CN105823483A - 一种基于惯性测量单元的用户步行定位方法 - Google Patents

Abstract

本发明涉及一种基于惯性测量单元的用户步行定位方法，针对行人进行定位时，不依赖于外在设备的具体情况，不需要提前建立指纹地图，不需要专业的定位设备，只需要利用集成有惯性测量单元的智能移动终端，配合定位场景地图，即可实现定位应用。定位方案具有很好的普适性，在不同硬件条件的定位场景均可实现定位应用。

Description

一种基于惯性测量单元的用户步行定位方法

技术领域

本发明涉及一种基于惯性测量单元的用户步行定位方法，属于移动计算技术应用领域。

背景技术

目前定位算法的主流是基于无线网络(WirelessFidelity,Wi-Fi)、射频识别(RadioFrequencyIdentification,RFID)、低功耗蓝牙(BluetoothLowEnergy,BLE)等无线射频技术实现对行人的定位。通过利用一些典型的定位方法，诸如基于接收信号强度的方法，结合三边测量算法计算得到行人坐标或是采用指纹定位算法实现行人定位应用。不同于无线射频定位技术，利用从惯性测量单元实现行人定位是一个较新的研究方向。这类定位方案无需在定位场景配备专业的射频设备，也无需提前建立射频信号的指纹地图，只需要一部集成了惯性测量单元的智能移动终端和一张定位场景的地图即可实现定位应用。

定位算法的性能指标有定位精度、定位鲁棒性、算法复杂度等。其中，定位精度是定位算法的关键指标。一些利用无线射频技术进行定位的方法在理论上可预见较高的定位精度，但这些定位算法的定位精度往往过于依赖其使用的具体定位技术，以Wi-Fi定位技术为例：当所部署的Wi-Fi设备都能够正常运行时，结合适当的定位方法能够获得较好的定位精度，不过一旦Wi-Fi设备发生异常甚至无法工作时，将严重影响定位方法的定位效果，大大降低室内定位的定位精度，甚至出现无法进行定位的情况。此外，即使利用指纹定位法来实现定位应用，指纹采样点的稀疏程度也直接影响了定位精度这一重要指标。因此，若是射频设备大范围的损坏或者更新，都将会造成定位精度急剧下降，甚至导致定位失败。对于利用惯性测量单元的定位本身而言，有些定位方案需要配备专业的可穿戴设备来代替常见的智能移动终端，甚至需要将设备固定在腰间或脚踝处来提高定位精度；有些方案需要在定位场景的指定位置部署额外的射频设备进行辅助定位，以纠正定位过程中的累积误差问题。这些定位方案均无法普适于一般的集成了惯性测量单元定位的智能移动终端，需要专业的定位设备或是需要额外的射频定位设备进行辅助定位。

可见，仅仅考虑无线射频技术的定位是不足的，特别是面对如今越来越多个性化定位场景，不是每个定位场景都部署有或部署足够的Wi-Fi路由器、BLE信号设备等。对于基于惯性测量单元的定位方法，专业定位设备以及其他额外的射频定位设备的需要也降低了定位算法的普适性。

发明内容

本发明所要解决的技术问题是提供一种利用集成惯性测量单元和定位场景地图信息的智能移动终端，能够高效实现针对行人位置定位的基于惯性测量单元的用户步行定位方法。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于惯性测量单元的用户步行定位方法，通过携带惯性测量单元，实现针对用户步行位置的定位，所述定位方法包括如下步骤：

步骤001.针对惯性测量单元建立终端三维坐标系，以及针对用户的步行建立行走三维坐标系，然后进入步骤002；

步骤002.构建用于终端三维坐标系与行走三维坐标系之间位置转换的旋转矩阵，然后进入步骤003；

步骤003.用户携带惯性测量单元，分预设N次，分别步行预设路程，分别获得N组样本数据，其中，分别针对各次步行预设路程，通过惯性测量单元记录步行的步数，以及按用户每走一步对应一个检测时刻，通过惯性测量单元检测各时刻的加速度，再经旋转矩阵获得用户各时刻步行的加速度，分别构成各组样本数据，然后进入步骤004；

步骤004.分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法更新各时刻步行的加速度a_k；然后分别针对各组样本数据，获得用户步行加速度方差V和各时刻用户的步伐频率F(k)，以及根据预设路程和步行的步数，获得各步的步长，进而分别获得各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步的步长，并进入步骤005；其中，k表示第k时刻，a_k表示用户第k时刻步行的加速度；

步骤005.构建用户步长公式如下式所示：

L_k+1＝λ+bF(k)+cV

并根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步的步长，采用预设训练算法针对用户步长公式就行训练，获得其中参数λ、b、c的值，进而更新构成用户步长模型L_k+1＝λ+bF(k)+cV，然后进入步骤006；

