CN109916396B - 一种基于多维地磁信息的室内定位方法 - Google Patents

Abstract

一种基于多维地磁信息的室内定位方法，通过磁力计测量室内环境中的地磁场信号数据，使用本发明的解算方法解算出偏角、倾角和总强度三种磁场信息量。然后使用这三种信息量构建一种不受磁力计读数误差的地磁指纹地图，在使用该指纹地图定位时可以利用最新的地磁信息对该指纹地图进行更新。本发明所述的地磁信息解算方法解决了地磁信号在室内环境中只能使用磁场总强度进行定位的问题，提高了室内环境中使用地磁场实现定位的效率和精度；指纹地图的构建和更新方法有效的解决了地磁场会因传感器误差而造成的磁场读数不一致问题。本发明为地磁场用于室内定位技术提供了新的研究价值。

Description

一种基于多维地磁信息的室内定位方法

技术领域

本发明涉及一种基于多维地磁信息的室内定位方法，属于移动计算应用领域。

背景技术

地磁场中包含了丰富的与位置相关的信息，如在传感器坐标系下的磁场数量化三分量特征数据。这样的信号源相比于常规的无线电信号源具有稳定、无需电力维持等特性，不仅仅从能源消耗方面具有很大优势，同时在一些特殊的停电情况下能够提供稳定的信号。因此地磁场就成为了室内定位技术一个优秀的信号源。然而由于传感器误差等因素的影响，目前地磁场只能作为室内定位技术中一个辅助参考量。一般使用地磁场磁感应线切线的大小作为地磁场在室内定位技术中的参考信息，由于地磁场的磁感应线切线是一个矢量，这样的处理无疑会忽略地磁场信息中的方向信息。

在室内定位技术中，地磁场一般会因为精度差而被用于辅助其他室内定位技术。造成该现象的主要原因是传感器的读数差异和不稳定。对于同一位置的地磁信息，不同磁力计的三轴读数却不尽相同，而且该读数一般不稳定。这就造成了地磁场用于室内定位的局限性。地磁场会随着时间和环境发生一系列的微弱的变化，而这个变化也会给定位精度带来一定的影响。

发明内容

本发明所要解决的技术问题是地磁场在室内环境下无法提供优良的室内定位信号源问题，其中包括姿态角度不稳定问题、磁场信息解算不充分问题。

一种基于多维地磁信息的室内定位方法，包括如下步骤：

步骤1，使用磁力计、加速度计和陀螺仪采集该位置的三轴磁场分量、三轴加速度数据和三轴陀螺仪数据；

步骤2，将三轴加速度数据和三轴陀螺仪数据使用改进的扩展卡尔曼滤波算法计算出主体在该时刻的翻滚角Roll、俯仰角Pitch和航向角Yaw；

步骤3，使用步骤2中获取的姿态角度信息和磁力计采集的三轴磁力数据，使用地磁场信息解算方法进行解算，得到该位置的三维地磁场信息分量的偏角、倾角和总强度；

步骤4，经过一段路径的行走以后，使用分解后的三维地磁场信息分量结合地磁指纹地图构建方法构建地磁指纹地图；

步骤5，定位阶段，使用磁力计、加速度计和陀螺仪采集经过一段路径的行走后新位置的三轴磁场分量、三轴加速度数据和三轴陀螺仪数据；

步骤6，用户行走一步，将采集的磁场信息、加速度信息和陀螺仪信息使用步骤2到步骤4的方法计算得到三维地磁信息以后与指纹地图对比，更新匹配点集合；

步骤7，判断匹配集合点是否为一个，若为该集合点数大于1，则返回步骤6，否则进入步骤8；

步骤8，得到精确的初始坐标，此时同时根据磁力指纹匹配的结果结合惯性导航信息对行为的位置进行预测和更新，实现定位需求。

进一步地，所述步骤1中，可以通过用户携带的手机、平板等智能设备自带的磁力计、加速度计和陀螺仪进行数据的采集。

进一步地，所述步骤2中，由于手机等智能设备获取的姿态角度会带有明显的误差和波动，因此从传感器层面开始对智能设备姿态角度设计了一套可以获取稳定姿态角度的流程，采用改进的扩展卡尔曼滤波算法，所述流程如下：

步骤2-1，利用智能设备的IOS或Android平台提供的接口获取到加速度计和陀螺仪的原始数据；

步骤2-2，将加速度计所获取的原始数据送入扩展卡尔曼矩阵中，

计算出状态转移矩阵和观测矩阵H，将加速度计所获取的水平面状态作为卡尔曼滤波中的状态量x_k,其中k为时间序列，将陀螺仪在X轴和Y轴上所发生的变化作为观测变量z_k；由于该模型非线性模型，因此需要将状态量和观测量转换为非线性随机差分方程的形式：

x_k＝f(x_k-1,u_k-1,w_k-1)

观测变量为：

z_k＝h(x_k,v_k)

