本发明涉及确定移动设备在地理区域中的位置的方法和设备。本发明特别适用于所述地理区域为室内区域的场合。本发明更具体地，但非排他性地涉及处理来自方位传感器和加速度传感器的数据的改进方法。
背景技术：
：：室内跟踪和导航是普遍的和环境敏感的智能手机应用程序的基本需要。室内定位应用程序包括智能零售、通过像是交通枢纽的大型公共场所的导航、以及辅助生活。室内定位系统的最终目标是在智能手机类设备上提供连续、可靠和精确的定位。近来，借助或不借助现有地图帮助的惯性跟踪或“航位推算”得到很多关注，但是，现有的方案缺少普遍性和鲁棒性。它们通常旨在实现在特定情景下的高精度，并且针对特定手机位置(即，在用户身体上的位置等)、用户、设备或环境进行微调。当在与它们设计所针对的条件不同的条件下测试时，它们的性能显著下降。例如，现有的方法大多假设用户以特定的方式(例如，文本输入模式)握着设备[1](参见以下参考文献列表)。更为先进的方法首先使用分类器来推断用户步行模式和手机位置(例如，手摆动、文本输入等)[2]、[3]，然后利用这种信息来优化惯性跟踪系统[4]。然而，现有技术方法只可以处理有限数量的手机位置选项。当用户偏离这种预定义的设置时，跟踪系统不知道如何处理新的情况。另一个主要问题是惯性跟踪系统通常假设具备导致用户、设备和环境变化的一系列参数的知识。用户变化参数的例子包括将用户身高、步频和加速度方差与他们的步长相关联的用户变化参数[5]-[8]。需要另外的参数对惯性传感器的噪声和与环境相关的磁场畸变的建模[9]。在优化行人航位推算系统(pdr)系统中所需要的巨大的调试努力是阻碍惯性跟踪系统成为主流的主要障碍之一。在本发明中，从针对特定情景的微调转向更通用的鲁棒跟踪。另一方面是系统的终身学习。以下是引用的公开文献：[1]：“lightweightmapmatchingforindoorlocalizationusingconditionalrandomfields(bestpaper)”，z.xiao、h.wen、a.markham和n.trigoni，“informationprocessinginsensornetworks(ipsn’14)”国际研讨会(德国柏林)，2014年；[2]：“towardphysicalactivitydiary:motionrecognitionusingsimpleaccelerationfeatureswithmobilephones”，j.yang，“1stint.workshopinteractivemultimediaforconsumerelectronics”(中国北京)，2009：1-9；[3]：“walkingpatternclassificationandwalkingdistanceestimationalgorithmsusinggaitphaseinformation”，j.s.wang、c.w.lin、y.t.yang和y.j.ho，“ieeetrans.biomedicalengineer.”，2012，59(10)：2884-2892；[4]：“iamasmartphoneandicantellmyuserswalkingdirection”，n.roy,h.wang和r.r.choudhury，mobisys，2014；[5]：“designofawirelessassistedpedestriandeadreckoningsystem-thenavmoteexperience”，l.fang、p.antsaklis、l.montestruque、m.b.mcmickell、m.lemmon、y.sun和h.fang，“ieeetransactionsoninstrumentation&measurement”，2005，54(6)：2342-2358；[6]：“adaptivesteplengthestimationalgorithmusinglow-costmemsinertialsensors”，s.h.shin、c.g.park和j.w.kim，“ieeesensorsapplicationssymposium”(美国加利福尼亚州圣迭戈)，2007：1-5；[7]：“mobilephone-baseddisplacementestimationforopportunisticlocalisationsystems”，i.bylemans、m.weyn和m.klepal，“3rdint.conf.mob.ubi.comput.syst.servicestechnol.(ubicomm’09)”(sliema)，ieee，2009.10，29：113-118；[8]：“steplengthestimationusinghandheldinertialsensors”，v.renaudin、m.susi和g.lachapelle，2012.1，12：8507–8525；[9]：“indoorlocationsensingusinggeo-magnetism”，j.chung、m.donahoe、c.schmandt和i.-j.kim，mobisys，2011；[10]：“motionmoderecognitionandstepdetectionalgorithmsformobilephoneusers”，m.susi、v.renaudin和g.lachapelle，sensors，2013.1,13：1539-62；[11]：“orientationestimationusingaquaternion-basedindirectkalmanfilterwithadaptiveestimationofexternalacceleration”，y.s.suh，“ieeetrans.instrument.measurement”，2010.12，59：3296–3305[12]：“design,implementation,andexperimentalresultsofaquaternion-basedkalmanfilterforhumanbodymotiontracking”，x.yun和e.r.bachmann，“ieeetrans.robotics”，2006.12，22：1216–1227；[13]：“3dorientationtrackingbasedonunscentedkalmanfilteringofaccelerometerandmagnetometerdata”，b.huyghe、j.doutreloigne和j.vanfleteren，“ieeesens.app.symp.