步骤006.针对地图中的物理结构，规划出可达区域和非可达区域，并初始化用户的当前时刻位置，以及初始化参数S为0，然后进入步骤007；

步骤007.按照用户每走一步对应一个检测时刻，通过惯性测量单元检测当前时刻的方向角，并经旋转矩阵获得用户当前时刻的方向角，然后根据用户的当前时刻位置，采用自适应粒子群优化算法，结合用户当前时刻的方向角，以及用户步长模型，获得用户下一时刻的预测位置，然后进入步骤008；

步骤008.获得用户当前时刻方向角与用户上一时刻方向角之间的差值Δθ，判断Δθ是否小于等于预设角度下限阈值θ_l，是则针对大于0的S进行清零，并进入步骤014；否则进入步骤009；

步骤009.判断Δθ是否小于预设角度上限阈值θ_h，是则根据用户的当前时刻位置，采用自适应粒子群优化算法，结合用户上一时刻的方向角，以及用户步长模型，更新获得用户下一时刻的预测位置，同时针对大于0的S进行清零，并进入步骤014；否则进入步骤010；

步骤010.判断S是否等于第一预设时限阈值T₁，是则进入步骤011；否则用S的值加1针对S进行更新，接着根据用户的当前位置，采用自适应粒子群优化算法，结合用户上一时刻的方向角，以及用户步长模型，更新获得用户下一时刻的预测位置，同时更新用户当前时刻的方向角为上一时刻的方向角，并进入步骤014；其中，T₁≥2；

步骤011.暂定针对用户步行位置的定位，初始化参数Y＝0，然后进入下一时刻，并进入步骤012；

步骤012.获得用户当前时刻方向角与用户上一时刻方向角之间的差值Δθ，判断Δθ是否小于等于预设角度下限阈值θ_l，是则用Y的值加1针对Y进行更新，并进入步骤013；否则针对大于0的Y进行清零，并进入步骤013；

步骤013.判断Y是否等于第二预设时限阈值T₂，是则初始化用户的当前时刻位置，并返回步骤007；否则进入下一时刻，并返回步骤012；其中，T₂≥2；

步骤014.根据地图中的可达区域和非可达区域，判断用户当前时刻位置与下一时刻预测位置之间的连线是否进入不可达区域，是则进入步骤015；否则进入下一时刻，并在地图上显示用户下一时刻的预测位置，再返回步骤007；

步骤015.获得由用户当前时刻位置指向下一时刻预测位置的射线，首次与不可达区域边缘的相交点位置，进一步获得在地图上可达区域内与该相交点位置之间路程最近的道路交点位置，将该道路交点位置更新作为用户下一时刻的预测位置，然后进入下一时刻，并在地图上显示用户下一时刻的预测位置，实现用户步行位置的定位，再返回步骤007。

作为本发明的一种优选技术方案：所属用于终端三维坐标系与行走三维坐标系之间位置转换的旋转矩阵，为模为1，且具有唯一特征值的矩阵。

作为本发明的一种优选技术方案：所述步骤004中，分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法通过如下公式，更新各时刻步行的加速度a_k；

$a_k=\frac{1}{m}\underset{i=-(m-1)/2}{\overset{(m-1)/2}{\Σ}}{a}_{k+i}$

式中，m为预设邻近检测时间范围。

作为本发明的一种优选技术方案：所述步骤004中，分别针对各组样本数据，采用预设分类器进行训练，获得用户步行各个加速度所分别对应的各个加速度期望E(a_k)，然后根据如下公式，获得用户步行加速度方差V，

V＝E(a_k ²)-(E(a_k))²

式中，E(a_k)表示用户步行过程中加速度a_k所对应的加速度期望，E(a_k ²)表示用户步行过程中加速度a_k ²所对应的加速度期望。

作为本发明的一种优选技术方案：所述步骤004中，分别针对各组样本数据，根据如下公式，获得各时刻用户的步伐频率F(k)，

$F\left(k\right)=\frac{1}{t_{k+1}-t_k}$

式中，t_k+1表示第k+1个时刻的时间，t_k表示第k个时刻的时间。

作为本发明的一种优选技术方案：所述步骤005中，根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步的步长，采用梯度下降训练算法针对用户步长公式进行训练，获得其中参数λ、b、c的值。

作为本发明的一种优选技术方案：所述根据用户的当前位置，采用自适应粒子群优化算法，结合用户当前时刻方向角或者上一时刻方向角，以及用户步长模型，获得或更新获得用户下一时刻的预测位置，具体包括如下步骤：

步骤a01.在地图上针对以用户当前位置为圆心、预设半径区域内，设置N个粒子所构成的粒子群，分别针对各个粒子，获得当前时刻粒子的横坐标x_n,k、纵坐标y_n,k和方向角θ_n,k，然后进入步骤a02；其中，n＝{1、…、N}，x_n,k表示第n个粒子当前时刻粒子的横坐标，y_n,k表示第n个粒子当前时刻粒子的纵坐标，θ_n,k表示第n个粒子当前时刻粒子的方向角；

