面向室內定位的改進行人航位推算方法

吉俊杰，蔣佳杰，姚航宇，楊敏之，吳向臣

(1. 華東宜興抽水蓄能有限公司，江蘇 宜興 214200;2. 河海大學 計算機與信息學院，南京 211100)

0 引言

隨著移動互聯(lián)網(wǎng)技術的快速發(fā)展，對位置服務的需求也快速增長，人們在日常生活中更加頻繁地使用定位導航技術。在室外環(huán)境中，全球衛(wèi)星定位系統(tǒng)導航技術已發(fā)展成熟[1]，但在室內環(huán)境中，衛(wèi)星信號由于建筑物的遮擋無法發(fā)揮作用，無法提供準確的位置信息。隨著移動設備和智能手機的普及，及其內部集成傳感器的快速發(fā)展，鑒于其精準度高且制造成本低，以智能設備內部集成傳感器系統(tǒng)為基礎的室內定位系統(tǒng)算法的研究具有廣闊的應用前景[2-4]。例如在抽蓄電站廠房中，因安全性要求與地理位置限制依賴無線信號的定位方法難于適用，此時僅利用傳感器信號采樣與分析的定位方法便體現(xiàn)了其良好的適應性。

行人航位推算(PDR，pedestrian dead reckoning)是室內定位的一種常用方法，它利用行人運動過程中采集的加速度、磁場強度等數(shù)據(jù)推算出行人每一步的步長與航向，更新行人位置坐標，達到定位目的[5-6]。行人航位推算算法主要包含步數(shù)檢測(計步)、步長估計和航向估計三方面內容。現(xiàn)今步數(shù)檢測的主要方法有峰值檢測法[7-8]，零速修正法[9]，自相關分析法[10]，動態(tài)時間規(guī)整算法以及步長周期識別等方法[11-12]。其中，峰值檢測法實現(xiàn)簡單但是算法窗口的設定難以適用于不同的行走狀態(tài)；零速修正法需要嚴苛的設備條件，難以推廣；自相關分析法、動態(tài)時間規(guī)整以及步長周期識別3種方法秉承相同的設計理念，其計算復雜度高，易受噪音干擾。步長估計的精度高低影響定位算法的效果，現(xiàn)有的步長估計有常數(shù)步長模型，線性步長模型[13]，倒立單擺模型[14]和非線性模型[15-16]等。然而，常數(shù)步長模型準確度較差；倒立單擺模型難以適用于不同行步狀態(tài)；非線性步長模型參數(shù)較少難以泛化。在航向估計方面，傳統(tǒng)的基于方向角與陀螺儀進行航向估計算法會產(chǎn)生航向角誤差累計的問題。

航位推算作為一種無外源的室內定位方法主要依賴加速度傳感器、陀螺儀傳感器以及磁場強度傳感器實時獲取數(shù)據(jù)進行分析，計算出行人的步態(tài)、步長以及航向信息，再對這3種信息進行動態(tài)融合以推算出行人的實時運動軌跡，從而實現(xiàn)室內定位。

基于以上分析，本文對行人航位推算算法進行了系統(tǒng)性研究，對相關計步方法、步長估計方法和航向估計方法分別進行了改進，主要工作如下：

1)在計步上，針對傳統(tǒng)的峰值檢測算法過度計步問題，提出一種結合自相關分析法和峰值檢測法的計步算法；通過實驗發(fā)現(xiàn)，改進計步算法優(yōu)于傳統(tǒng)峰值檢測法，還在一定程度上增強了抗干擾能力。

2)在估計上，提出一種基于Scarlett[17]模型融合前一步步長的改進步長估算模型。對Weinberg[18]、Scarlett和Kim[19]3種典型非線性步長模型做了對照試驗，選取表現(xiàn)最優(yōu)的Scarlett模型進行改進，將前一步步長作為自適應參數(shù)融入步長模型，實驗結果表明該模型相較于Scarlett模型在精度上有所提升。

