CN110375741A - 行人航位推算方法和终端 - Google Patents

Abstract

本发明实施例涉及定位技术领域，公开了一种行人航位推算方法和终端。本发明中，上述行人航位推算方法，包括：根据用于估算行人步长的估算模型，估算目标行人的步长；其中，所述估算模型预先根据采集的行人的身高和历史行走数据训练得到，所述历史行走数据包括步频，波峰加速度和波谷加速度；预估所述目标行人的行走方向；根据估算的所述目标行人的步长和行走方向进行航位推算，使得估算得到的行人步长更加准确，从而提高了航位估算的结果的准确性。

Description

行人航位推算方法和终端

技术领域

本发明实施例涉及定位技术领域，特别涉及一种行人航位推算方法和终端。

背景技术

随着硬件成本的降低与惯性传感器的普及，室内定位的广泛部署，行人航位推算(Pedestrian Dead Reckoning，简称PDR)受到业界的高度重视。PDR具有成本低、实现便捷等特点，使人们在日常生活工作中可以随时随地都能快速进行室内定位与跟踪，可以帮助工作人员在紧急情况下对建筑物内人员的搜寻、医疗救助；对建筑物内敏感区域人员进出流动的监视；对用户进行快速的室内位置导航，在复杂的室内环境中快速到达目的地。

然而，发明人发现相关技术中至少存在如下问题：在目前已有的步长计算的研究中，通常利用步长计算模型计算行人步长，但利用现有的步长计算模型计算的步长精度较低，从而导致航位推算的结果的准确性较低。

发明内容

本发明实施方式的目的在于提供一种行人航位推算方法，使得估算得到的行人步长更加准确，从而提高了航位估算的结果的准确性。

为解决上述技术问题，本发明的实施方式提供了一种行人航位推算方法，包括：根据用于估算行人步长的估算模型，估算目标行人的步长；其中，所述估算模型预先根据采集的行人的身高和历史行走数据训练得到，所述历史行走数据包括步频，波峰加速度和波谷加速度；预估所述目标行人的行走方向；根据估算的所述目标行人的步长和行走方向进行航位推算。

本发明的实施方式还提供了一种终端，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的行人航位推算方法。

本发明实施方式相对于现有技术而言，根据用于估算行人步长的估算模型，估算目标行人的步长，有利于准确快速的预估目标行人的步长，而且由于估算模型预先根据采集的行人的身高和历史行走数据训练得到，历史行走数据包括步频，波峰加速度和波谷加速度，即训练估算模型的数据来源于行人的真实历史数据，参考价值高，同时考虑身高、步频，波峰加速度和波谷加速度等多个维度的特征数据，可使得预估的目标行人的步长更加准确、可靠。由于预估的目标行人的步长更加准确、可靠，因此根据估算的目标行人的步长和行走方进行航位推算的结果也更加准确、可靠。

另外，所述估算模型包括第一估算模型和第二估算模型，所述第一估算模型预先根据采集的男性行人的身高和历史行走数据训练得到，所述第二估算模型预先根据采集的女性行人的身高和历史行走数据训练得到；所述根据用于估算行人步长的估算模型，估算目标行人的步长，包括：若所述目标行人为男性，则根据所述第一估算模型，估算所述目标行人的步长；若所述目标行人为女性，则根据所述第二估算模型，估算所述目标行人的步长。步长计算中针对男、女行走行为的差异训练两种估算模型，有利于更有针对性的进行估算，进一步提高估算的准确性。

另外，所述历史行走数据包括在第一类行走速度下采集到的行走数据和第二类行走速度下采集到的行走数据，所述第一类行走速度小于第一预设阈值，所述第二类行走速度大于第二预设阈值，所述第二预设阈值大于所述第一预设阈值。通过在第一类行走速度下采行走数据和第二类行走速度下采集行走数据，即分别采集慢走和快走下的行走数据，有利于提高训练的到的模型的鲁棒性。

另外，所述估算模型为：Y＝β₀+β₁X₁+β₂X₂+β₃X₃+β₄X₄+μ；其中，所述Y为步长，所述β₀、β₁、β₂、β₃、β₄均为训练的所述估算模型的模型参数，所述X₁为身高，所述X₂为步频、所述X₃为波峰加速度、所述X₄为波谷加速度、所述μ为随机误差。提供了一种用于估算行人步长的多元线性回归模型，方便了对目标行人步长的准确估算。