步骤a02.分别针对各个粒子，获得粒子下一时刻方向角相对当前时刻方向角的变化Δθ′_n，以及结合用户步长模型，获得用户下一时刻步长L_k+1，再根据如下公式，更新获得下一时刻粒子的横坐标x_n,k+1、纵坐标y_n,k+1和方向角θ_n,k+1，其中，Δθ′_n表示第n个粒子下一时刻方向角相对当前时刻方向角的变化；

x_n,k+1＝x_n,k+L_k+1·cosθ_n,k+1

y_n,k+1＝y_n,k+L_k+1·sinθ_n,k+1

θ_n,k+1＝θ_n,k+Δθ′_n

进而分别获得各个粒子下一时刻粒子的横坐标x_n,k+1、纵坐标y_n,k+1和方向角θ_n,k+1，然后进入步骤a03；

步骤a03.分别针对当前时刻的前预设U个检测时刻，分别获得各检测时刻中各个粒子与对应检测时刻用户步行位置之间的欧几里得距离d_n,u，然后进入步骤a04；其中，u＝{1、、U}，d_n,u表示该U个检测时刻中第u个时刻、第n个粒子与对应检测时刻用户步行位置之间的欧几里得距离；

步骤a04.分别针对各个粒子，获得粒子分别对应该U个检测时刻欧几里得距离中的最小值，作为该粒子的经验值，进而分别获得各个粒子的经验值P_n；同时，将所有粒子对应该U个检测时刻欧几里得距离中的最小，作为粒子同伴的经验值G，然后进入步骤a05；

步骤a05.分别获得各个粒子的当前坐标位置g_n,k,然后分别针对各个粒子，根据如下公式，获得粒子在第k+1时刻的粒子权重ω_n,k+1，进而分别获得各个粒子在第k+1时刻的粒子权重ω_n,k+1，然后进入步骤a06；

${\mathrm{\ω}}_{n,k+1}=\frac{1}{b_1\·f\left(\mathrm{\ξ}\right)\·(P_n-g_{n,k})+b_2\·f\left(\mathrm{\ξ}\right)\·(G-g_{n,k})}$

式中，b₁和b₂为预设常系数，f(ξ)是一个取随机值的函数，ω_n,k+1表示第n个粒子在第k+1时刻的粒子权重，g_n,k表示第n个粒子在当前时刻下的坐标位置，包括粒子的横坐标和纵坐标；

步骤a06.根据如下公式，获得用户下一时刻的预测位置X_k+1，

$X_{k+1}=\underset{n=1}{\overset{N}{\Σ}}{g}_{n,k}\·norm\left({\mathrm{\ω}}_{n,k+1}\right)$

式中，norm(ω_n,k+1)表示针对ω_n,k+1的标准化。

本发明所述一种基于惯性测量单元的用户步行定位方法采用以上技术方案与现有技术相比，具有以下技术效果：

1.本发明所设计的一种基于惯性测量单元的用户步行定位方法，针对行人进行定位时，不依赖于外在设备的具体情况，不需要提前建立指纹地图，不需要专业的定位设备，只需要利用集成有惯性测量单元的智能移动终端，配合定位场景地图，即可实现定位应用。定位方案具有很好的普适性，在不同硬件条件的定位场景均可实现定位应用；

2.本发明所设计的一种基于惯性测量单元的用户步行定位方法，在定位过程中，自适应粒子群优化算法(APSO算法)会对惯性测量单元的数据漂移问题和定位坐标的穿墙问题就行纠正，提高定位精度，一定程度上克服由于惯性测量单元自身所导致的定位误差；

3.本发明所设计的一种基于惯性测量单元的用户步行定位方法，在定位过程中，支持智能移动终端的姿态变换，不会因为终端姿态的变化导致定位精度的急剧下降，特别是对于接听电话、拍摄照片、发送短信等方向角非连续变化的情况有很好的支持，鲁棒性很高；

4.本发明所设计的一种基于惯性测量单元的用户步行定位方法，整个基于惯性测量单元的定位方法是一个可融合的定位方案。可以根据具体定位场景的硬件条件，融合基于射频信号技术的指纹定位和基于信号强度的定位。

附图说明

图1是本发明设计的基于惯性测量单元的用户步行定位方法中惯性测量单元的欧拉角示意图；

图2是本发明设计的基于惯性测量单元的用户步行定位方法中定位模型示意图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

本发明所设计一种基于惯性测量单元的用户步行定位方法，在实际应用过程当中，通过携带惯性测量单元，实现针对用户步行位置的定位，所述定位方法，具体包括如下步骤：

步骤001.惯性测量单元的欧拉角主要由俯仰角，翻滚角和旋转角构成，它们通常用来描述物体在惯性空间中的相对姿态，如图1所示。其中，俯仰角和翻滚角通常由三轴加速度计计算而得，旋转角通常根据陀螺仪或三轴磁力计确定。因此，针对惯性测量单元建立终端三维坐标系T，以及针对用户的步行建立行走三维坐标系G，然后进入步骤002。