3)在航向估計上，基于方向傳感器算法，提出通過設定主導航向，并利用卡爾曼濾波對行人沿直線行走時的航向進行處理來降低航向估計誤差的方法；實驗結果表明改進后方法減少了航向角的誤差，提升了航向估計的穩(wěn)定性。

1 步數(shù)檢測算法改進

1.1 人體行步原理

如圖1中，人體行進步伐的一個周期由兩步構成，可以詳解為七個階段[20]。第一階段右腳邁出，腳后跟著地，左腳抬起離地；第二階段右腳腳掌與地面接觸，腿未完全伸直，左腳離地有向前的趨勢；第三階段右腿站定，此刻人處于比較穩(wěn)定的狀態(tài)，左腳邁出向前；第四階段左腳向前跨步完成，左腳后跟即將接觸地面，此時落后的右腳被帶起，腳后跟稍許離開地面，這個階段人體重心處于變化狀態(tài)；第五階段左腳基本站定，身體帶動右腳向前；第六階段重心穩(wěn)定，右腿屈膝開始向前邁動；第七階段人體微微向前，重心前移，右腿邁出，最終回到第一階段。

圖1 人體步數(shù)周期圖

對人體行進步伐的一個周期進行分類，以重心狀態(tài)分類可以將整個過程劃分為右雙支撐期，右單支撐期，左雙支撐期和左單支撐期，分別占人體行進步伐周期的10%，40%，10%和40%。以右腿狀態(tài)分類可以將整個過程劃分為右站立相和右邁步相，即指定右邊，右腳足跟著地和在地面支撐的時間為右站立相，右腳邁步不與地面接觸的時間為右邁步相，約占40%。

分析可見，人的行步過程具有周期性，要想對步數(shù)進行識別從而分析人的行為最終為定位服務，還須從數(shù)據(jù)分析入手。從模型圖和日常生活體驗來看，在人平常走動時，無論垂直方向還是水平方向，都會出現(xiàn)加速階段和減速階段交替的情況，依據(jù)各個階段人行走的特征，可以更容易理解行人行走過程中加速度值的周期性變化。如在第一階段中，因為腳跟著地與地面撞擊造成瞬間反沖力從而產(chǎn)生較大的瞬時加速度，故在垂直方向上，加速度值會達到一個頂峰。在右站立相這一階段內，人體重心較為穩(wěn)定，左腳擺動，水平方向也會有對應加速度值的波動。根據(jù)以上對不同計步方法的特征分析，選取峰值檢測法作為改進對象。

1.2 峰值檢測算法改進

在峰值檢測法基礎上自適應峰值檢測法取得了良好的效果，能夠同時較好地適應傳感器姿態(tài)和運動狀態(tài)變化，實現(xiàn)高準確率計步。但這仍受限于諸多條件，難以直接將原算法應用到各種復雜的實際行步環(huán)境中并形成良好的自適應性與泛化性的計步效果[19-20]。本文結合傳感器的放置位置與實驗參與者的行走狀態(tài)，設計了一種基于峰值檢測與自適應的改進算法，如算法1所示，步驟如下：

1)計算整體加速度，將三軸加速度數(shù)據(jù)合成表示以更好地反映人體垂直加速度變化，同時消除部分噪聲，有利于更好地測算人體步態(tài)。

2)將滑動窗口sliding window設為20，用以遍歷獲得潛在峰值，再根據(jù)加速度閾值進行判斷，加速度閾值α、β分別設定為1.25 g、3.5 g。

3)計算前一峰值與潛在波峰之間的時間差，判斷是否滿足行人行走一步的時間閾值范圍，以防止將行人特殊情況下的運動行為誤判成走步，時間閾值范圍為(0.2 s，0.8 s)。

