CN105737826B - 行人室内定位方法 - Google Patents

Abstract

本发明公开了一种行人室内定位方法：确定行人初始状态；将行人初始状态映射到适应性图模型中，适应性图模型由表示狭长区域的一维泰森多边形图和表示开阔区域的二维规则网格图组成，一维泰森多边形图和二维规则网格图将对应空间表达为由可通行的路径所形成的离散节点和边；基于惯性传感器的采集数据进行行人航位推算，进而检测出行人步行事件；当每次检测到行人步行事件时，应用粒子滤波器将行人运动状态对应的粒子在适应性图模型中传播；将所有粒子进行加权求和得到当前坐标，将当前坐标映射到适应性图模型上对应的一个节点上作为行人当前状态。解决了现有定位方法无法在不依赖基础设施的条件下提供精确的位置的技术问题，从而不赖基础设施、计算复杂度低、定位精度高。

Description

行人室内定位方法

技术领域

本发明属于计算机技术领域，尤其涉及一种行人室内定位方法。

背景技术

随着智能手机等移动设备的普及和LBS(Location Based Service，基于位置服务)的室内化发展，基于智能手机平台的室内定位技术的得到了广泛的研究和关注。

室内环境下有多种信息都可用于定位，包括智能手机本身的各类传感器提供的测量值数据、环境中的Wi-Fi和蓝牙等各种基础设施无线信号、建筑物的地图信息等。通过融合多种不同定位技术和信息是提高定位精度的一种重要方法，然而并非所有环境都存在定位基础设施，并且这些基础设施可能会在特定的场景下失效。为了消除室内定位过程中对于基础设施的依赖，实现一种基于智能手机的自主定位方法显得尤为重要。

在没有基础设施的情况下，用于定位的数据主要包括移动设备内置的惯性传感器的数据和室内地图。移动设备的惯性传感器包括加速度计、磁力计、陀螺仪等。然而，单纯使用移动设备的惯性传感器估计行人的位置存在累积误差，这是因为行人航位推算提供的是相对位置信息，虽然在短时间内可以保证其准确性，但随着时间推移，方向误差和步长误差都会被累积和放大，从而产生较大的定位误差。为了消除累积误差，目前常用的方法是基于粒子滤波融合地图信息。但是，基于粒子滤波融合地图信息和行人航位推算的方法，由于粒子的运动空间是二维、连续的，所以需要大量的粒子表达行人的概率分布，大大增加了计算复杂度。然而移动设备的计算资源通常都比较有限并且对功耗敏感。因此，现有的定位方法无法在不依赖基础设施的条件下提供精确的位置。

发明内容

本发明实施例提供一种行人室内定位方法，具备不赖基础设施、计算复杂度低、定位精度高的特点，解决了现有定位方法无法在不依赖基础设施的条件下提供精确的位置的技术问题。

本发明实施例提供了一种行人室内定位方法，应用于一内置惯性传感器的便携式设备中，所述行人室内定位方法包括：

确定行人初始状态；

将所述行人初始状态映射到适应性图模型中，其中，所述适应性图模型由表示狭长区域的一维泰森多边形图和表示开阔区域的二维规则网格图组成，所述一维泰森多边形图和所述二维规则网格图将对应空间表达为由可通行的路径所形成的离散节点和边；

基于所述惯性传感器的采集数据进行行人航位推算，进而检测出行人步行事件；

当每次检测到所述行人步行事件时，应用粒子滤波器根据行人历史状态、所述行人步行事件的行人步长和所述行人步行事件的行人朝向将行人运动状态对应的粒子在所述适应性图模型中传播；