另外，在所述根据用于估算行人步长的估算模型，估算目标行人的步长之后，还包括：对估算的所述目标行人的步长进行粒子滤波校正；所述根据估算的所述目标行人的步长和行走方进行航位推算，具体为：根据粒子滤波校正后的所述目标行人的步长和行走方进行航位推算。考虑到在步长统计结果中，真实步长与估算步长的误差会出现时不时的远距离跳跃，实际上，行人在正常行走过程中步伐节奏是比较一致的，步长计算结果也不应呈现出大幅跳跃现象，通过对估算的步长进行粒子滤波校正，有利于解决估算步长跳跃这一问题，有利于进一步提高估算的步长的准确性，使得估算的步长更接近于真实步长，从而进一步提高航位推算的结果的准确性。

另外，所述对估算的所述目标行人的步长进行粒子滤波校正，包括：根据估算的所述目标行人的步长和预设的粒子状态方程，获取估算的所述步长的观测值；根据所述观测值对预设的粒子集中的各粒子的权重值进行更新；其中，所述各粒子具有初始权重值；根据各所述粒子的更新后的权重值，对各所述粒子进行重采样；根据重采样得到的粒子的更新后的权重值和所述观测值，获取进行粒子滤波校正后的所述目标行人的步长。提供了一种对估算的步长进行粒子滤波校正的具体实现方式，方便了对步长进行粒子滤波校正，进一步提高估算的步长的精度。

另外，所述根据各所述粒子的更新后的权重值，对各所述粒子进行重采样，包括：按照各所述粒子更新后的权重值，将各所述粒子排列在预设区间中；其中，所述粒子的权重值越大，在所述预设区间中所占的区间长度越长；生成处于所述预设区间之内的随机数，并根据生成的所述随机数获取与生成的所述随机数对应的权重值区间；复制权重值处于所述权重值区间之内的粒子，作为重采样后的粒子。提供了一种对各粒子进行重采样的具体实现方式，权重值大的粒子所占区间较宽，被随机选中概率也较大，有利于保留下来更多大权值的粒子，舍弃掉更多小权值的粒子。

另外，预估所述目标行人的行走方向，包括：获取所述目标行人持有的移动设备中的陀螺仪采集的第一数据与磁力计采集的第二数据；根据所述第一数据确定当前时刻的行走状态是否为转弯；若确定当前时刻的行走状态为转弯，则根据用于预估行走方向的预估模型、所述第一数据和所述第二数据，预估所述目标行人的行走方向；其中，所述预估模型预先根据采集的行人在转弯状态时的历史特征数据训练得到，所述历史特征数据包括所述行人持有的移动设备中的陀螺仪采集的数据和磁力计采集的数据。同时采集陀螺仪检测的数据与磁力计检测的数据进行行走方向的估算，有利于提高估算行走方向的精度。

另外，所述预估模型为：H_t＝J_t-1+αΔH_mag+αΔH_gyro+γ；其中，所述H_t为当前时刻的行走方向，所述H_t-1为上一时刻的行走方向，所述ΔH_mag为所述磁力计上一时刻与当前时刻分别采集的数据的变化量，所述ΔH_gyro为所述陀螺仪上一时刻与当前时刻分别采集的数据的变化量，所述α、所述β和所述γ均为训练的所述预估模型的模型参数。提供了一种用于估算行人行走方向的预估模型，方便了对目标行人的行走方向的准确预估。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。

图1是根据本发明第一实施方式中的行人航位推算方法的流程图；

图2是根据本发明第二实施方式中的行人航位推算方法的流程图；

图3是根据本发明第二实施方式中的行人航位推算方法中步骤202的实现过程的流程图；

图4是根据本发明第三实施方式中的终端的结构示意图。

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，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

本发明的第一实施方式涉及一种行人航位推算方法。航位推算方法是指已知行人的起始位置，利用估算的行人的步长和行走方向推算出行人下一步到达的位置，反复迭代可以计算行人第k步到达的位置，其中k为自然数。本实施方式中，主要介绍航位推算中如何对行人的步长和行走方向的估算，下面对本实施方式的行人航位推算方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