其中，设俯仰角为P，翻滚角为Q，旋转角为Y。O_x、O_y、O_z分别为三轴加速度传感器X、Y和Z轴的加速度值。当终端静止时，三轴加速度计的矢量和为：

$g=\sqrt{O_x^2+O_y^2+O_z^2}$

其中，在公式1中，g表示重力加速度。

俯仰角P为：

$P=arctan(O_y/\sqrt{O_x^2+O_z^2})$

翻滚角Q为：

$Q=arctan(O_x/\sqrt{O_y^2+O_z^2})$

步骤002.构建用于终端三维坐标系与行走三维坐标系之间位置转换的旋转矩阵(RotationMatrix,RM)，然后进入步骤003，其中，用于终端三维坐标系与行走三维坐标系之间位置转换的旋转矩阵，为模为1，且具有唯一特征值的矩阵。

其中，当旋转矩阵(RM)应用在向量的乘法中时，可以改变一个向量方向的同时却不改变该向量的大小。那也就是说，利用旋转矩阵(RM)就可以改变T坐标系的方向，使之与G坐标系的夹角为0，同时又能保留T坐标系中三个方向的值的大小。

不妨设T坐标系的X轴与G坐标系的X轴、Y轴、Z轴之间的夹角分别为r_x’x，r_x’y，r_x’z。同理，T坐标系的Y轴与G坐标系三个轴之间的夹角分别为r_y’x，r_y’y，r_y’z，T坐标系的Z轴与G坐标系三个轴之间的夹角分别为r_z’x，r_z’y，r_z’z。设点W(x’,y’,z’)是T坐标系上一点，对应地，点W在G坐标系上的坐标为(x,y,z)，有：

x＝x′cosr_x′x+y′cosr_x′y+z′cosr_x′z

y＝x′cosr_y′x+y′cosr_y′y+z′cosr_y′z

z＝x′cosr_z′x+y′cosr_z′y+z′cosr_z′z

由上式变形可得：

(x,y,z)^T＝R(x′,y′,z′)^T

在上式中，R是旋转矩阵(RM)，可以表示为：

$R=\left(\begin{array}{ccc}\cos r_{x^{\′}x}& \cos r_{x^{\′}y}& \cos r_{x^{\′}z}\\ \cos r_{y^{\′}x}& \cos r_{y^{\′}y}& \cos r_{y^{\′}z}\\ \cos r_{z^{\′}x}& \cos r_{z^{\′}y}& \cos r_{z^{\′}z}\end{array}\right)$

相应地，当终端绕坐标系三个不同的轴旋转时，旋转矩阵R的表达式分别为：

$R_{\mathrm{\α}}=\left(\begin{array}{ccc}1& 0& 0\\ 0& \cos r_{y^{\′}y}& \cos r_{y^{\′}z}\\ 0& \cos r_{z^{\′}y}& \cos r_{z^{\′}z}\end{array}\right)=\left(\begin{array}{ccc}1& 0& 0\\ 0& \cos \mathrm{\α}& sin\mathrm{\α}\\ 0& -\sin \mathrm{\α}& cos\mathrm{\α}\end{array}\right)$

$R_{\mathrm{\β}}=\left(\begin{array}{ccc}\cos r_{x^{\′}x}& 0& \cos r_{x^{\′}z}\\ 0& 1& 0\\ \cos r_{z^{\′}x}& 0& \cos r_{z^{\′}z}\end{array}\right)=\left(\begin{array}{ccc}cos\mathrm{\β}& 0& -sin\mathrm{\β}\\ 0& 1& 0\\ sin\mathrm{\β}& 0& \cos \mathrm{\β}\end{array}\right)$

$R_{\mathrm{\χ}}=\left(\begin{array}{ccc}\cos r_{x^{\′}x}& \cos r_{x^{\′}y}& 0\\ \cos r_{y^{\′}x}& \cos r_{y^{\′}y}& 0\\ 0& 0& 1\end{array}\right)=\left(\begin{array}{ccc}cos\mathrm{\χ}& sin\mathrm{\χ}& 0\\ -sin\mathrm{\χ}& cos\mathrm{\χ}& 0\\ 0& 0& 1\end{array}\right)$

R_α表示终端绕X轴旋转，即俯仰角，旋转角度为α；R_β表示终端绕Y轴旋转，即翻滚角，旋转角度为β；R_χ表示终端绕Z轴旋转，即旋转角，旋转角度为χ。这里，利用旋转角和旋转矩阵，就能确保终终端的惯性测量单元坐标系的方向与行人运动坐标系的方向一致。

