CN105674989A - 一种基于手机内置传感器的室内目标运动轨迹估计方法 - Google Patents

Abstract

本发明公开了一种基于手机内置传感器的室内目标运动轨迹估计方法，通过采集各类传感器的数据，对特征状态进行估计，利用特征状态估计得到手机携带状态和运动状态，并根据运动状态，结合室内建筑结构特征估计运动轨迹。本发明的方法具有高准确性与高鲁棒性，该方法能够适用于多种复杂的使用环境，实现在室内环境下对目标运动轨迹的准确估计。

Description

一种基于手机内置传感器的室内目标运动轨迹估计方法

技术领域

本发明属于位置服务的应用领域，具体涉及一种基于手机内置传感器的室内目标运动轨迹估计方法。

背景技术

基于位置的服务LBS(LocationBasedService)是指利用用户的位置信息或运动轨迹信息提供的增值服务，已在智慧医疗、安全保护、商业广告、社交应用、智能出行、地图导航等多个领域得到广泛应用，在信息化程度越来越高的当今社会扮演着愈加重要的角色。例如，在互相找人的场景中，可以根据双方的位置信息动态规划相遇路线，在可实时观察到目标运动轨迹的情况下，使用户更方便的找到目标；超市管理者可以根据用户浏览商品与购买商品时的运动轨迹，动态调整商品的摆放位置；在商场中，可以通过向用户推荐优质店铺并规划到店铺的最优路径的方式，便捷用户消费。

对目标进行准确的运动轨迹估计是位置服务的基础，运动轨迹是在一定时间段内连续的位置变化。在室外场景中，GNSS(GlobalNavigationSatelliteSystems)和基站定位技术可提供准确、稳定的运动轨迹估计服务；但室内场景非视距场景较多、多径效应严重、信号衰减和干扰较大、定位精度要求高，将GNSS、基站定位、红外、声波、WLAN、ZigBee、RFID、CSI、蓝牙等基于外部信号的技术应用于室内场景时存在许多问题：如，GNSS、基站定位的误差范围均超过5m，不满足室内位置服务的精度要求，有可能会将本该在办公室的目标定位到室外，以至于无法完成室内位置服务；声波、红外、ZigBee等技术需要在特定区域进行设备的预部署，不仅提高了代价，也降低了场景的可迁移性，导致只有在设备预部署的房间内才能进行估计轨迹，而没有设备预部署的房间则不能进行轨迹估计，这样使得可进行运动轨迹估计的场景极为有限，不利于位置服务的推广和普及；WLAN、RFID、CSI等技术需要对特定区域内的信号特征进行预学习，在场景变化时估计效果变得不稳定，例如，在门窗紧闭时目标被定位在办公桌前，而门窗都打开时目标被定位到卧室，错误的位置估计会导致错误的服务，从而会给使用者带来不必要的麻烦。

手机惯导系统利用手机内置传感器采集设备携带者运动时产生的角速度、线性加速度等数据，估计目标的运动方向、运动距离等运动特征，再通过航迹推算技术(PDR)得到目标的运动轨迹。具有定位区域可变、环境适用性强、不依赖外部信号、代价低、使用灵活方便等优势，非常适合作为解决室内目标运动轨迹估计问题的解决方案。但同时存在以下几个问题，从而影响运动轨迹估计的准确性与鲁棒性，降低其在实际应用中的使用效果：1、受手机内置传感器(下文简称传感器)的器械缺陷、环境以及手机使用方式的影响，传感器数据中存在多种噪声干扰，利用含有较多噪声的传感器数据进行运动轨迹估计会降低估计结果的准确性。2、由于手机携带者运动状态(下文简称运动状态)或手机携带者携带手机的状态(下文简称手机携带状态)的随机性与多样性对传感器数据的影响，使得用于运动状态或手机携带状态估计的特征变量的数据特征变得无法确定，以至于降低运动状态以及手机携带状态估计方法的鲁棒性。3、手机携带状态或运动状态的随机与多变，使得需要考虑不同手机携带状态和运动状态下运动轨迹估计方法的准确性和鲁棒性的问题，而假定或仅考虑少数运动状态与手机携带状态，会使运动轨迹估计方法对使用场景的适用性变差(使用场景特指运动状态和手机携带状态，一种运动状态和手机携带状态的组合就是一个使用场景)，鲁棒性降低。

截止目前为止，有许多研究工作围绕着传感器噪声处理，运动状态与手机携带状态估计，运动轨迹估计展开。

传感器噪声处理：现有传感器噪声处理方法在其考虑的特定适用场景下均能使噪声数据被最大程度的过滤，非噪声数据被最大程度的保留，但当使用场景发生变化时，噪声处理质量变差，发生使特定类型的噪声处理不干净，或对非噪声数据产生破坏的现象，因此适用范围有限。

运动状态或手机携带状态估计：许多研究采用假设的方法绕开了运动状态与手机携带状态的问题，但这种假设的方法并不具有通用性，当使用场景发生变化，会对系统性能产生很大的影响。如，假设用户只将手机平托在手心，假设用户保持正常速率行走等。另外一些对运动状态和手机携带状态进行研究的工作，通常是从有限的状态出发，对运动状态和手机携带状态进行独立研究，或是假设运动状态不变，或是假设手机携带状态不变，但是因为所研究状态的覆盖范围有限，所以鲁棒性不高。