本实施方式中的行人航位推算方法如图1所示，具体包括：

步骤101：根据用于估算行人步长的估算模型，估算目标行人的步长。

其中，估算模型预先根据采集的行人的身高和历史行走数据训练得到，历史行走数据包括步频，波峰加速度和波谷加速度。其中，波峰加速度和波谷加速度分别是指在预设时间段内行走过程中加速度的最大值和人最小值，预设时间段可以根据实际需要进行设置本实施方式对此不做具体限定。

在一个例子中，估算模型可以为如下所示的多元线性回归模型：

Y＝β₀+β₁X₁+β₂X₂+β₃X₃+β₄X₄+μ

其中，Y为步长，β₀、β₁、β₂、β₃、β₄均为训练的估算模型的模型参数，X₁为身高，X₂为步频、X₃为波峰加速度、X₄为波谷加速度、μ为随机误差。其中，随机误差可以为未知的影响因素、残缺数据、数据观察误差，模型设定误差及变量内在随机性造成的误差等。

在一个例子中，估算模型可以包括第一估算模型和第二估算模型，第一估算模型预先根据采集的男性行人的身高和历史行走数据训练得到，第二估算模型预先根据采集的女性行人的身高和历史行走数据训练得到。下面以训练第一估算模型为例进行具体说明，训练第一估算模型即估算第一估算模型的模型参数β₀、β₁、β₂、β₃、β₄。

比如，可以选择若干个男实验者，程序进行计步检测，在判定到用户每走一步时，记录行人的行走数据，包括步频的计算、步长、身高、加速度最大值和最小值，其中身高在程序启动时可以由用户手动输入。在测量步长真实值的过程中，为了保证数据的准确性，可以以地面方格瓷砖为基准，先测量单个瓷砖的长度，然后每前进十步记录步长取平均得到单个步长，在超过或不足单个瓷砖的地方，让程序暂停运行，用卷尺人工测量其长度并输入程序继续运行，如此反复得到准确的真实步长。最后将记录好的行走数据放入多元线性回归模型中进行训练，从而训练得到第一估算模型的模型参数β₀、β₁、β₂、β₃、β₄。需要说明的是，训练得到第二估算模型的模型参数的方式与训练得到第一估算模型的模型参数的方式大致相同，不同之处在于选择若干个女实验者进行实验，因此，为避免重复在此不再一一赘述。

在一个例子中，为了对估算模型的模型参数β进行近似估计，可以根据已有的步长样本与变量样本，建立参数估计方程，如下所示：

其中，为步长估算值，为各变量的参数估算值，各变量即包括：身高、步频、波峰加速度和波谷加速度。β包括β₀、β₁、β₂、β₃、β₄。在具体实现中，可以采用最小二乘法对上式求解，应尽量使估算步长与真实步长的残差平方和取最小，残差平方和e_i为每一次的估计值与实际值之差的平方之和，即e_i最小化，如式所示：其中，Y_i为第i次实验的真实步长，为第i次实验的估算步长。

在一个例子中，实验中记录用户的历史行走数据可以包括在第一类行走速度下采集到的行走数据和第二类行走速度下采集到的行走数据，第一类行走速度小于第一预设阈值，第二类行走速度大于第二预设阈值，第二预设阈值大于第一预设阈值。其中，第一类行走速度、第二类行走速度、第一预设阈值和第二预设阈值均可以根据实际需要进行设置，本实施方式对此不做具体限定，分别采集行人在第一类行走速度下的行走数据和第二类行走速度的行走数据，旨在分别采集快走和慢走两种不同行走速度下的行走数据，有利于提高训练的到的模型的鲁棒性。

在一个例子中，还可以每隔一段时间对估算模型的模型参数进行一次更新，以提高步长估算的准确性。

具体的说，在估算模型的模型参数训练好之后，可以根据训练好的用于估算行人步长的估算模型，估算目标行人的步长。比如说，在目标行人行走的过程中采集目标行人的行走数据，将目标行人的身高、步频、波峰加速度和波谷加速度作为估算模型的输入，从而输出对目标行人估算的步长。