式中，u_k-1和w_k-1为上一时刻时的观测噪声和激励噪声，x_k-1为k-1时刻的状态量，差分方程式中的非线性函数f将上一时刻k-1的状态映射到当前时刻k的状态；v_k为观测函数的测量噪声，非线性函数h反映了状态变量x_k和观测量z_k之间的关系，在输入加速度参数的第一时刻，将v_k-1和w_k-1默认为0，进一步计算f的第i个状态对x的第i个状态偏导的雅可比矩阵A_[i,j]：

f的第i个状态对激励噪声w的第j个状态的雅可比矩阵W_[i,j]：

h的第i个状态对状态量x的第j个状态偏导的雅可比矩阵H_[i,j]：

h的第i个状态对测量噪声v的第j个状态偏导的雅可比矩阵V_[i,j]：

需要用状态量计算出预测阶段的状态变量和误差协方差P_k，协方差的公式为：

式中，Q_k-1为k-1时刻的过程激励噪声协方差矩阵，P_k-1为k-1时刻的协方差，A_k为k时刻f对x偏导的雅可比矩阵，为A_k的转置矩阵，W_k为f对激励噪声w的雅可比矩阵，/>为W_k的转置矩阵；

以上完成扩展卡尔曼滤波的预测阶段，该阶段利用加速度计的三轴原始数据计算出了k时刻的状态变量和状态变量的误差协方差P_k；

步骤2-3，将陀螺仪在X轴和Y轴上的变化作为扩展卡尔曼滤波的观测量，对扩展卡尔曼滤波器进行更新操作，使用在步骤2-2中计算的相关结果进行相关的计算；

首先通过步骤2-2中的误差协方差P_k计算卡尔曼增益K_k：

式中,是k时刻的观测噪声协方差矩阵，/>为状态更新后的状态方差，H_k为k时刻h对状态量x偏导的雅可比矩阵，/>为H_k的转置矩阵，V_k为k时刻h对测量噪声v偏导的雅可比矩阵，/>为V_k的转置矩阵；

然后根据观测量z_k对状态量x_k进行更新，并且更新误差协方差P_k，将更新后的状态量和误差协方差返回与步骤2-2中的预测阶段；

其中，为状态量更新后的状态，/>为量测量更新后的状态，I为单位矩阵；

至此，扩展卡尔曼滤波器完成了一次预测和更新工作；在算法流程的步骤2-3时，可以通过卡尔曼滤波器不断的计算出最新状态的姿态角度，Roll、Pitch和Yaw；

步骤2-4，通过步骤2-3可以得到实时的姿态角度，但是由于Yaw角的特殊性，加上陀螺仪的零度漂移问题，设计一个作为反馈调节系统的计时器工具，统计一段时间内陀螺仪的漂移度数，然后将该度数和时间反馈给步骤2-3输出的Yaw角度。

进一步地，所述步骤3中，所述地磁指纹地图具有三个地磁特征信息：磁感应线切线总强度、磁感应线切线的偏角差值和磁感应线切线的倾角差值，其中总强度直接使用三轴分量平方和开方得到，另两个角度信息结合步骤2中获取的姿态角度进行解算；

所述地磁信息解算算法的输入是三轴的地磁原始数据和经过姿态角度解算的姿态角数据，输出的是地磁场的三个特征信息；下面是具体的算法步骤：

步骤3-1，输入磁力传感器采集的原始三轴磁力数据和角度解算后的姿态角度，此时的姿态角中Yaw的角度是上姿态角度解算算法中的注册传感器时智能设备的Y轴指向作为初始方向，也就是注册传感器时的Yaw角为0°；输入的参数应该为第一个需要计算地磁场特征的位置的具体信息；

步骤3-2，由于三轴传感器所测量的数据和坐标轴的位置有关，因此在本步转换时，需要保持XOZ平面的合成磁场分量的方向和大小不变；此时，Y轴垂直平面向上，首先将M_x和M_z分量合成为在水平面XOZ平面的T，然后根据姿态角Roll的角度θ将XOZ平面修正成水平姿态；

使用公式对M_x和M_z进行修正：

M'_x＝T×tan(α-θ)

M'_z＝T×cot(α-θ)

其中，M'_x和M'_z分别为X轴和Y轴修正后的磁场分量，该平面的合成量为此时合成分量与X轴的夹角为/>θ为Z轴与合成量T的夹角，根据上述的方法可以将XOZ平面进行修正，使该位置可以将Roll角度的影响消除；

步骤3-3，将步骤3-2中修正好的M_x和M_z分量更新到地磁场的输入量中，使用类似步骤3-2中的方法使YOZ平面进行修正，获得修正后的M_y和M_z分量。

步骤3-4，将步骤3-3中的M_y和M_z分量更新到地磁场的输入量中，使用类似步骤3-2的方法使XOY平面进行修正，获得最终的M_x和M_y分量；至此角度转换的工作完成，此时的M_x、M_y和M_z分量是在初始化传感器时的坐标系中，利用公式计算该位置磁感应线切线的偏角Dec、倾角Inc和总强度M_T：

