基于粒子濾波的WiFi行人航位推算融合室內(nèi)定位

周瑞 李志強(qiáng) 羅磊

摘要：為提高室內(nèi)定位的精度和穩(wěn)定性，提出使用粒子濾波融合WiFi指紋定位和行人航位推算的室內(nèi)定位算法。為減少?gòu)?fù)雜室內(nèi)環(huán)境對(duì)WiFi指紋定位的影響，提出將支持向量機(jī)分類與回歸相結(jié)合的兩級(jí)WiFi指紋定位算法。在基于智能手持設(shè)備慣性傳感器的行人航位推算中，為減少慣性傳感器的誤差以及人隨意行走帶來的影響，采用狀態(tài)轉(zhuǎn)換的方法識(shí)別行走周期并進(jìn)行步數(shù)統(tǒng)計(jì)，提出根據(jù)實(shí)時(shí)加速度數(shù)據(jù)動(dòng)態(tài)設(shè)置狀態(tài)轉(zhuǎn)換的參數(shù)，利用步長(zhǎng)和垂直加速度之間的關(guān)系以及相鄰步長(zhǎng)之間的關(guān)系，應(yīng)用卡爾曼濾波進(jìn)行步長(zhǎng)計(jì)算。仿真實(shí)驗(yàn)中，基于支持向量機(jī)的WiFi指紋定位的平均誤差比最近鄰居（NN）算法降低34.4%，比K最近鄰居（KNN）算法降低27.7%。改進(jìn)的行人航位推算的性能優(yōu)于常用代表性計(jì)步軟件和步長(zhǎng)計(jì)算算法，而經(jīng)過粒子濾波融合后估計(jì)的行走軌跡更加接近真實(shí)軌跡：直線行走平均誤差為1.21m，優(yōu)于WiFi的3.18m和航位推算的2.76m； 曲線行走平均誤差為2.75m，優(yōu)于WiFi的3.77m和航位推算的2.87m。

關(guān)鍵詞：室內(nèi)定位；多傳感器融合；粒子濾波；行人航位推算；WiFi指紋；支持向量機(jī)

中圖分類號(hào)：TP393.1 文獻(xiàn)標(biāo)志碼：A

Abstract：In order to improve the accuracy and stability of indoor positioning， an indoor localization algorithm using particle filtering to fuse WiFi fingerprinting and Pedestrian Dead Reckoning （PDR） was proposed. To reduce the negative influence of complex indoor environment on WiFi fingerprinting， a Support Vector Machine （SVM）based WiFi fingerprinting algorithm using SVM classification and regression for more accurate location estimation was proposed. For smartphone based PDR， in order to reduce the error of inertial sensor， and the effects of random walk， the method of state transition was used to recognize the gait cycles and count the steps， the parameters of state transition were set dynamically using realtime acceleration data， the step length was calculated with Kalman filtering by making use of the relationship between vertical acceleration and step size， and the relationship between adjacent step sizes. The experimental results show that SVMbased WiFi fingerprinting outperformed Nearest Neighbor （NN） algorithm by 34.4% and KNearest Neighbors （KNN） algorithm by 27.7% in average error distance， the enhanced PDR performed better than typical step detection software and step length estimation algorithms. After particle filtering， the trajectory of the fused solution is closer to the real trajectory than WiFi fingerprinting and PDR. The average error distance of linear walking is 1.21m， better than 3.18m of WiFi and 2.76m of PDR； the average error distance of a walking through several rooms is 2.75m， better than 3.77m of WiFi and 2.87m of PDR.