步骤003.用户携带惯性测量单元，分预设N次，分别步行预设路程，分别获得N组样本数据，其中，分别针对各次步行预设路程，通过惯性测量单元记录步行的步数，以及按用户每走一步对应一个检测时刻，通过惯性测量单元检测各时刻的加速度，再经旋转矩阵获得用户各时刻步行的加速度，分别构成各组样本数据，然后进入步骤004。

步骤004.分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法，通过如下公式，更新各时刻步行的加速度a_k；

$a_k=\frac{1}{m}\underset{i=-(m-1)/2}{\overset{(m-1)/2}{\Σ}}{a}_{k+i}$

式中，m为预设邻近检测时间范围，实际应用中可以设定m＝5；然后分别针对各组样本数据，采用预设分类器进行训练，获得用户步行各个加速度所分别对应的各个加速度期望E(a_k)，然后根据如下公式，获得用户步行加速度方差V，

V＝E(a_k ²)-(E(a_k))²

式中，E(a_k)表示用户步行过程中加速度a_k所对应的加速度期望，E(a_k ²)表示用户步行过程中加速度a_k ²所对应的加速度期望，同时分别针对各组样本数据，根据如下公式，获得各时刻用户的步伐频率F(k)，

$F\left(k\right)=\frac{1}{t_{k+1}-t_k}$

式中，t_k+1表示第k+1个时刻的时间，t_k表示第k个时刻的时间；并且根据预设路程和步行的步数，获得各步的步长，进而分别获得各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步的步长，并进入步骤005；其中，k表示第k时刻，a_k表示用户第k时刻步行的加速度。

步骤005.构建用户步长公式如下式所示：

L_k+1＝λ+bF(k)+cV

并根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步的步长，采用梯度下降训练算法针对用户步长公式就行训练，获得其中参数λ、b、c的值，进而更新构成用户步长模型L_k+1＝λ+bF(k)+cV，然后进入步骤006。

步骤006.定位地图是由众多的“点”和“线”组成，“点”要素规定了整张地图的大小；“线”要素将相关联的“点”要素相连接，对地图的物理结构做出了划分，同时也划分出了行人可达区域和不可达区域。在进行定位时，若行人穿越了不可达区域，则发生了行人撞墙问题，需要利用APSO算法进行纠偏。例如：假设行人目前在A房间，现在要从A房间步行到B房间，那么行人必须通过A房间外的走廊进入B房间，不能直接穿墙而过，其中走廊为行人的可达区域，穿墙而过的区域为不可达区域，因此，针对地图中的物理结构，规划出可达区域和非可达区域，并初始化用户的当前时刻位置，以及初始化参数S为0，然后进入步骤007。

步骤007.按照用户每走一步对应一个检测时刻，通过惯性测量单元检测当前时刻的方向角，并经旋转矩阵获得用户当前时刻的方向角，然后根据用户的当前时刻位置，采用自适应粒子群优化算法(APSO)，结合用户当前时刻的方向角，以及用户步长模型，获得用户下一时刻的预测位置，然后进入步骤008。

其中，APSO算法对方向角的变化是敏感的，因此如果将APSO中粒子的方向角定义为智能移动终端的实时方向角，那么一旦智能手机的方向角发生骤变(如：在定位过程中接听电话，拍摄照片，放入口袋等)，则会导致粒子的位置更新出现严重偏差，定位精度快速下降，甚至很快就会出现定位失败的情况。APSO算法规定，在定位过程中，若智能移动终端的方向角发生变化并达到一定的阈值之后，APSO中的粒子将使用自身的方向角进行位置计算，而不是依赖于传感器所提供的方向角；步骤007中获得用户下一时刻的预测位置，如图2所示，具体包括如下步骤：

步骤a01.在地图上针对以用户当前位置为圆心、预设半径区域内，设置N个粒子所构成的粒子群，分别针对各个粒子，获得当前时刻粒子的横坐标x_n,k、纵坐标y_n,k和方向角θ_n,k，然后进入步骤a02；其中，n＝{1、…、N}，x_n,k表示第n个粒子当前时刻粒子的横坐标，y_n,k表示第n个粒子当前时刻粒子的纵坐标，θ_n,k表示第n个粒子当前时刻粒子的方向角。

步骤a02.分别针对各个粒子，获得粒子下一时刻方向角相对当前时刻方向角的变化Δθ′_n，以及结合用户步长模型，获得用户下一时刻步长L_k+1，再根据如下公式，更新获得下一时刻粒子的横坐标x_n,k+1、纵坐标y_n,k+1和方向角θ_n,k+1，其中，Δθ′_n表示第n个粒子下一时刻方向角相对当前时刻方向角的变化；

x_n,k+1＝x_n,k+L_k+1·cosθ_n,k+1

y_n,k+1＝y_n,k+L_k+1·sinθ_n,k+1

θ_n,k+1＝θ_n,k+Δθ′_n

进而分别获得各个粒子下一时刻粒子的横坐标x_n,k+1、纵坐标y_n,k+1和方向角θ_n,k+1，然后进入步骤a03。

步骤a03.分别针对当前时刻的前预设U个检测时刻，分别获得各检测时刻中各个粒子与对应检测时刻用户步行位置之间的欧几里得距离d_n,u，然后进入步骤a04；其中，u＝{1、、U}，d_n,u表示该U个检测时刻中第u个时刻、第n个粒子与对应检测时刻用户步行位置之间的欧几里得距离。