4)最后對檢測結果中的波峰數(shù)據(jù)進行判斷，利用行步過程中峰值變換幅度γ=2 g作為標準濾除偽波峰點。

改進波峰檢測法結合了閾值檢測與自適應檢測的設計思想，其中閾值檢測法固定了檢測范圍，缺乏靈活性，在行走速度變化較大或行人處于較為復雜的狀態(tài)時，不規(guī)律的運動狀態(tài)會使得檢測結果的精度下降。自相關分析法比起常用的波峰檢測算法可以很大程度上消除行人運動狀態(tài)以及手機位置對手機計步器計步結果的影響，可以方便快捷地應用在室內人員定位中，但如上所述，此方法復雜度較高。因而，改進方法僅選取部分計算過程進行融合，在提高識別精度的同時也保證了計算的實時性。

1.3 實驗數(shù)據(jù)獲取

實驗過程將統(tǒng)一使用RedmiK30U手機硬件設備，搭載Android9.0系統(tǒng)，手機內封裝了ICM-40607六軸傳感器和AK09918地磁傳感器。實驗以智能手機為研究工具，旨在研究快捷簡單靈敏度高的算法以滿足普適性，對設備的要求低并適用于大部分生活場景。

為方便進行本節(jié)及之后的試驗，作者開發(fā)了一個采集數(shù)據(jù)的Android應用程序，用以收集各種情況下行人步進狀態(tài)下加速度傳感器、陀螺儀、磁力傳感器以及方向傳感器的數(shù)據(jù)，程序界面如圖2所示，所采集數(shù)據(jù)保存為txt文件。

圖2 數(shù)據(jù)采集程序

Algorithm1:Improved Peak Checking

Input:signal arrayD,the peak time of last timepl,queue sliding windowsw

Output:step numbers

whileDis not nulldo

Fetch an elementαfromD;

ifα>andα<βthen

Put α intosw;

esleContinue;

γ=MAX(sw);

d=γ-pl;

ifγ>γthen

if0.2

s+=1;

esleContinue;

else

if0.3

s+=1;

esleContinue;

pl=γ;

endwhile

1.4 實驗結果及分析

實驗地點設置為某大樓走廊。實驗人員以3種不同的設備攜帶方式進行實驗，每次以相同速率平穩(wěn)行走，在傳感器獲得加速度數(shù)據(jù)后使用巴特沃斯濾波法進行預處理[23]，再使用傳統(tǒng)的峰值檢測法和改進計步算法進行步數(shù)統(tǒng)計和準確率分析。

由表1可知，本節(jié)改進算法在精確度上優(yōu)于傳統(tǒng)峰值檢測法。實驗發(fā)現(xiàn)，傳統(tǒng)峰值檢測法測算步數(shù)總是多于真實步數(shù)，這是因為在噪聲影響下，閾值處理和潛在波峰識別方法并不能很好地區(qū)分真實波峰和偽波峰，導致結果誤差較大。相較而言，改進算法在將設備拿在手上、置于上衣口袋、置于褲子口袋3種步行模式下都具有較好的準確率，誤差步數(shù)都在4到6步之間，誤差率也在2%左右。

表1 不同計步方法的實驗結果

另外，為驗證改進計步算法是否彌補了自相關分析法實時性的不足，在程序中添加了獲取時間差值的代碼，并記錄每一步檢測消耗的時間，最后求平均并進行比較，結果如表2所示，改進計步算法雖然略慢于傳統(tǒng)峰值檢測法，但在實時性上明顯優(yōu)于自相關分析法。

表2 單步計算消耗時間比較

最后，改進步數(shù)算法融合了自相關分析法以提高計步算法對復雜情況的適應性。實驗設計對比了峰值檢測法、小米手機應用商店中的計步器、自相關分析法和改進算法在不同類型手機運動模式下的計步情況。此處定義正常計數(shù)為誤差在5%以內，大量計數(shù)為超出實際步數(shù)5%，少量計數(shù)為低于實際步數(shù)5%。試驗結果如表3所示，在任意晃動手機情況下，改進計步算法與自適應相關分析法都只產(chǎn)生了少量計數(shù)，表現(xiàn)良好。

