本发明属于导航定位技术领域，特别是涉及一种基于分数域行人运动感知的室内自主定位方法。
背景技术：
近些年，随着谷歌、facebook、bat等互联网巨头的参与促进，位置服务lbs(locationbasedservices)有了空前的市场规模和发展前景。瑞典市场研究公司berginsight发布最新报告预测，全球lbs市场规模将以22.5％的复合年增长率从2014年的103亿欧元，增加至2020年的248亿欧元。尚普咨询发布的《2014-2018年中国lbs行业深度研究及前景预测报告》预测2018年我国lbs行业市场规模将突破1100亿元。在其lbs市场划分的8个垂直领域内，家庭及人员定位服务便是一块极大的服务应用群体。在行人导航与定位领域内，室外的卫星定位技术可以说已经发展得十分成熟且精度、可靠度甚好，但在室内楼宇、隧道、地下等密闭环境下，由于卫星信号的强度减弱，搜星效果不理想甚至无信号，那么，此种手段将无用武之地。
针对这一现象，当前室内定位普遍采取的定位方法主要分为两类：有信标和无信标。一般通过wifi、uwb以及rfid等预置节点手段进行定位的成为有信标定位方式，主要应用于大型商场、机场、医院等可以随建筑物施工期间的同时，进行合理分布安装并可后期投入到使用当中。但随之而来的弊端就是当遭遇突发灾难、停电、硬件失灵等情况时，人员室内定位的功能便丧失甚至错误导航定位，严重的话会给个人和国家带来极大的损失。相比之下，对于无需提前布置节点的无信标自主定位手段，通常采用惯性传感器进行行人的位置推算，无需依赖外界的任何辅助，自主性极强，可以很好地解决上述面临的问题。但微机电系统-惯性测量单元mems-imu(micro-electro-mechanicalsystem-inertialmeasurementunit)的传感器的主要缺点就是，由器件本身特性所带来的漂移现象：其随着时间的推移，会相应地累计误差，使输出的惯性数据精度越来越差，解算的结果也会慢慢发散开来不会收敛。
针对将惯性测量单元佩戴在行人身体上进行正常运动时，众所周知，腰部的运动不像脚部会与地面形成20ms左右的零速时刻，故脚部安置定位装置所应用的那一套传统的零速修正定位算法架构并不适用于佩戴在腰部定位这一范畴。该领域的一些专家学者便提出了行人航位推算方法(pdr,pedestriandeadreckoning)，其本质便是提取pdr模型的三个关键点：步数，步长以及航向，从而以推算的方式，每步为单位，最终得到行人的行进轨迹。这其中的重中之重环节则是识别感知出行人的具体行为模式：有些学者所提出的是在时域本身，来进行对运动行人惯性信号的处理与识别，但这样所需的训练样本很大，特征分类重叠性高，效率低，分类器设计相对复杂；同时，也有些专家是将其变换至频域进行分类识别，但是庞大的计算量以及对训练过程所需硬件的要求过高都是该方向的一个瓶颈；因而也不难想到，之后就有说将上述二者方法融合进行分类的思想，但是虽然该过程保留了二者的优势，但与此同时双方的缺点均得到累加放大，信息的冗余量也瞬间陡增，致使整套系统显得托大而笨拙。
而本发明的思想则是源于如何找到一座桥梁介于上述时、频双域之间，有所联系但不是单纯地累加，相反是行之有效地使得感知识别系统相对“减负”。故而想到了利用在“线性调频类信号”领域里应用的分数域理论，即时频平面经旋转变换后的一种中间态，并通过本专利首次引入惯性导航领域中，来处理惯性器件的输出信号。本发明所需的训练样本量很小，并且可以有效地选取合理变换后的特征向量，进而尽量大地拉开了鉴别“距离”，减小冗余覆盖的部分，从而提高分类的精度和效率。同时也因此，对于分类器的设计要求也大大地降低，简化了系统难度。
综上便是本发明的研究背景技术以及相较同领域研究的一些优点和创造性。可以说，在某种程度上本发明从高效性、可靠性、复杂性以及精确性等角度都给予了其它相关研究所不具备或不同时具备的先进性、新颖性和创造性。
