CN104215238A - 一种智能手机室内定位方法 - Google Patents

Abstract

本发明涉及一种智能手机室内定位方法，其技术特点是：步骤1、在行人行进过程中，利用智能手机内置的加速度传感器和陀螺仪进行行人航位推算，包括判断行人运动状态、计算发生的步伐数、计算行进距离并推算行人方向变化，得到推算的位置信息；步骤2、建立室内环境磁场地图，利用室内环境磁场地图和磁场传感器实时获得的信息，通过粒子滤波算法进行磁场匹配，进而对推算的位置信息进行校正，得到行人的最终位置。本发明从抵御多种手持手机的方法和不同步伐长度处理两方面来提升室内定位的鲁棒性；从提高磁场匹配判决权重的稳定性和降低系统累计误差两方面来提高匹配精度，避免长时间累积误差的出现；从减少外部设备数量上来降低系统复杂度。

Description

一种智能手机室内定位方法

技术领域

本发明属于室内定位技术领域，尤其是一种智能手机室内定位方法。

背景技术

室内定位是指在室内环境中进行人员或物体定位。室内定位的目标是通过惯性导航、基站、超宽带等多种技术形成的一套定位系统，从而实现行人或者物体在室内空间的位置监控功能。

近年来，室内定位技术得到了迅速发展。总体来说，室内定位技术主要有两种实现方法，第一种是基于红外线(Infra-Red,IR)的方法，其存在的问题是：即在发射器与接收器之间必须要有可见的视野；第二种是基于无线电射频(Radio Frequency,RF)的方法，例如，PaschouM提出了一种基于Wi-Fi的智能移动定位系统(M.Paschou,E.Sakkopoulos,A.Tsakalidis,et al.Intelligent Mobile Recommendations for Exhibitions Using Indoor LocationServices[M]//Multimedia Services in Intelligent Environments.SpringerInternational Publishing,2013:19-38)，Hammadi使用近场通信和二维码来确定用户位置并提供导航(O.A.Hammadi,A.A.Hebsi,M.J.Zemerly,andJ.W.P.Ng.Indoor Localization and Guidance Using PortableSmartphones[C]//Web Intelligence and Intelligent Agent Technology(WI-IAT),2012 IEEE/WIC/ACM International Conferences on,2012:337-341)，Buyruk设计了一种新的模式整合GSM和RF指纹的定位系统(H.Buyruk,A.K.Keskin,S.Sendil,et al.RF fingerprinting based GSM indoorlocalization[C]//Signal Processing and Communications ApplicationsConference(SIU),2013 21st,2013:1-4)。上述定位方法对于一般的室内定位鲁棒性较强，但是，它们需要除了智能终端之外的设备，增加了系统复杂度和成本。因此，以智能手机为主的室内定位技术逐渐受到关注，例如，Shin等(S.H.Shin,C.G.Park,J.W.Kim,et al.Adaptive Step Length EstimationAlgorithm Using Low-Cost MEMS Inertial Sensors[C]//Sensors ApplicationsSymposium,2007.IEEE,2007:1-5)利用行人航位推测算法进行的的研究，但是该方法的定位误差会随着时间累积，长时间定位精度较低。另外，Seong-Eun等(K.Seong-Eun,K.Yong,Y.Jihyun,and S.K.Eung.Indoor positioningsystem using geomagnetic anomalies for smartphones[C]//IndoorPositioning and Indoor Navigation(IPIN),2012 International Conferenceon,2012：1-5)提出了一种使用现代混凝土建筑内部形成的独特磁场进行定位的方法，但是由于手机内置传感器精度受限，且误识别情况较多，因此不适合单独定位用。

通过以上分析，现有的室内定位方法中，基于传统IR与PF的定位技术，需要安装外部设备，系统复杂度较大且耗费较高；对基于行人航位推测算法的定位技术，无法避免长时间累积误差的出现，且对传感器性能依赖较大；基于磁场定位的技术，易出现误识别，不适合单独作为定位系统。

发明内容

本发明的目的在于克服现有技术的不足，提供一种智能手机室内定位方法，解决定位系统复杂、费用高以及长时间出现累积误差等问题。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种智能手机室内定位方法，包括以下步骤：

步骤1、在行人行进过程中，利用智能手机内置的加速度传感器和陀螺仪进行行人航位推算，包括判断行人运动状态、计算发生的步伐数、计算行进距离并推算行人方向变化，得到推算的位置信息；