表3 計步結果

2 步長估計算法改進

根據(jù)人體行步過程中的影響因素分析現(xiàn)有經(jīng)典步長模型，通過對比實驗選擇表現(xiàn)最優(yōu)的模型，并基于此進行模型改進設計，最后通過實驗驗證改進模型的有效性。

2.1 步長估計模型選擇

行人航位推算中的步長不是一成不變的，一般來說，人們正常行走一步的單步步長為60～80 cm，但是人的身高腿長，人在行進中的速度，步頻等因素都能不同程度地影響到人行進過程中每一步的步長。

設計三組實驗，評估3種非線性步長模型的穩(wěn)定程度與準確程度，從而選擇合適的模型。本節(jié)實驗使用硬件設備與上一節(jié)保持一致。以正常走、慢走和快走的不同步速直線前進，并使用第一節(jié)中的數(shù)據(jù)采集軟件和計步算法收集行進過程中的加速度數(shù)據(jù)和步長，在手機每次檢測到行人走了一步時，將這一步時間段內的加速度數(shù)據(jù)寫入到txt文件中并標注第幾步與不同模型測算下的該步步長，再清除程序中存儲加速度信息的數(shù)組以進行下一步的信息收集，如此便能收集到行人的步數(shù)以及每一步期間加速度變化的數(shù)據(jù)以及每一步的步長信息，步長信息用于本小節(jié)的實驗比較，加速度信息可以用于后文的實驗訓練。

除了沿直線行走，還要求測試人員前進過程中盡量保持勻速，采集數(shù)據(jù)期間測試人員模擬現(xiàn)實行人導航尋路的狀態(tài)，手持手機在胸前，手機保持水平狀態(tài)。測試所在宿舍地面磚塊尺寸為0.8 m*0.8 m，利用該地磚控制步長，共有3種模式，一塊地磚一步走，兩塊地磚三步走，三塊地磚四步走，所得到的單步實際步長分別為0.8 m，0.533 m和0.6 m。

在實驗設計中Weinberg、Scarlett和Kim模型的取值分別為0.375，1.724和1.983，相較而言Scarlett步長估計模型較為穩(wěn)定且與實際步長接近。雖然實驗過程中，實驗人員按格子邁步，盡量保證勻速，但是實際上人走路難以保持步長不變，所以我們對非線性模型步長估計實驗結果進行統(tǒng)計分析，如表4所示。

表4 3種非線性步長模型比較實驗步態(tài)實驗方法實際

根據(jù)表4可以看出，Scarlett模型相較 Weinberg、Kim 模型在平均誤差率和方差上都較小，步長估計的穩(wěn)定性好、精度高，所以我們選擇Scarlett模型進行改進。

2.2 步長模型改進

考慮到在行人正常行走情況下，無論是慢速走、常速走還是快速走，行人的步長一般不會突變，前一步步長與當前步步長應具有連續(xù)性，行人第步步長應該與第步具有相關性。基于這一觀察，在Scarlett模型基礎上融合上一步步長信息，提出一種新的步長估計模型：

(1)

其中:Lk-1為上一步步長，q為權重因子，K是一個常量參數(shù)，amax和amin是第k速度信號中的最大值和最小值，ai是第i個加速度信號值。接下來，利用收集的加速度信息求取最優(yōu)參數(shù)值，在原先K值基礎上使用最小二乘法求取權重因子q值，再以此時的K值與q值作為初始狀態(tài)使用梯度下降法進行參數(shù)最優(yōu)估計。改進步長估計的計算步驟如算法2所示。

Algorithm2:Improved Stride Estimation

Input:signal arrayD,the stride length of last timeLk,1

Output:Stride lengthLk

Presetα,β,t;

αmax=MAX(Lk);