技术实现要素：
本发明的主要目的在于：面向室内定位，在无卫星定位且将可穿戴定位装置(mems-imu)安装在腰部：无明显零速时刻的情况下，通过采集行人该部位惯导的数据并且对其敏感轴加速度计进行运动周期划分和相对应的分数域变换。根据不同行为运动：目前暂面向研究的是行人室内的走、跑、跳、上下楼走、上下楼跑这7种基本运动。收集其不同的特征向量，进行训练、学习与分类。同时配以改进的hde航向修正算法，多运动切换之间的运动状态过渡修正算法以及楼层约束算法进行辅助校正。根据“航向”、“步长”以及“步数”三要素推算出准确的行人室内的位置信息。
为了实现上述目的，本发明采用如下技术方案：
一种基于分数域行人运动感知的室内自主定位方法，包括以下步骤：
步骤1，针对在特定的应用背景下人体的多运动行为，对其穿戴在腰部并已标定补偿好的惯性测量单元，进行惯性数据的采集、滤波平滑处理并输出；
步骤2，利用处理后敏感轴加速度计输出信号在时域的周期性变化进行划分，并在每个划分的周期内进行分数域的多种运动特征的提取；
步骤3，根据明显的特征分类，便可用最简化的分类器进行机器学习后的分类；
步骤4，用改进的航向修正、运动状态过渡和楼层约束辅助航位修正算法，在捷联解算的基础上进行误差校正；
步骤5，通过行人定位推算过程中航向估计、步长估计和步数统计关键三要素得出行人的推算水平位置信息(空间位置信息由“压强相对高度差(每一步的阶梯高度)”和“楼层约束”部分解出)。
进一步的，所述步骤1中，将其标定补偿后的惯性测量单元数据输出，用于其它环节的解算过程。并单独将敏感轴，即垂直于地面方向的加速度计数据，进行巴特沃斯滤波平滑过程，输出近似幅值、等频的“正弦波”信号。
进一步的，所述步骤2中，利用上述步骤1中滤波平滑后的敏感轴加速度计值，进行运动周期的划分。并在每段运动周期内将其敏感轴加速度计信号进行分数域变换，得到各种运动区分度较大的一些变换后特征，组成特征向量。经反复地筛选考量，为降低特征的覆盖、冗余性，最终组成用于区分多运动的特征向量的特征包括如下几条：(1)分数域变换后输出的均值；(2)分数域变换后输出的标准差；(3)分数域变换后输出的四分位差；(4)分数域变换后输出的幅值差；(5)时域中压强计输出的相对高度差(用于鉴别有高度变化的运动)。
进一步的，所述的步骤3中，由于特征向量选取的合理，区分效果度明显，故通过训练学习，后期可送入最简化的分类器中进行有效分类，验证感知运动模式阶段。这样不仅提高了分类精度而且无需设计复杂繁琐的分类器进行工作，大大地提升了整个系统的效率。
进一步的，所述的步骤4中，通过改进的hde航向修正算法，多运动切换之间的运动状态过渡修正算法以及楼层约束算法这三个针对特定环境下应用的辅助航位修正方法，有效地解决了纯惯性导航由于长时累积误差、高度通道发散，致使所捷联解算的空间位置信息发散不准确这一固有特性。
进一步的，所述的步骤5中，根据校正过的航向、步长，以及通过周期划分统计出的步数这三个行人定位的关键三要素，最终推算出精确的行人水平位置信息(空间位置信息由“压强相对高度差(每一步的阶梯高度)”和“楼层约束”部分解出)。
与现有技术相比，本发明的有益效果是：
(1)本发明找到一座桥梁介于上述时、频双域之间，有所联系但不是单纯地累加，相反是行之有效地使得感知识别系统相对“减负”。故而想到了利用在“线性调频类信号”领域里应用的分数域理论，即时频平面经旋转变换后的一种中间态，并通过本专利首次引入惯性导航领域中，来处理惯性器件的输出信号。本发明所需的训练样本量很小，并且可以有效地选取合理变换后的特征向量，进而尽量大地拉开了鉴别“距离”，减小冗余覆盖的部分，从而提高分类的精度和效率。同时也因此，对于分类器的设计要求也大大地降低，简化了系统难度；
(2)本发明相较已有的那些有线或设立预知节点等相关的室内定位方法，其可靠性相对更高，而且无需预先知道当地的室内结构及布局，使用灵活性也较好；