步骤2、建立室内环境磁场地图，利用室内环境磁场地图和磁场传感器实时获得的信息，通过粒子滤波算法进行磁场匹配，进而对推算的位置信息进行校正，得到行人的最终位置。

而且，所述步骤1包括以下步骤：

步骤1.1、利用加速度传感器读数和动态精度法判断行人运动状态；

步骤1.2、根据加速度信号采用动态阈值检测法计算行人步伐数目；

步骤1.3、根据行人步伐数目采用自适应步长算法计算行进距离；

步骤1.4、使用内置陀螺仪与坐标系换算方法，利用智能手机的方向变化推算行人方向变化。

而且，所述步骤1.1的具体实现方法为：对智能手机内置加速度传感器的三个轴XYZ的加速度参数a_xa_ya_z进行采样，计算加速度矢量和并检测加速度在一定时间间隔内连续变化的程度，如果用户在连续25个点，即时间20ms*25＝0.5s的连续振幅中，每相邻的两个点之间的变化范围小于1.0m/s²，则认为此时的运动状态是静止的，然后使用动态精度法和中值滤波去除非步态干扰。

而且，所述步骤1.2的具体实现方法为：根据行人行走的状态和加速度动态调整阈值，当行人的加速度信号过动态阈值变化的时候，认为行人有步伐的动作，本步骤使用行人航位推算的动态阈值方程如下：

$T_n=\mathrm{\α}{T}_{\mathrm{old}}+\mathrm{\β}\frac{{\mathrm{Max}}_i+{\mathrm{Min}}_i}{2}+\mathrm{\γ}$

其中本动态阈值算法为周期性的，一个周期指的是一个步伐的时间；T_n为动态阈值，初始值设置为g，即地球重力加速度；Max_i和Min_i分别代表上一个周期内加速度幅度的最大值和最小值；α和β是预先设置好的参数，分别取值为0.25和0.75；γ为环境噪声，取值为0.09。

而且，所述步骤1.3的具体实现方法为：采用自适应步长算法并依据步伐模型其中，步伐长度如下：

l_i＝a_sf_i+b_sv_i+c_s

其中，d为行进距离，n为行人的步数，l_i为每步步长，a_s，b_s，c_s是预先校准的参数，包括两套a_s，b_s，c_s的数值，设定走路状态下a_s，b_s，c_s取值分别为0.8,0.2和0.15，跑步状态下a_s，b_s，c_s取值分别为0.3,0.7和0.19；利用加速度方差来判别走路和跑步的运动状态，判别阈值设定为4.1，加速度方差超过判别阈值则认为行人处于跑步状态，反之为走路状态；

f_i是步频，v_i是加速度方差，由下面的公式计算：

$f_i=\frac{1}{t_i-t_{i-1}}$

$v_i=\frac{1}{N_s}\underset{t=t_{i-1}}{\overset{t_i}{\mathrm{\Σ}}}{(a_t-{\stackrel{\‾}{a}}_i)}^2$

其中，t_i代表第i步的时间，a_t代表加速度传感器在t时刻的加速度大小，代表在第i步之内的加速度平均值，N_s代表一步的加速度采样数。

而且，所述步骤1.4的具体实现方法包括以下步骤：

(1)分别对陀螺仪xyz三轴读数进行积分，计算出三个轴的角位移θ_xθ_yθ_z；积分公式如下：

(2)对三轴的角位移进行检测，判断匀速直线走，如果一个时间窗口内，三个角位移都没有超过10°，那么是直线行走；

(3)在直线行走的过程中，计算每个方向的加速度传感器的算术平均值

(4)定义行人航位推算模型如下：

$\frac{{\stackrel{\‾}{a}}_x{\mathrm{\θ}}_x+{\stackrel{\‾}{a}}_y{\mathrm{\θ}}_y+{\stackrel{\‾}{a}}_z{\mathrm{\θ}}_z}{\sqrt{{{\stackrel{\‾}{a}}_x}^2+{{\stackrel{\‾}{a}}_y}^2+{{\stackrel{\‾}{a}}_z}^2}}$

(5)在信号上对目标采样点给一个模板，该模板包括了其周围的临近采样点，再用模板中的全体采样点的平均值来代替原来采样值，对得到的Z轴分量进行滤波，得到更为平滑的曲线，所述模板采样点数目设置为25。