将所有粒子进行加权求和得到当前坐标，将所述当前坐标映射到所述适应性图模型上对应的一个节点上作为行人当前状态。

优选的，在所述确定行人初始状态之前，所述行人室内定位方法还包括：

导入基于室内地图信息构建的所述适应性图模型，其中，相邻节点间的间距小于或等于所述行人步长。

优选的，在所述适应性图模型中，每个节点表示为节点编号和二维坐标组成的三元组，每条边表示为起始节点、边长和终止节点组成的三元组。

优选的，所述应用粒子滤波器根据行人历史状态、所述行人步行事件的行人步长和所述行人步行事件的行人朝向将行人运动状态对应的粒子在所述适应性图模型中传播，包括：

将所有粒子设定在与所述行人初始状态对应的节点上，所有粒子的权值均设定为同时对步长参数进行高斯采样，其中，N为粒子数；

所有粒子沿着所述适应性图模型进行传播，其中，在传播过程包括进行采样边和进行采样节点；

每传播一次均对每个粒子的权值进行更新。

优选的，所述每传播一次均对每个粒子的权值进行更新，具体为：

通过粒子方向与边的吻合程度更新所述每个粒子的权值，或

检测到地标时，通过粒子与所述地标之间的距离更新所述每个粒子的权值。

优选的，所述粒子沿着所述适应性图模型进行传播，具体为:

每个粒子根据如下定义的粒子传播模型进行传播；

p(n_t,θ_t|n_t-1,θ_t-1,z_t,G)＝p(e_t|n_t-1,z_θ,t,G)·p(n_t|n_t-1,e_t,z_d,t,G)；

其中，n_t-1,θ_t-1代表粒子上一时刻所在节点和粒子方向，z_t代表当前PDR估计的所述行人朝向与所述行人步长，G为所述适应性图模型，n_t,θ_t为粒子当前所在节点和粒子方向，z_θ,t为所述行人朝向的测量值，z_d,t为所述行人步长的测量值。

优选的，在所述将所有粒子进行加权求和得到当前坐标，将所述当前坐标映射到所述适应性图模型上对应的一个节点上作为行人当前状态之后，所述方法还包括：

当检测到行人运动到所述一维泰森多边形图所在区域时，通过所述适应性图模型对所述行人朝向的偏移进行校准；

将校准后方向作为下一次计算所述行人朝向的初值。

优选的，所述当检测到行人运动到所述一维泰森多边形图所在区域时，通过所述适应性图模型对所述行人朝向的偏移进行校准，具体为：

所述当检测到行人运动到所述一维泰森多边形图中所在区域为走廊时，通过所述适应性图模型对将所述行人朝向的偏移进行校准为所述走廊长度方向。

优选的，在所述将所述当前坐标映射到所述适应性图模型上对应的一个节点上作为行人当前状态之后，所述方法还包括：

当检测到有效粒子数小于预设阈值时，进行粒子重采样。

优选的，在所述将所述当前坐标映射到所述适应性图模型上对应的一个节点上作为行人当前状态之后，所述方法还包括：

检测每个粒子的粒子方向与相邻边之间的夹角是否>90°；

在第n粒子与相邻边之间均>90°时，确认所述第n粒子为无效粒子，其中，n≤N；

将所有所述无效粒子的权值赋为0；

重新将所有粒子进行加权求和得到更新后坐标，将所述更新后坐标映射到所述适应性图模型上对应的一个节点上得到更新后行人状态。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1、由于本发明实施例应用的适应性图模型由表示狭长区域的一维广义Voronoi图和表示开阔区域的二维规则网格图组合而成，将对应空间表达为由可通行的路径所形成的离散节点和边；适应了区域特征和行人步行特征。从而该图模型结合了一维Voronoi图和二维格网图的优点，大大弥补了传统粗粒度图模型位置精度低的不足，粒子滤波融合PDR和适应性图模型。在定位过程中将行人的运动状态离散化，从而相比与非离散的模型，适应性图模型的自由度较低，实现了只需要少量粒子就可以表达粒子状态的下一次概率分布，从而显著的减少算法的计算复杂度，从而应用在便携式设备不会过渡增加功耗负担，因此有效解决了现有定位方法无法在不依赖基础设施的条件下提供精确的位置的技术问题，实现了不赖基础设施、计算复杂度低、定位精度高的效果。

2、由于粒子滤波融合PDR和适应性图模型定位的过程中，还使用适应性图模型校准粒子方向，使用环境中的地标校准粒子的权值，从而减少了PDR的累积误差，进一步在不依赖基础设施的条件下获得较高的定位精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例中行人室内定位方法的流程图；