αmin=MIN(Lk);

w=(α,β);

whileJ(wt)>cdo

t=t+1;

endwhile

首先將步長估計式(1)改寫如下：

于是可將步長估計問題總結為如下公式，

Lk=wx+b=WTX

其中:w為參數(shù)，x和b是已知信息，代表實際變量。

當X滿秩時，最小二乘法可以根據(jù)如下公式計算參數(shù)：

W=(XTX)-1XTLk

試驗收集3種不同步行狀態(tài)下各200步共600步的加速度數(shù)據(jù)進行計算，對比兩種不同的數(shù)據(jù)預處理方式，第一種是標準化處理，對相同步行狀態(tài)下的數(shù)據(jù)，數(shù)值減去平均值，除以其標準差，得到均值為0、標準差為1的服從標準正態(tài)分布的數(shù)據(jù)。第二種是歸一化，對相同狀態(tài)下的數(shù)據(jù)，數(shù)值減去最小值，再除以最大值與最小值的差值，得到新數(shù)據(jù)范圍在[0,1]之間。

評價指標為均值方差和均方根誤差，權重因子q取四位小數(shù)，結果如表5所示。

表5 不同處理方式下最小二乘法結果

取得較優(yōu)的權重因子q值為0.276 5。

有了初始值，可將(1)式改寫以應用梯度下降法，公式如下：

根據(jù)權重因子q值0.276 5和常量K值1.724可以求得值為0.276 5，值為1.247 314，m取值為訓練集合的大小，將這些作為初始值應用梯度下降法。我們將收集的3種不同步行狀態(tài)下各200步的數(shù)據(jù)中每組取180步作為訓練集，20步作為測試集，因此整個訓練集大小為540，測試集為60。

可將問題描述為如下公式:

Lk=WTX

定義損失函數(shù)為：

更新參數(shù)表達式如下：

其中:k為梯度下降的步長，最終得到較優(yōu)的α與β估計值，分別為0.273 4和1.245 3，在測試集上的均值方差和均方根誤差分別為0.001 936和0.044。

2.3 實驗結果及分析

實驗設計與上一節(jié)的計算步驟一致，收集新的數(shù)據(jù)，以對比所提出的改進步長估算模型與Scarlett步長模型，測算結果如表6所示?？梢钥闯觯诳焖僮叱Ｋ僮吲c慢速走3種步數(shù)下，改進步長估算模型在誤差率和方差表現(xiàn)都略優(yōu)于Scarlett模型，表明改進后的模型的準確度與穩(wěn)定性都有一定提升。

表6 改進前后Scarlett模型對比

上一節(jié)實驗仍有不足之處，一是行人步長并不完全精確，二是新模型利用3種步長的數(shù)據(jù)訓練，再在相似的場景下測試說服力略顯不足。所以，本節(jié)實驗旨在測試新模型在行人自由行走狀態(tài)下是否能對行人行走距離進行較為精確的測算。

在此次實驗中，行人不控制步長，在宿舍樓道中進行100 m的直行，最后統(tǒng)計步數(shù)步長信息，測算不同步長模型統(tǒng)計出的行人運動距離，試驗結果如表7所示。

表7 不同步長模型實驗對比

從表中信息可知，在行人自由直線行走情況下，改進后的Scarlett步長模型估計結果誤差最小，明顯優(yōu)于其他步長模型。

3 航向估計算法改進

3.1 航向估計分析

Android平臺的方向傳感器在實際應用中反應靈敏，精度高，主要缺點在于受磁場影響較大，在室外環(huán)境下磁場影響較小，但是室外使用GPS導航更為方便精確。在室內環(huán)境下，因為各種不同物體對磁場的影響，測得航向角會出現(xiàn)一定誤差，且在一段時間行走后，由于航向測算誤差過大導致整個行人航位推算算法處于失靈狀態(tài)[24]；另外，行人手持設備導航時，隨著行人身體晃動手機會出現(xiàn)輕微晃動導致測得航向角與真實航向角之間出現(xiàn)誤差。這兩種現(xiàn)象都會在行人沿著某一方向行走時導致航向誤差較大，室內環(huán)境越復雜，誤差越大。本節(jié)在SHS-PDR(Step and Heading Systems PDR)算法框架[25]基礎上，設計了一種新算法，適用于磁場影響較小的室內環(huán)境。