Key words：indoor positioning； multisensor fusion； particle filtering； Pedestrian Dead Reckoning （PDR）； WiFi fingerprinting； Support Vector Machine （SVM）

0 引言

無(wú)線定位是工業(yè)、科研、醫(yī)療和日常生活中不可缺少的技術(shù)。由于不需要搭建專門的設(shè)施，僅依賴于已經(jīng)廣泛部署的WiFi熱點(diǎn)，基于WiFi的定位獲得了較廣泛的應(yīng)用。WiFi定位通常采用指紋定位算法，通過在目標(biāo)點(diǎn)采集來自無(wú)線接入器（Access Point， AP）的信號(hào)強(qiáng)度（稱為信號(hào)指紋）來確定目標(biāo)點(diǎn)的位置坐標(biāo)。由于室內(nèi)環(huán)境的復(fù)雜性，WiFi指紋定位精度不高且不穩(wěn)定。Brunato等[1]提出將分類和回歸應(yīng)用于室內(nèi)定位，通過比較支持向量機(jī)（Support Vector Machine， SVM）、加權(quán)K最近鄰居（Weighted K Nearest Neighbors， WKNN）、K最近鄰居（K Nearest Neighbors， KNN）、貝葉斯（Bayesian， BAY）和多層感知器（MultiLayer Perceptron， MLP）算法說明了SVM應(yīng)用于室內(nèi)定位的優(yōu)越性，但他們的實(shí)驗(yàn)是在小范圍內(nèi)進(jìn)行的，參考點(diǎn)數(shù)量較少，SVM分類和回歸是分開進(jìn)行的。

小型慣性傳感器已經(jīng)成為各種智能手持設(shè)備的標(biāo)配，為基于手持移動(dòng)設(shè)備的行人航位推算（Pedestrian Dead Reckoning， PDR）提供了可能。PDR能夠在不依賴于外部信息的條件下連續(xù)自主定位，短期內(nèi)噪聲小、穩(wěn)定性好。目前大多數(shù)行人航位推算方法是把慣性傳感器固定在人的軀干[2]或者腳部[3]。這種方法的最大問題是不靈活?；谥悄苁殖衷O(shè)備的行人航位推算能夠提供這種靈活性，但是人行走的隨意性，以及智能手持設(shè)備內(nèi)置傳感器的非精確性，會(huì)給航位推算帶來明顯誤差，且誤差隨時(shí)間累積。研究人員提出各種算法[4-6]來應(yīng)對(duì)這些問題，但是目前仍然沒有一種精確的基于智能手持設(shè)備的行人航位推算算法。

每種定位方法在其精度、成本、適用性等方面各不相同，目前還沒有一種單一的定位技術(shù)能夠同時(shí)滿足定位準(zhǔn)確、實(shí)時(shí)、適應(yīng)性強(qiáng)和成本低的特點(diǎn)。多傳感器融合定位通過對(duì)各種獨(dú)立的傳感器信息進(jìn)行融合，達(dá)到信息互補(bǔ)和協(xié)同工作的效果，提高整個(gè)系統(tǒng)的有效性。Chen等[7]采用極大似然（Maximum Likelihood， ML）融合算法將WiFi定位和PDR進(jìn)行融合，確定初始位置和方向后，使用WiFi位置矯正PDR軌跡；Chen等[8]提出根據(jù)慣性傳感器數(shù)據(jù)和WiFi信號(hào)模式的變化確定室內(nèi)重要標(biāo)志，使用這些標(biāo)志矯正WiFi和PDR的基于卡爾曼濾波的融合定位結(jié)果；Li等[9]采用序貫蒙特卡羅卡爾曼濾波（Sequential Monte Carlo Kalman Filtering， SMCKF）融合WiFi定位和PDR，方向估計(jì)采用粒子濾波，位置和速度估計(jì)采用卡爾曼濾波；Wang等[10]采用擴(kuò)展卡爾曼濾波（Extended Kalman Filtering， EKF）融合WiFi定位和PDR，使用粒子濾波集成室內(nèi)地圖以解決穿墻問題。