运动轨迹估计：现有方法大多适用于限制性较强的运动状态或手机携带状态，在该类场景下对运动轨迹估计的准确性较高，但在手机惯性导航系统的使用过程中，运动状态与手机携带状态的变化是多样、随机的，这种限定条件并不实际，使得方法在实际使用中鲁棒性较低。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明的目的在于，提供一种基于手机内置传感器的室内目标运动轨迹估计方法。

为了实现上述任务，本发明采取如下的技术解决方案：

一种基于手机内置传感器的室内目标运动轨迹估计方法，手机内置传感器包括加速度传感器、三轴陀螺仪和气压计，所述方法具体包括以下步骤：

步骤一，采集各类传感器数据，包括加速度传感器数据、三轴陀螺仪数据和气压计数据，对各类传感器数据进行切割，将各类传感器数据划分为多个等长的短数据序列x(i)，i＝1,2…n；i表示数据点的序号，对每一个短数据序列序列x(i)进行步骤二到步骤五的处理；

步骤二，短数据序列的噪声处理

对短数据序列依次进行共有噪声处理、常源噪声处理和变源噪声处理，变源噪声处理包括主运动噪声处理和辅运动噪声处理，得到主运动噪声处理后的各类传感器数据x3(i)和辅运动噪声处理后的各类传感器数据x4(i)；

步骤三，分别利用各类传感器数据x3(i)和各类传感器数据x4(i)计算得到特征变量A1和特征变量A2，特征变量A1和特征变量A2均包括翻滚角与俯仰角、角度变化类变量、矢量和类变量和数据变化幅度类变量；利用特征变量A1估计特征状态B1，特征状态B1包括姿态特征、幅度特征和周期特征；利用特征变量A2估计特征状态B2，特征状态B2包括运动方向、运动位移、运动频率；

步骤四，利用步骤三得到的特征状态B1，估计得到手机携带状态；利用步骤三得到的特征状态B2，估计得到运动状态；

步骤五，将步骤四得到的运动状态，结合室内建筑结构特征估计子运动轨迹；

步骤六，将所有短数据序列估计得到的子运动轨迹连接形成本发明的室内目标运动轨迹。

具体地，所述步骤二的实现方法包括：

步骤2.1，对短数据序列x(i)中采用滑动均值滤波法进行共有噪声处理，得到共有噪声处理后的传感器数据x1(i)；

步骤2.2，对传感器数据x1(i)采用统计滤波器进行常源噪声处理，得到常源噪声处理后的传感器数据x2(i)；

步骤2.3，对传感器数据x2(i)进行变源噪声处理，若要进行手机携带状态的估计，则进行主运动噪声处理，得到主运动噪声处理后的各类传感器数据x3(i)；若要进行手机携带状态的估计，则进行辅运动噪声处理，得到辅运动噪声处理后的各类传感器数据x4(i)。

具体地，所述步骤三中的分别利用各类传感器数据x3(i)和各类传感器数据x4(i)计算得到特征变量A1和特征变量A2的实现方法包括：

翻滚角Roll与俯仰角Pitch的计算方法如下：

Pitch＝arccos(AcceY/AcceGV)

Roll＝arccos(AcceX/AcceGV)

其中，AcceY表示数据x3(i)或者x4(i)中的加速传感器Y轴数据，AcceX表示数据x3(i)或者x4(i)中的加速度传感器X轴数据，AcceGV表示数据x3(i)或者x4(i)中的加速度传感器三轴矢量和数据；

所述角度变化类变量Angle的计算方法如下：

其中，Gyio(i)表示数据x3(i)或者x4(i)中的三轴陀螺仪数据，i表示数据x3(i)或者x4(i)中的三轴陀螺仪数据的序号，t表示三轴陀螺仪数据的总个数；

所述矢量和类变量V的计算过程如下：

其中，X，Y，Z分别表示数据x3(i)或者x4(i)中的各类传感器的三轴数据；

所述数据变化幅度类变量DAOF的计算过程如下：

DAOF＝max(D)-min(D)

其中，D表示数据x3(i)或者x4(i)中的所有传感器采集到的数据。

具体地，所述步骤三中的利用特征变量A2估计特征状态B2的实现方法包括：

运动方向Motion_dir估计：

其中，AngleV表示三轴陀螺仪的矢量和的角度变化值，DirTH为运动方向估计的状态阈值；

运动位移Motion_Dis的估计，包括水平位移is的估计和垂直位移vdis的估计，即：

其中，AcceVAOF表示加速度传感器的矢量和AcceV的数据波动，HDisTH为水平位移估计的状态阈值；

其中，PresAOF表示气压计的矢量和的数据波动，VDisTH为垂直位移估计的状态阈值；

运动频率Motion_Fre估计：

其中，AcceVFTM表示利用加速度传感器的矢量和AcceV计算得到频域幅值最大点对应的频率值，FTH与STH为运动频率估计的状态阈值；

所述步骤三中的利用特征变量A1估计特征状态B1，具体实现方法包括：

姿态特征PCS_Attitude的估计：

其中，SimPitch表示当前俯仰角Pitch与指定手机携带状态俯仰角Spitch的相似度，ATH为姿态特征估计时的状态阈值；

幅度特征PCS_Range的估计：

其中，ARTH为幅度特征估计的状态阈值；

周期特征PCS_Rule估计：

其中，AcceVSW表示加速度传感器的矢量和AcceV的频谱宽度，CRTH为周期特征估计的状态阈值。

具体地，所述步骤五中的运动轨迹的估计包括自主运动轨迹的估计和外来运动轨迹估计，其中，

自主运动轨迹的估计方法包括：估计步数、估计步长和估计运动方向，根据得到的步数、步长和运动方向得到自主运动子运动轨迹；

外力运动轨迹的估计方法包括：若运动状态为乘电梯，则进行垂直位移和运动方向的估计，根据垂直位移和运动方向的估计结果，得到乘电梯子运动轨迹；若运动状态为乘扶梯，则进行垂直位移、水平位移和运动方向的估计，根据垂直位移、水平位移和运动方向的估计结果，得到乘扶梯子运动轨迹。