(sas’09)”(美国路易斯安那州新奥尔良)，2009：1-5；[14]：“developmentofatinyorientationestimationdevicetooperateundermotionandmagneticdisturbance”，t.harada、t.mori和t.sato，“int.j.roboticsres.”，2007.6，26：547–559；[15]：“usinggravitytoestimateaccelerometerorientation”，d.mizell，“7thieeeint.symp.wearablecomputers(iswc’03)”，ieee，2003：252–253；[16]：“thejigsawcontinuoussensingengineformobilephoneapplications”，h.lu、j.yang、z.liu、n.d.lane、t.choudhury和a.t.campbell，“8thacmconf.embeddednetw.sensorsyst.(sensys’10)”(美国纽约州纽约)，acmpress，2010：71–84；[17]：“accelerometer-basedtransportationmodedetectiononsmartphones”，s.hemminki、p.nurmi和s.tarkoma，“11thacmconf.embeddednetw.sensorsyst.(sensys’13)”(美国纽约州纽约)，2013：1–14；[18]：“lippincott,williamsandwilkins”第三版，j.rose和j.g.gamble，humanwalking，美国马里兰州巴尔的摩，2006；[19]：“astep,strideandheadingdeterminationforthepedestriannavigationsystem”，j.w.kim、h.j.jang、d.h.hwang和c.park，“globalposition.syst.”，2004，3(1)：273–279；[20]：“pedestriandeadreckoning:abasisforpersonalpositioning”，s.beauregard和h.haas，“3rdworkshoppos.nav.commun.(wpnc’06)”，2006：27–36；[21]：“pedestriandeadreckoningsystemwithphonelocationawarenessalgorithm”，s.h.shin、m.s.lee和p.c.g.，“ieee/ionpositionlocationnav.symp.(plans’10)”，2010：97–101；[22]：“strap-downpedestriandead-reckoningsystem”，p.goyal、v.j.ribeiro、h.saran和a.kumar，“int.conf.indoorpos.indoornav.(ipin’11)”，ieee，2011，9：1–7；[23]：“activityrecognitionfromaccelerometerdata”，n.ravi,n.dandekar,p.mysore,andm.littman，7thconf.innov.app.artificialintell.(aaai’05)，2005：1541–1546；[24]：“onlineposeclassificationandwalkingspeedestimationusinghandhelddevices”，j.-g.park、a.patel、d.curtis、s.teller和j.ledlie，“acmconf.ubi.comput.(ubicomp’12)”(美国纽约州纽约)，acmpress，2012：1–10；[25]：“walkdetectionandstepcountingonunconstrainedsmartphones”，a.brajdic和r.harle，“acmconf.ubi.comput.(ubicomp’13)”(瑞士苏黎世)，acmpress，2013.30：225–234；[26]：“automaticstepdetectionintheaccelerometersignal”，h.ying、c.silex和a.schnitzer，“4thint.workshopwearableandimplantablebodysensornetw(bsn’07)”，2007：80–85；[27]：“zee:zero-effortcrowdsourcingforindoorlocalization”，a.rai和k.chintalapudi，“18thann.int.conf.mob.comput.netw.(mobicom’12)”(土耳其伊斯坦布尔)，2012：1–12；[28]：“uptime:ubiquitouspedestriantrackingusingmobilephones”，m.alzantot和m.youssef，“ieeewirel.commun.netw.conf.(wcnc’12)，ieee，2012.4：3204–3209；[29]：“asurveyofindoorinertialpositioningsystemsforpedestrians”，r.harle，“ieeecommun.surveys&tutorials”，2013.1，15：1281–1293；[30]：“walkdetectionwithakinematicsensor:frequencyandwaveletcomparison”，p.barralon,n.vuillerme,andn.noury，“ann.int.conf.ieeeeng.med.bio.soc.”