向，也就是竖直方向，通过坐标系变化，得到两步之间手机围绕竖直方向变化的角度，即用户朝向变化值。

9.根据权利要求6所述的地磁室内定位方法，其特征在于：

所述度量步骤综合利用两种不同的地磁指纹模型，分别是HV地磁指纹模型和地磁密度指纹模型，在定位的初始阶段，使用HV地磁指纹模型，加快粒子滤波器收敛速度，更快的完成定位，完成定位后切换到地磁密度指纹模型来继续追踪定位；

所述度量步骤使用地磁指纹作为观察值进行匹配和评估权重时，并非使用地磁指纹的绝对值来评估，而是使用连续两步之间地磁指纹的差值作为观察值，避免不同手机读数存在偏差的问题，即不需要去一一校准所有的手机。

10.根据权利要求6所述的地磁室内定位方法，其特征在于：

所述重采样步骤包括权重离散分布重采样算法和启发式重采样算法，重采样时，会先根据当前检测到用户朝向变化值的大小来自适应地决定两种重采样算法分别需要采集的粒子数量；用户朝向变化越大，启发式重采样算法采集粒子数比重就越大；

所述权重离散重采样算法是根据当前粒子的权重分布情况选取粒子，权重大的粒子多取，权重小的粒子少取；

所述启发式重采样算法是从当前预测的位置一定范围内，随机选取一部分新的粒子；粒子的朝向在当期预测朝向一定变化范围内随机设置，防止由于用户使用手机做其他事情导致估计人朝向变化值出现大的误差而发生定位失效。

11.根据权利要求6所述的地磁室内定位方法，其特征在于：

所述定位精度评估和定位失效检测步骤是通过计算粒子的聚集度来预测当前定位精度，当预测精度超过一个阈值时，则判定为发生了定位失效；发现定位失效后，则启动定位恢复程序；

所述粒子的聚集度是指以当前预测位置为圆心，能够圈住多数粒子的圆的最小半径；

所述定位恢复程序是从历史定位信息中选取距离当前点较近的稳定点重新执行自适应粒子滤波的定位算法；

所述历史定位信息包括用户计步数据，每步中的手机读取的地磁指纹数据和用户朝向变化数据，以及预测的用户位置和朝向信息；

所述稳定点是指从该稳定点到当前点，用户朝向变化很少，带来的误差也就较少。