而且，所述步骤2具体包括以下步骤：

步骤2.1、离线阶段，通过选取采样点，用内置磁场传感器检测目标定位房间采样点的磁场特征参数并记录到数据库，再使用包含地址信息的多维向量标记采样点，建立其特有的室内环境磁场地图；

步骤2.2、在线阶段，利用预先存储的室内环境磁场地图和磁场传感器实时获得的信息，通过粒子滤波匹配算法进行磁场匹配，进而对步骤1获得的位置信息进行校正，得到行人的最终位置。

而且，所述的步骤2.1的具体实现方法包括以下步骤：

(1)选取采样点：将入口设置为初始点，首先选择一定数量采样点，然后将在每个采样点处测量到的地磁场特征参数记录在数据库中，采集磁感应强度M＝{m_x,m_y,m_z}并将其范数||M||作为观测量，其中m_x,m_y,m_z分别为磁场传感器三轴的读数；

(2)建立室内磁场地图：将室内采样点标记为多维向量Position＝{S,N,L,||M||}，其中，S代表室内采样点行数，N代表室内采样点编号，L代表采样点与初始点的距离；使用这个预先采集的数据建立环境磁场地图P，使采样点位置坐标与地磁特征关联。

而且，所述步骤2.2的具体实现方法包括以下步骤：

(1)当行人停止在采样点附近停止脚步时，测量用户停止位置的地磁强度||M_k||，并通过粒子滤波匹配算法根据实测数据与环境磁场地图P中存储数据||M||比较分析，找出一个同地磁特征图最为匹配的近似点；

(2)使用粒子滤波匹配算法进行磁场匹配，消除行人在航位推测算法中的不确定因素。

而且，所述粒子滤波匹配算法的实现方法包括以下步骤：

(1)在以参考点为中心初始化一定数量的粒子点，粒子点数设置为100；粒子分布在最后由行人航位推算得到的位置周围，呈正态分布，将所有落在空间之外或者空间内墙体和布置物上无效区域的粒子的概率直接置为0，这些点的选取服从方差是由数据源的可信性决定的正态分布；

(2)对粒子进行预测，定义粒子滤波递推方程如下：

$x_t^i=\left[\begin{array}{c}{x}_t^i\\ y_t^i\end{array}\right]=\left[\begin{array}{c}{x}_{t-1}^i+l_t^i\cos \left({\mathrm{\θ}}_t^i\right)\\ y_{t-1}^i+l_t^i\cos \left({\mathrm{\θ}}_t^i\right)\end{array}\right]$

其中，是t时刻第i个粒子点的移动步长，其从服从于N(l_t,σ_l)的正态分布中抽样的值；期望l_t是根据行人航位推测算法直接估计得出的步长；σ_l代表标准偏差；是t时刻第i个粒子点的移动方向，其从服从于的正态分布中抽样的值是惯性元件的偏移标准差，由惯性元件说明书给出；

初始时刻，t＝1时粒子的运动方向一般服从[0,2π]的均匀分布；从t-1时刻到t时刻，所有的粒子完成了一次递推过程，到达了t时刻应在位置；然后，粒子根据粒子位置和校正位置之间的距离，进行归一化处理；利用地磁定位测得用户的测量位置，最后计算权重得出t时刻的最优估计值：

$w_t^i=p\left(z_t\right|x_t^i)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-\frac{{\left|\right|z_t-f\left(x_t^i\right)\left|\right|}^2}{2{\mathrm{\σ}}^2}]$

z_t是地磁定位测得的测量位置，是第i个粒子所在位置，函数f返回一个在磁场地图P中的磁场幅值σ是表示测量不确定性的标准差。

本发明的优点和积极效果是：

本发明将行人航位推测算法和磁场匹配方法结合在一起实现智能手机室内定位功能。在行人航位推测阶段，首先收集手机加速度传感器信息和陀螺仪信息，然后使用航位推测算法根据其判断行人行进状态，进而计算其步伐长度以及行进方向,其从抵御多种智能手机的方法和不同步伐长度处理两方面来提升室内定位的鲁棒性；从减少外部设备数量上来降低系统复杂度。在磁场匹配阶段，使用基于粒子滤波的磁场匹配算法对位置进行匹配,从提高磁场匹配判决权重的稳定性和降低系统累计误差两方面来提高匹配精度，避免长时间累积误差的出现。

