CN104977006A - 一种基于模糊理论和多传感器融合的室内定位方法 - Google Patents

Abstract

本发明涉及一种基于模糊理论和多传感器融合的室内定位方法，其技术特点是：根据智能手机内置的多重传感器，首先采集智能手机的加速度传感器、陀螺仪和气压计的数据，然后将模糊理论应用到采集到的数据中，推测行人的运动状态、步数和步长，得到推算的位置信息；同时，从气压计信息获取用户的高度；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，通过模糊理论进行磁场匹配，对推算的位置信息进行校准，得到行人的最终位置。本发明从多种携带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。通过磁场的模糊理论匹配，可以降低系统累计误差，提高准确性，降低系统复杂度。

Description

一种基于模糊理论和多传感器融合的室内定位方法

技术领域

本发明属于室内定位技术领域，具体涉及一种基于模糊理论和多传感器融合的室内定位方法。

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。目前，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，Paschou M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),2012IEEE/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),201321st,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),2012International 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。

综上所述，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，提供一种基于模糊理论和多传感器融合的室内定位方法，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。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于模糊理论和多传感器融合的室内定位方法，包括以下步骤：

步骤1、根据智能手机内置的多重传感器，在行人行进过程中，首先采集智能手机的加速度传感器、陀螺仪和气压计的数据，然后将模糊理论应用到采集到的数据中，推测行人的运动状态、步数和步长，得到推算的位置信息；同时，从气压计信息获取用户的高度；

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，通过模糊理论进行磁场匹配，对步骤1推算的位置信息进行校准，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模糊理论的算法计算行进距离；

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；

步骤1.5、收集气压计的读数，并通过模糊系统的方式获取用户的高度。

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_x a_y a_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超过动态阈值变化的时候，认为行人有步伐的动作，动态调整阈值的方程如下：

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

该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的具体实现方法包括以下步骤：

步骤(1)、收集加速度计的相应信息，包括步频和加速度方差；

步骤(2)、将收集到信息经过隶属度函数映射成模糊值；

步骤(3)根据模糊准则、最大最小准则模糊处理方法进行模糊处理；

步骤(4)、根据区域中心法进行解模糊化运算，计算得到用户所行走的步长。

而且，所述步骤1.4的具体实现方法包括以下步骤：

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_x θ_y θ_z；

步骤(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；

步骤(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

步骤(4)、定义行人航位推算模型如下：

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

步骤(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。

而且，所述步骤1.5的具体实现方法为：首先收集气压计的读数，然后利用高度与空气压力的关系计算高度，最后使用平均滤波算法和三角隶属度函数来校准数据得到准确的高度。

而且，所述步骤2的具体实现方法包括以下步骤：

步骤2.1、离线阶段，首先选取采样点，然后，根据采样点选择手机内置磁场传感器获取磁场特征参数并记录到数据库，并且保存朝向左和右两个方向的磁场，记录该位置的坐标，最终形成特有的室内环境磁场地图；

步骤2.2、在线阶段，首先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，通过模糊系统K邻域匹配的方法，进而对步骤1获得的位置信息进行校正，并且整合三者数据，得到用户的最终位置。

而且，所述的步骤2.1的具体实现方法为：

首先，在离线阶段，选择校准点的位置；然后，测量磁场特征参数和记录的磁特性数据库；将收集到的数据表示为一个多维向量P||P_i||，||Q_i||，X_i，Y_i}，其中||P_i||和||Q_i||是两个朝向左和右的磁场强度，X_i是水平的测试区域坐标，Y_i是测试区域的垂直坐标。

而且，所述步骤2.2的具体实现方法为：

首先，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；

然后，使用收集到的磁性数据和模糊隶属函数来校准用户的位置，选择最近的K邻居在磁性地图P和Q为参考点，通过下面公式的隶属函数计算每一个参考点的隶属程度模糊集的隶属函数和隶属程度反映出目标位置与参考点关系：

$M_B=\frac{<V_A,V_B>}{\left|V_A\right|\&CenterDot;\left|V_B\right|}$

上式中B表示参考点，V_B表示B点的磁性特征向量，<V_A，V_B>表示V磁性特征向量的内积和，|V_A|和|V_B|是两个点磁特征向量的长度；

设(x_i，y_i)是参考点，这里i∈[1，K]，M_i是从A点到B参考点的隶属度程度，该参考点的坐标是:

$(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})=\frac{{\mathrm{\&Sigma;}}_{i=1}^K{M}_i(x_i,y_i)}{{\mathrm{\&Sigma;}}_{i=1}^K{M}_i}$