，2006.1，1：1711–4；[31]：“classificationofgaitpatternsinthetime-frequencydomain”，m.n.nyan、f.e.h.tay、k.h.w.seah和y.y.sitohj.biomech，2006.1，39：2647–56；[32]：“pedestriantrackingwithshoe-mountedinertialsensors”，e.foxlin，“ieeecomput.graph.app.”，2005，25(6)：38–46；[33]：“smartslamanefficientsmartphoneindoorpositioningsystemexploitingmachinelearningandopportunisticsensing”，r.faragher和r.harle，“26thint.tech.meet.satel.div.instituteofnav.(iongnss+’13)”，2013：1–14；[34]：“aneffectivepedestriandeadreckoningalgorithmusingaunifiedheadingerrormodel”，w.chen、r.chen,y.chen、h.kuusniemi和j.wang，“ieee/ionposition,locationandnav.symp”，ieee，2010.5：340–347；[35]：“steplengthestimationusinghandheldinertialsensors”，v.renaudin,m.susi,andg.lachapelle，“sensors”，2012，12(7)：8507–8525；[36]：“areliableandaccurateindoorlocalizationmethodusingphoneinertialsensors”，f.li,c.zhao、g.ding、j.gong、c.liu和f.zhao，“acmconf.ubi.comput.(ubicomp’12)”(美国纽约州纽约)，“acmpress”，2012：421；[37]：“efficient,generalizedindoorwifigraphslam”，j.huang、d.millman、m.quigley、d.stavens、s.thrun和a.aggarwal，“ieeeint.conf.robot.automat.”(中国上海)，ieee，2011.5：1038–1043；[38]：“assessmentofindoormagneticfieldanomaliesusingmultiplemagnetometers”，m.h.afzal、v.renaudin和g.lachapelle，“23thint.tech.meet.satel.div.instituteofnav.(iongnss+’10)”，2010.9：21–24；[39]：“amachinelearningapproachtorecoveryofscenegeometryfromimages”，h.trinh，丰田工业大学芝加哥分校博士论文，2010。技术实现要素：根据本发明，提供了用于对从在所附的权利要求中定义的设备的传感器传出的传感器数据进行处理的各种方法。本发明利用两个主要原理：鲁棒性：它使用简单而全面的手机位置分类方案，即，覆盖将手机附连于人体的所有可能方式。根据这种方案，它提供这里所谓的“r-pdr”，即健壮的行人航位推算(pdr)算法，其基于人体运动所支持的普通物理原理，并且避免使用特定情景试探，例如，如果手机在裤兜中，使用技术a；如果在文本模式，使用技术b。通过设计，r-pdr旨在对于用户、设备和电话位置变化有较强的鲁棒性。终身学习：虽然pdr参数经常需要特定情景调整，但是在本发明中，这种信息是通过学习，而不是手动调整或者假设为初始输入。为了这个目的，它使用行人航位推算(pdr)层和地图匹配(mm)层之间的相互作用。现有的工作通常将pdr输出供给地图匹配技术(例如，粒子滤波/hmm/crf)，该地图匹配技术利用地图信息来校正惯性轨迹。这里称为终身学习跟踪器(ll-tracker)的本发明的一部分在上述两个层之间引入反向链路。它增加地图匹配层的功能来学习特定情景参数，这些特定情景参数接着将反馈至在下面的pdr层。虽然验证了ll-tracker学习当前健壮的行人航位推算算法(r-pdr)的参数的效率，但是终身学习在提高需要参数调整的任意pdr实施的性能中有广阔的应用前景。简而言之，本发明的贡献和目的包括：对人体运动进行分类的新的全面的方式；利用新的分类方案、并且对于用户、设备和电话位置变化有较强的鲁棒性的健壮的行人航位推算(r-pdr)算法；通过在地图匹配层和行人航位推算层之间引入反馈回路简化了参数调整的工作的终身学习跟踪器(ll-tracker)；以下还提供了在设备类型、用户、手机位置和建筑变化的广泛的情景范围内的本发明的r-pdr和ll-tracker的评价。本发明的目的是提供室内跟踪系统，其对于惯性测量单元(imu)传感器引入的噪声和情景变化具有较强鲁棒性。需要注意的是，pdr算法通常包括运动模式识别、步伐检测、步长估算、步伐航向估算。本发明在此解决了以下主要挑战：运动分类：尽管据我们所知对于不同运动模式的识别做了大量工作，但是仍然缺少捕获大范围的人体运动和设备连接方式的综合分类方案，因为它们不得不包括大量的运动具体优化规则，特别是为了解决步伐检测的问题。设备方位估算：pdr算法的性能很大程度上取决于准确地跟踪移动设备的方位的能力。这个任务在嵌入有低成本imu传感器的无约束(移动/可穿戴)设备的情景下是极具挑战的。通常，陀螺漂移和磁扰，尤其是在室内环境中的陀螺漂移和磁扰，是准确方位估算的主要障碍。由于pdr算法的几乎所有任务都使用方位信息，因此解决这个问题是至关重要的。加速长/短期漂移：另一个主要挑战是在加速度信号中的短期和长期漂移的校正。使加速度信号失真的噪声是主要问题，因为它导致方位估算的不准确。