与现有技术相比，本发明具有以下技术效果：

1、本发明的方法中，在噪声处理过程中，进行了共有噪声处理、常源噪声处理和变源噪声处理，能够将特定类型的噪声处理干净，且避免了对非噪声数据的破坏，使得本发明的方法适用范围较广。

2、本发明的方法考虑多个运动状态和手机携带状态，将二者结合进行研究，使得所研究状态的覆盖范围广，鲁棒性较高。

综上，本发明的方法具有高准确性与高鲁棒性，该方法能够适用于多种复杂的使用环境，实现在室内环境下对目标运动轨迹的准确估计。

附图说明

图1是不同温度下陀螺仪X轴数据分布的示意图；

图2是在行走运动时加速度矢量和的频域图；

图3是FTH取值对运动频率估计结果准确性的影响示意图；

图4是ARTH取值对幅度特征估计结果准确性的影响示意图；

图5是运动状态估计方法的示意图；

图6是手机携带状态估计方法的示意图；

图7是手机携带状态为稳定态的姿态特征库；

图8是运动方向取值示意图；

图9是运动状态估计的实验结果示意图；

图10是静止时手机携带状态估计实验结果示意图；

图11是运动时手机携带状态估计实验结果示意图；

图12是步长与步频估计实验结果示意图；

图13是运动轨迹估计实验结果示意图；

下面结合附图和具体实施方式对本发明的方案做进一步详细地解释和说明。

具体实施方式

实施例

遵从上述技术方案，本实施例的基于手机内置传感器的室内目标运动轨迹估计方法，事先编写具有各类传感器的集数据采集和存储功能于一体的程序，手机内置传感器包括加速度传感器、三轴陀螺仪和气压计，并将该程序安装到手机上；在需要进行运动轨迹估计时，在手机上打开此程序，并使其正常工作；在数据采集完成后，可有手机程序完成后续分析工作，也可将数据上传至电脑，利用电脑中编写的数据分析程序完成后续分析工作。本实施例中进行静止、转身、水平直线行走、水平直线跑步、水平曲线行走、水平曲线跑步、上下楼梯-走、上下楼梯-跑、乘扶梯、乘电梯这10类运动状态；以及进行单手平托、双手平托、打电话、随臂长摆、随臂短摆、置于裤兜、随机状态这7类手机携带状态。

上述基于手机内置传感器的室内目标运动轨迹估计方法，具体包括以下步骤：

步骤一，采集各类传感器数据，并对数据进行切割，将各类传感器数据划分为多个等长的短数据序列，每个短数据序列用x(i)表示，i表示数据点的序号，i＝1,2…n。

具体实现方法为：由于传感器在运动过程中会产生大量的数据X(i)，在正常的运动与对手机的使用中，在较短的时间间隔内，运动或者手机的使用方式并不会发生改变，因此本发明通过重合窗口策略的方法，将较长的数据序列划分多个等长的短数据序列x(i)，具体划分方法为，设置基本窗口大小为64，邻近的滑动窗口内有一半数据重合。对每一个短数据序列序列x(i)进行步骤二到步骤四的处理。

步骤二，对短数据序列依次进行共有噪声处理、常源噪声处理和变源噪声处理；

不同的干扰因素对传感器数据产生的影响不同，但特定噪声类型的数据特征由特定的外部干扰决定，并不随使用场景变化而改变。上述噪声处理的实现方法包括以下步骤：

步骤2.1，对短数据序列x(i)中的共有噪声进行处理

共有噪声是指在任何场景下，任何传感器数据都存在的噪声，主要包含抖动噪声与脉冲噪声两种类型。本发明针对共有噪声设计了窗口大小随传感器类型不同而动态变化的平滑滤波器，其实现的主要方法是滑动均值滤波法。

上式中，2≤i≤n-1，M表示平滑滤波器的窗口大小，初始取值为3，x1(i)表示共有噪声处理后的传感器数据。

步骤2.2，对传感器数据x1(i)进行常源噪声处理

本发明考虑的常源噪声主要有本体噪声源，环境数据源中的温度和重力。在大量实验中发现常源噪声服从正态分布，本发明设计了统计滤波器用于常源噪声的处理。

步骤2.2.1：将手机分别放置于3组不同的静止姿态采集传感器数据，静止姿态用j表示，j＝1,2,3，得到各个类型的传感器三轴X,Y,Z的输出均值分别为A_jx,A_jy,A_jz，其中，j＝1,2,3。

步骤2.2.2：计算噪声处理值

上式中，Data_fx,Data_fy,Data_fz分别表示各个类型的传感器三轴X,Y,Z的噪声处理值。

步骤2.2.3：利用Data_fx,Data_fy,Data_fz进行常源噪声处理

x2(i)＝x1(i)-Data_filter(3)