步骤3-5，利用公式计算此时的磁感应线切线的模长，作为此位置的磁场总强度信息；

步骤3-6，输出步骤3-4和步骤3-5中得到的磁感应线切线的偏角Dec、倾角Inc和总强度M_T；

至此磁场角度信息解算已经完成，输入了姿态角度信息和原始三轴磁力数据以后，通过一系列的解算获取了该位置的三个地磁特征信息。

进一步地，所述步骤4中，所述地磁指纹地图构建方法包括如下步骤：

步骤4-1，利用加速度计、磁力计和陀螺仪分别实时采集加速度、磁力和角度数据；

步骤4-2，将加速度和角度数据送入姿态角解算算法进行解算，获取稳定精确的角度信息；

步骤4-3，将第2步中的姿态信息和第1步中采集的原始地磁数据送入地磁信息解算器中进行解算，通过解算算法计算出该位置的磁感应线切线总强度、偏角和倾角等地磁场特征信息；

步骤4-4，利用步骤4-3获取的地磁特征信息结合惯性导航获取的位置信息一同存储在数据库中，完成地磁指纹地图的构建工作。

进一步地，所述步骤6中，在用户行走了第一步时，利用构建地磁指纹地图模块中的算法得到三个特征值，将这三个特征值与地磁指纹地图中的每一个数据进行比对，在比对时通过设置阈值的方式将在该特征值阈值范围内的点生成一个匹配点集合；在用户行走第二步行走时，将数据与该集合的中每个点的下一个数据利用相同的方法进行匹配，进而筛选出第二步匹配的坐标点；不断的循环上述步骤，最后得到一个坐标点就是匹配返回的坐标，具体的流程为：

步骤6-1，初始化加速度计、陀螺仪和磁力计，并且使用绕“8”字和将智能设备放在水平面上等方式进行传感器的校准；

步骤6-2，行人开始行走第一步；

步骤6-3，加速度计、磁力计和陀螺仪获取加速度、磁场和角度的原始数据，并且通过匹配模块中介绍的算法对地磁原始数据进行解算，获取匹配特征信息；

步骤6-4，将三个特征信息与数据库中的地磁指纹数据库进行匹配，将所有在阈值范围内的坐标点存储到集合中；

步骤6-5，行人进行第二步行走；

步骤6-6，同样利用匹配模块中介绍的算法对地磁数据进行处理，并将处理得到的特征值与步骤6-4中得到的集合中的所有坐标点的下一个点进行匹配，将匹配结果更新到集合中；

步骤6-7，重复步骤6-5和步骤6-6更新集合中的坐标点，直到集合中只有一个坐标点，此时将该坐标点返回，就可以得到行人的初始位置。

进一步地，所述步骤8中，所述预测和更新具体流程如下：

步骤8-1，在获取了行人初始位置后，利用加速度计、陀螺仪和磁力计通过姿态角度解算算法以及步态检测算法获取到惯性导航的下一个坐标位置；

步骤8-2，将路径上采集的地磁原始数据利用匹配模块中介绍的算法进行处理获取到三个地磁特征值，将该特征值与地磁指纹数据库进行匹配，获取从初始位置可疑集合的下一步匹配率大小，然后根据匹配程度从可疑的集合中返回最匹配的坐标点；

步骤8-3，通过对比预测阶段惯性导航的坐标点以及地磁匹配时的各个可疑坐标点的概率，得出该位置的坐标；

通过上述流程以后，就可以通过利用地磁场实时的获取室内的位置信息了；同时，在该阶段所采集地磁信息需要同时反馈给地磁指纹地图用于更新和修正。

本发明达到的有益效果为：本发明所述的地磁信息解算方法解决了地磁信号在室内环境中只能使用磁场总强度进行定位的问题，提高了室内环境中使用地磁场实现定位的效率和精度；指纹地图的构建和更新方法有效的解决了地磁场会因传感器误差而造成的磁场读数不一致问题。本发明为地磁场用于室内定位技术提供了新的研究价值。

附图说明

图1为本发明所述室内定位方法的流程图。

图2为姿态角计算流程图。

图3为加速度计和陀螺仪解算姿态角示意图。

图4为地磁信息解算算法流程图。

图5为XOZ平面磁场分量角度转换示意图。

图6为智能手机坐标系与地理坐标系示意图。

图7为地磁指纹地图构建原理示意图。

图8为地磁指纹地图构建流程图。

图9为地磁匹配获取初始位置流程图。

图10为第二阶段匹配方法示意图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

一种基于多维地磁信息的室内定位方法，包括如下步骤：

步骤1，使用磁力计、加速度计和陀螺仪采集该位置的三轴磁场分量、三轴加速度数据和三轴陀螺仪数据。

所述步骤1中，可以通过用户携带的手机、平板等智能设备自带的磁力计、加速度计和陀螺仪进行数据的采集。

步骤2，将三轴加速度数据和三轴陀螺仪数据使用改进的扩展卡尔曼滤波算法计算出主体在该时刻的翻滚角Roll、俯仰角Pitch和航向角Yaw。

所述步骤2中，由于手机等智能设备获取的姿态角度会带有明显的误差和波动，因此从传感器层面开始对智能设备姿态角度设计了一套可以获取稳定姿态角度的流程，如图1所示，采用改进的扩展卡尔曼滤波算法，所述流程如下：