用户最后的位置是由节点推测位置和校准位置共同决定的，其决定公式如下：

$(x,y)={\mathrm{\&lambda;}}_1{(x,y)}_R+{\mathrm{\&lambda;}}_2{(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})}_P+{\mathrm{\&lambda;}}_3{(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})}_Q$

(x，y)_R是估计坐标，和是从磁场地图P和Q中得到的校准位置，λ₁+λ₂+λ₃＝1。

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模糊磁场匹配方法结合在一起，实现基于智能手机多传感器和模糊系统的室内定位功能。在行人航位推测阶段，首先收集手机加速度传感器信息、陀螺仪和气压计的信息，从而通过算法检测用户的运行状态，通过模糊系统的检测得到用户的行动距离，通过陀螺仪数据来计算得到用户的位置。本发明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；在模糊磁场匹配阶段，使用基于模糊系统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为模糊理论(模糊系统)的理论结构图；

图2为本发明的处理原理示意图；

图3为本发明的步长的隶属度函数图；

图4为本发明的加速度幅值和频率的隶属度函数图；

图5为模糊系统估计步长的结果图；

图6为通过模糊系统估计气压计信息得到的结果图；

图7为测试路径是一个椭圆的结果图；

图8为用户测试直线和转弯的结果图。

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：

一种基于模糊理论和多传感器融合的室内定位方法，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。

本步骤的具体处理过程如图2所示，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。

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：

首先，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_x a_y a_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，动态阈值检测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：

$T_n=\mathrm{\&alpha;}\&CenterDot;T_{old}+\mathrm{\&beta;}\frac{{\mathrm{Max}}_i+{\mathrm{Min}}_i}{2}+\mathrm{\&gamma;}$

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、根据行人步伐数目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。

为了模拟用户的不同的移动模式，我们采用了慢走、走、快走、跑和快跑五个不同的运动模式。本发明采用的模糊系统用于获取用户步行的长度，模糊系统的推理过程如图1表示。步频率和加速度方差是两个模糊逻辑系统的输入和输出是模糊的步长。

下面，详细介绍两个指标经过模糊系统得到了估计的步长。这两个指标分别是步频f，加速度方差是输出是估计的步长。模糊系统输出值为估计的步长，用l表示。两个输入指标的集合和输出指标被定义为其中，VL代表很低，L代表低，H代表高，VH代表很高。输出T(C_I)＝{SW，W，FW，R，FR}，其中，慢走(SW)，走(W)、快走(FW)、跑(R)、快跑(FR)。

其中，f是步频，是加速度方差，由下面的公式计算：

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

${\mathrm{\&sigma;}}_a^2=\frac{1}{N_s}\underset{t=t_{i-1}}{\overset{t_i}{\&Sigma;}}{(a_t-{\stackrel{\&OverBar;}{a}}_i)}^2$

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。

基于模糊理论的步长计算步骤如下：

步骤(1)、收集加速度计的相应信息，包括步频和加速度的方差。

在输入模糊系统之前，我们需要将两个输入数据进行归一化，使它们的取值范围在0和1之间。归一化公式如下：

${\widetilde{\mathrm{\&sigma;}}}_a^2=({\mathrm{\&sigma;}}_a^2-A_{min})/(A_{max}-A_{min})$

$\tilde{f}=(f-F_{min})/(F_{max}-F_{\min })$

在上面的公式中，和是归一化的指标，和f是归一化之前的指标；其中，A_min和A_max是指标的最小值和最大值，F_min和F_max是指标f的最小值和最大值。

步骤(2)、将收集到信息经过隶属度函数映射成模糊值。其中，隶属度函数是表征这些参数处于哪一个部分的。其隶属度函数表如下，图3和图4记录了相应的隶属度函数图形：

隶属度函数表

其中，在上面的表格中，和是归一化的步频和加速度方差的隶属度函数。是模糊系统输出的归一化的步长。

上面的表格中，三角函数f(x；x₀，a₀，a₁)和一个梯形函数g(x；x₀，x₁，a₀，a₁)被选中作为隶属度函数。其数学公式如下：

$f(x;x_0,a_0,a_1)=\left\{\begin{array}{cc}\frac{x-x_0}{a_0}+1& x_0-a_0<x\&le;x_0\\ \frac{x_0-x}{a_1}+1& x_0<x<x_0+a_0\\ 0& \end{array}\right.$

$g(x;x_0,x_1,a_0,a_1)=\left\{\begin{array}{cc}\frac{x-x_0}{a_0}+1& x_0-a_0<x\&le;x_0\\ 1& x_0<x\&le;x_1\\ \frac{x_0-x}{a_1}+1& x_1<x<x_1+a_1\\ 0& \end{array}\right.$