设备的小的倾斜误差将使投影至地坐标系的加速度信号失真，垂直加速度的一部分，例如，重力分量，将算入水平加速度。参数调整：惯性跟踪系统通常需要小心调整参数，例如，传感器偏差参数和步长估算参数等。某些参数是特定情景，例如，取决于环境、设备或个人，的事实对惯性跟踪系统的广泛应用构成巨大挑战。附图说明现在将参照以下附图举例说明本发明的实施例：图1为根据本发明的实施例的系统的总体结构；图2为用户携带的设备的一些典型运动的加速度信号和方位信号；图3a为将各种技术估算的重力进行比较的图表；图3b为展示了采用和没有采用本发明的实施例的技术估算的加速度的图表；图4展示了对采用本发明的实施例的技术处理的加速度的分量的影响的图表；图5a展示了根据不同技术和设置在用户身体上的不同位置对用户步伐的检测的比较；图5b展示了根据不同技术对用户的各种非步伐运动的拒绝的比较；图6a为一组说明了在本发明的实施例中的最小二乘估算航向估算；图6b为对由各种航向估算技术得到的测量的轨迹的比较；图6c为对由各种航向估算技术的比较；图7a、7b和7c展示了证实学习传感器偏差的效能的一系列轨迹；图8a、8b和8c展示了在步长估算时依照本发明的实施例的终身学习的重要性和有效性的实验结果；图9a和9b为将各跟踪算法的准确性进行比较的图表；图10a、10b和10c为证实终身参数方法的有效性的图表；图11a、11b和11c为证实终身偏差学习的有效性的图表；图12a和12b展示了本发明的实施例在各种环境中的性能；图13a、13b和13c说明了在各种环境中进行的实验；图14为本发明的实施例的运动识别模块的示意图；图15为本发明的实施例的步伐检测模块的示意图；图16a为已知的用于方位信号的卡尔曼滤波器布置的示意图；图16b为同时使用磁强计和重力信号作为修正输入的用于方位信号的卡尔曼滤波器布置的示意图；图16c为依照本发明的实施例的使用重量作为修正信号的用于方位信号的卡尔曼滤波器布置的示意图；图17为本发明的实施例的加速度模块的示意图。具体实施方式图1展示了本发明的实施例的系统架构。具有加速计、磁强计、陀螺仪等传感器的智能手机100设置有软件，在示图的其他部分展示了软件的模块。加速计、磁强计和陀螺仪是主要的传感器，但是系统可以考虑其他传感器来提供位置、加速度和方位信号，如气压计、光传感器等。软件的第一层，即健壮的行人航位推算(r-pdr)10，配备有三个新的模块：首先，它具有的功能特征包括新的运动分类方案1，其在它的分类中只使用两个类，但是尽管如此，其可以捕获大范围的人体运动和设备放置的组合。其次，利用关于人体运动的简单观察，r-pdr具有带有健壮机制来校正短期和长期加速度偏差的加速度估算模块2。第三，r-pdr具有新的并且健壮的设备方位估算模块3。(这里使用的“层”仅表示包含这里描述的模块中较小的模块的较大的软件模块。)以下将描述r-pdr的这三个模块，然后解释它们如何协助其进一步的功能模块，运动识别模块4、步伐检测模块5、步长估算模块6和步伐航向模块。r-pdr层10的输出，即用户轨迹，特别地在本实施例中，包括设备的用户迈出的每个步伐的距离值和航向值。(具体地，这些是每个步距和步伐航向的均值和方差值、或者是对不确定性的一些其他估算和测量。)然后这个数据被馈入地图匹配层20，该地图匹配层20考虑地图约束来校正长期漂移的问题。不像信息只是向上流动的现有系统，本发明提供了反馈回路。地图匹配层20具有位置估算模块，该位置估算模块使用轨迹和地图(101表示在设备的屏幕上的地图的显示)来提供位置，该位置用于，例如，通知用户其位置。将位置信号，即均值和方差，或者对位置的不确定性的一些其他估算和测量，传递至终身学习模块22，该终身学习模块22微调r-pdr层10使用的参数，并且将那些参数时不时地反馈至p-pdr层10。产生的端到端算法在这里称为终身学习跟踪器(ll-tracker)，其从经验中学习，并且逐渐在处理熟悉的跟踪场景上做得更好。以下将更详细地描述反馈回路和提供阐明跨层优化的好处的例子。现在从解决当前在人体运动分类中存在的挑战的新的分类开始，更详细地描述软件的新的能力。现有的工作已经提出了用于识别智能手机用户的各种各样的运动模式(包括打电话、文本输入、手摆动、静止等)的技术[8]、[10]。然而，这些运动模式只是所有可能人体运动模式的子集，并且足以满足控制的实验设定。为了使得运动模式识别工作在不受约束的现实世界设定中，需要定义大量新的运动模式，如果想要计算人类的所有可能运动模式，则将导致运动模式的急剧上升。在本发明的本实施例中，采用的方法不是根据运动模式的差异区分运动模式，而是使用它们共同具有的特征尽可能多地将它们归成一组。具体地，使用非常简单的分类方案，只包括两个模式：对称和不对称。非正式地，对称模式是以类似的方式受左右腿的运动影响的一类运动；不对称模式包括所有其他类型运动。典型的对称运动模式包括但不限于：文本输入：当步行时，移动设备持有在用户的前方；打电话：当步行时，移动设备持有靠近头部；沉重的包：当步行时，移动设备被放在沉重的包中(以致行人的手不会摆动)；衬衫口袋：当步行时，移动设备被放在衬衫口袋中；静止：无论移动设备被放在哪里，它都不会移动；类似地，一些典型的不对称运动模式包括：手摆动：当步行时，移动设备被持有在摆动的手中；裤子口袋：当步行时，移动设备被放在裤子口袋(前或后)中；带：当步行时，移动设备被固定至带；手挥动：当没有移动时，(可能周期性地)挥动移动设备。图2说明了对称和不对称运动模式的一些例子。需要注意的是，所有对称运动模式都具有周期对应于单个步的类似加速度信号，同时所有不对称运动模式具有周期对应于两个步的类似加速度信号。把运动分类为对称和不对称的好处有三个。首先，它是没有遗漏任何运动的综合方案。其次，运动分类步骤本身是简单的任务，其使用与正弦波的单互相关(如下所述)实现。最后，对称运动具有周期加速度信号而不对称运动模式具有周期方位信号的事实大大地方便了步伐检测的任务(也如下所述)。至此已经讨论了用于运动分类的方案；以下描述它在运动识别模块中的实现。能够准确跟踪设备的方位是准确的长期惯性跟踪的基础。这是因为pdr的大多数步骤，包括步伐检测、步长和航向估算，都是基于设备的方位。然而，跟踪设备方位仍然是采用嵌入在未约束为以一定方式持有的移动设备中的低成本惯性测量单元(imu)传感器的重要问题，其中，imu传感器包括为此目的的陀螺仪和磁强计。