(3)本发明通过改进的hde航向修正算法，多运动切换之间的运动状态过渡修正算法以及楼层约束算法作为辅助校正方法，有效地在室内这个特定的应用背景下，得到更高精度，轨迹效果更好的定位结果；
(4)本发明的定位终端具有可穿戴的特点，使用户操作起来更加便捷，且无需进行复杂的预先设置以及背负较大的定位装备，真正实现了小巧便捷、灵活好用的技术效果。并真正解决了佩戴其在腰部，在无明显零速时刻可进行零速修正的情况下，依旧可以推算出较好的行人室内的定位结果。
附图说明
图1为基于分数域行人运动感知的室内自主定位方法流程图；
图2为巴特沃斯低通滤波信号处理图；
图3为分数域变换：(t,ω)平面旋转α角到(u,v)平面图；
图4为室内行人7种基本运动形式图；
图5为同一种运动不同变换阶次的效果图；
图6为同一种变换阶次不同运动的效果图；
图7为两种运动形式特征向量对比示意图；
图8为改进的hde航向修正效果图；
图9为运动切换过渡带示意图。
图10为压强计相对高度最小二乘拟合线性标定化效果图。
图11为行人上楼梯时每个运动周期即每阶楼梯高度分辨能力图。
图12为楼层约束技术流程图。
具体实施方式
本发明提供的一种基于分数域行人运动感知的室内自主定位方法的流程如图1所示：
在无或弱卫星信号的室内环境中进行行人自主定位。将可穿戴的定位装置安装在腰部：在无明显零速时刻的情况下，通过采集行人该部位惯导的数据并且对其敏感轴加速度计进行运动周期划分和相对应的分数域变换。根据不同行为运动：目前暂面向研究的是行人室内的走、跑、跳、上下楼走、上下楼跑这7种基本运动。收集其不同的特征向量，进行训练，学习和分类。同时配以改进的hde航向修正算法，多运动切换之间的运动状态过渡修正算法以及楼层约束算法进行辅助，根据“航向”、“步长”以及“步数”三要素推算出准确的行人室内的位置信息。
具体步骤如下：
步骤1，针对在特定的应用背景下人体的多运动行为，对其穿戴在腰部并已标定补偿好的惯性测量单元，进行惯性数据的采集、滤波平滑处理并输出；
从惯性器件层面研究系统误差，对系统误差进行分析、建模及补偿标定，以消除mems-imu系统的确定性误差，提高之后输出数据的测量精度。系统误差标定的方法为建立精确的系统误差模型，设计完整的标定试验并使用精密测试设备对相关系数进行辨识，最后对系统输出进行软件补偿。该方法主要用于消除系统的确定性误差，包括刻度因数误差、交叉耦合误差、安装误差等，是提高惯性测量系统精度的重要手段。
综上mems-imu惯性器件的误差可分为4类：零位误差、比例系数误差、交叉耦合误差和随机误差。而在mems-imu模块导航定位解算过程中，陀螺输出的精度和稳定性起着更为关键性的作用。加速度计的标定补偿可同陀螺仪标定原理进行类似处理，但一般只进行零位误差、比例系数误差补偿即可在本专利中使用。因此，此处仅以陀螺标定描述为例，其误差模型可描述为：
其中，aq为陀螺原始输出值向量；n表示陀螺角速率零位输出值向量，n1为粗标定零位输出，n(t)为温度相关零位输出，n(a)为加速度相关零位输出；sf表示比例系数矩阵，sf1为粗标定比例系数，sf2(ω)为对应输入角速率的比例系数；cr表示交叉偶合系数矩阵；v(t)为随机噪声信号；
将式(1)表示的误差模型可以展开为：
式中，
aq＝[ωxωyωz]t为三轴陀螺仪的原始数字量输出；
n＝[nxnynz]t为与陀螺仪的零位误差；
kx,ky,kz分别为粗标定比例系数；
kωx,kωy,kωz分别为三轴陀螺对应输入角速率的比例系数；
vx,vy,vz分别为三轴陀螺仪的随机噪声信号。
利用精密三轴位置速率转台、高低温试验箱、离心机等设备对陀螺惯性组合系统进行试验，辨识误差模型中的各项系数，代入误差模型即可实现系统误差补偿。