3.2 改進航向算法

首先引入主導航向的概念，主導航向就是設備認為行人此時行走的方向，從歷史航向中推測出來，當行人的航向偏角在合理變化范圍內，則認為行人沿直線行走，在此基礎上結合卡爾曼濾波對航向信息進行修正，減少誤差提高定位精度。改進航向算法如算法3所示，具體步驟如下。

第一步：設定主導航向。

主導航向由方向傳感器測算所得航向序列計算可得，取一組航向平均值作為主導航向，定義下式為當前時刻的主導航向。

第二步：辨別是否改變主導航向。

D=(|φ(t)-φ(t-1)|+|φ(t)-φ(t-2)|)/2

其中:φ(t)、φ(t-1)和φ(t-2)分別代表當前時刻和前兩個時刻測得的航向，當D小于10度時判定行人沿直線行走，主導航向未變；若大于10度，則判定行人不再沿當前直線行走，改變主導航向，此時清空之前存儲航向值，從當前航向值開始重新獲取并存儲航向序列直至下次主導航向發(fā)生改變。

Algorithm3:Improved Heading Estimation

Input:direction signal arrayO

Output:orientationdi,1

Initialize array headSquence;

WhileOis not nulldo

Fetch an elementofromO;

Append o to headSquence;

md=(|o-op|+|p-opr|)/2;

ifp>then

di=Kalman-filtering(headSquence);

else

di=md,op=o,opr=op;

Clear headSquence;

endwhile

在未改變主導航向情況下，計算當前航向與主導航向的差值θ(i)：

θ(t)=|φ(t)-φ(t)′|

第三步：卡爾曼濾波處理。

以下介紹采用卡爾曼濾波修正主導航向的過程。將當前航向與主導航向的差值θ(i)作為觀測量。定義差值誤差為Rt，估計差值初值為X0|0，估計差值誤差設置為Pt|t-1，此時待調整的卡爾曼增益可以表示為Pt|t-1/(Rt+Pt|t-1)。初始化X0|0為1.5，差值誤差Pt|t-1為1，觀測差值誤差Rt取值為1～1.5之間；然后通過迭代計算卡爾曼增益直至收斂，從而得到最優(yōu)當前航向就是主導航向。

令狀態(tài)轉移矩陣為單位矩陣，只考慮噪聲，得到預測方程 (2)：

Xt∣t-1=Xk-1∣k-1+ωk

(2)

計算誤差方差陣 (3)：

Pt∣t-1=Pt-1∣t-1+Qt

(3)

觀測方程為(4)：

Z(t)=θ(t)+V(t)

(4)

計算卡爾曼增益，令觀測矩陣為單位矩陣如下：

Kt=Pt∣t-1(Pt∣t-1+Rt)-1

然后，結合觀測值進行狀態(tài)估計值進行優(yōu)化，得到狀態(tài)估計值，即：

Xt∣t=Xt∣t-1+Kt(Zt-Xt∣t-1)

接下來，更新誤差協(xié)方差矩陣P(t|t)：

Pt∣t=(I-Kt)Pt∣t-1

從而得到最優(yōu)估計偏差，進而計算當前航向角最優(yōu)值并存入下式的航向序列：

3.3 實驗結果驗證及分析

本節(jié)實驗主要有兩組實驗過程組成，第一組實驗旨在驗證卡爾曼濾波的有效性及算法能否正確識別轉向。行人首先手持手機在胸前沿90度方向以正常步速行走，對比濾波前后方向傳感器測算所得航向角；之后行人改變航向行走，記錄此時行人航向角估計值變化，實驗結果如圖3～5所示。