在一个例子中，若目标行人为男性，则可以根据第一估算模型，估算目标行人的步长；若目标行人为女性，则可以根据第二估算模型，估算目标行人的步长。

需要说明的是，本实施方式中的上述各示例均为为方便理解进行的举例说明，并不对本发明的技术方案构成限定。

步骤102：预估目标行人的行走方向。

具体的说，可以获取目标行人持有的移动设备中的陀螺仪采集的第一数据与磁力计采集的第二数据。根据第一数据确定当前时刻的行走状态是否为转弯；若确定当前时刻的行走状态为转弯，则根据用于预估行走方向的预估模型、第一数据和第二数据，预估所目标行人的行走方向；其中，预估模型预先根据采集的行人在转弯状态时的历史特征数据训练得到，所述历史特征数据包括行人持有的移动设备中的陀螺仪采集的数据和磁力计采集的数据。其中，移动设备可以为手机、智能穿戴设备等便携设备，移动设备中设置有陀螺仪和磁力计，陀螺仪和磁力计为两种不同的传感器。

在一个例子中，用于预估行走方向的预估模型可以如下所示：

H_t＝H_t-1+αΔH_mag+βΔH_gyro+γ

其中，H_t为当前时刻的行走方向，H_t-1为上一时刻的行走方向，ΔH_mag为磁力计上一时刻与当前时刻分别采集的数据的变化量，ΔH_gyro为陀螺仪上一时刻与当前时刻分别采集的数据的变化量，α、β和γ均为训练的预估模型的模型参数。下面对训练预估模型的模型参数α、β和γ的方式进行具体说明：

比如说，首先可以选择若干个实验者进行转弯实验，记录转弯过程中行人持有的移动设备中的陀螺仪采集的数据和磁力计采集的数据。最后将记录好的陀螺仪采集的数据和磁力计采集的数据放入上述预估模型中进行训练，从而训练得到预估模型的模型参数α、β和γ。其中，训练过程中，首先可以进行坐标系转换，将的陀螺仪采集的数据和磁力计采集的数据从局部坐标系转换到大地坐标系，具体可以通过以下公式进行转换：

其中，ceil代表取上整，floor代表取下整，H_gyro为陀螺仪采集的数据，H_1gyro为坐标转换后的陀螺仪采集的数据，-H_mag为磁力计采集的数据，H_1mag为坐标转换后的磁力计采集的数据。预估模型中的ΔH_mag和ΔH_gyro可以根据进行坐标转换后的数据计算得到。

另外，为了模拟真实的角度变化情况，可以用均匀分布的方式进行数据模拟，实验中实验者可以持手机匀速转动一周，从0到360度，即角度变化应该在[a,b]区间内呈离散均匀分布，其概率函数为如下所示：

记为H～U(a,b)，其中，H为角度变量，a,b为区间边界。实验中，将记录的样本数据代入预估模型中，进行训练得到预估模型的模型参数α、β和γ，并用于实时的方向估算。

值得一提的是，为了验证可以使用陀螺仪、磁力计融合的方式估算方向，本实施方式中，利用相关系数来度量H_gyro与H_mag的线性关系，如下式所示：

其中，r为相关系数，X,Y分别为H_gyro,H_mag样本值，表示均值，n为样本个数。通过直行和转弯两组实验，绘制出H_gyro与H_mag的相关系数，发现转弯过程中|r|趋近与1，表示二者高度线性相关，同时存在正相关和负相关是因为H_mag的读数范围为[-180,180]，正北为0，正东为90，正南为180(-180)，正西-90，而H_gyro读数范围为[-∞,+∞]，左转增大，右转减少。实验结果表明，使用陀螺仪与磁力计融合的方向估算结果90％的误差都在20度以内，远远优于使用陀螺仪或磁力计单独的方向估算结果。