步骤2-1，利用智能设备的IOS或Android平台提供的接口获取到加速度计和陀螺仪的原始数据。

步骤2-2，将加速度计所获取的原始数据送入扩展卡尔曼矩阵中，

计算出状态转移矩阵和观测矩阵H，将加速度计所获取的水平面状态作为卡尔曼滤波中的状态量x_k,其中k为时间序列，将陀螺仪在X轴和Y轴上所发生的变化作为观测变量z_k；由于该模型非线性模型，因此需要将状态量和观测量转换为非线性随机差分方程的形式：

x_k＝f(x_k-1,u_k-1,w_k-1)

观测变量为：

z_k＝h(x_k,v_k)

式中，u_k-1和w_k-1为上一时刻时的观测噪声和激励噪声，x_k-1为k-1时刻的状态量，差分方程式中的非线性函数f将上一时刻k-1的状态映射到当前时刻k的状态；v_k为观测函数的测量噪声，非线性函数h反映了状态变量x_k和观测量z_k之间的关系，在输入加速度参数的第一时刻，将v_k-1和w_k-1默认为0，进一步计算f的第i个状态对x的第i个状态偏导的雅可比矩阵A_[i,j]：

f的第i个状态对激励噪声w的第j个状态的雅可比矩阵W_[i,j]：

h的第i个状态对状态量x的第j个状态偏导的雅可比矩阵H_[i,j]：

h的第i个状态对测量噪声v的第j个状态偏导的雅可比矩阵V_[i,j]：

需要用状态量计算出预测阶段的状态变量和误差协方差P_k，协方差的公式为：

式中，Q_k-1为k-1时刻的过程激励噪声协方差矩阵，P_k-1为k-1时刻的协方差，A_k为k时刻f对x偏导的雅可比矩阵，为A_k的转置矩阵，W_k为f对激励噪声w的雅可比矩阵，/>为W_k的转置矩阵；

以上完成扩展卡尔曼滤波的预测阶段，该阶段利用加速度计的三轴原始数据计算出了k时刻的状态变量和状态变量的误差协方差P_k。

步骤2-3，将陀螺仪在X轴和Y轴上的变化作为扩展卡尔曼滤波的观测量，对扩展卡尔曼滤波器进行更新操作，使用在步骤2-2中计算的相关结果进行相关的计算。

首先通过步骤2-2中的误差协方差P_k计算卡尔曼增益K_k：

式中,是k时刻的观测噪声协方差矩阵，/>为状态更新后的状态方差，H_k为k时刻h对状态量x偏导的雅可比矩阵，/>为H_k的转置矩阵，V_k为k时刻h对测量噪声v偏导的雅可比矩阵，/>为V_k的转置矩阵；

然后根据观测量z_k对状态量x_k进行更新，并且更新误差协方差P_k，将更新后的状态量和误差协方差返回与步骤2-2中的预测阶段；

其中，为状态量更新后的状态，/>为量测量更新后的状态，I为单位矩阵；

至此，扩展卡尔曼滤波器完成了一次预测和更新工作；在算法流程的步骤2-3时，可以通过卡尔曼滤波器不断的计算出最新状态的姿态角度，Roll、Pitch和Yaw。如图2所示，智能设备，如手机的加速度计和陀螺仪可以在水平面上形成一个重合的平面，此处围绕X轴和Y轴的Pitch角和Roll角在两个传感器上有共同的状态量和观测量，然而围绕的Z轴的Yaw角只有陀螺仪能够检测出它的变化。由于扩展卡尔曼滤波器是对姿态角的旋转矩阵进行计算，因此也会得到一个不准确的Yaw角。但是由于陀螺仪的累计误差问题，需要在步骤2-4中对其进行修正。

步骤2-4，通过步骤2-3可以得到实时的姿态角度，但是由于Yaw角的特殊性，加上陀螺仪的零度漂移问题，设计一个作为反馈调节系统的计时器工具，统计一段时间内陀螺仪的漂移度数，然后将该度数和时间反馈给步骤2-3输出的Yaw角度。至此，可以用智能设备的加速度计和陀螺仪获取到设备的相对姿态角度。

步骤3，使用步骤2中获取的姿态角度信息和磁力计采集的三轴磁力数据，使用地磁场信息解算方法进行解算，得到该位置的三维地磁场信息分量的偏角、倾角和总强度。

所述步骤3中，所述地磁指纹地图具有三个地磁特征信息：磁感应线切线总强度、磁感应线切线的偏角差和磁感应线切线的倾角差，其中总强度直接使用三轴分量平方和开方得到，另两个角度信息结合步骤2中获取的姿态角度进行解算。如图3所示，地磁信息解算算法的输入是三轴的原始地磁信息和姿态角度信息，输出的是地磁场的三个特征信息。下面是具体的算法步骤：

步骤3-1，输入磁力传感器采集的原始三轴磁力数据和角度解算后的姿态角度，此时的姿态角中Yaw的角度是上姿态角度解算算法中的注册传感器时智能设备的Y轴指向作为初始方向，也就是注册传感器时的Yaw角为0°；输入的参数应该为第一个需要计算地磁场特征的位置的具体信息。