式中，x2(i)表示常源噪声处理后的传感器数据。

步骤2.3，对传感器数据x2(i)进行变源噪声处理

本发明考虑的变源噪声主要有主运动噪声和辅运动噪声，在大量的实验中发现辅运动与主运动产生的数据频谱特征不同，如图2所示，因此，本发明根据其频谱特征设计了主运动噪声处理器和辅运动噪声处理器。如果要进行手机携带状态的估计，则进行主运动噪声处理，执行步骤2.3.1，如果要进行运动状态的估计，则进行辅运动噪声处理，执行步骤2.3.2；

步骤2.3.1:进行主运动噪声处理，具体步骤如下：

步骤2.3.1.1：将传感器数据x2(i)通过离散傅里叶变换从时域数据变为频域数据，并利用其频域数据计算得到低频区域内最大幅值对应的频率点FTM(低频区域指f<5hz的区域)。

步骤2.3.1.2：计算频率点FTM到其临近低谷(低谷指幅值小于0.5的点)的频率差FDiff。

步骤2.3.1.3：计算HSF和LSF，HSF表示高截止频率，LSF表示低截止频率，HSF＝FTM+FDiff，LSF＝FTM–Fdiff。

步骤2.3.1.4：计算滤波后数据：x3(i)＝BSF(LSF,HSF,x2(i))，BSF()表示带阻滤波器。

步骤2.3.2:进行辅运动噪声处理，具体步骤如下：

步骤2.3.2.1：将传感器数据x2(i)通过离散傅里叶变换从时域数据变为频域数据，并利用其频域数据计算得到低频区域内最大幅值对应的频率点FTM(低频区域指f<5hz的区域)。

步骤2.3.2.2：计算频率点FTM到其临近低谷(低谷指幅值小于0.5的点)的频率差FDiff。

步骤2.3.2.3：计算HSF和LSF，HSF表示高截止频率，LSF表示低截止频率，HSF＝FTM+FDiff，LSF＝FTM–Fdiff。

步骤2.3.2.4：计算滤波后数据：x3(i)＝BPF(LSF,HSF,x2(i))，BPF()表示带通滤波器。

步骤三，分别利用各类传感器数据x3(i)和各类传感器数据x4(i)计算得到特征变量A1和特征变量A2，特征变量A1和特征变量A2均包括翻滚角Roll与俯仰角Pitch、角度变化类变量Angle、矢量和类变量V和数据变化幅度类变量DAOF；利用特征变量A1估计特征状态B1，特征状态B1包括姿态特征PCS_Attitude、幅度特征PCS_Range和周期特征PCS_Rule；利用特征变量A2估计特征状态B2，特征状态B2包括运动方向Motion_dir、运动位移Motion_Dis、运动频率Motion_Fre；具体实现方法如下

步骤3.1，计算特征变量A1和特征变量A2

翻滚角Roll与俯仰角Pitch的计算过程如下：静止时，加速度传感器采集的数据为重力在其三轴方向上的分量，因此，可根据重力与重力分量的映射关系计算得到翻滚角Roll与俯仰角Pitch：

其中，AcceY表示x3(i)或者x4(i)中的加速传感器Y轴数据，AcceX表示x3(i)或者x4(i)中的加速度传感器X轴数据，AcceGV表示x3(i)或者x4(i)中的加速度传感器三轴矢量和数据。

角度变化类变量Angle的计算过程如下：三轴陀螺仪反应手机在其三轴方向上的角速度变化，可以利用角速度在时间上的积分得到三轴角度变化，如公式(5)所示：

其中，Gyio(i)表示x3(i)或者x4(i)中的三轴陀螺仪数据，i表示三轴陀螺仪数据的序号，t表示三轴陀螺仪数据的总个数。

矢量和类变量V的计算过程如下：X，Y，Z分别表示x3(i)或者x4(i)中的各类传感器的三轴数据，则矢量和类变量V的计算公式如下：

数据变化幅度类变量DAOF的计算过程如下：用D表示x3(i)或者x4(i)中的所有传感器采集到的数据，则数据变化幅度类变量的计算公式如下：

DAOF＝max(D)-min(D)(7)

步骤3.2，利用特征变量进行特征状态的估计

步骤3.2.1，运动方向Motion_dir估计：将三轴陀螺仪的三轴数据代入公式(6)中，计算得到三轴陀螺仪的矢量和，将三轴陀螺仪的矢量和代入公式(5)中，计算得到三轴陀螺仪的矢量和的角度变化值AngleV，选取AngleV为运动方向估计的特征变量；DirTH为运动方向估计的状态阈值，设置初始DirTH的值为6，采用公式(8)进行运动方向Motion_dir的估计，式中Motion_dir表示运动方向，Motion_dir取值为0时表示无运动方向变化，取值为1是表示有运动方向变化，取值为2表示方向可为无运动变化或者有运动方向变化，即0或1。