具体的说，在预估模型的模型参数训练好之后，可以根据训练好的用于估算行人行走方向的估算模型，估算目标行人的行走方向。比如说，在目标行人行走的过程中获取目标行人持有的移动设备中的陀螺仪采集的第一数据与磁力计采集的第二数据。将第一数据与第二数据从局部坐标系转换到大地坐标系，具体可以通过如上所述的坐标转换的公式进行转换。然后根据陀螺仪在前一时刻和当前时刻分别采集的进行坐标转换后的第一数据，获取第一数据的变化量，将第一数据的变化量与预设阈值进行对比，如果大于预设阈值可以确定当前行走状态是转弯，如果小于预设阈值可以确定当前行走状态是直行，预设阈值可以根据实际需要进行设置，本实施方式对此不要做具体限定。若是直行，则更新前一时刻方向，即当前时刻的行走方向与前一时刻的行走方向相同。若是转弯，则根据训练得到的预估模型估算目标行人的行走方向。比如，移动设备记录有前一时刻陀螺仪采集的第一数据与磁力计采集的第二数据，根据当前时刻陀螺仪采集的第一数据与磁力计采集的第二数据计算第一数据变化量和第二数据变化量，将前一时刻的行走方向、第一数据变化量和第二数据变化量代入以下模型中，输出当前时刻估算的行走方向。

H_t＝H_t-1+αΔH_mag+βΔH_gyro+γ

需要说明的是，上述第一数据变化量和第二数据变化量可以均为根据进行坐标转换后的数据计算得到的变化量。

步骤103：根据估算的目标行人的步长和行走方向进行航位推算。

具体的说，在通过上述方式估算得到目标行人的步长和行走方向后，可以根据估算的目标行人的步长和行走方向进行航位推算。可以理解的是，根据步长和行走方向进行航位推算为现有技术，本领域技术人员可以根据相关技术实现根据步长和行走方向进行航位推算，因此，本实施方式对此不做进一步展开说明。

与现有技术相比，本实施方式根据用于估算行人步长的估算模型，估算目标行人的步长，有利于准确快速的预估目标行人的步长，而且由于估算模型预先根据采集的行人的身高和历史行走数据训练得到，历史行走数据包括步频，波峰加速度和波谷加速度，即训练估算模型的数据来源于行人的真实历史数据，参考价值高，同时考虑身高、步频，波峰加速度和波谷加速度等多个维度的特征数据，可使得预估的目标行人的步长更加准确、可靠。由于预估的目标行人的步长更加准确、可靠，因此根据估算的目标行人的步长和行走方进行航位推算的结果也更加准确、可靠。

本发明的第二实施方式涉及一种行人航位推算方法。本实施方式的行人航位推算方法的流程图可以如图2所示，包括：

步骤201：根据用于估算行人步长的估算模型，估算目标行人的步长。

步骤201与第一实施方式中步骤101大致相同，为避免重复，在此不再一一赘述。

步骤202：对估算的目标行人的步长进行粒子滤波校正。

具体的说，对估算的目标行人的步长进行粒子滤波校正可以提高估算的目标行人的步长的精度，在一个例子中，对估算的目标行人的步长进行粒子滤波校正的实现过程可以如图3所示，包括：

步骤301：根据估算的目标行人的步长和预设的粒子状态方程，获取估算的步长的观测值。

具体的说，可以先对粒子进行初始化，由于只存在单一的步长属性，即只对步长这一个属性进行粒子滤波校正，因此本系统中状态空间也比较简单，表达式可以为：

Lⁱ＝[lⁱ]^t,i＝1,2,…,n

其中，l为步长，n为粒子数目，初始步长t为当前时刻。在一个例子中，可以采用初始化步长l₀＝0.6m为均值，σ＝0.3m为标准差的高斯分布，n个粒子的初始权重值可以均为比如说，首先可以根据经验值得到初始化步长，接根据初始化步长初始化n个粒子的状态空间。

另外，本系统中，由于存在系统噪声的影响，往往导致在更新系统状态的过程中表现出轻微的差异，因此，预设的粒子状态方程可以如下：

l_t＝l_t-1+η

其中，η表示系统状态转移噪声，l_t表示当前时刻估算的步长的观测值，l_t-1表示前一时刻估算的步长的观测值。本实施方式中可以采用μ＝0为均值，σ＝0.3m为标准差的高斯分布，但在实际应用中并不以此为限。通过系统的状态方程可以计算出估算的步长的观测值。