本文改進(jìn)了WiFi定位算法，采用基于SVM的WiFi定位算法，提出將SVM分類與回歸分析相結(jié)合進(jìn)行兩級(jí)精確定位；改進(jìn)了PDR算法，根據(jù)實(shí)時(shí)加速度曲線對(duì)行走周期進(jìn)行狀態(tài)劃分，使用狀態(tài)轉(zhuǎn)換來檢測(cè)行走周期，進(jìn)行行走計(jì)數(shù)和步長(zhǎng)計(jì)算。為了減少傳感器噪聲和人行走的隨意性對(duì)PDR的影響，提出對(duì)原始加速度數(shù)據(jù)進(jìn)行預(yù)處理和根據(jù)實(shí)時(shí)加速度數(shù)據(jù)動(dòng)態(tài)設(shè)置狀態(tài)轉(zhuǎn)換參數(shù)，并利用相鄰兩步步長(zhǎng)差別不大的關(guān)系，將卡爾曼濾波（Kalman Filtering）應(yīng)用在步長(zhǎng)計(jì)算中提高步長(zhǎng)計(jì)算的精度。在基于SVM的WiFi定位和改進(jìn)的PDR的基礎(chǔ)上，使用粒子濾波（Particle Filtering）將兩種方法進(jìn)行融合。實(shí)驗(yàn)表明：基于SVM的WiFi定位算法能夠有效提高定位精度；改進(jìn)的PDR算法能夠更加準(zhǔn)確地統(tǒng)計(jì)出步數(shù)和步長(zhǎng)；經(jīng)過粒子濾波的融合后，定位系統(tǒng)的精度和穩(wěn)定性得到明顯提高，估計(jì)的行走軌跡更加接近于真實(shí)軌跡。

1 定位子系統(tǒng)

1.1 基于SVM的WiFi指紋定位

WiFi定位是室內(nèi)定位的常用方法，通常采用指紋定位算法[11]。由于WiFi信號(hào)穿越墻體后強(qiáng)度會(huì)明顯衰減，導(dǎo)致室內(nèi)不同子區(qū)域（如不同房間）的信號(hào)指紋模式明顯不同。借助于支持向量分類（Support Vector Classification， SVC），通過對(duì)不同子區(qū)域的信號(hào)指紋進(jìn)行采集和訓(xùn)練，建立針對(duì)不同子區(qū)域的SVM分類器，就能夠確定信號(hào)指紋所屬的子區(qū)域。WiFi指紋定位根據(jù)信號(hào)指紋確定目標(biāo)點(diǎn)的具體位置，可以認(rèn)為目標(biāo)點(diǎn)的位置是信號(hào)指紋的函數(shù)。借助支持向量回歸（Support Vector Regression， SVR），通過對(duì)采集的信號(hào)指紋進(jìn)行訓(xùn)練，可以獲得代表位置和信號(hào)強(qiáng)度之間非線性關(guān)系的統(tǒng)計(jì)模型，從而根據(jù)該統(tǒng)計(jì)模型和信號(hào)強(qiáng)度獲得目標(biāo)點(diǎn)的位置。

本文提出將SVM分類和SVM回歸相結(jié)合進(jìn)行兩級(jí)精確定位。在訓(xùn)練階段，根據(jù)建筑內(nèi)部結(jié)構(gòu)將整個(gè)定位區(qū)域劃分成若干個(gè)子區(qū)域，在各個(gè)子區(qū)域內(nèi)采集信號(hào)指紋并進(jìn)行分類和回歸訓(xùn)練。實(shí)際定位時(shí)，算法根據(jù)在目標(biāo)點(diǎn)實(shí)時(shí)采集的信號(hào)指紋，通過SVM分類器確定目標(biāo)點(diǎn)所在的子區(qū)域，然后在該子區(qū)域應(yīng)用SVM回歸，確定目標(biāo)點(diǎn)的位置坐標(biāo)。假設(shè)在某個(gè)位置點(diǎn)采集的信號(hào)指紋樣本為（di，（x，y），ri），其中di為子區(qū)域，（x，y）為采樣點(diǎn)位置坐標(biāo)，ri為信號(hào)指紋。對(duì)于SVM分類，在訓(xùn)練階段需要樣本的子區(qū)域標(biāo)識(shí)和信號(hào)指紋兩種信息，即（di，ri）。假設(shè)樣本集合為{（di，ri）|i=1，2，…，n}，對(duì)于某一個(gè)子區(qū)域，這些樣本可以分成兩類：第一類是在這個(gè)子區(qū)域采集的樣本，標(biāo)志為1；第二類是不在這個(gè)子區(qū)域采集的樣本，標(biāo)志為-1。針對(duì)每個(gè)子區(qū)域，建立一個(gè)SVM分類器，其用于分類的樣本可表示為{（ci，ri）|i=1，2，…，n}，ci∈{-1，1}。實(shí)際定位時(shí)，根據(jù)在目標(biāo)點(diǎn)采集的信號(hào)指紋，使用SVM分類器確定該目標(biāo)點(diǎn)是否屬于某個(gè)子區(qū)域。為確定目標(biāo)點(diǎn)的位置坐標(biāo)，需要在訓(xùn)練階段對(duì)訓(xùn)練樣本在該子區(qū)域進(jìn)行回歸分析，獲得非線性函數(shù)fx（·）和fy（·），它們可以將目標(biāo)點(diǎn)的信號(hào)指紋近似映射成該點(diǎn)的位置坐標(biāo)x和y。