附图说明

图1是本发明的处理过程示意图；

图2是本发明的行人航位推算流程图；

图3是本发明的基于粒子滤波的磁场匹配算法示意图；

图4是本发明的步伐检测仿真示意图；

图5是本发明的方向估算仿真示意图；

图6是本发明的应用效果示意图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

一种智能手机室内定位方法，如图1所示，包括以下步骤：

步骤1、在行人行进过程中，利用智能手机内置的加速度传感器和陀螺仪进行行人航位推算，包括判断行人运动状态、计算发生的步伐数、计算行进距离并推算行人方向变化，得到推算的位置信息。本步骤的具体处理过程如图2所示，包括：

步骤1.1、利用加速度传感器读数和动态精度法判断行人运动状态。

在本步骤中，对智能手机内置加速度传感器的三个轴XYZ进行采样，计算加速度矢量和，同时使用动态精度法滤除非步态干扰；对获得的加速度信号进行动态阈值检测，确定有效的波峰波谷，计算发生的步伐数。具体方法为：

(1)对智能手机内置加速度传感器的三个轴XYZ的加速度参数a_xa_ya_z进行采样，利用加速度矢量和判断运动状态,并检测加速度在一定时间间隔内连续变化的程度。通过实际的数据采集分析和论证，发现当行人在静止状态时，人体的加速度变化小于±1.0m/s²。由于数据采样的时间间隔为20ms，如果用户在连续25个点，即时间20ms*25＝0.5s的连续振幅中，每相邻的两个点之间的变化范围小于1.0m/s²，系统就认为此时的运动状态是静止的。然后通过动态精度法和中值滤波去除非步态干扰。理想状态下，行人在静止状态时加速度矢量和A等于g(地球重力加速度)；在实际测量中发现，加速度轻微震动的数值变化精度不大，基本在0.3m/s²左右。因此我们设计初始动态精度为0.3m/s²，即将9.7-10.3m/s²之间的数值视为非步态干扰，不计步数。然后我们检查输入信号中的采样，使用奇数个采样组成的观察窗实现中值滤波。观察窗口中的数值进行排序，位于观察窗中间的中值作为输出。然后，丢弃最早的值，取得新的采样，重复上面的计算过程，得到一个降噪后的信号。

步骤1.2、根据加速度信号采用动态阈值检测法计算行人步伐数目。

本发明采用动态阈值检测法对步伐进行检测，该方法根据行人行走的状态和加速度动态调整阈值，当行人的加速度信号超过动态阈值变化的时候，认为行人有步伐的动作。阈值处于波峰和波谷的中间位置，同时还需要考据上一步的阈值。本发明提出的行人航位推算的动态阈值方程如下：

$T_n=\mathrm{\α}{T}_{\mathrm{old}}+\mathrm{\β}\frac{{\mathrm{Max}}_i+{\mathrm{Min}}_i}{2}+\mathrm{\γ}$

其中本动态阈值算法为周期性的，一个周期指的是一个步伐的时间；T_n为动态阈值，初始值设置为g，即地球重力加速度；Max_i和Min_i分别代表上一个周期内加速度幅度的最大值和最小值；α和β是预先设置好的参数，在本实施例中，分别取值为0.25和0.75；γ为环境噪声，主要是高斯噪声，在本实施例中，取值为0.09。

经过多次实验，在判断有效波峰时，限定波峰之间至少间隔4个振幅点才能被判别为有效波峰，因为人体步态特征上是每两步之间的时间间隔大于200ms(人类极限步行速率为200ms/步)，波谷同理。

步骤1.3、根据步骤1.2获得的步伐数采用自适应步长算法计算行进距离。

本步骤结合步骤1.2中获得的步伐数目计算行人行进距离计算行人不同行进状态下的步长，可以适应步行与跑步等多种行进方式。

根据人体机械学原理，当行人步频处于常规范围时，步幅与步频有近似的线性关系。本发明采用基于每一步步频和每一步加速度传感器方差的自适应步长算法依据步伐模型并定义步伐长度如下：

l_i＝a_sf_i+b_sv_i+c_s

其中，d为行进距离，n为行人的步数，l_i为每步步长。a_s，b_s，c_s是预先校准的参数。为了使系统在将来可以适应多种运动状态下的步长估计，设定两套a_s，b_s，c_s的数值，分别对应走路和跑步时的参数。例如，在本实施例中，我们设定走路状态下a_s，b_s，c_s取值分别为0.8,0.2和0.15，跑步状态下a_s，b_s，c_s取值分别为0.3,0.7和0.19。我们利用加速度方差来判别走路和跑步的运动状态，在本实施例中，判别阈值设定为4.1，加速度方差超过判别阈值则认为行人处于跑步状态，反之为走路状态。

f_i是步频，v_i是加速度方差，可以由下面的公式计算。

$f_i=\frac{1}{t_i-t_{i-1}}$

$v_i=\frac{1}{N_s}\underset{t=t_{i-1}}{\overset{t_i}{\mathrm{\Σ}}}{(a_t-{\stackrel{\‾}{a}}_i)}^2$