陀螺仪漂移和磁扰，特别是在室内环境中的陀螺仪漂移和磁扰是准确航位跟踪的主要障碍。大多数现有的软件使用卡尔曼滤波器，例如，间接卡尔曼滤波器[11]、扩展卡尔曼滤波器(ekf)[12]和无迹卡尔曼滤波器(ukf)[13]，采用来自陀螺仪的角速度来跟踪设备方位以周期性地修正方位。在水平面上的陀螺仪漂移(偏摆)可以采用磁场测量值补偿，尤其是存在区域的磁场畸变的地图的情况下。然而，在横摇角和纵摇角上的陀螺仪漂移仍然是具有运动加速度的设备亟需解决的问题[14]。通过准确地估算来自原始加速计的重力加速度，本发明的本实施例解决了这个问题。接着，重力向量用作卡尔曼滤波器中的观察，从而校正横摇和纵摇中的漂移。因此，图16a展示了处理方位信息的现有技术模块。卡尔曼滤波器161从陀螺仪接收方位信号(即，集成为方位信号的来自陀螺仪传感器的基础角速度信号)，其中，方位信息提供作被过滤的信号，磁强计信号被用作输入卡尔曼滤波器的修正输入信号。图16b展示了本实施例的类似部分(其是方位跟踪模块3的一部分)。其也采用了卡尔曼滤波器161’，但是具有附加修正信号，该附加修正信号是表明作用在设备上的重力的方向的信号。因此，这个信号还用于修正过滤的方位信号。卡尔曼滤波器可能至少是上述卡尔曼滤波器的任意变体。重力信号可以以不同的方式提供。以下将描述一些已知的方法和在本实施例中优选的准确性更高的方法。当前存在两个主要的方法来估算加速计测量值的重力分量。第一种方法由mizell等人提出[15]，其使用固定持续时间的窗口的平均值来估算重力。这种方法是优雅而简单的，但是它不适于行人使用的移动设备。主要原因在于，方位的变化向准确的重力估算引入相当大的迟延。为了减少该迟延，可以缩短估算重力的时间窗[16]。然而，这降低了重力估算的准确性。第二种方法由hemminki等人提出[17]，其只在加速度信号在一段时间内的变化低于一定阈值时才估算重力。这种方法降低了由第一种方法引入的迟延，但是受到两个限制。首先，这种方法只在移动设备静止一段时间时才工作；当用户处于运动中时它不工作，而用户运动是最需要重力估算的。其次，在不同运动模式中的变化的阈值是不同的，使得它难以应用于现实世界设定。为了解决这些限制，本实施例使用可以准确地估算重力矢量而没有迟延，并且会一直工作的新的算法。它利用的关键事实是陀螺仪传感器在短时间段内是可靠的。算法如下所述。假设我们在给定尺寸t的历史原始加速计数据at-t:t的窗口的情况下，想要估算在时刻t的重力。在第一步(参见图14)，来自加速计的加速度信号at-t:t-1在时间戳t被投射到手机的坐标系，接着在第二步，在时刻t的重力矢量gt被估算为投射后的加速度读值的平均值：其中，是从在时间戳τ的设备坐标系到时刻t的设备坐标系的投影矩阵。这个投影矩阵容易从时刻t的陀螺仪传感器读值得到。这些陀螺仪传感器读值可能是，例如，来自陀螺仪传感器的原始信号，或者卡尔曼滤波器的输出(它们彼此之间在涉及的时间尺度上没有多少区别，它们的使用的选择如图16c中的虚线箭头所示)(还需要注意的是上标t表示转置矩阵)。已经进行了实验来比较推荐的算法和现有技术的重力估算技术。在实验中，行人正常行走，移动设备处于文本输入模式。使用本发明和现有技术的方法估算重力矢量。接着，如图3a所示的重力量值被估算作在z轴上的加速度。可以看出，mizell的方法是最不准确的，因为它不能够管理设备的方位改变。samuli的方法提供更准确但是非常稀疏的重力估算，因此在大多数情况下，行人的运动使得加速度的变化大于阈值。相较而言，本实施例的方法提供准确的重力估算和连续工作。如上所述，重力矢量估算值接着将馈入卡尔曼滤波器作为附加观察值(连同磁强计测量值)来估算设备的方位。图16c展示了本实施例的方位跟踪模块3的细节的更完整的版本。其具有卡尔曼滤波器161’(如图16b所示)，带有由重力估算模块162提供的重力信号，执行上述等式(1)的计算。这个模块162将表明设备的加速度的信号(例如，原始加速计数据)和由t到τ计算器163提供的等式1的矩阵r的值作为其输入。本实施例的方位跟踪方法有如下优点。首先，根据在由卡尔曼滤波器给出的时刻的设备方位估算值，每个加速度矢量均转换为地面坐标系。接着，重力量值简单地估算为在短窗口中的z轴上的加速度的平均值。图3b展示了采用和不采用推荐的方位跟踪算法的重力的长期估算。正如预期的，当没有把重力用作卡尔曼滤波器的修正输入时，设备方位的漂移快速增加，导致重力量值估算值偏离地面实况。这种由方位漂移导致的加速度漂移可以造成用户步伐的计数错误。然而，本发明计算和取决准确的重力矢量估算值，已经成功校正这种漂移。虽然推荐的重力估算算法可以使得设备的长期方位跟踪(即，卡尔曼滤波器的输出)健壮，但是它不足以准确估算水平面上的加速度，而水平面上的加速度对于步伐检测是很重要的。主要原因在于，即使是非常小(例如，两度)的设备倾斜(可能不会被上述算法校正)可以明显地影响水平面上的加速度信号。例如，两度的倾斜可以只将z轴上的加速度读值从9.806m/s2改变为9.801m/s2，但是它可以将水平面上的加速度(x或y)偏移0.342m/s2。使情况更糟的是，这种偏移用过二重积分被明显放大，这导致距离估算的更大误差。例如，两度倾斜误差可以导致10秒内多达20米的误差。发明人已经意识到使用来自人类行走的物理约束可以做出改进。在[18]中证实了人类具有出奇一致的连续步伐的步行模式。本实施例利用此来提供更好的方法估算和校正方位误差，这里称为重复模式修正(reput)。该方法假设：首先，在对称运动模式中的每个步伐之后，或在不对称运动模式的每两个步伐之后，移动设备的速度和高度几乎相同(检测如以下所述)。其次，假设方位误差，即来自健壮的方位跟踪所估算的方位和实际方位之间的差异，也就是反向旋转r(明显不同于等式1)，在一个或两个步伐的过程中是相同的。使用以下符号：单个/两个步伐，在时刻t0开始，速度为v0，在时刻te结束，速度为ve。结束速度表示如下：其中，r是旋转矩阵，其校正在时刻t来自设备的加速度传感器的加速度矢量at中的方位漂移，[axt,ayt,azt]为在地面坐标系(优选地，ned(northeastdown)坐标系)中表示的在时刻t的at的分量，z为垂直的。