行人在运动时，腰部垂直方向的加速度，即敏感轴方向，呈现周期性变化较为明显，因此只选择垂直方向上的加速度进行处理与分析。首先对采集到的垂直方向加速度数据，进行采样率fs＝1000，截止频率为50hz，归一化频率wc＝2*50/fs，滤波器阶数n＝10的低通巴特沃斯滤波处理。滤波后的效果如图2所示。
步骤2，利用处理后敏感轴加速度计输出信号在时域的周期性变化进行划分，并在每个划分的周期内进行分数域的多种运动特征的提取；
垂直方向上的加速度周期信号每一个周期即代表一步前进动作(-9.8m/s2至下一个-9.8m/s2为1步的运动周期)，因此可以通过提取每一个周期内该信号的相关特征来对行人进行实时的运动感知。
传统的fourier变换在信号处理方面是一个十分成熟且应用广泛的数学工具。从广义的角度出发，如果将其传统的fourier线性算子看作从时间轴逆时针旋转π/2到频率轴、可旋转任意角度α的算子得到新的信号表达，这便是分数阶fourier变换的本质，如图3所示。并且它将保留传统fourier变换的性质和特点，又添加了其它特有的新优势。可以说分数域是一座时域、频域分析之间一座独特而新颖实用的桥梁。
分数阶fourier变换的定义有多种，且都是相互等价可推的。通常的定义理解如下：
基本定义：定义在u′域的函数f(u′)的p阶分数阶fourier变换是一个线性积分运算。
其中kp(u,u′)＝aαexp[jπ(u2cotα-2uu′cscα+u′2cotα)]，成为分数阶fourier变换的核函数，
当p＝4n(α＝2nπ)时kp(u,u′)≡δ(u-u′)；当p＝4n±2(α＝(2n±1)π)时kp(u,u′)≡δ(u+u′)。经变量代换，fp(u)可以表示为：
注意到f4n和f4n±2分别相当于恒等算子τ和奇偶算子p。对p＝1，有
可见，f1(u)就是f(u′)的普通fourier变换，函数的零阶变换被定义为等于该函数本身：由于
至于选择分数域变换来提取特征向量的原因，除了上述的一些对比时域、频域的原因以外，从理论上的时宽-带宽积的推导角度看，其意义更为强烈：
由分数域采样定理可知，分数域带宽bu与频域带宽b的关系为：
bu＝bsinα(6)
其中α为分数域旋转角度，α＝p·π/2。
分数域新号的时宽、带宽定义如下：
其中，ua为分数域频率，x(ua)为信号x(t)的分数域变换。
由信号频域的不定原理知：
其中，△t为信号的时宽，而△u为信号的带宽。
由(7)，(8)，(9)三个公式可推导出分数域的不确定原理：
由parseval知，信号在时域的能量与分数域的能量相同：
e＝eα(11)
e为时域总能量，eα为分数域总能量。
而，
结合(10)，(11)，(12)公式可知，信号的时域幅度平均
因此，我们可以通过选择合适的α角度，利用这一非线性的转换，使得在时域幅度差不明显的一序列值转化为幅值差明显的分数域序列，从而可有效地区分各类运动特征信号，达到使用该方法的目的。
特征值提取过程概述如下：
a)均值
式中，ai为敏感轴加速度计经过低通滤波后，第i个采样点的输出加速度值，n为单周期数据的个数，frftp(*)为p阶分数域变化并取信号(虚数)模值一过程，ave为单周期内敏感轴加速度经p阶分数域变换后，输出幅值的均值。
b)标准差
式中，σ为单周期内加速度计输出经p阶分数域变换后的标准差。
c)四分位差
四分位差为第3四分位数和第1四分位数之间的差。p阶分数变换后的加速度数据frftp(ai)由小到大排序为bi，i＝1,2,3…n，四分位数的位置为pj＝1+(n-1)·j/4，j＝1,2,3，kj为pj的整数部分，rj为pj的小数部分，四分位数qj和四分位差iqr分别为：
iqr＝q3-q1(16)
d)幅值差
在分割后的单个周期中，frftp(ai)的最大值与最小值之差d，亦作为一个分类特征，如下式表达：
d＝max(frftp(a1)…frftp(an))-min(frftp(a1)…frftp(an))(17)