其中，t_i代表第i步的时间，a_t代表加速度传感器在t时刻的加速度大小，代表在第i步之内的加速度平均值(使用加速度传感器在第i步之内的采样点读数除以采样点数目得到的算术平均值)，N_s代表一步的加速度采样数。

步骤1.4、使用内置陀螺仪与坐标系换算方法，利用智能手机的方向变化推算行人方向变化。

本步骤使用陀螺仪对行人进行方向进行推算，因为掌握手机的方式不同，手机的笛卡尔坐标系xyz与行人的笛卡尔坐标系XYZ大多数时间是不同的。可以认为，行人转身的角位移是以Z轴为基准的角位移。因此，将智能手机的坐标系映射到行人坐标系中，进而通过手机内置陀螺仪估算行人的方向改变。具体步骤如下：

(1)分别对陀螺仪xyz三轴读数进行积分，计算出三个轴的角位移θ_xθ_yθ_z。积分公式如下：

(2)对三轴的角位移进行检测，判断匀速直线走(一般行人行进过程中必定存在此过程)。如果一个时间窗口内，三个角位移都没有超过10°，那么是直线行走。

(3)对直走的过程中，计算每个方向的加速度传感器的算术平均值(即)。原理是，在一个直线行走过程中的平均加速度近似于重力加速度g，即在Z轴上的加速度分量之和。因此可以把Z轴向量分解为三个部分：分别对应xyz轴。在角度测量的过程中反转这个过程，就能恢复角速度和角位移在Z轴的分量。

(4)定义行人方向推算如下：

$\frac{{\stackrel{\‾}{a}}_x{\mathrm{\θ}}_x+{\stackrel{\‾}{a}}_y{\mathrm{\θ}}_y+{\stackrel{\‾}{a}}_z{\mathrm{\θ}}_z}{\sqrt{{{\stackrel{\‾}{a}}_x}^2+{{\stackrel{\‾}{a}}_y}^2+{{\stackrel{\‾}{a}}_z}^2}}$

(5)最后用均值滤波，在信号上对目标采样点给一个模板，该模板包括了其周围的临近采样点，再用模板中的全体采样点的平均值来代替原来采样值，本实施例中，模板采样点数目设置为25。对得到的Z轴分量进行滤波，得到更为平滑的曲线。

步骤2、建立室内环境磁场地图，利用室内环境磁场地图和磁场传感器实时获得的信息，通过粒子滤波算法进行磁场匹配，进而对步骤1推算的位置信息进行校正，得到行人的最终位置。具体处理过程如图3所示，包括：

步骤2.1、离线阶段，通过选取采样点，用内置磁场传感器检测目标定位房间采样点的磁场特征参数并记录到数据库，再使用包含地址信息的多维向量标记采样点，建立其特有的室内环境磁场地图。具体包括以下步骤：

(1)选取采样点

将入口设置为初始点，首先选择一定数量采样点(如大型金属物品等)，然后将在每个采样点处测量到的地磁场特征参数记录在数据库中，采集磁感应强度M＝{m_x,m_y,m_z}并将其范数||M||作为观测量，其中m_x,m_y,m_z分别为磁场传感器三轴的读数。

(2)建立室内磁场地图

将室内采样点标记为多维向量Position＝{S,N,L,||M||}，其中S代表室内采样点行数，N代表室内采样点编号，L代表采样点与初始点的距离。使用这个预先采集的数据建立环境磁场地图P，使采样点位置坐标与地磁特征关联。

步骤2.2、在线阶段，利用预先存储的室内环境磁场地图和磁场传感器实时获得的信息，通过粒子滤波匹配算法进行磁场匹配，进而对步骤1获得的位置信息进行校正，得到行人的最终位置。具体包括以下步骤：

(1)当行人停止在采样点附近停止脚步时，测量用户停止位置的地磁强度||M_k||，并通过下述的粒子滤波匹配算法根据实测数据与环境磁场地图P中存储数据||M||比较分析，找出一个同地磁特征图最为匹配的近似点。