步骤a04.分别针对各个粒子，获得粒子分别对应该U个检测时刻欧几里得距离中的最小值，作为该粒子的经验值，进而分别获得各个粒子的经验值P_n；同时，将所有粒子对应该U个检测时刻欧几里得距离中的最小，作为粒子同伴的经验值G，然后进入步骤a05。

步骤a05.分别获得各个粒子的当前坐标位置g_n,k,然后分别针对各个粒子，根据如下公式，获得粒子在第k+1时刻的粒子权重ω_n,k+1，进而分别获得各个粒子在第k+1时刻的粒子权重ω_n,k+1，然后进入步骤a06。

${\mathrm{\ω}}_{n,k+1}=\frac{1}{b_1\·f\left(\mathrm{\ξ}\right)\·(P_n-g_{n,k})+b_2\·f\left(\mathrm{\ξ}\right)\·(G-g_{n,k})}$

式中，b₁和b₂为预设常系数，f(ξ)是一个取随机值的函数，ω_n,k+1表示第n个粒子在第k+1时刻的粒子权重，g_n,k表示第n个粒子在当前时刻下的坐标位置，包括粒子的横坐标和纵坐标。

步骤a06.根据如下公式，获得用户下一时刻的预测位置X_k+1，

$X_{k+1}=\underset{n=1}{\overset{N}{\Σ}}{g}_{n,k}\·norm\left({\mathrm{\ω}}_{n,k+1}\right)$

式中，norm(ω_n,k+1)表示针对ω_n,k+1的标准化。

步骤008.获得用户当前时刻方向角与用户上一时刻方向角之间的差值Δθ，判断Δθ是否小于等于预设角度下限阈值θ_l，是则针对大于0的S进行清零，并进入步骤014；否则进入步骤009。

步骤009.判断Δθ是否小于预设角度上限阈值θ_h，是则根据用户的当前时刻位置，采用自适应粒子群优化算法(APSO)，结合用户上一时刻的方向角，以及用户步长模型，更新获得用户下一时刻的预测位置，同时针对大于0的S进行清零，并进入步骤014；否则进入步骤010。其中，步骤009中获得用户下一时刻的预测位置，具体按照步骤007中步骤a01-步骤a06进行执行，获得用户下一时刻的预测位置。

步骤010.判断S是否等于第一预设时限阈值T₁，是则进入步骤011；否则用S的值加1针对S进行更新，接着根据用户的当前位置，采用自适应粒子群优化算法(APSO)，结合用户上一时刻的方向角，以及用户步长模型，更新获得用户下一时刻的预测位置，同时更新用户当前时刻的方向角为上一时刻的方向角，并进入步骤014；其中，T₁≥2。

步骤011.暂定针对用户步行位置的定位，初始化参数Y＝0，然后进入下一时刻，并进入步骤012。

步骤012.获得用户当前时刻方向角与用户上一时刻方向角之间的差值Δθ，判断Δθ是否小于等于预设角度下限阈值θ_l，是则用Y的值加1针对Y进行更新，并进入步骤013；否则针对大于0的Y进行清零，并进入步骤013。

步骤013.判断Y是否等于第二预设时限阈值T₂，是则初始化用户的当前时刻位置，并返回步骤007；否则进入下一时刻，并返回步骤012；其中，T₂≥2。

步骤014.根据地图中的可达区域和非可达区域，判断用户当前时刻位置与下一时刻预测位置之间的连线是否进入不可达区域，是则进入步骤015；否则进入下一时刻，并在地图上显示用户下一时刻的预测位置，再返回步骤007。

步骤015.获得由用户当前时刻位置指向下一时刻预测位置的射线，首次与不可达区域边缘的相交点位置，进一步获得在地图上可达区域内与该相交点位置之间路程最近的道路交点位置，将该道路交点位置更新作为用户下一时刻的预测位置，然后进入下一时刻，并在地图上显示用户下一时刻的预测位置，实现用户步行位置的定位，再返回步骤007。