e)压强计相对高度差
考虑到行人在上下楼梯时高度变化会产生压强的变化，因此用压强计在时域直接引入压强信息，然后将压强转换为高度信息，并将之最小二乘线性拟合化。再选取单周期内的高度变化作为一项特征：单周期内，用周期高度终值与周期高度初值做差，得到相对高度差h，如下所示：
h＝hn-h1(18)
若h为正，表明高度在变大，行人在上楼梯；若为负，表明高度在减小，行人在下楼梯。
综上，可构成整体的特征向量，如下表示：
feature_vector＝[ave,σ,iqr,d,h](19)
步骤3，根据明显的特征分类，便可用最简化的分类器进行机器学习后的分类；
本发明针对室内行人的7种基本运动形式，如图4所示；
根据步骤2中，分数域变换，同种运动不同变换阶次的效果图，如图5所示；
根据步骤2中，分数域变换，同种变换阶次对应不同运动形式的效果图，如图6所示；
根据公式(12)所收集的特征值，此处以走和走-上楼为例进行对比，如图7所示。
不难发现，所用于区分不同运动形式的“分类距离”较大，可用于的机器的训练与学习过程。故因而可选用最简单的分类器便可完成高识别率、高效率的分类结果。
步骤4，用改进的航向修正、运动状态过渡和楼层约束辅助航位修正算法，在捷联解算的基础上进行误差校正；
a)改进的航向修正技术
基于室内环境多为直线的事实，当行人走直线时，航向角变化较小，利用航向角偏差去修正陀螺仪输出，从而抑制陀螺仪的漂移。hde算法对陀螺仪修正后，利用角速率积分得到航向角，但积分会再次引入角度误差。本发明在hde算法思想的基础上，直接利用航向角偏差来修正捷联解算出的航向角，而不对陀螺仪的角速率输出进行操作，从而避免因角速率积分而引入的误差。
利用hde算法修正航向，首先需要判定行人的运动轨迹是否为直线，通常是利用当前航向与历史航向的变化幅值来判断，如下式所示：
如果△ψk<th，则表示航向变化不明显，行人在沿直线行进，可以使用该算法对航向进行修正。
确定行人在走直线轨迹后，采用下式对航向进行直接修正：
式中，
行人初始的主方向为0，沿顺时针方向依次分为45、90、135、180、225、270、315，共8个主方向，角度间隔δ为45度，当前航向与主航向的偏差可以用下式进行计算：
式中，int(x)为取整函数，ψk为当前航向角。
修正效果如图8所示。
b)运动状态过渡修正技术
众所周知，当行人运动的过程中，总会有运动状态切换这一过程，与此同时若按照局部单一化无衔接过程直接推算，便会带来或多或少的定位误差量。
定位误差来源，简单来说即：运动切换的过渡过程，示意如图9所示，误差大小取决于运动状态切换的频率以及不同行人的自身运动控制能力。特别是在室内，这种特殊的环境下，由于运动惯性带来的误差，主要发生在“跑”的切换前后阶段。因而，过渡带的定义和修正点也需要分情况讨论。
同一楼层的走-跑切换：根据前后切换的运动状态，找到切换点，再根据行人个体的运动习惯，以切换点为中心前后留出适当的n个运动周期作为过渡带，从新推算此阶段：以n个周期的前一时刻为起点，由于误差来源于加速或降速的过程，过渡带根据原有跑步的步长模型(步骤5中体现)，适当改变其系数，从而推算出合理的因运动惯性带来的过渡带距离，从而减小推算误差，直至与n+1的状态衔接上并开始其自己的行位推算过程。
跑与上、下楼梯走的组合：由于此种运动状态的特殊性(压强值的变化)，此处爬楼过程便不给予过渡带的分配，只在跑的阶段分配恰当的加速与降速运动周期作为过渡带，同上修改步长重新推算。
上、下楼梯跑到走的组合：同理，只在走的阶段分配恰当的降速运动周期作为过渡带，同上修改步长重新推算。
跑与跳的组合：由于跳运动状态的特殊性(位移不变)，此处跳跃过程便不给予过渡带的分配，只在跑的阶段分配恰当的加速与降速运动周期作为过渡带，同上修改步长重新推算。
c)楼层约束技术