(2)使用粒子滤波匹配算法进行磁场匹配，消除行人在航位推测算法中的不确定因素。本实施例使用一系列的随机样本点，即具有权重的粒子来代表行人所处位置的概率密度大小。具体处理过程如下：

首先，在以参考点为中心初始化一定数量的粒子点，本实施例中粒子点数设置为100。粒子分布在最后由行人航位推算得到的位置周围，呈正态分布。将所有落在空间之外或者空间内墙体和布置物上等无效区域的粒子的概率直接置为0。这些点的选取服从方差是由数据源的可信性决定的正态分布。

然后对粒子进行预测，定义粒子滤波递推方程如下：

$x_t^i=\left[\begin{array}{c}{x}_t^i\\ y_t^i\end{array}\right]=\left[\begin{array}{c}{x}_{t-1}^i+l_t^i\cos \left({\mathrm{\θ}}_t^i\right)\\ y_{t-1}^i+l_t^i\cos \left({\mathrm{\θ}}_t^i\right)\end{array}\right]$

其中，是t时刻第i个粒子点的移动步长，它是从服从于N(l_t,σ_l)的正态分布中抽样的值。其中期望l_t是根据行人航位推测算法直接估计得出的步长，σ_l代表标准偏差。同理，是t时刻第i个粒子点的移动方向，它是从服从于的正态分布中抽样的值。其中惯性元件的偏移标准差，一般由惯性元件说明书给出。初始时刻，即t＝1时粒子的运动方向一般服从[0,2π]的均匀分布。

从t-1时刻到t时刻，所有的粒子完成了一次递推过程，到达了t时刻应在位置。然后，粒子根据粒子位置和校正位置之间的距离，进行归一化处理。利用地磁定位测得用户的测量位置，然后计算权重得出t时刻的最优估计值。

$w_t^i=p\left(z_t\right|x_t^i)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-\frac{{\left|\right|z_t-f\left(x_t^i\right)\left|\right|}^2}{2{\mathrm{\σ}}^2}]$

z_t是地磁定位测得的测量位置，是第i个粒子所在位置，函数f返回一个在磁场地图P中的磁场幅值σ是表示测量不确定性的标准差。

以下对本发明所提出的智能手机室内定位算法进行实验。

1、测试条件简介

实验时，采用三星GALAXYSIIII9300智能手机，内置LSM330DLC三轴加速度传感器，LSM330DLC陀螺仪，AK8975C三轴地磁传感器。测试场地为北京邮电大学第三教学楼(混凝土框架结构)。各传感器采样频率为50Hz，采样高度为1.2m。

2、各阶段测试

(1)行人航位推算

实验采用了动态阈值算法对用户的步伐进行了检测。用户沿着直线行走20步，同时对其加速度进行实时测定，结果如图4所示。经过动态精度的调整和中值滤波，实曲线代表行走过程中的加速度幅值，虚线表示动态阈值曲线，圆圈表示算法检测到的步伐。为了取其均值，本实验进行了600步的相同测试，检测错误率约为2.3％。说明本发明具有极高的检测率，提高了整个系统的鲁棒性。

(2)方向估算

测试者沿着直线行进10s时间，然后进行一个90°的左转弯，再直线行进一段时间。在这个仿真实验中，实曲线代表获得的相对于人体Z轴的角位移信号，虚线指的是经过中值滤波之后的角位移信号。如图5所示，结果角位移为89.20°，接近实际位移情况，误差率不足百分之一。因此本发明在行人航位推测算法方面作出了极大的改进，获得了更高的效率和更低的累积误差。

(3)基于地磁匹配的位置校正

图6表示了一个在室内环境的实地测试。测试者通过黑色箭头实线路径进行行走，采用两种不同的方法对其行进路线进行估算。虚线表示只采用基于行人航位推测算法的室内定位技术，灰色实线表示使用本发明提出的行人航位推测算法和地磁匹配算法相结合的室内定位技术。经过统计，三项准确性参数如下表一中所示。

表一

定位方法	平均误差(m)	最大误差(m)	1m内准确率(％)
				只使用传统行人航位推算	2.46	4.43	27％
行人航位推算结合磁场匹配	1.42	3.28	62％

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (10)