步骤3.2.2，运动位移Motion_Dis的估计：运动位移估计包括水平位移hdis的估计和垂直位移vdis的估计两部分。

将加速度传感器的三轴数据代入公式(6)中，计算得到加速度传感器的矢量和AcceV，将加速度传感器的矢量和AcceV代入公式(7)中计算得到加速度传感器的矢量和AcceV的数据变化幅度值，即加速度传感器的矢量和AcceV的数据波动AcceVAOF，将AcceVAOF作为水平位移估计的特征变量，HDisTH为水平位移估计的状态阈值，设置初始HDisTH的值为0.1，采用公式(9)所示的方法进行水平位移估计，式中hdis表示水平位移，hdis取值为0时表示无水平位移，取值为1是表示有水平位移。

将气压计的三轴数据代入公式(6)中，计算得到气压计的矢量和，将气压计的矢量和代入公式(7)中计算得到气压计的矢量和的数据变化幅度值，即气压计的矢量和的数据波动PresAOF，将PresAOF作为垂直位移估计的特征变量，VDisTH为垂直位移估计的状态阈值，设置初始VDisTH的值为0.03，采用公式(10)所示的方法进行垂直位移估计，式中vdis表示垂直位移，vdis取值为0时表示无垂直位移，取值为1是表示有垂直位移。

步骤3.2.3，运动频率Motion_Fre估计：利用加速度传感器的矢量和AcceV计算得到频域幅值最大点对应的频率值AcceVFTM，利用AcceVFTM和加速度传感器的矢量和AcceV的数据波动AcceVAOF进行运动频率的估计，FTH与STH为运动频率估计的状态阈值，设置初始FTH的值为2，初始STH的值为0.2，采用公式(11)所示的方法进行运动频率估计，式中Motion_Fre表示运动频率，Motion_Fre取值为0是表示静止，取值为1是表示行走，取值为2是表示跑步。

步骤3.2.4，姿态特征PCS_Attitude的估计，具体包括以下步骤：

步骤3.2.4.1：通过学习不同手机携带状态下的翻滚角Roll与俯仰角Pitch的变化范围，建立姿态库，如图7所示；

步骤3.2.4.2：计算俯仰角Pitch的相似度SimPitch，SimPitch表示当前俯仰角Pitch与指定手机携带状态俯仰角Spitch的相似度，取值区间为0～1，越接近1相似度越高，其计算方法如公式(12)所示：

其中，Pitch(i)表示当前俯仰角的第i个数据，i＝1,2…n。

步骤3.2.4.3：根据SimPitch的计算结果进行姿态特征估计，选取ATH为姿态特征估计时的状态阈值，设置初始ATH的值为0.04，采用公式13所示的方法进行姿态特征估计，式中PCS_Attitude表示姿态特征，PCS_Attitude取值为1时表示稳定姿态，取2时表示随机姿态。

步骤3.2.5，幅度特征PCS_Range的估计：选取加速度传感器的矢量和AcceV的数据波动AcceVAOF对幅度特征进行估计，选取ARTH(AmplitudeRangeThreshold)为幅度特征估计的状态阈值，设置ARTH的初始值为5，采用公式14所示的方法进行幅度特征估计，式中PCS_Range表示幅度特征，PCS_Range取值为1时表示低幅特征，取值为2时表示高幅特征。

步骤3.2.6，周期特征PCS_Rule估计：选取加速度传感器的矢量和AcceV的频谱宽度AcceVSW，即加速度传感器的矢量和AcceV的频域中幅值大于某一值的频谱宽度，本发明选值为0.5，对周期特征PCS_Rule进行估计，选取CRTH(ChangedRuleThreshold)为周期特征估计的状态阈值，设置CRTH的初始值为3，采用公式15所示的方法进行周期特征估计，式中PCS_Rule表示幅度特征，PCS_Rule取值为1时表示规律特征，取值为2时表示随机特征。

步骤四，利用步骤三得到的特征状态B1，估计得到手机携带状态；利用步骤三得到的特征状态B2，估计得到运动状态，具体实现方法包括：

选取运动方向Motion_dir、运动位移Motion_dir、运动频率Motion_Fre这3个特征状态，进行运动状态的估计，估计方法如图5所示，即：根据运动方向Motion_dir、运动位移Motion_dir、运动频率Motion_Fre这三类特征状态的取值，然后根据特征状态的取值组合，得到运动状态。

选取姿态特征PCS_Attitude、幅度特征PCS_Range、周期特征PCS_Rule，进行手机携带状态的估计，估计方法如图6所示，即：先进行姿态特征PCS_Attitude估计，如果是稳定态，即姿态特征PCS_Attitude＝1，根据与姿态库四类手机携带姿态的相似度确定手机携带状态，如果是随机态，即姿态特征PCS_Attitude＝2，则进行周期特征PCS_Rule的估计，若周期特征PCS_Rule估计为随机特征，即周期特征PCS_Rule＝2，表示手机携带状态为随机状态，如果周期特征PCS_Rule为规律特征，即周期特征PCS_Rule＝1，则进一步进行幅度特征PCS_Range的估计，幅度特征PCS_Range为低幅特征，即幅度特征PCS_Range＝1，则手机携带状态为随臂短摆，幅度特征PCS_Range为高幅特征，即幅度特征PCS_Range＝2，则手机携带状态为随臂长摆。

步骤五，将步骤四得到的运动状态，结合室内建筑结构特征进行子运动轨迹的估计；根据运动状态的不同，主要分为自主运动轨迹估计和外力运动轨迹估计两种，若进行自主运动估计，则执行步骤5.1，若要进行外力运动轨迹估计，则执行步骤5.2；