δt是加速度采用间隔。r类似地由这些坐标系表示。接着，根据第一reput假设，我们得到还可以用公式表示其他重复模式。例如，在2d定位中，在一个步伐之前和之后，移动设备具有相同的离地距离，其可以用公式表示为：其中，azt是沿着z轴的垂直加速度。有可能的是，这些条件可以彼此矛盾，因为速度差值δv或距离差值δl不能严格为零。因此，逆-漂移旋转矩阵r的最小二乘解与简单的最优化一起使用。接着，可以通过将加速度信号旋转r校正漂移，因此：a’t＝rt.at，其中，a’是校正的加速度矢量，rt是在包含at的t0到te的间隔从等式(3)和(4)计算出来的。为了测试reput算法的有效性，我们已经进行了简单的实验，在这个实验过程中，行人正常行走，将设备拿在手上。图4展示了reput算法之前和之后的加速度信号的典型例子。可以观察到，如果我们不采用重复模式假设，沿着x和y轴的加速度信号随着时间显著漂移；通过reput成功校正了该漂移。图17展示了加速度模块2的优选形式，其中，r矩阵用于校正加速度信号以提供从模块2输出的加速度信号。首先，使用方位信号，通过加速度投影模块171，将原始加速度矢量信号的分量从设备参考系转换至地面参考系。接着，加速度信号应用于r优化模块171，以导出等式3和4的r，然后通过加速度校正器173将r转而应用于加速度信号，从而校正加速度信号，如上所述。找到的r应用于间隔t0到te中的加速度矢量，这些加速度矢量曾经用于计算r的值。已经讨论了r-pdr的上述关键新能力，以下将描述它们在四个行人航位推算步骤的更健壮的版本中的使用：即运动识别、步伐检测、步长估算和航向估算。运动识别模块4利用上述新的分类方案，分类只包括两种运动类型——对称和不对称。此外，为了识别运动类型，它使用校正的方位和加速度(垂直分量)信号。在本实施例中的方位信号是图16c的输出(即，经过卡尔曼过滤的)，例如，使用信号的纵摇分量，但是由于移动设备可以持有在各种方位，因此也优选地使用横摇和偏摆，并在在特定时间选择合适的一个。在本实施例中，加速度信号为减去了重力的加速计的原始信号。从图2可以看出，在对称运动模式中，例如，文本输入和打电话，垂直加速度信号类似正弦波，而在不对称运动模式中，方位信号更接近正弦波。图14a展示了运动识别模块4。dft模块141和142在与人类行走相对应的频率范围，通常在1.2hz和2.5hz之间，分别计算来自加速计(重力小)和健壮的方位跟踪模块3的加速度信号和方位信号中的每一个的离散傅里叶变换(dft)，从而检测在那个范围内的能量。贝叶斯分类模块143分别接收那些dft，并且决定设备位置是否造成处于对称运动(垂直加速度相比方位具有更强的周期性)或不对称运动(方位相比垂直加速度具有更强的周期性)，输出表明决定的信号。能量检测模块使用dft和两个状态的隐马尔科夫模型之间的标准化交叉关系做出决定。因此，它评估垂直加速度或方位波形中的哪一个具有更强的周期分量。运动识别模块可以使用表明方位和加速度的其他信号，特别地，可以使用通常使用的来自加速计的原始数据。也可能使用具有最强周期分量的其他评估方法。一旦将运动模式分类，接下来执行的任务是检测人的步伐。典型的现有的步伐检测算法通过识别加速度信号中的循环模式检测步伐，例如，峰值检测[5]、[7]、[19]、过零检测[20]-[22]、如傅里叶变换的频谱分析[23]、[24]、短时傅里叶变换[25]、连续小波变换[8]、以及自/互相关[26]、[27]。上述技术假设人只有在行走的时候才产生周期加速度信号，但是这不是真实的。因此，它们不能区分真实步伐和用户实际没有向前移动的单手摇摆。这是因此，这两个动作可以实际产生非常类似的加速度信号模式。假阳性步伐检测的问题在应用使用加速度信号的量值的算法[28]时更严重，并且随着运动模式(如爬行、蹒跚、侧步、曳步[29])的约束的减少，将会进一步加剧。简而言之，现有技术只关注类似步伐的信号段的边界的识别(也称为步伐模式提取)。相较而言，本实施例不只提出新的实现步伐模式提取的方法，还引入额外的分类步骤来区分提取的步伐是真的还是假的。真的步伐在这里定义为带有移动的步伐，与此相对的是，假的步伐没有移动。假的步伐的一个例子是当人摆动在他的手中的手机而实际没有移动他的腿时所检测到的假的步伐。以下将描述新的步伐模式提取和步伐分类模块。本实施例的步伐识别方法旨在以轻量级在线方式识别类似步伐的信号段的边界。该方法通常使用时域分析利用上述运动运动识别方法非常准确地提取步伐。使用的分析取决于运动识别为对称的或不对称的。图15展示了步伐检测模块5的细节。如果是对称的，则模块5将加速度信号的垂直分量用于步伐检测，因为在对称运动模式中具有简单的类似正弦波模式。这里将类似于[22]的增强的过零检测器151应用于加速度信号以检测步伐边界，该增强的过零检测器产生步伐边界标志。然而，如图2所示，不对称运动模式的加速度模式明显不同，使得采用峰值或过零等时间特征识别步伐是极其困难的。因此，在这种情况下，方位信号的纵摇分量用于提取步伐，因为在不对称运动模式中方位的改变(而非加速度的改变)是非常周期性的，如图2所示。在这种情况下，步伐边界是设备方位信号的峰值和波值，例如，第一步伐是从波值到峰值，第二步伐是从峰值到波值。然而，在方位信号应用于检测峰值和波值以提供步伐边界的标志的峰值和波值检测器153之前，用低通滤波器152过滤方位信号。从图2中的方位信号的最右边两个轨迹可以看出，方位信号可以具有一些非基本的频率分量使峰值和波值的形状复杂化，因此滤波器153提高了峰值和波值检测的可靠性和准确性。为了提高可靠性，加速度信号在应用于过零检测器151之前还经过低通滤波器155的过滤。多路复用器154显示为步伐检测模块5的一部分，连接以接收来自过零检测器151和峰值和波值检测器153的步伐边界标志，并且根据来自运动识别模块4的运动是对称的还是不对称的标识在它们之间进行选择。在本实施例中，模块由软件实现，多路复用器只是符号性的——软件首先检查运动是对称的还是不对称的标识，并且只相应地执行对加速度或方位信号上的步伐边界的检测，以节省计算资源。如上所述，用户可以在不同的方位持有设备，模块选择方位信号的哪个分量进行峰值和波值的检测。步伐模式提取步骤不用区分真的步伐和假的步伐。