步骤3-2，由于三轴传感器所测量的数据和坐标轴的位置有关，因此在本步转换时，需要保持XOZ平面的合成磁场分量的方向和大小不变；此时，Y轴垂直平面向上，首先将M_x和M_z分量合成为在水平面XOZ平面的T，然后根据姿态角Roll的角度θ将XOZ平面修正成水平姿态。

使用公式对M_x和M_z进行修正：

M'_x＝T×tan(α-θ)

M'_z＝T×cot(α-θ)

其中，M'_x和M'_z分别为X轴和Y轴修正后的磁场分量，该平面的合成量为此时合成分量与X轴的夹角为/>θ为Z轴与合成量T的夹角，根据上述的方法可以将XOZ平面进行修正，使该位置可以将Roll角度的影响消除；

步骤3-3，将步骤3-2中修正好的M_x和M_z分量更新到地磁场的输入量中，使用类似步骤3-2中的方法使YOZ平面进行修正，获得修正后的M_y和M_z分量。

步骤3-4，将步骤3-3中的M_y和M_z分量更新到地磁场的输入量中，使用类似步骤3-2的方法使XOY平面进行修正，获得最终的M_x和M_y分量；至此角度转换的工作完成，此时的M_x、M_y和M_z分量是在初始化传感器时的坐标系中，利用公式计算该位置磁感应线切线的偏角Dec、倾角Inc和总强度M_T：

步骤3-5，利用公式计算此时的磁感应线切线的模长，作为此位置的磁场总强度信息。

步骤3-6，输出步骤3-4和步骤3-5中得到的磁感应线切线的偏角Dec、倾角Inc和总强度M_T。

至此磁场角度信息解算已经完成，输入了姿态角度信息和原始三轴磁力数据以后，通过一系列的解算获取了该位置的三个地磁特征信息。

步骤4，经过一段路径的行走以后，使用分解后的三维地磁场信息分量结合地磁指纹地图构建方法构建地磁指纹地图。

地磁场是空间中的固有属性，具有大小和方向。然而由于传感器坐标系的原因，在同一位置，传感器的姿态会值造成该点的传感器数值。为了更好的解释这一问题，设定X'Y'Z'坐标系为地理坐标系，而xyz坐标系则为传感器坐标系，如图5所示。此时，磁感应线切线为由于地磁场为空间中固有的属性，因此/>相较与X'Y'Z'坐标系是固定不变的，但是只能通过智能手机中的磁力计获取到xyz坐标系的数值，然而该坐标系会因为智能手机的姿态而发生改变。因此，无法直接利用智能手机中的传感器获取的磁场信息。

由于地磁场具有上述的特殊性，无法像电信号源一样将空间平面划分成网格状，然后保存每一个网格的信号值构建指纹地图。需要利用磁场的特性是空间中固有的属性，将地磁场信息与路径信息结合起来构建出一个根据路径匹配的地磁指纹地图。然而地磁场是空间向量，若只使用地磁场的总强度作为构建地磁指纹地图的依据，明显达不到理想的效果。

此时，由于角度信息的特殊性，不能简单的像总强度一样直接使用其数值就可以，需要角度信息找一个可以参考的标识。一般的做法是利用智能手机的姿态角将手机坐标系通过旋转矩阵投影到地理坐标系，但是这样的方法存在一个问题，地理北极和地磁北之间的夹角是一个固定的角度，也就是说若通过旋转矩阵所依赖的航向角Yaw是根据磁北的方向决定的。然而在室内环境下，地磁北是存在一定的差异性的，无法用于准确的计算出地理北极。

地磁场每一个坐标的切线是空间固有且稳定存在的，因此可以利用类似于总强度的方法，将路径信息与地磁场的角度信息结合起来，通过路径的变化结合角度信息变化的方法对地磁指纹地图进行构建。如图6所示，假设位置A、B、C和D为4个不同的位置，箭头指向为对应位置的磁感应切线在水平面的投影，从上往下俯视看到如图的效果。假设从A到D发生位置变化，在位置A时，确定手机坐标系的位置，也就是记录磁感应线切线与Y轴的夹角，并且保持该坐标系为此次采集地磁场信息的根坐标系。随着位置的移动，在B位置将新的磁感应线采集并记录下它与坐标轴Y轴的夹角，记作θ₁。继续移动到位置C后，记录此处的磁感应线切线与B位置的夹角，记作θ₂。用同样的方法，在位置D记录与C位置的磁感应线切线的夹角，记作θ₃。将这样的夹角信息与对应的位置信息存储起来，构建地磁指纹地图。在匹配的时候，利用相同的方法，就可以有效的解决参考系的问题。

类似的，倾角I也使用一样的原理进行采集。至此，通过将地磁场这样的空间向量的信息进行了分析和提取。设计出了一套适用于地磁场的指纹地图构建方案。如图7所示，利用上述的方法设计出了如图的流程进行构建地磁指纹地图。