图2为本发明实施例中适应性图模型和地标的示意图；

图3为本发明实施例中粒子采样边的示意图；

图4为本发明实施例中确认无效粒子的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的一种行人室内定位方法，应用于一内置惯性传感器的便携式设备中，本发明所应用的便携式设备可以为智能手机、个人数字设备、掌上电脑(PAD)、智能佩戴设备等等。所内置的惯性传感器至少包括加速计、磁力计、陀螺仪三种。

参考图1所示，本发明实施例提供的行人室内定位方法包括如下步骤：

S101、确定行人初始状态。

具体的，在S101中可以将进入室内时刻的行人位置和行人朝向确定为行人初始状态，具体也可以参考现有技术知晓行人初始状态，为了说明书的简洁，本文不进行赘述，本文可以在已知行人初始状态的前提下进行。

在具体实施过程中，在执行S101之前，便携式设备中需要存在适应性图模型。

由于便携式设备不具备构建成适应性图模型的能力，适应性图模型由其他设备(比如：个人计算机或服务器侧)获取到室内地图信息，由个人计算机或服务器侧基于室内地图信息构建适应性图模型，再将构建的适应性图模型导入到便携式设备中。其中，相邻节点间的间距小于或等于行人步长。在具体实施过程中，可以相邻节点间的间距取与人的步长相当，如1m。

具体的，参考图2所示，在上述任一构建成适应性图模型的实施方式中，适应性图模型均由表示狭长区域的一维泰森多边形(Voronoi)图和表示开阔区域的二维规则网格图组成，一维泰森多边形图和二维规则网格图将对应空间表达为由可通行的路径所形成的离散节点和边。如图2中的狭长区域指走廊、过道等等；开阔区域指大厅、卧室等等；圆点表示节点；线条表示边；五角星表示转角；三角形表示地磁异常点；矩形表示楼梯。

在适应性图模型中，每个节点表示为节点编号和二维坐标组成的三元组；每条边表示为起始节点、边长和终止节点组成的三元组。

比如，适应性图模型表达形式如下：

G＝＜nodes,edges＞

其中，nodes代表适应性图模型中的所有节点。每个节点表示为三元组<nodeId,x,y>，x坐标，y坐标，nodeId代表节点编号；edges代表适应性图模型中所有边，每条边表示为三元组<startNode，endNode，length>，依次代表边的起始节点、终止节点和边长。

S102、将行人初始状态映射到适应性图模型中。

具体的，行人初始状态包括行人初始朝向和行人初始位置。根据行人初始位置，计算在适应性图模型上与行人初始位置最近的节点，以将行人初始位置映射到适应性图模型中该最近的节点上，行人初始朝向则直接映射到适应性图模型中使用。

更进一步的，为了增强粒子对步长的自适应性，将步长参数a加入到粒子的状态中，则行人初始状态、步长参数a映射到适应性图模型中的表达如下：

s＝＜nodeId,θ,a＞

其中，nodeId表示该适应性图模型中的节点编号，θ则表示行人初始朝向。

S103、基于惯性传感器的采集数据进行PDR检测，进而检测出行人步行事件。

具体的，由惯性传感器检测到的采集数据包括加速度、角度速度、磁场强度、磁场方向，这些采集数据作为PDR输入，则由PDR基于这些输入检测出行人步行事件，为粒子滤波提供权值更新的信息。由PDR估计得出的行人步长及行人朝向输入到基于适应性图模型的粒子滤波器中作为粒子在适应性图模型中传播的运动信息。

S104、当每次检测到行人步行事件时，应用粒子滤波器根据行人历史状态、行人步行事件的行人步长和行人步行事件的行人朝向将行人运动状态对应的粒子在适应性图模型中传播。

在具体实施过程中，S104具体包括如下步骤：

步骤1041：粒子初始化和对步长参数进行高斯采样。

具体来讲，粒子初始化为：根据行人初始位置，将所有粒子设定在与行人初始状态对应的节点上，所有粒子初始的权值均设定为其中，N为粒子数。

在对粒子初始化的同时还对步长参数α进行高斯采样。具体来讲，对步长参数a进行高斯采样具体表达为：a～N(a_mean,σ²)，其中，α_mean为步长参数α的期望，σ²为步长参数α的方差。