提供了考虑了方位和加速度信号的信息特征的进一步分类步骤。具体地，水平和垂直位移是告知移动设备是否发生实际移动的信息特征。在本实施例中，它们由一个步伐过程中的加速度信号的二重积分(分别在x-y平面/z轴)得到，但是可能是其他方法。这两个特征是很有信息含量的，因为它们可以捕获真的步伐和假的步伐之间的根本差异。在真的步伐中，水平位移比假的步伐更大，垂直位移比假的步伐更小。加速度信号和方位信号之间的互相关还被认定为抛弃假的步伐的有效特征，因为如果我们摇动设备，则加速度信号和方位信号倾向于具有相同的周期，这对于正常的行走行为是不正确的。(同样地，方位可能与(例如，由加速度的单次积分形成的)速度或与位移互相关，这是因为由于加速度在周期运动中具有相同的周期因此它们有相同的周期。)方位偏移是用于真的/假的步伐分类的另一特征。方位偏移测量在一个步伐过程中方位已经改变了多少。这个特征的提出是为了防止在计算水平和垂直位移中考虑由转弯产生的加速度。上面定义的强势特征允许我们在本实施例中使用简单的决策树来准确地区分真的和假的步伐。通常，设置用于从哪些信号中区分真的和假的步伐的模块可以是，例如，任何机器学习或贝叶斯分类器(决策树、svm、神经网络等)。已经进行了一系列实验来比较本实施例的步伐检测方法和现有技术的步伐检测算法(包括峰值检测(pd)[19]、过零检测(zd)[22]、短时傅里叶变换(stft)[30]、连续小波变换(cwt)[31]和自相关(ac)[27])。实验涉及不同的用户、连接方式和总数超过15000的真实步伐。在我们的实验中竞争方法的步伐检测准确性类似于[25]中报道的准确性。图5a展示了本实施例的方法和竞争方法的步伐检测准确性。可以看出，本实施例的方法不管设备的连接方式，一贯地表现出非常高的准确性。现在还证实了使用来自重复但是与向前位移相对应的多个行为的数据，在对是否已经实际上迈出或没有迈出步伐的判断中现有算法的性能。每个行为，如敲击、晃动和顿足，执行200次。可以从图5b中观察到，本实施例的方法报告了接近0次的真的步伐，而所有其他算法报告了约200次的步伐，这在本实施例排斥了假阳性步伐的情况下证实了该方法的有效性。r-步长估算：不像脚部安装的惯性导航系统[32]，加速度的二重积分来得到步长不适用于手持设备，原因在于零速修正(zupt)不适用于手持设备，因为在步行周期的过程中当一只脚固定在地面上时，只有脚跟可以被认为是(几乎)静止的。已经提出了各种模型来解决步长估算问题。最简单的方法是使之成为常数[33]，因为行人在自然步行速度下具有惊人地保持不变的步长[18]。然而，当与其他人一起行走时，人们倾向于调整他们的自然步行速度，这导致步长的显著变化[29]。用于估算步长的最常用方法是将步长与行人高度、步频、加速度方差等变量相关联的线性[6]、[8]或非线性[5]、[7]模型。这些模型易于实现，并且因此在实际中广泛采用。线性/非线性模型的一种替代是回归。根据从传感器数据中提取的各种特征，已经应用了如支持向量机[3]、[8]和神经网络等机器学习回归技术。本实施例使用简单的步长模型[35]，其使用加速计数据来检测步频(在时刻t用ft来表示)，该步频后续用于估算步长lt，如下所示：lt＝h(αft+β)+γ(5)其中，h是行人高度，α是步频系数，β是给定行人高度的步伐常数，γ是步伐常数。这个模型的准确性通过其自身并不令人满意，因为步长参数在不同用户和环境中各不相同。然而，本实施例的r-步伐长度估算方法得益于由于r-pdr和地图匹配之间的反馈回路而供给有仔细配置的参数值。这里被称为非监督式终身学习方法，如ll-tracker，以下将对其详细描述。r-航向估算：估算行人的航向，大多数现有工作假设了解移动设备附连至哪个位置，从而假设行人的航向总是与移动设备的航向一致[36]，在现实世界设定中这是不正确的。zee[27]证实了可以通过观察典型行走的频谱来估算航向。虽然这是有意思的想法，但是它受到方向模糊所带来的问题。walkcompass[4]在步伐的片段中用最大加速度采样加速度信号。在移除噪声并且将样本旋转至稳定的坐标系后，它算出样本的平均数以获得3d中的行走方向。接着，它将估算出的方向投影至水平行走平面。这种方法可工作于各种设备布置，但是它对噪声敏感，如下所示。在本实施例中，替代如walkcompass的均分，使用最小二乘拟合在水平平面(两个分量x和y)中最匹配单个步伐的加速度读值的直线。(可以使用贝叶斯回归等其他方法替代最小二乘)。我们使用加速度样本的前50％消除直线的两头之间的歧义。如果来自最小二乘法的残留误差较小(图6a的顶部和中部)，则产生的估算用作设备和用户航向之间的偏移；否则(图6a的底部)，我们使用曾经被可靠估算的最新的偏移。图6b和6c通过在体育中心跟踪用户110秒比较了本实施例的技术和相比较的技术。注意到，提出的r-pdp方法可以检测和避免噪声估算值，因此相比竞争方法产生更高的准确性。本实施例的航向估算取决于能够正确地将加速度数据旋转至地面坐标系。这需要准确的设备方位估算，其转而取决于如上所述的陀螺仪数据的质量。本实施例通过ll-tracker的终身学习方法学习传感器偏差，解决了如上所述的陀螺仪传感器的长期偏移的问题，并且进一步提高了r-航向估算的准确性，如下所述。背景：虽然提出的r-pdr对于设备、连接方式和用户的运动变化具有鲁棒性，但是它不能完全解决所有的pdr算法受到随着时间的推移估算的位置偏离真实位置更远的事实的影响的问题。已确立起来的校正pdr中的长期偏移的方法是使用地图约束，如在楼层平面图、无线电rssi地图和磁场畸变地图中编码的地图约束。合理的假设是给定地图(尤其是，楼层平面图)的可用性、以及在室内制图中google、microsoft、apple和qualcomm等主要参与者投入的大量精力。地图匹配层可以以多种方式实现。传统上，它已经使用递归贝叶斯滤波器，如hmm、科尔曼滤波器和粒子滤波器，后者由于其在大量粒子被使用时的简单性、易于实现和准确性，是使用最为广泛的方法。最近，引入了基于无向图形化模型(具体地，条件随机场)的新方法，其相比贝叶斯滤波器表现得更加轻巧和准确[1]。在这篇文章中，认为虽然地图匹配层在室内定位中已经起到关键的作用，但是它还没有实现它的全部潜力。它不仅可以用于pdr轨迹中的长期偏移，但是还可以用于终身学习的新目的。