圖3 濾波前航向角變化

圖4 濾波后航向角變化

圖5 航向角變化

對比發(fā)現(xiàn)使用卡爾曼濾波修正后航向角變化相對平穩(wěn)，偏移誤差也由±4度減少為±2度，表明卡爾曼濾波法有效。

行人在轉向前后沿直線行走，主導航向變化平穩(wěn)，從圖5看，對轉向反應靈敏，表明改進航向算法有效。

第二組實驗設計主要有兩個目的：一是對比改進前后的航向估計算法的有效性；二是將改進前后的航向估計算法與第1節(jié)的改進計步算法和第2節(jié)的改進步長估算模型整合起來，通過在每一步檢測中對三者計算結果的融合推算并可視化展示出行人的實時航跡，以驗證改進的行人航位推算算法在室內導航定位上的優(yōu)化效果。

實驗地點選取在某室內場所中，房屋長11.42 m，寬10.9 m，設計了由簡至繁3種路線，每條線路用紅色線條標記，其起點是綠點，終點為紅點。第一條路線由前門門口出發(fā)，向北步行至客廳中央后轉向行走至小屋門口，進入屋內后繼續(xù)向北行走直至墻面；第二條路線由后門出發(fā)，經(jīng)過4個直角轉彎后行至大屋墻面；第三條路線從前門門口出發(fā)，進出3個房屋后回到起始原點。將兩種算法行人步行軌跡繪制在家中平面圖上以便比較，實驗結果如圖6所示。

圖6 改進算法效果對比

圖6(a)為方向傳感器算法結合前文改進步長估算模型和改進步數(shù)算法計算出的行人位移軌跡，子圖6(b)為改進航向估計算法結合兩種算法計算出的位移軌跡?？梢钥吹皆诘谝?、二兩條路線中，改進前算法在幾次航向改變后就不再準確，而改進后算法表現(xiàn)良好；在第三條路線中，因為行走軌跡復雜，改進前算法已經(jīng)完全失靈，而改進后算法的推算軌跡基本正確，且終點也幾乎落在起點旁，誤差在1.2米左右。因此，改進后航向估計算法明顯優(yōu)于改進前。

此外，從圖6(b)中還可以看出，融合計步、步長估計、航向估計3種改進方法的綜合行人航位推算算法可以實現(xiàn)較為準確的綜合定位效果，還不會隨著實驗路線變得繁雜而導致定位精度降低，這表明改進的行人航位推算算法不僅提高了室內定位的精度，而且具有較好的魯棒性。

4 結束語

本文在智能手機設備上研究改進室內行人航位推算算法，對行人航位推算的計步、步長估算以及航向估計方法進行改進。本文提出了一種結合自相關分析法和峰值檢測法的計步算法，增強了抗干擾能力；提出一種基于Scarlett模型融合前一步步長的改進步長估算模型，相較于Scarlett基本模型具有更高的檢測精度；通過設定主導航向并對采樣結果進行卡爾曼濾波，減少了航向估計誤差。最后，將3種改進方法相結合實現(xiàn)了室內定位系統(tǒng)。實驗表明，改進方法取得了較好的室內定位效果。本文提出的算法已應用于某抽蓄電站廠房運維人員定位，因其易于部署、成本低與良好的人員及環(huán)境適應性，能較好地滿足這一場景下的的定位需求。

本文方法仍有改進空間，這將是下一步的研究工作。對于復雜環(huán)境下的行人計步，一是引入氣壓傳感器測算高度信息，將行人的軌跡拓展到三維層面；二是考慮對不同情況下行人加速度數(shù)據(jù)的特征進行收集，結合機器學習等方法進行識別。航向估計可以結合陀螺儀積分方法進行研究，陀螺儀不受磁場影響，但積分累計誤差加上本身漂移誤差嚴重，可以嘗試將兩種方法結合。對于行人初始位置的確定，可考慮在更精密的設備中將行人在接收不到GPS信號前的最后位置作為初始位置，在行人航位推算算法由于長時間誤差累積而精度減弱后，還可結合外源信號定位技術如藍牙和UWB等輔助獲取行人初始位置。