步骤5.1:进行自主运动轨迹估计，包括以下几个步骤：

步骤5.1.1：步数估计

利用加速度传感器的矢量和AcceV在步数变化时的周期变化特征，采用峰值估计法进行步数估计，在时间阈值内，计算高峰点数与低谷点数，最后平衡两者作为步数。步数估计的步骤如下：

步骤5.1.1.1，计算加速度传感器的矢量和AcceV的峰值点Peak，得到高峰点HPData(临近数据均小于该数据的点)和低谷点LPData。

步骤5.1.1.2，计算用于步数估计的时间阈值TTH，TTH＝1/AcceVFTM，其中AcceVFTM表示频域幅值最大点对应的频率值。

步骤5.1.1.3，利用峰值点Peak和时间阈值TTH进行步数估计，当两个峰值点间的时间差大于时间阈值TTH时，步数增加1步。如两个高峰点间的时间差大于TTH时，高峰步数增加1步，两个低谷点间的时间差大于TTH时，低谷步数增加1步，用HPStepNum与LPStepNum分别指用高峰点估计得到的高峰步数和用低谷点估计得到的低谷步数。

步骤5.1.1.4，平衡高峰步数和低谷步数，得到最终的估计步数，公式(16)中StepNum表示步数。

StepNum＝(HPStepNum+LPStepNum)/2(16)

步骤5.1.2：步长估计

步长估计分为随机步长估计和固定步长估计，其中自主运动中上下楼梯-走与上下楼梯-跑为固定步长场景，其余均为随机步长场景。

根据运动状态的估计结果，如果属于随机步长场景，随机步长估计场景中只有水平步长，垂直步长均为0；利用人的腿长和运动频率进行步长估计，方法如公式(17)所示，

HStepL＝a*L*AcceVFTM+b(17)

式中，HStepL表示水平步长，L表示腿长，a，b分别表示步长估计的参数，设置a的初始值为0.2，b的初始值为0.3。

根据运动状态的估计结果，如果运动状态为固定步长估计场景，则取水平步长HStepL为0.4m，垂直步长VStepL为0.3m。

步骤5.1.3：运动方向估计

当有运动方向变化时，根据运动状态的上下文信息，仅将方向变化定量的取值为±90°或180°，运动方向估计的具体步骤如下：

步骤5.1.3.1，根据运动状态的估计结果，查看运动方向是否有变化。

步骤5.1.3.2，如果运动方向有变化，根据运动状态的估计结果，查看当前运动状态与前一运动状态。

步骤5.1.3.3，计算三轴陀螺仪的矢量和的起始值与终止值的差值GyroVDiff，如公式(18)所示：

GyroVDiff＝GyroV_end-GyroV_start(18)

式中，GyroV_start表示三轴陀螺仪的矢量和的起始值，GyroV_end表示三轴陀螺仪的矢量和的终止值。

步骤5.1.3.4，确定运动方向，运动方向的变化取值如图8所示。

步骤5.1.4：运动轨迹估计

根据步数估计结果，步长估计结果，运动方向估计结果得到运动轨迹，步骤如下：

步骤5.1.4.1，根据运动方向产生变化的点将运动划分为若干段。

步骤5.1.4.2，在每一个运动段内进行运动位移的估计，水平位移HS＝HStepL*StepNum，垂直位移VS＝VStepL*StepNum。

步骤5.1.4.3，根据各运动段内的运动位移和其运动方向合成自主运动子运动轨迹。

步骤5.2：进行外力运动轨迹估计，包括以下步骤：

步骤5.2.1：外力运动的运动类型判断，如果运动状态为乘电梯，进行步骤5.2.2，如果运动状态为乘扶梯，进行步骤5.2.3。

步骤5.2.2：根据乘电梯运动时电梯的运动特征，进行运动轨迹估计，具体分以下几步：

步骤5.2.2.1，判断乘电梯运动的初始点。

步骤5.2.2.2，判断乘电梯运动的终止点。

步骤5.2.2.3，计算乘电梯运动的初始点与终止点的气压差PresDiff，根据气压与高度的变化关系计算垂直位移VS，VS＝PresDiff/100*9。

步骤5.2.2.4，根据乘电梯的垂直位移为楼层高度的整数倍进行垂直位移校准，垂直位移取最为接近的楼层高度整数倍的值，设定楼层高度BH(BuildingHeight)的初始值为4m。

步骤5.2.2.5，乘电梯运动的运动方向估计，乘电梯后一个运动状态下的运动方向与其前一个运动状态下的运动方向变化180°。

步骤5.2.2.6，根据垂直位移和运动方向的估计结果，得到乘电梯子运动轨迹。

步骤5.2.3：根据乘扶梯运动时扶梯的运动特征，进行运动轨迹估计，具体分以下几步：

步骤5.2.3.1，判断乘扶梯运动的初始点。

步骤5.2.3.2，判断乘扶梯运动的终止点。

步骤5.2.3.3，计算乘扶梯运动的初始点与终止点的气压差PresDiff，根据气压与高度的变化关系计算垂直位移VS，VS＝PresDiff/100*9。

步骤5.2.3.4，根据乘扶梯的垂直位移为楼层高度的整数倍进行垂直位移校准，垂直位移取最为接近的楼层高度整数倍的值，设定楼层高度BH(BuildingHeight)的初始值为4m。根据校准后的垂直位移以及扶梯与水平面的夹角计算水平位移HS，取夹角度数为30°，进行水平位移计算，HS＝VS/tan(30°)。