所述步骤4中，所述地磁指纹地图构建方法包括如下步骤：

步骤4-1，利用加速度计、磁力计和陀螺仪分别实时采集加速度、磁力和角度数据。

步骤4-2，将加速度和角度数据送入姿态角解算算法进行解算，获取稳定精确的角度信息。

步骤4-3，将第2步中的姿态信息和第1步中采集的原始地磁数据送入地磁信息解算器中进行解算，通过解算算法计算出该位置的磁感应线切线总强度、偏角和倾角等地磁场特征信息。

步骤4-4，利用步骤4-3获取的地磁特征信息结合惯性导航获取的位置信息一同存储在数据库中，完成地磁指纹地图的构建工作。

步骤5，定位阶段，使用磁力计、加速度计和陀螺仪采集经过一段路径的行走后新位置的三轴磁场分量、三轴加速度数据和三轴陀螺仪数据。

步骤6，用户行走一步，将采集的磁场信息、加速度信息和陀螺仪信息使用步骤2到步骤4的方法计算得到三维地磁信息以后与指纹地图对比，更新匹配点集合。

所述步骤6中，在用户行走了第一步时，利用构建地磁指纹地图模块中的算法得到三个特征值，将这三个特征值与地磁指纹地图中的每一个数据进行比对，在比对时通过设置阈值的方式将在该特征值阈值范围内的点生成一个匹配点集合；在用户行走第二步行走时，将数据与该集合的中每个点的下一个数据利用相同的方法进行匹配，进而筛选出第二步匹配的坐标点；不断的循环上述步骤，最后得到一个坐标点就是匹配返回的坐标，具体的流程为：

步骤6-1，初始化加速度计、陀螺仪和磁力计，并且使用绕“8”字和将智能设备放在水平面上等方式进行传感器的校准；

步骤6-2，行人开始行走第一步；

步骤6-3，加速度计、磁力计和陀螺仪获取加速度、磁场和角度的原始数据，并且通过匹配模块中介绍的算法对地磁原始数据进行解算，获取匹配特征信息；

步骤6-4，将三个特征信息与数据库中的地磁指纹数据库进行匹配，将所有在阈值范围内的坐标点存储到集合中；

步骤6-5，行人进行第二步行走；

步骤6-6，同样利用匹配模块中介绍的算法对地磁数据进行处理，并将处理得到的特征值与步骤6-4中得到的集合中的所有坐标点的下一个点进行匹配，将匹配结果更新到集合中；

步骤6-7，重复步骤6-5和步骤6-6更新集合中的坐标点，直到集合中只有一个坐标点，此时将该坐标点返回，就可以得到行人的初始位置。

步骤7，判断匹配集合点是否为一个，若为该集合点数大于1，则返回步骤6，否则进入步骤8。

步骤8，得到精确的初始坐标，此时同时根据磁力指纹匹配的结果结合惯性导航信息对行为的位置进行预测和更新，实现定位需求。

所述步骤8中，如图9所示,所述预测和更新具体流程如下：

步骤8-1，在获取了行人初始位置后，利用加速度计、陀螺仪和磁力计通过姿态角度解算算法以及步态检测算法获取到惯性导航的下一个坐标位置；

步骤8-2，将路径上采集的地磁原始数据利用匹配模块中介绍的算法进行处理获取到三个地磁特征值，将该特征值与地磁指纹数据库进行匹配，获取从初始位置可疑集合的下一步匹配率大小，然后根据匹配程度从可疑的集合中返回最匹配的坐标点；

步骤8-3，通过对比预测阶段惯性导航的坐标点以及地磁匹配时的各个可疑坐标点的概率，得出该位置的坐标；

通过上述流程以后，就可以通过利用地磁场实时的获取室内的位置信息了；同时，在该阶段所采集地磁信息需要同时反馈给地磁指纹地图用于更新和修正。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (5)

1.一种基于多维地磁信息的室内定位方法，其特征在于：包括如下步骤：

步骤1，使用磁力计、加速度计和陀螺仪采集三轴磁场分量、三轴加速度数据和三轴陀螺仪数据；

步骤2，将三轴加速度数据和三轴陀螺仪数据使用改进的扩展卡尔曼滤波算法计算出主体在本时刻的翻滚角Roll、俯仰角Pitch和航向角Yaw；

所述步骤2中，由于智能设备获取的姿态角度会带有明显的误差和波动，因此从传感器层面开始对智能设备姿态角度设计了一套可以获取稳定姿态角度的流程，采用改进的扩展卡尔曼滤波算法，所述流程如下：

步骤2-1，利用智能设备的IOS或Android平台提供的接口获取到加速度计和陀螺仪的原始数据；

步骤2-2，将加速度计所获取的原始数据送入扩展卡尔曼矩阵中，计算出状态转移矩阵和观测矩阵H，将加速度计所获取的水平面状态作为卡尔曼滤波中的状态量x_k,其中k为时间序列，将陀螺仪在X轴和Y轴上所发生的变化作为观测变量z_k；将状态量和观测量转换为非线性随机差分方程的形式：

x_k＝f(x_k-1,u_k-1,w_k-1)