1.2 改進(jìn)的PDR

對(duì)人體行走模型和加速度傳感器數(shù)據(jù)的分析可知，加速度曲線隨著人的行走以類似正弦波的規(guī)律延伸，曲線中每個(gè)正弦波對(duì)應(yīng)一個(gè)行走周期，因此對(duì)步數(shù)的統(tǒng)計(jì)實(shí)際上就是從加速度曲線中識(shí)別行走周期并進(jìn)行計(jì)數(shù)，并基于此進(jìn)行步長(zhǎng)計(jì)算。方向可以通過磁力計(jì)結(jié)合加速度傳感器獲得。手持移動(dòng)設(shè)備內(nèi)置的加速度傳感器精度不高，人在行走過程中存在不規(guī)律的身體晃動(dòng)，這些使得加速度傳感器數(shù)據(jù)具有明顯的噪聲，導(dǎo)致行走周期識(shí)別的誤差。為降低加速度數(shù)據(jù)中的噪聲，本文采用簡(jiǎn)單移動(dòng)平均（Simple Moving Average， SMA）算法對(duì)加速度數(shù)據(jù)進(jìn)行平滑。對(duì)于加速度曲線中行走周期的識(shí)別，可以將一個(gè)行走周期劃分成靜止?fàn)顟B(tài)、波峰狀態(tài)和波谷狀態(tài)，使用狀態(tài)轉(zhuǎn)換的方法來識(shí)別行走周期。由于人在行走過程中存在速度變化，加速度曲線會(huì)出現(xiàn)上下偏移的情況，為降低行走周期識(shí)別的誤差，本文提出根據(jù)加速度曲線的實(shí)時(shí)變化動(dòng)態(tài)設(shè)定狀態(tài)轉(zhuǎn)換的參數(shù)，包括狀態(tài)閾值、狀態(tài)分界參考值和零參考值。狀態(tài)閾值用來進(jìn)行靜止?fàn)顟B(tài)、波峰狀態(tài)和波谷狀態(tài)的判斷。狀態(tài)分界參考值是表示各個(gè)狀態(tài)開始和結(jié)束的數(shù)據(jù)點(diǎn)，某個(gè)狀態(tài)只要突破其分界參考值即可認(rèn)為這個(gè)狀態(tài)結(jié)束和下一個(gè)狀態(tài)開始。由于人行走過程中速度的變化會(huì)導(dǎo)致加速度曲線的上下偏移，使用零或其他固定值作為零參考值，識(shí)別出的行走周期的起始和結(jié)束時(shí)間誤差很大。動(dòng)態(tài)設(shè)置零參考值可以降低加速度曲線上下偏移帶來的誤差，保證計(jì)算出的行走周期的精確性。識(shí)別出完整的行走周期后，采用卡爾曼濾波結(jié)合步長(zhǎng)和垂直加速度的關(guān)系以及相鄰兩步步長(zhǎng)之間的關(guān)系對(duì)步長(zhǎng)進(jìn)行估計(jì)。本文采用Scarlett[2]提出的步長(zhǎng)計(jì)算算法作為基礎(chǔ)算法，其根據(jù)步長(zhǎng)和行走過程中軀干的垂直位移之間的關(guān)系，通過行走周期中z軸加速度數(shù)據(jù)計(jì)算得到基礎(chǔ)步長(zhǎng)。由于人行走速度的變化是一個(gè)逐漸變化的過程，在這個(gè)過程中相鄰兩步之間的步長(zhǎng)會(huì)不同，但差異不大，因此本文將卡爾曼濾波應(yīng)用于基礎(chǔ)步長(zhǎng)，進(jìn)而得到更加精確的步長(zhǎng)估計(jì)。