1.一种智能手机室内定位方法，其特征在于包括以下步骤：

步骤1、在行人行进过程中，利用智能手机内置的加速度传感器和陀螺仪进行行人航位推算，包括判断行人运动状态、计算发生的步伐数、计算行进距离并推算行人方向变化，得到推算的位置信息；

步骤2、建立室内环境磁场地图，利用室内环境磁场地图和磁场传感器实时获得的信息，通过粒子滤波算法进行磁场匹配，进而对推算的位置信息进行校正，得到行人的最终位置。

2.根据权利要求1所述的一种智能手机室内定位方法，其特征在于：所述步骤1包括以下步骤：

步骤1.1、利用加速度传感器读数和动态精度法判断行人运动状态；

步骤1.2、根据加速度信号采用动态阈值检测法计算行人步伐数目；

步骤1.3、根据行人步伐数目采用自适应步长算法计算行进距离；

步骤1.4、使用内置陀螺仪与坐标系换算方法，利用智能手机的方向变化推算行人方向变化。

3.根据权利要求2所述的一种智能手机室内定位方法，其特征在于：所述步骤1.1的具体实现方法为：对智能手机内置加速度传感器的三个轴XYZ的加速度参数a_xa_ya_z进行采样，计算加速度矢量和并检测加速度在一定时间间隔内连续变化的程度，如果用户在连续25个点，即时间20ms*25＝0.5s的连续振幅中，每相邻的两个点之间的变化范围小于1.0m/s²，则认为此时的运动状态是静止的，然后使用动态精度法和中值滤波去除非步态干扰。

4.根据权利要求2所述的一种智能手机室内定位方法，其特征在于：所述步骤1.2的具体实现方法为：根据行人行走的状态和加速度动态调整阈值，当行人的加速度信号过动态阈值变化的时候，认为行人有步伐的动作，本步骤使用行人航位推算的动态阈值方程如下：

$T_n=\mathrm{\α}{T}_{\mathrm{old}}+\mathrm{\β}\frac{{\mathrm{Max}}_i+{\mathrm{Min}}_i}{2}+\mathrm{\γ}$

其中本动态阈值算法为周期性的，一个周期指的是一个步伐的时间；T_n为动态阈值，初始值设置为g，即地球重力加速度；Max_i和Min_i分别代表上一个周期内加速度幅度的最大值和最小值；α和β是预先设置好的参数，分别取值为0.25和0.75；γ为环境噪声，取值为0.09。

5.根据权利要求2所述的一种智能手机室内定位方法，其特征在于：所述步骤1.3的具体实现方法为：采用自适应步长算法并依据步伐模型其中，步伐长度如下：

l_i＝a_sf_i+b_sv_i+c_s

其中，d为行进距离，n为行人的步数，l_i为每步步长，a_s，b_s，c_s是预先校准的参数，包括两套a_s，b_s，c_s的数值，设定走路状态下a_s，b_s，c_s取值分别为0.8,0.2和0.15，跑步状态下a_s，b_s，c_s取值分别为0.3,0.7和0.19；利用加速度方差来判别走路和跑步的运动状态，判别阈值设定为4.1，加速度方差超过判别阈值则认为行人处于跑步状态，反之为走路状态；

f_i是步频，v_i是加速度方差，由下面的公式计算：

$f_i=\frac{1}{t_i-t_{i-1}}$

$v_i=\frac{1}{N_s}\underset{t=t_{i-1}}{\overset{t_i}{\mathrm{\Σ}}}{(a_t-{\stackrel{\‾}{a}}_i)}^2$

其中，t_i代表第i步的时间，a_t代表加速度传感器在t时刻的加速度大小，代表在第i步之内的加速度平均值，N_s代表一步的加速度采样数。

6.根据权利要求2所述的一种智能手机室内定位方法，其特征在于：所述步骤1.4的具体实现方法包括以下步骤：

(1)分别对陀螺仪xyz三轴读数进行积分，计算出三个轴的角位移θ_xθ_yθ_z；积分公式如下：

(2)对三轴的角位移进行检测，判断匀速直线走，如果一个时间窗口内，三个角位移都没有超过10°，那么是直线行走；

(3)在直线行走的过程中，计算每个方向的加速度传感器的算术平均值

(4)定义行人航位推算模型如下：

$\frac{{\stackrel{\‾}{a}}_x{\mathrm{\θ}}_x+{\stackrel{\‾}{a}}_y{\mathrm{\θ}}_y+{\stackrel{\‾}{a}}_z{\mathrm{\θ}}_z}{\sqrt{{{\stackrel{\‾}{a}}_x}^2+{{\stackrel{\‾}{a}}_y}^2+{{\stackrel{\‾}{a}}_z}^2}}$