步骤302：根据观测值对预设的粒子集中的各粒子的权重值进行更新。

具体的说，当系统在t时刻从多元线性回归模型即估算模型中获得一个新的步长观测值之后，可以根据该观测值对n个粒子的权重值进行更新。比如说，以新的步长观测值为原点，各个粒子与观测点的距离为输入，标准差为0.3m的高斯分布，如下式所示：

其中，d_i为粒子与观测值l′_t的欧式距离，如下式：

接着可以通过以下公式更新各个粒子的权重值，并可以进行归一化：

其中，各粒子具有初始权重值可以为：如上所述的通过上述公式可以得出，权重值的大小可以取决于粒子和观测值l′_t的距离，权重值越大的粒子离观测值越近。

步骤303：根据各所述粒子的更新后的权重值，对各所述粒子进行重采样。

具体的说，对各所述粒子进行重采样可以理解为对权重值大的粒子予以保留，对权重值小的粒子予以丢弃。对各所述粒子进行重采样的方式可以为：按照各所述粒子更新后的权重值，将各所述粒子排列在预设区间中，粒子的权重值越大，在预设区间中所占的区间长度越长；生成处于预设区间之内的随机数，并根据生成的随机数获取与生成的随机数对应的权重值区间；复制权重值处于所述权重值区间之内的粒子，作为重采样后的粒子。也就是说，重采样的方式可以为随机重采样。

在一个例子中，随机重采样可以为：每一步计算之后，粒子的权重值将会更新，首先，使各个粒子的权重值排列在[0,1]区间之内，形成粒子权重值区间，各粒子的权重值大小决定每个粒子的区间长度。接下来，产生n个[0,1]区间内的随机数，根据其大小找出权重值区间的对应位置，通过复制相应位置粒子的方式得到后续所需的新的粒子集。在随机重采样的过程中，因为权重值大的粒子集所占区间较宽，所以被随机选中概率也较大，使得最后保留下来更多大权重值的粒子，舍弃掉更多小权重值的粒子。

步骤304：根据重采样得到的粒子的更新后的权重值和观测值，获取进行粒子滤波校正后的目标行人的步长。

具体的说，可以根据重采样得到的粒子的更新后的权重值和观测值，通过如下公式计算系统当前状态L_t：

其中，为当前时刻t，重采样得到的第i个粒子的更新后的权重值，为当前时刻t，重采样得到的第i个粒子的步长观测值。L_t即为粒子滤波校正算法最终估计的行人的当前步长。本实施方式中，通过对估算模型估算得到的步长进行粒子滤波校正有利于消除上述估算模型中的随机误差项μ，以进一步提高估算得到的目标行人的步长的精度。

步骤203：预估目标行人的行走方向。

步骤204：根据粒子滤波校正后的目标行人的步长和行走方进行航位推算。

步骤203至步骤204与第一实施方式中步骤102至步骤103大致相同，为避免重复，在此不再一一赘述。

与现有技术相比，本实施方式中考虑到在步长统计结果中，真实步长与估算步长的误差会出现时不时的远距离跳跃，实际上，行人在正常行走过程中步伐节奏是比较一致的，步长计算结果也不应呈现出大幅跳跃现象，通过对估算的步长进行粒子滤波校正，有利于解决估算步长跳跃这一问题，有利于进一步提高估算的步长的准确性，使得估算的步长更接近于真实步长，从而进一步提高航位推算的结果的准确性。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明第三实施方式涉及一种终端，如图4所示，包括至少一个处理器401；以及，与所述至少一个处理器401通信连接的存储器402；其中，所述存储器402存储有可被所述至少一个处理器401执行的指令，所述指令被所述至少一个处理器401执行，以使所述至少一个处理器401能够执行上述的行人航位推算方法。

其中，存储器402和处理器401采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器401和存储器402的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器401处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器401。

处理器401负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器402可以被用于存储处理器401在执行操作时所使用的数据。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种行人航位推算方法，其特征在于，包括：

根据用于估算行人步长的估算模型，估算目标行人的步长；其中，所述估算模型预先根据采集的行人的身高和历史行走数据训练得到，所述历史行走数据包括步频，波峰加速度和波谷加速度；