2 基于粒子濾波的融合定位

本文采用粒子濾波來融合WiFi定位和PDR。系統(tǒng)狀態(tài)是用戶位置，將基于SVM的WiFi指紋定位獲得的用戶位置作為觀測(cè)數(shù)據(jù)，而PDR用于對(duì)用戶的運(yùn)動(dòng)行為進(jìn)行建模。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 基于SVM的WiFi定位實(shí)驗(yàn)分析

本實(shí)驗(yàn)將SVM分類和回歸結(jié)合在一起（稱其為SVC+SVR）進(jìn)行定位，選擇SVM回歸（SVR）、最近鄰居（Nearest Neighbor， NN）和KNN算法（參數(shù)K=4）作為對(duì)比實(shí)驗(yàn)。圖1顯示了實(shí)驗(yàn)中各算法的定位結(jié)果對(duì)比?？梢钥闯觯罕疚幕赟VC和SVR的WiFi指紋算法精度優(yōu)于只使用SVM回歸分析的SVR算法、NN算法和KNN算法，是幾種定位算法中精度最高的；SVR算法優(yōu)于NN算法和KNN算法。本文算法的平均定位誤差為2.58m，而SVR算法是3m，NN算法是3.93m，KNN算法是3.57m。和NN算法相比，本文算法將平均定位誤差減少了34.4%；和KNN算法相比，其將平均定位誤差減少了27.7%。

3.2 改進(jìn)的PDR實(shí)驗(yàn)分析

將本文算法即改進(jìn)的PDR計(jì)步算法同幾種代表性的PDR計(jì)步軟件Runtastic Pedometer[12]、Moves[13]和Noom Walk[14]進(jìn)行了實(shí)驗(yàn)對(duì)比。對(duì)比實(shí)驗(yàn)包含人在正常行走、快速行走、跑動(dòng)和變速行走下的情況，每組實(shí)驗(yàn)都是三次實(shí)驗(yàn)的平均值，每次走或跑100步。結(jié)果如表1所示。正常行走時(shí)4種算法的計(jì)步誤差都不大，但隨著行走速度加快或者變速頻繁，4種算法的計(jì)步誤差都隨之增加，但本文改進(jìn)的PDR算法的計(jì)步效果最好最穩(wěn)定，錯(cuò)誤率不超過2%且對(duì)人的速度變化不敏感，計(jì)步效果明顯優(yōu)于其他三組。

結(jié)合改進(jìn)的PDR計(jì)步算法，實(shí)驗(yàn)比較了步長(zhǎng)計(jì)算的基礎(chǔ)算法（即Scarlett算法）和改進(jìn)的步長(zhǎng)算法（即采用卡爾曼濾波改進(jìn)的Scarlett算法）的誤差率。實(shí)驗(yàn)中以接近勻速和變速各行走40m，采用基礎(chǔ)步長(zhǎng)算法和改進(jìn)步長(zhǎng)算法分別估算出行走距離，計(jì)算它們和實(shí)際距離的誤差。實(shí)驗(yàn)結(jié)果如表2所示，改進(jìn)步長(zhǎng)算法對(duì)基礎(chǔ)步長(zhǎng)算法的精度提高30%左右。