惯性导航定位中，本身就存在捷联解算高度通道发散的特性。故此，配以惯性器件压强计所输出相对高度的差值进行垂直距离的约束，是一个行之有效的办法。但其采集的原始数据如下图10所示，只有趋势却并不恒定，并无法使我们将之数值化为我们所用，故采用最小二乘拟合的方法将其线性标定化，效果图如图10所示。
将行人运动每迈的一步，划分为一个运动周期，并将上述爬楼过程局部放大，如图11所示，可以看出行人每一步即每走一阶楼梯的高度，基本恒定在台阶高度15cm左右，垂直距离分辨效果还是十分理想的。
接下来进入楼层约束方法：根据行为识别出上下楼时刻的结束点，即上下楼后的第一个其他运动形式，且检测到了下一运动状态，届时的压强相对高度值约等于楼层高度乘以某一层数差(阈值限定)的结果时，下一时刻开始的垂直高度，就人为地将其拉至此楼层且固定不变，直至再次检测到上下楼状态，再次改变高度值。这样便有效地提升三维空间的定位推算精度，同层运动的高度得以限制，轨迹线型得到完善，同时也避免了惯导捷联解算高度通道的发散问题。技术理论流程图如图12所示。
步骤5，通过行人定位推算过程中航向估计、步长估计和步数统计关键三要素得出行人的推算水平位置信息(空间位置信息由“压强相对高度差(每一步的阶梯高度)”和“楼层约束”部分解出)。
mems-imu惯性行人室内定位的思想是行人航位推算(pdr)：即在已知初始点的情况下，结合行人的步长和航向这两个信息，从而推算出下一个位置点，实现公式如下所示：
其中，lk与
由于每一步的pdr推算中，需要的两种导航信息：步长与航向。因此其每一步最终的定位精度也是由这两个因素所决定。其中航向估计以及步数统计分别可以通过步骤4改进的hde航向修正算法以及步骤1中敏感轴加速度计周期划分乘以2可以得到。步长则需要建立准确的步长模型进行步长估计，而且对于不同的运动形式，运动之间的步长差异性较大，因此为了提高步长估计的精度，在运动感知的基础上，对于不同的运动形式，分别采用不同的步长模型来估计步长。至于步长模型的建立阐述如下：
a)行走
行走，是行人运动状态中最为常见也是较为平缓的运动形态。因此采用线性的步长模型来估计步长较为理想，如下式：
slwalk＝a+b×sf+c×sv(24)
其中，slwalk为行走步长，sf为步频，sv为每一步的加速度方差，a，b，c为不同行人的经验系数。
b)跑步
相较行走而言，跑步状态则是更为剧烈的一种运动形态。故采用非线性步长模型进行估计，如下式所示：
其中，slrun为跑步步长，amax与amin为每一步加速度值的最大值与最小值，k亦为针对不同行人的经验相关系数。
c)上、下楼梯
上、下楼梯可以看作是上述状况行人行进的进阶版。其不仅是在二维平面上的位置移动，其还存在高度上的变化，因此需要在平面位移的基础上，加上高度的变化，如下式所示：
其中，slstairs为爬楼运动的水平步长，sh为每一步的高度变化，ρwalk与ρrun分别为台阶前移的适应参数，△h为压强计的高度变化，ρ亦为高度方向的不同行人的经验相关系数。
d)跳
原地蹦跳运动，可近似看作行人没有空间上的位移，步长模型可直接近似为零，且航向基本保持不变。
e)与跑相关的过渡带
根据运动状态过渡修正技术小节中的描述，视不同的情况，调整步长系数进行新的推算。ρ′walk，ρ′run为调整后新系数，过渡带步长表达式如下：
由上述五步，便可完成这种基于分数域行人运动感知的室内自主定位方法的设计发明。
本发明提供的这种基于分数域行人运动感知的室内自主定位方法，不仅提高了惯性器件的定位精度，解决了腰部无明显零速时刻修正位置信息的瓶颈，并且还利用其可穿戴的特点，降低了用户使用其定位服务时的条件与难度，提升了其便捷度。
以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。凡采用等同变换或者等效替换而形成的技术方案，均落在本发明的权利保护范围之内。