步骤5.2.3.5，乘扶梯运动的运动方向估计，乘扶梯后一个运动状态下的运动方向与其前一个运动状态下的运动方向相同。

步骤5.2.3.6，根据垂直位移、水平位移、运动方向的估计结果，得到乘扶梯子运动轨迹。

步骤六，将所有短数据序列估计得到的子运动轨迹连接形成本发明的室内目标运动轨迹。具体实现方式为，将所有短数据序列根据步骤1得到的自主运动子运动轨迹连接形成自主运动轨迹，将所有短数据序列根据步骤5.2得到乘电梯子运动轨迹连接形成乘电梯运动轨迹，将所有短数据序列根据步骤5.3得到的乘扶梯子运动轨迹连接形成乘扶梯运动轨迹。

发明性能评估

本发明从以下三个方面进行评估：运动状态与手机携带状态估计准确度，步长与步频估计准确度和运动轨迹估计准确度。

运动状态与手机携带状态估计准确度：我们选取2男2女以不同的手机携带状态，分别进行了静止、转身、水平直线行走、水平曲线行走、水平直线跑步、水平曲线跑步、上下楼梯-走、上下楼梯-跑、乘扶梯、乘电梯10类不同运动方式下的运动状态估计实验，每类运动状态进行5组实验，统计实验结果得到图9所示的估计结果，可以看到，除水平直线行走和水平直线跑步的估计准确度低于90％外，其余运动状态的估计准确度均高于90％。我们选取2男2女分别在静止与运动时进行单手平托、双手平托、打电话、随臂长摆、随臂短摆、置于裤兜、随机状态7类手机携带状态估计实验，每类手机携带状态进行5组实验，静止时的手机携带状态估计实验如图10所示，运动时的手机携带状态估计结果如图11所示，从图中可以看到，静止时对手机携带状态的估计结果，除随机状态的准确度为82％外，其余均在90％以上，运动时对手机携带状态的估计结果，除随臂短摆与随机状态的准确度低于90％外，其余均高于90％。

步长与步频估计准确度：我们选取4男1女在行走时进行步长估计实验，每人分别在距离为10m，20m，30m的直线场景下进行5组实验，每组实验采取不同的手机携带状态，实验结果如图12所示，由图可以看出，本发明方法的步频估计误差在-0.12hz至0.03hz之间，步长估计误差在-0.05m至0.08m之间，准确度较高。通过步长估计实验，可以看出本文的步长估计方法的场景适用性较高，在不同手机携带状态下准确度均较高。

运动轨迹估计准确度：我们选取2男1女分别进行运动距离约150m的轨迹估计实验，在运动过程中包含了多种运动状态和手机携带状态的变化，其中，运动状态包含乘电梯，水平直线行走、水平曲线行走、上下楼梯，手机携带状态包含单手平托，双手平托，打电话，随臂长摆，得到图13所示的结果，从图中可以看出，估计轨迹大致与实际轨迹重合，在不同的运动状态与手机携带状态下准确性与鲁棒性均较高。其中，垂直运动轨迹误差在上下楼梯时最大误差为0.2m，在水平行走时误差为0，水平运动轨迹误差为5.2m。

通过上述对运动状态与手机携带状态估计准确度，步长与步频估计准确度，运动轨迹估计准确度的实验验证，有效的证明了本发明方法可以实现室内目标运动轨迹的高准确度与高鲁棒性的估计。

Claims (5)

1.一种基于手机内置传感器的室内目标运动轨迹估计方法，其特征在于，手机内置传感器包括加速度传感器、三轴陀螺仪和气压计，所述方法具体包括以下步骤：

步骤一，采集各类传感器数据，包括加速度传感器数据、三轴陀螺仪数据和气压计数据，对各类传感器数据进行切割，将各类传感器数据划分为多个等长的短数据序列x(i)，i＝1,2…n；i表示数据点的序号，对每一个短数据序列序列x(i)进行步骤二到步骤五的处理；

步骤二，短数据序列的噪声处理

对短数据序列依次进行共有噪声处理、常源噪声处理和变源噪声处理，变源噪声处理包括主运动噪声处理和辅运动噪声处理，得到主运动噪声处理后的各类传感器数据x3(i)和辅运动噪声处理后的各类传感器数据x4(i)；

步骤三，分别利用各类传感器数据x3(i)和各类传感器数据x4(i)计算得到特征变量A1和特征变量A2，特征变量A1和特征变量A2均包括翻滚角与俯仰角、角度变化类变量、矢量和类变量和数据变化幅度类变量；利用特征变量A1估计特征状态B1，特征状态B1包括姿态特征、幅度特征和周期特征；利用特征变量A2估计特征状态B2，特征状态B2包括运动方向、运动位移、运动频率；