3.3 基于粒子濾波的WiFiPDR融合定位實(shí)驗(yàn)分析

將基于粒子濾波的WiFiPDR融合定位、基于SVM的WiFi定位、改進(jìn)的PDR三種方法在同樣環(huán)境中進(jìn)行定位實(shí)驗(yàn)，粒子個(gè)數(shù)100，分別進(jìn)行了兩組實(shí)驗(yàn)：第一組的真實(shí)軌跡是沿著走廊的直線；第二組的真實(shí)軌跡是從走廊開始穿過4間教室的曲線。圖2和圖4為三種算法針對(duì)直線行走的實(shí)驗(yàn)結(jié)果對(duì)比，圖3和圖5為三種算法針對(duì)曲線行走的實(shí)驗(yàn)結(jié)果對(duì)比。在直線行走實(shí)驗(yàn)中，WiFi的平均定位誤差為3.18m，PDR為2.76m，而經(jīng)過粒子濾波融合后平均定位誤差降低為1.21m。曲線行走實(shí)驗(yàn)中，WiFi的平均定位誤差為3.77m，PDR為2.87m，融合后平均定位誤差降低到2.75m。

圖4中點(diǎn)線表示真實(shí)軌跡，最左側(cè)是起點(diǎn)位置，到走廊盡頭結(jié)束，接近勻速行走。圖5中點(diǎn)線表示真實(shí)軌跡，最右側(cè)是起點(diǎn)位置，經(jīng)過走廊和4個(gè)房間，最后停在左下角房間內(nèi)，整個(gè)過程也是接近勻速。兩圖中的小圓點(diǎn)為基于SVM的WiFi定位繪制的軌跡，它和真實(shí)軌跡的重合度較差。WiFi定位是單點(diǎn)定位，沒有利用歷史信息，定位結(jié)果很難成為連續(xù)的軌跡，會(huì)出現(xiàn)位置跳變的現(xiàn)象。兩圖中的點(diǎn)劃線本文改進(jìn)的PDR方法繪制的軌跡。它和真實(shí)路徑的重合度比WiFi高，但存在明顯的誤差累積的現(xiàn)象，前面的誤差會(huì)進(jìn)一步導(dǎo)致后面的定位結(jié)果不準(zhǔn)確，而系統(tǒng)無(wú)法動(dòng)態(tài)調(diào)整。圖中的實(shí)線是使用基于粒子濾波的WiFiPDR融合定位算法繪制出的行走軌跡。盡管和真實(shí)軌跡仍有不符，但總體上它是和真實(shí)軌跡重合度最高的曲線。特別是圖4實(shí)驗(yàn)中的直線行走，由于運(yùn)動(dòng)軌跡比較簡(jiǎn)單，融合定位的結(jié)果非常接近實(shí)際結(jié)果，而圖5實(shí)驗(yàn)中的行走軌跡比較復(fù)雜，融合結(jié)果和真實(shí)結(jié)果存在不符，但明顯優(yōu)于WiFi定位和PDR。

4 結(jié)語(yǔ)