观测变量为：

z_k＝h(x_k,v_k)

式中，u_k-1和w_k-1为上一时刻时的观测噪声和激励噪声，x_k-1为k-1时刻的状态量，差分方程式中的非线性函数f将上一时刻k-1的状态映射到当前时刻k的状态；v_k为观测函数的测量噪声，非线性函数h反映了状态变量x_k和观测量z_k之间的关系，在输入加速度参数的第一时刻，将v_k-1和w_k-1默认为0，进一步计算f的第i个状态对x的第i个状态偏导的雅可比矩阵A_[i,j]：

f的第i个状态对激励噪声w的第j个状态的雅可比矩阵W_[i,j]：

h的第i个状态对状态量x的第j个状态偏导的雅可比矩阵H_[i,j]：

h的第i个状态对测量噪声v的第j个状态偏导的雅可比矩阵V_[i,j]：

需要用状态量计算出预测阶段的状态变量和误差协方差P_k，协方差的公式为：

式中，Q_k-1为k-1时刻的过程激励噪声协方差矩阵，P_k-1为k-1时刻的协方差，A_k为k时刻f对x偏导的雅可比矩阵，为A_k的转置矩阵，W_k为f对激励噪声w的雅可比矩阵，/>为W_k的转置矩阵；

以上完成扩展卡尔曼滤波的预测阶段，该阶段利用加速度计的三轴原始数据计算出了k时刻的状态变量和状态变量的误差协方差P_k；

步骤2-3，将陀螺仪在X轴和Y轴上的变化作为扩展卡尔曼滤波的观测量，对扩展卡尔曼滤波器进行更新操作，使用在步骤2-2中计算的相关结果进行相关的计算；

首先通过步骤2-2中的误差协方差P_k计算卡尔曼增益K_k：

式中,是k时刻的观测噪声协方差矩阵，/>为状态更新后的状态方差，H_k为k时刻h对状态量x偏导的雅可比矩阵，/>为H_k的转置矩阵，V_k为k时刻h对测量噪声v偏导的雅可比矩阵，/>为V_k的转置矩阵；

然后根据观测量z_k对状态量x_k进行更新，并且更新误差协方差P_k，将更新后的状态量和误差协方差返回与步骤2-2中的预测阶段；

其中，为状态量更新后的状态，/>为量测量更新后的状态，I为单位矩阵；

至此，扩展卡尔曼滤波器完成了一次预测和更新工作；在算法流程的步骤2-3时，通过卡尔曼滤波器不断的计算出最新状态的姿态角度，Roll、Pitch和Yaw；

步骤2-4，通过步骤2-3得到实时的姿态角度，但是由于Yaw角的特殊性，加上陀螺仪的零度漂移问题，设计一个作为反馈调节系统的计时器工具，统计一段时间内陀螺仪的漂移度数，然后将该度数和时间反馈给步骤2-3输出的Yaw角度；

步骤3，使用步骤2中获取的姿态角度信息和磁力计采集的三轴磁力数据，使用地磁场信息解算方法进行解算，得到三维地磁场信息分量的偏角、倾角和总强度；

所述步骤3中，地磁指纹地图具有三个地磁特征信息：磁感应线切线总强度、磁感应线切线的偏角差值和磁感应线切线的倾角差值，其中总强度直接使用三轴分量平方和开方得到，另两个角度信息结合步骤2中获取的姿态角度进行解算；

所述地磁场信息解算方法的输入是三轴的地磁原始数据和经过姿态角度解算的姿态角数据，输出的是地磁场的三个特征信息；下面是具体的算法步骤：

步骤3-1，输入磁力计采集的原始三轴磁力数据和角度解算后的姿态角度，注册磁力计时智能设备的Y轴指向作为初始方向，此时的Yaw角为0o；输入的参数应该为第一个需要计算地磁场特征的位置的具体信息；

步骤3-2，由于三轴传感器所测量的数据和坐标轴的位置有关，因此在本步转换时，需要保持XOZ平面的合成磁场分量的方向和大小不变；此时，Y轴垂直平面向上，首先将M_x和M_z分量合成为在水平面XOZ平面的T，然后根据姿态角Roll的角度θ将XOZ平面修正成水平姿态；

使用公式对M_x和M_z进行修正：

M'_x＝T×tan(α-θ)

M'_z＝T×cot(α-θ)

其中，M'_x和M'_z分别为X轴和Y轴修正后的磁场分量，该平面的合成量为此时合成分量与X轴的夹角为/>θ为Z轴与合成量T的夹角，根据上述的方法将XOZ平面进行修正，使该位置将Roll角度的影响消除；

步骤3-3，将步骤3-2中修正好的M_x和M_z分量更新到地磁场的输入量中，使用步骤3-2中的方法使YOZ平面进行修正，获得修正后的M_y和M_z分量；

步骤3-4，将步骤3-3中的M_y和M_z分量更新到地磁场的输入量中，使用步骤3-2的方法使XOY平面进行修正，获得最终的M_x和M_y分量；至此角度转换的工作完成，此时的M_x、M_y和M_z分量是在初始化传感器时的坐标系中，利用公式计算该位置磁感应线切线的偏角Dec、倾角Inc和总强度M_T：