在x₀位于f(·)三角函数的中心；x₀和x₁是g(·)的左(右)边梯形函数；a₀和a₁是左(右)三角形的宽度或梯形函数。中心、边缘或宽度三角形或梯形隶属函数设置直观但基于语言变量的特征。

步骤(3)根据模糊准则、最大最小准则模糊处理方法进行模糊处理。

模糊准则表如下：

FSCI模糊准则

本发明采用最大最小准则模糊推理的方法。根据上表中的表示准则1和5有着相同的相同输出首先应用最小准则得到临时结果w₁：

$w_2=min\left({\mathrm{\&mu;}}_S\right({\widetilde{\mathrm{\&sigma;}}}_a^2),{\mathrm{\&mu;}}_S\left(\tilde{f}\right))$

同理，我们可以获得临时结果w₁和w₅。根据这些临时结果，应用最大准则可以得到输出指示C_I＝SW，定义为w_SW：

w_W＝min(w₁，w₅)

步骤(4)、根据区域中心法进行解模糊化运算，计算得到用户所行走的步长。

输出的模糊推理指示SW，W，FW、R、FR，定义为w_SW、w_W、w_FW、w_R和w_FR，可以分别通过相同的方式得到。最后，模糊推理结果步长检测可以通过解模糊得到。解模糊化方法采用了中心面积去模糊化方法。这样的流量拥堵程度值是获得的

$\tilde{l}=\frac{0.1*w_{SW}+0.3*w_W+0.5*w_{FW}+0.7*w_R+0.9*w_{FR}}{w_{SW}+w_W+w_{FW}+w_R+w_{FR}}$

将归一化的检测出来的步长，还原成真实的步长，根据下面的公式：

$l=\tilde{l}\&CenterDot;(L_{max}-L_{min})+L_{min}$

模糊步长的结果如图5所示。

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。

本步骤的具体实现方法为：

(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_x θ_y θ_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：

$O_z=\frac{{\stackrel{\&OverBar;}{a}}_x{\mathrm{\&theta;}}_x+{\stackrel{\&OverBar;}{a}}_y{\mathrm{\&theta;}}_y+{\stackrel{\&OverBar;}{a}}_z{\mathrm{\&theta;}}_z}{\sqrt{{{\stackrel{\&OverBar;}{a}}_x}^2+{{\stackrel{\&OverBar;}{a}}_y}^2+{{\stackrel{\&OverBar;}{a}}_z}^2}}$

(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。

通过整合前面经过模糊理论得到的推测步长和用户转动角度，我们可以根据下面的公式，得到当前用户的位置。

$\left\{\begin{array}{c}{x}_k=x_{k-1}+l_k*cos\left(O_Z\right)\\ y_k=y_{k-1}+l_k*sin\left(O_Z\right)\end{array}\right.$

这里(x_k，y_k)是当前用户的推测的位置，(x_k-1，y_k-1)是用户的上一步的位置。O_Z是前面计算得到的用户转动的角度，l_k是经过模糊系统计算得到模糊的步长。

步骤1.5、收集气压计的读数，并通过模糊系统的方式获取用户的高度，也就是所处在的楼层。

我们都知道，空气压力成反比的高度在底层地球大气层。这意味着高度增加当空气压力减少。因此，可以利用气压计计算室内建筑物的高度。

在本发明中所有压力参数是基于mbar。国际民用航空组织(ICAO)发表在1993年标准大气。根据ICAO模型，高度约8.7米每变化1mbar气压的变化。另一方面，气压下降11.2mbar海拔每上升100米。根据美国标准大气，空气压力和高度之间的关系可以表示如下。

$P_r=P_0{(1-\frac{H}{44330})}^{5255}$

P₀代表的标准大气压力(1013.25mbar)，H是高度，单位是米的。

内置的气压计可以很容易受空气温度和天气条件的影响。所以我们使用平均滤波算法和三角隶属度函数来校准数据。三角形隶属度函数确定楼层高度的隶属度。隶属度函数与楼层高度有关，每个高度对应一个隶属度函数。换句话说，每层楼都有自己的三角形隶属函数。

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，通过模糊理论进行磁场匹配，对步骤1推算的位置信息进行校准，得到行人的最终位置。

本步骤包括以下处理步骤：

步骤2.1、离线阶段，首先选取采样点，然后，根据采样点选择手机内置磁场传感器获取磁场特征参数并记录到数据库，并且保存朝向左和右两个方向的磁场，记录该位置的坐标，最终形成了特有的室内环境磁场地图。