WiFi定位和PDR是基于智能手持移動(dòng)設(shè)備的室內(nèi)定位方法，但是WiFi定位精度不高且定位不穩(wěn)定，而PDR會(huì)出現(xiàn)誤差的累積。本文在改進(jìn)WiFi定位算法和PDR算法的基礎(chǔ)上，提出通過粒子濾波將其進(jìn)行融合，從而得到更穩(wěn)定和更精確的融合定位結(jié)果。本文的貢獻(xiàn)包括：1）改進(jìn)WiFi定位算法，提出將SVM分類和回歸分析相結(jié)合進(jìn)行兩級(jí)精確定位；2）改進(jìn)PDR算法，對(duì)原始加速度數(shù)據(jù)進(jìn)行預(yù)處理，提出根據(jù)實(shí)時(shí)加速度數(shù)據(jù)動(dòng)態(tài)設(shè)定狀態(tài)轉(zhuǎn)換參數(shù)識(shí)別行走周期的算法，將卡爾曼濾波應(yīng)用到步長(zhǎng)計(jì)算中；3）提出通過粒子濾波融合基于SVM的WiFi定位和改進(jìn)的PDR。通過和幾種代表性WiFi定位算法和PDR方法的對(duì)比實(shí)驗(yàn)表明：基于SVM的WiFi定位能夠獲得更高的定位精度，改進(jìn)的PDR能夠更精確地統(tǒng)計(jì)步數(shù)和步長(zhǎng)，而融合定位算法充分發(fā)揮各子系統(tǒng)的優(yōu)勢(shì)，使它無(wú)論在精度還是穩(wěn)定性方面都優(yōu)于子系統(tǒng)。但是融合定位算法仍然會(huì)估計(jì)出不合理的行走軌跡，例如穿墻，因此下一步研究會(huì)結(jié)合室內(nèi)地圖信息來約束定位結(jié)果。

參考文獻(xiàn)：

[1]BRUNATO M， BATTITI R. Statistical learning theory for location fingerprinting in wireless LANs[J]. Computer Networks： the International Journal of Computer and Telecommunications Networking， 2005， 47（6）：825-845.

[2]SCARLETT J. Enhancing the performance of pedometers using a single accelerometer[EB/OL]. [2015-11-20].http：//www.analog.com/media/en/technicaldocumentation/applicationnotes/47076299220991AN_900.pdf.

[3]PARK S K， SUH Y S. A zero velocity detection algorithm using inertial sensors for pedestrian navigation systems[J]. Sensors， 2010， 10（10）：9163-9178.

[4]ALZANTOT M， YOUSSEF M. UPTIME： ubiquitous pedestrian tracking using mobile phones[C]// WCNC2012： IEEE Wireless Communications and Networking Conference. Piscataway， NJ： IEEE， 2012：3204-3209.

[5]SUSI M， RENAUDIN V， LACHAPELLE G. Motion mode recognition and step detection algorithms for mobile phone users[J]. Sensors， 2013， 13（2）：1539-1562.

[6]NIU X， LI M， CUI X， et al. WTrack： HMMbased walk pattern recognition and indoor pedestrian tracking using phone inertial sensors[J]. Personal and Ubiquitous Computing， 2014， 18（8）：1901-1915.

[7]CHEN L H， WU E H K， JIN M H， et al. Intelligent fusion of WiFi and inertial sensorbased positioning systems for indoor pedestrian navigation[J]. IEEE Sensors Journal， 2014，14（11）：4034-4042.

[8]CHEN Z， ZOU H， JIANG H， et al. Fusion of WiFi， smartphone sensors and landmarks using the Kalman filter for indoor localization[J]. Sensors， 2015， 15（1）：715-732.

[9]LI W W L， ILTIS R A， WIN M Z. A smartphone localization algorithm using RSSI and inertial sensor measurement fusion[C]// GLOBECOM2013： IEEE Global Communications Conference. Piscataway， NJ： IEEE， 2013：3335-3340.

[10]WANG J， HU A， LIU C， et al. A floormapaided WiFi/pseudoodometry integration algorithm for an indoor positioning system[J]. Sensors， 2015， 15（4）：7096-7124.

[11]BAHL P， PADMANABHAN V N. RADAR： an inbuilding RFbased user location and tracking system[C]// Proceedings of the 19th Annual Joint Conference of the IEEE Computer and Communications Societies. Piscataway， NJ： IEEE， 2000：775-784.

[12]Runtastic pedometer[EB/OL]. [2015-08-20]. https：//www.runtastic.com/zh/apps/pedometer.

[13]Moves[EB/OL]. [2015-08-20]. https：//www.movesapp.com/.

[14]Noom Walk[EB/OL]. [2015-08-20]. http：//www.noom.com/walk.php.