步骤1042、所有粒子沿着适应性图模型进行传播，其中，在传播过程包括进行采样边和进行采样节点。

具体来讲，粒子在当前所在节点时接收到PDR得出的行人步长及行人朝向，对粒子的下一个状态的概率分布进行预测。

在具体实施过程中，粒子会在每检测到一次行人步行事件后传播一次，粒子的状态包含所在节点和粒子方向，行人历史状态对应映射到粒子上一时刻所在节点和粒子方向，则相应的粒子传播模型可以定义为如下形式：

p(n_t,θ_t|n_t-1,θ_t-1,z_t,G)＝p(e_t|n_t-1,z_θ,t,G)·p(n_t|n_t-1,e_t,z_d,t,G)

其中，n_t-1,θ_t-1代表粒子上一时刻所在节点和粒子方向，z_t代表当前PDR估计的所述行人朝向与所述行人步长，G为所述适应性图模型，n_t,θ_t为粒子当前所在节点和粒子方向，z_θ,t为所述行人朝向的测量值，z_d,t为所述行人步长的测量值。

具体来讲，在每次传播过程中的采样边为：当粒子传播到一个连接了多条边的节点时，会根据粒子方向采样下一条边。如图3所示，比如，一个粒子运动到了n₂节点，可选择的下一条边有：＜n₂,n₁＞、＜n₂,n₄＞和＜n₂,n₃＞。粒子朝着当前的粒子方向与采样边夹角最小的一个采样边(即图3中的＜n₂,n₃＞)进行传播的概率最大。

具体来讲，采样边的过程包括如下步骤：接收朝向测量值之后，首先进行一次朝向的高斯采样：

其中，θ_t表示粒子方向，Z_θ,t代表朝向测量值，为粒子方向的方差。

接着，对每个粒子进行采样边：粒子的下一个边的概率满足均值为二者夹角的高斯分布，可表示为如下形式：

其中，e_t表示边，n_t-1表示粒子在t-1时刻所在节点，θ_t表示t时刻的粒子方向，G表示适应性图模型，σ_e表示边方向的标准差。

由于节点是离散的，因此粒子只存在于适应性图模型中的某个节点上，当采样边之后，需要采样粒子将要传播的下一个节点，在已经采样边的情况下，粒子的传播只能有两种选择：停留在当前节点或传播到采样边的另一个节点，而这两种选择由边的长度和粒子步长共同决定。与采样边相同的，在接收到步长测量值后，首先进行一次步长的高斯采样：

其中，d_t是t时刻的粒子步长，Z_d,t是PDR方法的步长测量值，是步长测量值的方差。

再对每个粒子进行采样节点，采样节点的采样概率为行人步长与边长的比值，表达为如下形式：

其中，d_t是t时刻的粒子步长，n_t-1表示粒子在t-1时刻所在节点，e_t表示节点n_t与n_t-1之间边的长度，G表示适应性图模型。

比如，有10个粒子在同一节点上，并都采样了同一条边，行人步长为0.7m，而边的长度为1m。则有70％的粒子会传播到采样边的下一个节点，而30％的粒子则会停留在当前节点。

步骤1043、每传播一次均对每个粒子的权值进行更新。

粒子的权值反映该粒子与行人真实路径以及朝向测量值、步长测量值相吻合的程度，则当每次粒子传播时均需要对粒子的权值进行更新。

在具体实施过程中，通过粒子方向与边的吻合程度更新权值，或检测到地标(Lanmark)时，通过粒子与地标之间的距离更新权值。具体的，地标包括：楼梯、电梯、转角、地磁异常点等等。

通过粒子方向与边的吻合程度更新权值，具体为：在采样一条边时，会根据行人朝向进行采样。为了补偿采样过程中丢失的一些信息，在采样过程中增加了权值更新的步骤，使得那些不符合行人朝向的粒子将随着时间被移除，而增强符合行人朝向和适应性图模型的粒子的权值。因此，控制粒子方向与采样的边的方向越一致，则该粒子的权值越大，反之，该粒子的权值越小。