步骤3-5，利用公式计算此时的磁感应线切线的模长，作为此位置的磁场总强度信息；

步骤3-6，输出步骤3-4和步骤3-5中得到的磁感应线切线的偏角Dec、倾角Inc和总强度M_T；

至此磁场角度信息解算已经完成，输入了姿态角度信息和原始三轴磁力数据以后，通过一系列的解算获取了该位置的三个地磁特征信息；

步骤4，经过一段路径的行走以后，使用分解后的三维地磁场信息分量结合地磁指纹地图构建方法构建地磁指纹地图；

步骤5，定位阶段，使用磁力计、加速度计和陀螺仪采集经过一段路径的行走后新位置的三轴磁场分量、三轴加速度数据和三轴陀螺仪数据；

步骤6，用户行走一步，将采集的磁场信息、加速度信息和陀螺仪信息使用步骤2到步骤4的方法计算得到三维地磁信息以后与指纹地图对比，更新匹配点集合；

步骤7，判断匹配集合点是否为一个，若为该集合点数大于1，则返回步骤6，否则进入步骤8；

步骤8，得到精确的初始坐标，此时同时根据磁力指纹匹配的结果结合惯性导航信息对行为的位置进行预测和更新，实现定位需求。

2.根据权利要求1所述的一种基于多维地磁信息的室内定位方法，其特征在于：所述步骤1中，可以通过用户携带的手机、平板的智能设备自带的磁力计、加速度计和陀螺仪进行数据的采集。

3.根据权利要求1所述的一种基于多维地磁信息的室内定位方法，其特征在于：所述步骤4中，所述地磁指纹地图构建方法包括如下步骤：

步骤4-1，利用加速度计、磁力计和陀螺仪分别实时采集加速度、磁力和角度数据；

步骤4-2，将加速度和角度数据送入姿态角解算算法进行解算，获取稳定精确的角度信息；

步骤4-3，将第2步中的姿态信息和第1步中采集的原始地磁数据送入地磁信息解算器中进行解算，通过解算算法计算出该位置的磁感应线切线总强度、偏角和倾角的地磁场特征信息；

步骤4-4，利用步骤4-3获取的地磁特征信息结合惯性导航获取的位置信息一同存储在数据库中，完成地磁指纹地图的构建工作。

4.根据权利要求1所述的一种基于多维地磁信息的室内定位方法，其特征在于：所述步骤6中，在用户行走了第一步时，利用构建地磁指纹地图模块中的算法得到三个特征值，将这三个特征值与地磁指纹地图中的每一个数据进行比对，在比对时通过设置阈值的方式将在该特征值阈值范围内的点生成一个匹配点集合；在用户行走第二步行走时，将数据与该集合的中每个点的下一个数据利用相同的方法进行匹配，进而筛选出第二步匹配的坐标点；不断的循环上述步骤，最后得到一个坐标点就是匹配返回的坐标，具体的流程为：

步骤6-1，初始化加速度计、陀螺仪和磁力计，并且使用绕“8”字和将智能设备放在水平面上的方式进行传感器的校准；

步骤6-2，行人开始行走第一步；

步骤6-3，加速度计、磁力计和陀螺仪获取加速度、磁场和角度的原始数据，并且通过匹配模块中介绍的算法对地磁原始数据进行解算，获取匹配特征信息；

步骤6-4，将三个特征信息与数据库中的地磁指纹数据库进行匹配，将所有在阈值范围内的坐标点存储到集合中；

步骤6-5，行人进行第二步行走；

步骤6-6，同样利用匹配模块中介绍的算法对地磁数据进行处理，并将处理得到的特征值与步骤6-4中得到的集合中的所有坐标点的下一个点进行匹配，将匹配结果更新到集合中；

步骤6-7，重复步骤6-5和步骤6-6更新集合中的坐标点，直到集合中只有一个坐标点，此时将该坐标点返回，就可以得到行人的初始位置。

5.根据权利要求1所述的一种基于多维地磁信息的室内定位方法，其特征在于：所述步骤8中，所述预测和更新具体流程如下：

步骤8-1，在获取了行人初始位置后，利用加速度计、陀螺仪和磁力计通过姿态角度解算算法以及步态检测算法获取到惯性导航的下一个坐标位置；

步骤8-2，将路径上采集的地磁原始数据利用匹配模块中介绍的算法进行处理获取到三个地磁特征值，将该特征值与地磁指纹数据库进行匹配，获取从初始位置可疑集合的下一步匹配率大小，然后根据匹配程度从可疑的集合中返回最匹配的坐标点；

步骤8-3，通过对比预测阶段惯性导航的坐标点以及地磁匹配时的各个可疑坐标点的概率，得出该位置的坐标；

通过上述流程以后，就可以通过利用地磁场实时的获取室内的位置信息了；同时，在该阶段所采集地磁信息需要同时反馈给地磁指纹地图用于更新和修正。