本步骤的具体实现方法为：首先在离线阶段，我们选择校准点的位置。然后我们测量磁场特征参数和记录的磁特性数据库。收集到的数据可以表示为一个多维向量{||P_i||，||Q_i||，X_i，Y_i}，其中||P_i||和||Q_i||是两个朝向左和右的磁场强度，X_i是水平的测试区域坐标，Y_i是测试区域的垂直坐标。这样，收集到的数据可以表示为一个多维向量。

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，通过模糊系统K邻域匹配的方法，进而对步骤1获得的位置信息进行校正，并且整合三者数据，最终得到用户的最终位置。

本步骤的具体实现方法包括以下步骤：

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。

我们使用收集到的磁性数据和模糊隶属函数来校准用户的位置。当用户停止时，他拿出手机，会向左边和右边两个磁通密度。我们的算法选择最近的K邻居在磁性地图P和Q为参考点。通过下面公式的隶属函数。我们可以计算每一个参考点的隶属程度模糊集的隶属函数和隶属程度反映出目标位置与参考点关系。

$M_B=\frac{<V_A,V_B>}{\left|V_A\right|\&CenterDot;\left|V_B\right|}$

上式中B表示参考点，V_B表示B点的磁性特征向量，<<V_A，V_B>V磁性特征向量的内积和，|V_A|和|V_B|是两个点磁特征向量的长度。

假设(x_i，y_i)是参考点，这里i∈[1，K]。M_i是从A点到B参考点的隶属度程度，所以点的坐标是:

$(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})=\frac{{\mathrm{\&Sigma;}}_{i=1}^K{M}_i(x_i,y_i)}{{\mathrm{\&Sigma;}}_{i=1}^K{M}_i}$

用户最后的位置是由节点推测位置和校准位置共同决定的，其决定公式如下：

$(x,y)={\mathrm{\&lambda;}}_1{(x,y)}_R+{\mathrm{\&lambda;}}_2{(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})}_P+{\mathrm{\&lambda;}}_3{(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})}_Q$

(x，y)_R是步骤二估计出来的坐标，和是从磁场地图P和Q中得到的校准位置，λ₁+λ₂+λ₃＝1，本发明λ₁＝0.4，λ₂＝0.3，λ₃＝0.3。

下面使用智能手机对本发明提出的基于模糊理论和多传感器融合的室内定位方法进行实验。

1、测试条件说明

实验时，采用三星GALAXYSIIIN9008智能手机，内置MPU6500三轴加速度传感器，YAS532陀螺仪，BOSCH气压计和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。经过动态精度的调整和中值滤波，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89.22°，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)基于模糊系统的高度和楼层检测

图6显示了用户在不同楼层的运动和结果，可以反映出来，用户高度的变化与气压计读数基本成正比，所以，通过模糊中隶属度函数，很容易判断出楼层。

(4)基于地磁匹配的位置校正

首先，选择了一个在椭圆形的路径上进行测试，行走完这个路径需要60s，其结果如图7所示。其中，实线代表真实的路径，乘字点线代表传统行人航位推测算法，十字点线代表本发明的人航位推测算法和地磁匹配算法相结合的室内定位技术。从结果上看，效果显著。图8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，采用三种不同的方法对其行进路线进行估算。虚线表示只采用传统基于行人航位推测算法的室内定位技术，点画线表示使用本发明提出的行人航位推测算法，长画线代表是用来本发明的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所示。

从上表可以看出，本发明的平局误差、最大误差要比其他方法要小得多，准确率得到了大幅提高。

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)

1.一种基于模糊理论和多传感器融合的室内定位方法，其特征在于包括以下步骤：

步骤1、根据智能手机内置的多重传感器，在行人行进过程中，首先采集智能手机的加速度传感器、陀螺仪和气压计的数据，然后将模糊理论应用到采集到的数据中，推测行人的运动状态、步数和步长，得到推算的位置信息；同时，从气压计信息获取用户的高度；

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，通过模糊理论进行磁场匹配，对步骤1推算的位置信息进行校准，得到行人的最终位置。

2.根据权利要求1所述的一种基于模糊理论和多传感器融合的室内定位方法，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模糊理论的算法计算行进距离；

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；

步骤1.5、收集气压计的读数，并通过模糊系统的方式获取用户的高度。

3.根据权利要求2所述的一种基于模糊理论和多传感器融合的室内定位方法，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所述的一种基于模糊理论和多传感器融合的室内定位方法，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超过动态阈值变化的时候，认为行人有步伐的动作，动态调整阈值的方程如下：