(5)在信号上对目标采样点给一个模板，该模板包括了其周围的临近采样点，再用模板中的全体采样点的平均值来代替原来采样值，对得到的Z轴分量进行滤波，得到更为平滑的曲线，所述模板采样点数目设置为25。

7.根据权利要求1所述的一种智能手机室内定位方法，其特征在于：所述步骤2具体包括以下步骤：

步骤2.1、离线阶段，通过选取采样点，用内置磁场传感器检测目标定位房间采样点的磁场特征参数并记录到数据库，再使用包含地址信息的多维向量标记采样点，建立其特有的室内环境磁场地图；

步骤2.2、在线阶段，利用预先存储的室内环境磁场地图和磁场传感器实时获得的信息，通过粒子滤波匹配算法进行磁场匹配，进而对步骤1获得的位置信息进行校正，得到行人的最终位置。

8.根据权利要求7所述的一种智能手机室内定位方法，其特征在于：所述的步骤2.1的具体实现方法包括以下步骤：

(1)选取采样点：将入口设置为初始点，首先选择一定数量采样点，然后将在每个采样点处测量到的地磁场特征参数记录在数据库中，采集磁感应强度M＝{m_x,m_y,m_z}并将其范数||M||作为观测量，其中m_x,m_y,m_z分别为磁场传感器三轴的读数；

(2)建立室内磁场地图：将室内采样点标记为多维向量Position＝{S,N,L,||M||}，其中，S代表室内采样点行数，N代表室内采样点编号，L代表采样点与初始点的距离；使用这个预先采集的数据建立环境磁场地图P，使采样点位置坐标与地磁特征关联。

9.根据权利要求7所述的一种智能手机室内定位方法，其特征在于：所述步骤2.2的具体实现方法包括以下步骤：

(1)当行人停止在采样点附近停止脚步时，测量用户停止位置的地磁强度||M_k||，并通过粒子滤波匹配算法根据实测数据与环境磁场地图P中存储数据||M||比较分析，找出一个同地磁特征图最为匹配的近似点；

(2)使用粒子滤波匹配算法进行磁场匹配，消除行人在航位推测算法中的不确定因素。

10.根据权利要求9所述的一种智能手机室内定位方法，其特征在于：所述粒子滤波匹配算法的实现方法包括以下步骤：

(1)在以参考点为中心初始化一定数量的粒子点，粒子点数设置为100；粒子分布在最后由行人航位推算得到的位置周围，呈正态分布，将所有落在空间之外或者空间内墙体和布置物上无效区域的粒子的概率直接置为0，这些点的选取服从方差是由数据源的可信性决定的正态分布；

(2)对粒子进行预测，定义粒子滤波递推方程如下：

$x_t^i=\left[\begin{array}{c}{x}_t^i\\ y_t^i\end{array}\right]=\left[\begin{array}{c}{x}_{t-1}^i+l_t^i\cos \left({\mathrm{\θ}}_t^i\right)\\ y_{t-1}^i+l_t^i\cos \left({\mathrm{\θ}}_t^i\right)\end{array}\right]$

其中，是t时刻第i个粒子点的移动步长，其从服从于N(l_t,σ_l)的正态分布中抽样的值；期望l_t是根据行人航位推测算法直接估计得出的步长；σ_l代表标准偏差；是t时刻第i个粒子点的移动方向，其从服从于的正态分布中抽样的值；是惯性元件的偏移标准差，由惯性元件说明书给出；

初始时刻，t＝1时粒子的运动方向一般服从[0,2π]的均匀分布；从t-1时刻到t时刻，所有的粒子完成了一次递推过程，到达了t时刻应在位置；然后，粒子根据粒子位置和校正位置之间的距离，进行归一化处理；利用地磁定位测得用户的测量位置，最后计算权重得出t时刻的最优估计值：

$w_t^i=p\left(z_t\right|x_t^i)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-\frac{{\left|\right|z_t-f\left(x_t^i\right)\left|\right|}^2}{2{\mathrm{\σ}}^2}]$

z_t是地磁定位测得的测量位置，是第i个粒子所在位置，函数f返回一个在磁场地图P中的磁场幅值σ是表示测量不确定性的标准差。