具体的，权值更新过程的表达式如下：

w_t＝w_t-1·p(z_t|x_t)；

p(z_t|x_t)＝p(e_t|n_t-1,θ_t,G)；

其中，w_t表示粒子在t时刻的权值，w_t-1表示粒子在t-1时刻的权值，Z_t为朝向测量值，x_t表示粒子的坐标，e_t表示粒子在t时刻所经过的边，n_t-1表示粒子在t-1时刻所在的节点，θ_t表示在t时刻的粒子方向，G表示适应性图模型。

通过粒子方向与边的吻合程度更新权值只能在一定程上消除PDR方法在方向上的累积误差，而无法消除PDR方法步长导致的累积误差。这时就需要其他信息进行补偿。而在室内定位中，地标可看作是环境中自然存在的一些可识别的校准点，可以用来修正前述步长导致的累积误差。

具体的，检测到地标时通过粒子与地标之间的距离更新权值，具体为：当每次检测到地标时对每个粒子的权值进行更新。粒子与地标之间的距离与粒子将获得的权值呈相反关系，则基于地标的权值更新描述为如下表达式：

w_t＝w_t-1·p(z_t|x_t)

其中，w_t表示粒子在t时刻的权值，与w_t-1表示粒子在t-1时刻的权值，Z_t为朝向测量值，X_t表示粒子的坐标，X_l为检测到的地标的坐标，σ_l为地标的坐标的标准差。

S105、将所有粒子进行加权求和得到当前坐标，将当前坐标映射到适应性图模型上对应的一个节点上作为行人当前状态。

具体的，每次粒子传播时将所有的粒子进行加权求和，公式表达如下：

其中，r_i为第i粒子的当前坐标，(x^t,y^t)则为当前加权求和得到的行人当前状态，w_i为第i粒子的权值。得到当前坐标之后，将当前坐标映射到适应性图模型中对应的一个节点上。

进一步的，在具体实施过程中，可在适应性图模型选择离当前坐标最近的一个节点作为行人当前状态，行人当前状态中的室内位置估计值选择公式如下计算得到：

node_t＝argmin(sqrt((n.x-x^t)²+(n.y-y^t)²))

其中，(x^t,y^t)为加权求和得到的行人当前状态，node_t为距离当前坐标最近的节点，n∈nodes，n.x，n.y为适应性图模型中节点n的x坐标，y坐标。

进一步的，当有效粒子数小于预设阈值时进行粒子重采样。从而将权值较低的粒子移动到权值较高粒子的区域附近。又能够避免频繁的重采样带来一定程度上会减少粒子的多样性，避免粒子退化。具体来讲，若存在一条相邻边与粒子方向的夹角≤90°，则将该粒子确认为有效粒子。

进一步的，当检测到行人运动到一维泰森多边形图所在区域时，通过所述适应性图模型对行人朝向的偏移进行校准；将校准后方向作为下一次计算行人朝向的初值。

对行人朝向的偏移进行校准的过程包括如下几个步骤：

在对行人当前状态进行追踪时，记录历史位置估计值(即：粒子所在节点)n_t、n_t-1和n_t-2，以及记录在历史方向估计值(即：粒子方向)θ_t、θ_t-1和θ_t-2。当θ_t，θ_t-1和θ_t-2之间的差值小于预设距离差值时，则认为行人在沿直线行走。在行人在沿直线行的基础上，如果发现经过的两条边＜n_t,n_t-1＞和＜n_t-1,n_t-2＞方向相同或小于预设角度，并且与节点n_t-1连接的边只有两条时，则将当前的方向校准为走廊的方向，即：

z_θ,t＝direction(n_t-1,n_t)

具体来讲，由于行人在走廊等狭长区域行走时，走廊的方向就代表了行人运动的真实方向。因此，在未进行方向校准之前，仍使用罗盘和陀螺仪基于卡尔曼滤波的采集数据作为朝向测量值，而当检测到行人运动到走廊等一维泰森多边形图的区域时，通过结合适应性图模型对行人朝向的偏移进行校准，校准后方向将作为后续计算朝向测量值的初值，从而对陀螺仪在这之后计算出的会有较大改善，再用卡尔曼滤波计算出来的行人朝向也就更加准确。