步骤四，利用步骤三得到的特征状态B1，估计得到手机携带状态；利用步骤三得到的特征状态B2，估计得到运动状态；

步骤五，将步骤四得到的运动状态，结合室内建筑结构特征估计子运动轨迹；

步骤六，将所有短数据序列估计得到的子运动轨迹连接形成本发明的室内目标运动轨迹。

2.如权利要求1所述的基于手机内置传感器的室内目标运动轨迹估计方法，其特征在于，所述步骤二的实现方法包括：

步骤2.1，对短数据序列x(i)中采用滑动均值滤波法进行共有噪声处理，得到共有噪声处理后的传感器数据x1(i)；

步骤2.2，对传感器数据x1(i)采用统计滤波器进行常源噪声处理，得到常源噪声处理后的传感器数据x2(i)；

步骤2.3，对传感器数据x2(i)进行变源噪声处理，若要进行手机携带状态的估计，则进行主运动噪声处理，得到主运动噪声处理后的各类传感器数据x3(i)；若要进行手机携带状态的估计，则进行辅运动噪声处理，得到辅运动噪声处理后的各类传感器数据x4(i)。

3.如权利要求1所述的基于手机内置传感器的室内目标运动轨迹估计方法，其特征在于，所述步骤三中的分别利用各类传感器数据x3(i)和各类传感器数据x4(i)计算得到特征变量A1和特征变量A2的实现方法包括：

翻滚角Roll与俯仰角Pitch的计算方法如下：

Pitch＝arccos(AcceY/AcceGV)

Roll＝arccos(AcceX/AcceGV)

其中，AcceY表示数据x3(i)或者x4(i)中的加速传感器Y轴数据，AcceX表示数据x3(i)或者x4(i)中的加速度传感器X轴数据，AcceGV表示数据x3(i)或者x4(i)中的加速度传感器三轴矢量和数据；

所述角度变化类变量Angle的计算方法如下：

$Angle=\underset{i=0}{\overset{i=t}{\&Integral;}}Gyio\left(i\right)$

其中，Gyio(i)表示数据x3(i)或者x4(i)中的三轴陀螺仪数据，i表示数据x3(i)或者x4(i)中的三轴陀螺仪数据的序号，t表示三轴陀螺仪数据的总个数；

所述矢量和类变量V的计算过程如下：

$V=\sqrt{X^2+Y^2+Z^2}$

其中，X，Y，Z分别表示数据x3(i)或者x4(i)中的各类传感器的三轴数据；

所述数据变化幅度类变量DAOF的计算过程如下：

DAOF＝max(D)-min(D)

其中，D表示数据x3(i)或者x4(i)中的所有传感器采集到的数据。

4.如权利要求3所述的基于手机内置传感器的室内目标运动轨迹估计方法，其特征在于，所述步骤三中的利用特征变量A2估计特征状态B2的实现方法包括：

运动方向Motion_dir估计： $Motion\_dir=\left\{\begin{array}{c}0,AngleV<=DirTH;\\ 1,AngleV>DirTH;\end{array}\right.$

其中，AngleV表示三轴陀螺仪的矢量和的角度变化值，DirTH为运动方向估计的状态阈值；

运动位移Motion_Dis的估计，包括水平位移is的估计和垂直位移vdis的估计，即：

$hdis=\left\{\begin{array}{c}0,AcceAOF<=HDisTH;\\ 1,AcceAOF>HDisTH;\end{array}\right.$

其中，AcceVAOF表示加速度传感器的矢量和AcceV的数据波动，HDisTH为水平位移估计的状态阈值；

$vdis=\left\{\begin{array}{c}0,\mathrm{Pr}esAOF<=VDisTH;\\ 1,\mathrm{Pr}esAOF>VDisTH;\end{array}\right.$

其中，PresAOF表示气压计的矢量和的数据波动，VDisTH为垂直位移估计的状态阈值；

运动频率Motion_Fre估计：

其中，AcceVFTM表示利用加速度传感器的矢量和AcceV计算得到频域幅值最大点对应的频率值，FTH与STH为运动频率估计的状态阈值；

所述步骤三中的利用特征变量A1估计特征状态B1，具体实现方法包括：

姿态特征PCS_Attitude的估计： $PCS\_Attitude=\left\{\begin{array}{c}1,Max\left(SimPitch\right)>=ATH\\ 2,Max\left(SimPitch\right)<ATH\end{array}\right.$

其中，SimPitch表示当前俯仰角Pitch与指定手机携带状态俯仰角Spitch的相似度，ATH为姿态特征估计时的状态阈值；

幅度特征PCS_Range的估计： $PCS\_Range=\left\{\begin{array}{c}1,AcceVAOF<=ARTH\\ 2,AcceVAOF>ARTH\end{array}\right.$

其中，ARTH为幅度特征估计的状态阈值；

周期特征PCS_Rule估计： $PCS\_Rule=\left\{\begin{array}{c}1,AcceVSW<=CRTH\\ 2,AcceVSM>CRTH\end{array}\right.$

其中，AcceVSW表示加速度传感器的矢量和AcceV的频谱宽度，CRTH为周期特征估计的状态阈值。

5.如权利要求1所述的基于手机内置传感器的室内目标运动轨迹估计方法，其特征在于，所述步骤五中的运动轨迹的估计包括自主运动轨迹的估计和外来运动轨迹估计，其中，

自主运动轨迹的估计方法包括：估计步数、估计步长和估计运动方向，根据得到的步数、步长和运动方向得到自主运动子运动轨迹；

外力运动轨迹的估计方法包括：若运动状态为乘电梯，则进行垂直位移和运动方向的估计，根据垂直位移和运动方向的估计结果，得到乘电梯子运动轨迹；若运动状态为乘扶梯，则进行垂直位移、水平位移和运动方向的估计，根据垂直位移、水平位移和运动方向的估计结果，得到乘扶梯子运动轨迹。