$T_n=\mathrm{\&alpha;}\&CenterDot;T_{old}+\mathrm{\&beta;}\frac{{\mathrm{Max}}_i+{\mathrm{Min}}_i}{2}+\mathrm{\&gamma;}$

该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所述的一种基于模糊理论和多传感器融合的室内定位方法，其特征在于：所述步骤1.3的具体实现方法包括以下步骤：

步骤(1)、收集加速度计的相应信息，包括步频和加速度方差；

步骤(2)、将收集到信息经过隶属度函数映射成模糊值；

步骤(3)根据模糊准则、最大最小准则模糊处理方法进行模糊处理；

步骤(4)、根据区域中心法进行解模糊化运算，计算得到用户所行走的步长。

6.根据权利要求2所述的一种基于模糊理论和多传感器融合的室内定位方法，其特征在于：所述步骤1.4的具体实现方法包括以下步骤：

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；

步骤(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；

步骤(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

步骤(4)、定义行人航位推算模型如下：

$O_z=\frac{{\stackrel{\&OverBar;}{a}}_x{\mathrm{\&theta;}}_x+{\stackrel{\&OverBar;}{a}}_y{\mathrm{\&theta;}}_y+{\stackrel{\&OverBar;}{a}}_z{\mathrm{\&theta;}}_z}{\sqrt{{{\stackrel{\&OverBar;}{a}}_x}^2+{{\stackrel{\&OverBar;}{a}}_y}^2+{{\stackrel{\&OverBar;}{a}}_z}^2}}$

步骤(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。

7.根据权利要求2所述的一种基于模糊理论和多传感器融合的室内定位方法，其特征在于：所述步骤1.5的具体实现方法为：首先收集气压计的读数，然后利用高度与空气压力的关系计算高度，最后使用平均滤波算法和三角隶属度函数来校准数据得到准确的高度。

8.根据权利要求1所述的一种基于模糊理论和多传感器融合的室内定位方法，其特征在于：所述步骤2的具体实现方法包括以下步骤：

步骤2.1、离线阶段，首先选取采样点，然后，根据采样点选择手机内置磁场传感器获取磁场特征参数并记录到数据库，并且保存朝向左和右两个方向的磁场，记录该位置的坐标，最终形成特有的室内环境磁场地图；

步骤2.2、在线阶段，首先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，通过模糊系统K邻域匹配的方法，进而对步骤1获得的位置信息进行校正，并且整合三者数据，得到用户的最终位置。

9.根据权利要求8所述的一种基于模糊理论和多传感器融合的室内定位方法，其特征在于：所述的步骤2.1的具体实现方法为：

首先，在离线阶段，选择校准点的位置；然后，测量磁场特征参数和记录的磁特性数据库；将收集到的数据表示为一个多维向量{||P_i||，||Q_i||，X_i，Y_i}，其中||P_i||和||Q_i||是两个朝向左和右的磁场强度，X_i是水平的测试区域坐标，Y_i是测试区域的垂直坐标。

10.根据权利要求8所述的一种基于模糊理论和多传感器融合的室内定位方法，其特征在于：所述步骤2.2的具体实现方法为：

首先，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；

然后，使用收集到的磁性数据和模糊隶属函数来校准用户的位置，选择最近的K邻居在磁性地图P和Q为参考点，通过下面公式的隶属函数计算每一个参考点的隶属程度模糊集的隶属函数和隶属程度反映出目标位置与参考点关系：

$M_B=\frac{<V_A,V_B>}{\left|V_A\right|\&CenterDot;\left|V_B\right|}$

上式中B表示参考点，V_B表示B点的磁性特征向量，<V_A，V_B>表示V磁性特征向量的内积和，|V_A|和|V_B|是两个点磁特征向量的长度；

设(x_i，y_i)是参考点，这里i∈[1，K]，M_i是从A点到B参考点的隶属度程度，该参考点的坐标是:

$(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})=\frac{{\mathrm{\&Sigma;}}_{i=1}^K{M}_i(x_i,y_i)}{{\mathrm{\&Sigma;}}_{i=1}^K{M}_i}$

用户最后的位置是由节点推测位置和校准位置共同决定的，其决定公式如下：

$(x,y)={\mathrm{\&lambda;}}_1{(x,y)}_R+{\mathrm{\&lambda;}}_2{(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})}_P+{\mathrm{\&lambda;}}_3{(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})}_Q$

(x，y)_R是估计坐标，和是从磁场地图P和Q中得到的校准位置，λ₁+λ₂+λ₃＝1。