预估所述目标行人的行走方向；

根据估算的所述目标行人的步长和行走方向进行航位推算。

2.根据权利要求1所述的行人航位推算方法，其特征在于，所述估算模型包括第一估算模型和第二估算模型，所述第一估算模型预先根据采集的男性行人的身高和历史行走数据训练得到，所述第二估算模型预先根据采集的女性行人的身高和历史行走数据训练得到；

所述根据用于估算行人步长的估算模型，估算目标行人的步长，包括：

若所述目标行人为男性，则根据所述第一估算模型，估算所述目标行人的步长；

若所述目标行人为女性，则根据所述第二估算模型，估算所述目标行人的步长。

3.根据权利要求1所述的行人航位推算方法，其特征在于，所述历史行走数据包括在第一类行走速度下采集到的行走数据和第二类行走速度下采集到的行走数据，所述第一类行走速度小于第一预设阈值，所述第二类行走速度大于第二预设阈值，所述第二预设阈值大于所述第一预设阈值。

4.根据权利要求1所述的行人航位推算方法，其特征在于，所述估算模型为：

Y＝β₀+β₁X₁+β₂X₂+β₃X₃+β₄X₄+μ

其中，所述Y为步长，所述β₀、β₁、β₂、β₃、β₄均为训练的所述估算模型的模型参数，所述X₁为身高，所述X₂为步频、所述X₃为波峰加速度、所述X₄为波谷加速度、所述μ为随机误差。

5.根据权利要求1所述的行人航位推算方法，其特征在于，在所述根据用于估算行人步长的估算模型，估算目标行人的步长之后，还包括：

对估算的所述目标行人的步长进行粒子滤波校正；

所述根据估算的所述目标行人的步长和行走方进行航位推算，具体为：

根据粒子滤波校正后的所述目标行人的步长和行走方进行航位推算。

6.根据权利要求5所述的行人航位推算方法，其特征在于，所述对估算的所述目标行人的步长进行粒子滤波校正，包括：

根据估算的所述目标行人的步长和预设的粒子状态方程，获取估算的所述步长的观测值；

根据所述观测值对预设的粒子集中的各粒子的权重值进行更新；其中，所述各粒子具有初始权重值；

根据各所述粒子的更新后的权重值，对各所述粒子进行重采样；

根据重采样得到的粒子的更新后的权重值和所述观测值，获取进行粒子滤波校正后的所述目标行人的步长。

7.根据权利要求6所述的行人航位推算方法，其特征在于，所述根据各所述粒子的更新后的权重值，对各所述粒子进行重采样，包括：

按照各所述粒子更新后的权重值，将各所述粒子排列在预设区间中；其中，所述粒子的权重值越大，在所述预设区间中所占的区间长度越长；

生成处于所述预设区间之内的随机数，并根据生成的所述随机数获取与生成的所述随机数对应的权重值区间；

复制权重值处于所述权重值区间之内的粒子，作为所述重采样后的粒子。

8.根据权利要求1所述的行人航位推算方法，其特征在于，所述预估所述目标行人的行走方向，包括：

获取所述目标行人持有的移动设备中的陀螺仪采集的第一数据与磁力计采集的第二数据；

根据所述第一数据确定当前时刻的行走状态是否为转弯；

若确定当前时刻的行走状态为转弯，则根据用于预估行走方向的预估模型、所述第一数据和所述第二数据，预估所述目标行人的行走方向；其中，所述预估模型预先根据采集的行人在转弯状态时的历史特征数据训练得到，所述历史特征数据包括所述行人持有的移动设备中的陀螺仪采集的数据和磁力计采集的数据。

9.根据权利要求8所述的行人航位推算方法，其特征在于，所述预估模型为

H_t＝H_t-1+αΔH_mag+βΔH_gyro+γ

其中，所述H_t为当前时刻的行走方向，所述H_t-1为上一时刻的行走方向，所述ΔH_mag为所述磁力计上一时刻与当前时刻分别采集的数据的变化量，所述ΔH_gyro为所述陀螺仪上一时刻与当前时刻分别采集的数据的变化量，所述α、所述β和所述γ均为训练的所述预估模型的模型参数。

10.一种终端，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9中任一所述的行人航位推算方法。