进一步的，如图4所示，检测每个粒子的粒子方向与相邻边之间的夹角是否>90°；在第n粒子与相邻边之间均>90°时确认第n粒子为无效粒子，其中，n≤N；将所有无效粒子的权值赋为0；重新将所有粒子进行加权求和得到更新后坐标，将更新后坐标映射到适应性图模型上对应的一个节点上得到更新后行人状态。具体的，相邻边所指为与第n粒子相邻的边。

通过上述检测出是无效粒子的权值赋为0，从而移了除这些无效粒子的轨迹，对之前的行人当前状态值进行了优化。由于一个无效的粒子往往是因为该粒子的运动轨迹偏离了行人的真实路径造成的。因此，移除了无效粒子后重新计算的更新后行人状态将能够提高位置估计的可靠性。具体的，为了实现回溯，每个粒子需要记录行人历史状态，回溯时将该粒子在前t-k时刻的权值都赋为0。通过移除发生错误传播的粒子，可以使得估计的行人室内位置更加符合真实的历史轨迹。

通过上述本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1、由于本发明实施例应用的适应性图模型由表示狭长区域的一维广义Voronoi图和表示开阔区域的二维规则网格图组合而成，将对应空间表达为由可通行的路径所形成的离散节点和边；适应了区域特征和行人步行特征。从而该图模型结合了一维Voronoi图和二维格网图的优点，大大弥补了传统粗粒度图模型位置精度低的不足，粒子滤波融合PDR和适应性图模型。在定位过程中将行人的运动状态离散化，从而相比与非离散的模型，适应性图模型的自由度较低，实现了只需要少量粒子就可以表达粒子状态的下一次概率分布，从而显著的减少算法的计算复杂度，从而应用在便携式设备不会过渡增加功耗负担，因此有效解决了现有定位方法无法在不依赖基础设施的条件下提供精确的位置的技术问题，实现了不赖基础设施、计算复杂度低、定位精度高的效果。

2、由于粒子滤波融合PDR和适应性图模型定位的过程中，还使用适应性图模型校准粒子方向，使用环境中的地标校准粒子的权值，从而行人朝向，减少了PDR的累积误差，进一步在不依赖基础设施的条件下获得较高的定位精度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种行人室内定位方法，应用于一内置惯性传感器的便携式设备中，其特征在于，所述行人室内定位方法包括：

确定行人初始状态，其中，所述行人初始状态包括行人初始朝向和行人初始位置；

将所述行人初始状态和行人的步长参数映射到适应性图模型中，其中，所述适应性图模型由表示狭长区域的一维泰森多边形图和表示开阔区域的二维规则网格图组成，所述一维泰森多边形图和所述二维规则网格图将对应空间表达为由可通行的路径所形成的离散节点和边；其中，所述将所述行人初始状态映射到所述适应性图模型中，包括：将所述行人初始位置映射到所述适应性模型中与所述行人初始位置最近的节点上，同时，将所述行人初始朝向映射到所述适应性图模型中；基于所述惯性传感器的采集数据进行行人航位推算，进而检测出行人步行事件；

当每次检测到所述行人步行事件时，应用粒子滤波器根据行人历史状态、所述行人步行事件的行人步长和所述行人步行事件的行人朝向将行人运动状态对应的粒子在所述适应性图模型中传播，其中，所述应用粒子滤波器根据行人历史状态、所述行人步行事件的行人步长和所述行人步行事件的行人朝向将行人运动状态对应的粒子在所述适应性图模型中传播，包括：将所有粒子设定在与所述行人初始状态对应的节点上，所有粒子的权值均设定为同时对步长参数进行高斯采样，其中，N为粒子数，所有粒子沿着所述适应性图模型进行传播，其中，在传播过程包括进行采样边和进行采样节点，每传播一次均对每个粒子的权值进行更新；所述每传播一次均对每个粒子的权值进行更新，具体为：当每次检测到地标时对每个粒子的权值进行更新，粒子与地标之间的距离与粒子将获得的权值呈相反关系，则基于地标的权值更新描述为如下表达式：

w_t＝w_t-1·p(z_t|x_t)

<mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>t</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mrow> <mn>2</mn> <msub> <mi>&amp;pi;&amp;sigma;</mi> <mi>l</mi> </msub> </mrow> </msqrt> </mfrac> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>-</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>l</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>&amp;rsqb;</mo> </mrow>

其中，w_t表示粒子在t时刻的权值，w_t-1表示粒子在t-1时刻的权值，Z_t为朝向测量值，X_t表示粒子的坐标，X_l为检测到的地标的坐标，σ_l为地标的坐标的标准差；

将所有粒子进行加权求和得到当前坐标，将所述当前坐标映射到所述适应性图模型上离所述当前坐标最近的一个节点上作为行人当前状态；

当检测到行人运动到所述一维泰森多边形图所在区域时，通过所述适应性图模型对所述行人朝向的偏移进行校准，将校准后方向作为下一次计算所述行人朝向的初值，其中，所述当检测到行人运动到所述一维泰森多边形图中所在区域为走廊时，在对行人当前状态进行追踪时，记录粒子所在节点n_t、n_t-1和n_t-2，以及记录粒子方向θ_t、θ_t-1和θ_t-2；当θ_t，θ_t-1和θ_t-2之间的差值小于预设距离差值时，则认为行人在沿直线行走，在行人在沿直线行的基础上，如果发现经过的两条边<n_t，n_t-1>和<n_t-1，n_t-2>方向相同或小于预设角度，并且与节点n_t-1连接的边只有两条时，则将当前的方向校准为走廊的方向，n_t表示粒子在t时刻所在的节点，n_t-1表示粒子在t-1时刻所在的节点，n_t-2表示粒子在t-2时刻所在的节点，θ_t表示在t时刻的粒子方向，θ_t-1表示在t-1时刻的粒子方向，θ_t-2表示在t-2时刻的粒子方向。

2.如权利要求1所述的行人室内定位方法，其特征在于，在所述确定行人初始状态之前，所述行人室内定位方法还包括：

导入基于室内地图信息构建的所述适应性图模型，其中，相邻节点间的间距小于或等于所述行人步长。

3.如权利要求2所述的行人室内定位方法，其特征在于，在所述适应性图模型中，每个节点表示为节点编号和二维坐标组成的三元组，每条边表示为起始节点、边长和终止节点组成的三元组。

4.如权利要求1所述的行人室内定位方法，其特征在于，所述粒子沿着所述适应性图模型进行传播，具体为：

每个粒子根据如下定义的粒子传播模型进行传播；

p(n_t，θ_t|n_t-1，θ_t-1，z_t，G)＝p(e_t|n_t-1，z_θ，t，G)·p(n_t|n_t-1，e_t，z_d，t，G)；

其中，n_t-1，θ_t-1代表粒子上一时刻所在节点和粒子方向，z_t代表当前PDR估计的所述行人朝向与所述行人步长，G为所述适应性图模型，n_t，θ_t为粒子当前所在节点和粒子方向，z_θ，t为所述行人朝向的测量值，z_d，t为所述行人步长的测量值。

5.如权利要求1所述的行人室内定位方法，其特征在于，在所述将所述当前坐标映射到所述适应性图模型上对应的一个节点上作为行人当前状态之后，所述方法还包括：

当检测到有效粒子数小于预设阈值时，进行粒子重采样。

6.如权利要求1所述的行人室内定位方法，其特征在于，在所述将所述当前坐标映射到所述适应性图模型上对应的一个节点上作为行人当前状态之后，所述方法还包括：

检测每个粒子的粒子方向与相邻边之间的夹角是否大于90°；

在第n粒子与相邻边之间均大于90°时，确认所述第n粒子为无效粒子，其中，n≤N；

将所有所述无效粒子的权值赋为0；

重新将所有粒子进行加权求和得到更新后坐标，将所述更新后坐标映射到所述适应性图模型上对应的一个节点上得到更新后行人状态。