本发明所设计的一种基于惯性测量单元的用户步行定位方法，针对行人进行定位时，不依赖于外在设备的具体情况，不需要提前建立指纹地图，不需要专业的定位设备，只需要利用集成有惯性测量单元的智能移动终端，配合定位场景地图，即可实现定位应用。定位方案具有很好的普适性，在不同硬件条件的定位场景均可实现定位应用；而且在定位过程中，自适应粒子群优化算法(APSO算法)会对惯性测量单元的数据漂移问题和定位坐标的穿墙问题就行纠正，提高定位精度，一定程度上克服由于惯性测量单元自身所导致的定位误差；并且在定位过程中，支持智能移动终端的姿态变换，不会因为终端姿态的变化导致定位精度的急剧下降，特别是对于接听电话、拍摄照片、发送短信等方向角非连续变化的情况有很好的支持，鲁棒性很高；不仅如此，整个基于惯性测量单元的定位方法是一个可融合的定位方案。可以根据具体定位场景的硬件条件，融合基于射频信号技术的指纹定位和基于信号强度的定位。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种基于惯性测量单元的用户步行定位方法，通过携带惯性测量单元，实现针对用户步行位置的定位，其特征在于：所述定位方法包括如下步骤：

步骤001.针对惯性测量单元建立终端三维坐标系，以及针对用户的步行建立行走三维坐标系，然后进入步骤002；

步骤002.构建用于终端三维坐标系与行走三维坐标系之间位置转换的旋转矩阵，然后进入步骤003；

步骤003.用户携带惯性测量单元，分预设N次，分别步行预设路程，分别获得N组样本数据，其中，分别针对各次步行预设路程，通过惯性测量单元记录步行的步数，以及按用户每走一步对应一个检测时刻，通过惯性测量单元检测各时刻的加速度，再经旋转矩阵获得用户各时刻步行的加速度，分别构成各组样本数据，然后进入步骤004；

步骤004.分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法更新各时刻步行的加速度a_k；然后分别针对各组样本数据，获得用户步行加速度方差V和各时刻用户的步伐频率F(k)，以及根据预设路程和步行的步数，获得各步的步长，进而分别获得各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步的步长，并进入步骤005；其中，k表示第k时刻，a_k表示用户第k时刻步行的加速度；

步骤005.构建用户步长公式如下式所示：

L_k+1＝λ+bF(k)+cV

并根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步的步长，采用预设训练算法针对用户步长公式就行训练，获得其中参数λ、b、c的值，进而更新构成用户步长模型L_k+1＝λ+bF(k)+cV，然后进入步骤006；

步骤006.针对地图中的物理结构，规划出可达区域和非可达区域，并初始化用户的当前时刻位置，以及初始化参数S为0，然后进入步骤007；

步骤007.按照用户每走一步对应一个检测时刻，通过惯性测量单元检测当前时刻的方向角，并经旋转矩阵获得用户当前时刻的方向角，然后根据用户的当前时刻位置，采用自适应粒子群优化算法，结合用户当前时刻的方向角，以及用户步长模型，获得用户下一时刻的预测位置，然后进入步骤008；

步骤008.获得用户当前时刻方向角与用户上一时刻方向角之间的差值Δθ，判断Δθ是否小于等于预设角度下限阈值θ_l，是则针对大于0的S进行清零，并进入步骤014；否则进入步骤009；

步骤009.判断Δθ是否小于预设角度上限阈值θ_h，是则根据用户的当前时刻位置，采用自适应粒子群优化算法，结合用户上一时刻的方向角，以及用户步长模型，更新获得用户下一时刻的预测位置，同时针对大于0的S进行清零，并进入步骤014；否则进入步骤010；

步骤010.判断S是否等于第一预设时限阈值T₁，是则进入步骤011；否则用S的值加1针对S进行更新，接着根据用户的当前位置，采用自适应粒子群优化算法，结合用户上一时刻的方向角，以及用户步长模型，更新获得用户下一时刻的预测位置，同时更新用户当前时刻的方向角为上一时刻的方向角，并进入步骤014；其中，T₁≥2；

步骤011.暂定针对用户步行位置的定位，初始化参数Y＝0，然后进入下一时刻，并进入步骤012；

步骤012.获得用户当前时刻方向角与用户上一时刻方向角之间的差值Δθ，判断Δθ是否小于等于预设角度下限阈值θ_l，是则用Y的值加1针对Y进行更新，并进入步骤013；否则针对大于0的Y进行清零，并进入步骤013；

步骤013.判断Y是否等于第二预设时限阈值T₂，是则初始化用户的当前时刻位置，并返回步骤007；否则进入下一时刻，并返回步骤012；其中，T₂≥2；

步骤014.根据地图中的可达区域和非可达区域，判断用户当前时刻位置与下一时刻预测位置之间的连线是否进入不可达区域，是则进入步骤015；否则进入下一时刻，并在地图上显示用户下一时刻的预测位置，再返回步骤007；

步骤015.获得由用户当前时刻位置指向下一时刻预测位置的射线，首次与不可达区域边缘的相交点位置，进一步获得在地图上可达区域内与该相交点位置之间路程最近的道路交点位置，将该道路交点位置更新作为用户下一时刻的预测位置，然后进入下一时刻，并在地图上显示用户下一时刻的预测位置，实现用户步行位置的定位，再返回步骤007。

2.根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于：所属用于终端三维坐标系与行走三维坐标系之间位置转换的旋转矩阵，为模为1，且具有唯一特征值的矩阵。

3.根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于：所述步骤004中，分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法通过如下公式，更新各时刻步行的加速度a_k；

$a_k=\frac{1}{m}\underset{i=-\left(m-1\right)/2}{\overset{\left(m-1\right)/2}{\mathrm{\Σ}}}{a}_{k+i}$

式中，m为预设邻近检测时间范围。

4.根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于：所述步骤004中，分别针对各组样本数据，采用预设分类器进行训练，获得用户步行各个加速度所分别对应的各个加速度期望E(a_k)，然后根据如下公式，获得用户步行加速度方差V，V＝E(a_k ²)-(E(a_k))²

式中，E(a_k)表示用户步行过程中加速度a_k所对应的加速度期望，E(a_k ²)表示用户步行过程中加速度a_k ²所对应的加速度期望。

5.根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于：所述步骤004中，分别针对各组样本数据，根据如下公式，获得各时刻用户的步伐频率F(k)，

$F\left(k\right)=\frac{1}{t_{k+1}-t_k}$

式中，t_k+1表示第k+1个时刻的时间，t_k表示第k个时刻的时间。

6.根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于：所述步骤005中，根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步的步长，采用梯度下降训练算法针对用户步长公式进行训练，获得其中参数λ、b、c的值。

7.根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于：所述根据用户的当前位置，采用自适应粒子群优化算法，结合用户当前时刻方向角或者上一时刻方向角，以及用户步长模型，获得或更新获得用户下一时刻的预测位置，具体包括如下步骤：

步骤a01.在地图上针对以用户当前位置为圆心、预设半径区域内，设置N个粒子所构成的粒子群，分别针对各个粒子，获得当前时刻粒子的横坐标x_n,k、纵坐标y_n,k和方向角θ_n,k，然后进入步骤a02；其中，n＝{1、…、N}，x_n,k表示第n个粒子当前时刻粒子的横坐标，y_n,k表示第n个粒子当前时刻粒子的纵坐标，θ_n,k表示第n个粒子当前时刻粒子的方向角；

步骤a02.分别针对各个粒子，获得粒子下一时刻方向角相对当前时刻方向角的变化Δθ′_n，以及结合用户步长模型，获得用户下一时刻步长L_k+1，再根据如下公式，更新获得下一时刻粒子的横坐标x_n,k+1、纵坐标y_n,k+1和方向角θ_n,k+1，其中，Δθ′_n表示第n个粒子下一时刻方向角相对当前时刻方向角的变化；

x_n,k+1＝x_n,k+L_k+1·cosθ_n,k+1

y_n,k+1＝y_n,k+L_k+1·sinθ_n,k+1

θ_n,k+1＝θ_n,k+Δθ′_n

进而分别获得各个粒子下一时刻粒子的横坐标x_n,k+1、纵坐标y_n,k+1和方向角θ_n,k+1，然后进入步骤a03；

步骤a03.分别针对当前时刻的前预设U个检测时刻，分别获得各检测时刻中各个粒子与对应检测时刻用户步行位置之间的欧几里得距离d_n,u，然后进入步骤a04；其中，u＝{1、、U}，d_n,u表示该U个检测时刻中第u个时刻、第n个粒子与对应检测时刻用户步行位置之间的欧几里得距离；

步骤a04.分别针对各个粒子，获得粒子分别对应该U个检测时刻欧几里得距离中的最小值，作为该粒子的经验值，进而分别获得各个粒子的经验值P_n；同时，将所有粒子对应该U个检测时刻欧几里得距离中的最小，作为粒子同伴的经验值G，然后进入步骤a05；

步骤a05.分别获得各个粒子的当前坐标位置g_n,k,然后分别针对各个粒子，根据如下公式，获得粒子在第k+1时刻的粒子权重ω_n,k+1，进而分别获得各个粒子在第k+1时刻的粒子权重ω_n,k+1，然后进入步骤a06；

${\mathrm{\ω}}_{n,k+1}=\frac{1}{b_1\·f\left(\mathrm{\ξ}\right)\·(P_n-g_{n,k})+b_2\·f\left(\mathrm{\ξ}\right)\·(G-g_{n,k})}$

式中，b₁和b₂为预设常系数，f(ξ)是一个取随机值的函数，ω_n,k+1表示第n个粒子在第k+1时刻的粒子权重，g_n,k表示第n个粒子在当前时刻下的坐标位置，包括粒子的横坐标和纵坐标；

步骤a06.根据如下公式，获得用户下一时刻的预测位置X_k+1，

$X_{k+1}=\underset{n=1}{\overset{N}{\Σ}}{g}_{n,k}\·norm\left({\mathrm{\ω}}_{n,k+1}\right)$

式中，norm(ω_n,k+1)表示针对ω_n,k+1的标准化。