类似于多次方位相同环境而更好地找到他们的行踪的人，室内定位算法在相同的背景下重复运行。这个想法在室内定位中不完全是新的。一个说明性的例子是使用同步定位和匹配方法(如wifislam[37])的地图匹配的实现。贝叶斯滤波器也适应于地图匹配，例如，zee[27]、[36]，其中，在轨迹已经与给定的地图匹配之后，学习无线电地图或磁场畸变地图[38]。原则上，用户越多地方位一个环境，则推测的无线电地图变得越准确，并且地图匹配的性能越好。然而，到目前为止，终身学习的概念只是用于优化地图匹配层自身的功能。形成鲜明对比的是，在本实施例中，来自地图匹配层的信息在r-pdr层的性能优化中起到关键作用。它可以用于学习各种参数，如取决于设备/设备连接方式(例如，传感器偏差)、或用户/环境(例如，步长参数)的参数。这种端到端终身学习跟踪系统在这里被称为ll-tracker。它由r-pdr10、地图匹配20和从地图匹配到r-pdr的反馈回路构成，如图1所示。以下首先描述对反馈回路至关重要的参数学习过程，然后举几个例子说明。r-pdr的准确性取决于在它的四个模块4、5、6和7中采用的参数的数量。这些参数难以手动调整，因为它们可能取决于设备、连接方式、用户和环境。为了解决这个问题，本实施例使用非监督式方法来学习r-pdr参数。每当地图约束为使得匹配的轨迹有且仅有一个概率可以高概率地最好地支持原始轨迹时，该方法就会被触发。这保证了匹配的轨迹方案的存在和唯一性。当满足这个条件时，r-pdr参数调整变成以下优化问题：其中，x是需要调整的r-pdr(或另一种pdr实现)的参数(或参数的矢量)，s(x)是匹配的轨迹，z(x)是从r-pdr馈送入地图匹配的原始轨迹。关键理念在于只有当估算的参数值等于(或非常接近于)正确的参数时，在给出原始轨迹的情况下我们才能将匹配的轨迹的条件概率最大化。这种优化的解决可以采用期望最大化(em)方法得到。然而，软件em方法不会工作，因为在m-step中的参数x的优化实际上改变了模型的状态空间，这使得e-step不能够评价在下个迭代中的期望值[1]。因此，采用健壮的em方法(也称为viterbi训练)来解决优化问题[39]。以下是证实用于参数调整的r-pdr和地图匹配之间的反馈回路的有效性的几个例子。陀螺仪偏差的学习：传感器，尤其是低成本传感器偏差的学习是pdr算法的性能的关键。运动传感器偏差是阻碍惯性跟踪被广泛使用的瓶颈，因为传感器偏差是累积的，其导致轨迹的明显误差，尤其当其在没有额外的约束可以应用的开放空间中使用时。更糟的是，运动传感器还受到时间漂移和热漂移的影响，这使得偏差随着时间和温度变化。因此，传感器偏差的终身学习对于准确的pdr跟踪是必要的。在实践中，常备的三个运动传感器，加速计、磁强计和陀螺仪具有漂移或误差。然而，在这三个运动传感器中，陀螺仪在确定设备的准确方位方面起着关键的作用，其是建立长期跟踪的基础。此外，陀螺仪传感器的校准相比于加速计和磁强计的校准特别困难。因此，陀螺仪偏差的学习是相当有用的。已经进行了测试传感器偏差学习的有效性的实验。图11展示了一个nexus5设备在室内篮球场中的轨迹，没有任何楼层平面图或其他地图约束。观察到没有传感器偏差学习时轨迹很大程度上偏离地面实况。在如图13a所示的完全不同的(办公室)环境中，在已经学习了设备的传感器偏差之后，在航向估算方面得到很大改进。这个例子用于展示终身学习如何可以利用一个环境的结构对在更具挑战的开放空间环境中的导航提供帮助。跨环境学习的含义可以延伸至其他用户：可以利用带有“终身学习经验”的用户的高跟踪准确性来创建环境的准确无线电地图，这转而会给wifislam[37]等其他算法和只采用无线电地图进行跟踪的用户带来好处。步长常数的学习：第二个例子展示了我们可以如何使用r-pdr和地图匹配之间反馈回路来提高r-步长估算(r-pdr10的模块6)的性能。具体地，本实施例的方法用于学习不同个体的步伐常数γ(等式(5))因为：1)由于人类步行模式中步长的较高一致性，因此平均步长在跟踪准确性中起到至关重要的作用；2)在我们的实验中，不同个体的参数α和β是非常相似的。我们已经在办公室环境、博物馆环境和市场中进行了实验来展示步长估算上额反馈回路的有效性。注意到，在图8a中，步伐常数γ对于不同个体(u1到u4)差别是非常大的，甚至对于同一个体在不同环境(办公室、博物馆和市场)中差别也是非常大的，如图8b所示，图8c展示了将条件概率最大化的步伐常数p(s|z)还将跟踪的rms误差最小化，使得我们能够应对用户和环境变化。在本实施例中，在软件的控制下，由用户携带的手机的一个或多个处理器执行上述计算。在本实施例中，软件具有上述模块结构。在可选择实施例中，可以由硬连线电路执行一些或全部所述计算。在可选择实施例中，可能由通过通讯链路连接至设备的其他设备，例如，计算机，执行上述计算。计算机可以是本地的，例如，在用户正导航的建筑中，或者是远程的，例如，通过互联网连接至设备。评测地点：在带有已知楼面平面图的三个现实世界设定(办公室建筑(65×35m2)、博物馆(109×89m2)和体育中心场馆(30×20m2))中对ll-tracker进行评测，并且与竞争方法进行比较。对于大部分测试，使用办公室建筑，因为它具有最曲折的轨迹。总的来说，在30天收集了超过400m平均长度的224个轨迹。误差以[m]rms表示。参与者：通过从不同性别、身高和年龄的15个人中采集数据，考虑了不同人之间的不同。在实验过程中，实验对象在身体的不同部位(通常为手、手表、眼镜、衬衫口袋和裤子口袋)同时安装有若干个设备。接着，他们在建筑内到处行走，没有计划的路线，以便实际地采集真实的行人运动，而不是人造的、恒定速度的轨迹。他们被告之自由移动，并且可能具有不同的运动模式，包括行走、站着不动、坐下、弯腰捡起地面上的东西等。设备和实施：在实验中涉及不同类型的移动设备和可穿戴传感器，包括lgnexus4、lgnexus5、asusnexus7、samsunggalaxysiv、x-imu-1和x-imu-2。这些设备在传感器、功能和价格方面明显不同。在图1中已经展示了我们的应用原型的快照。地面实况：为了提供准确的地面实况，沿着走廊并在房间内以2m的网格放置编号的标签。在实验过程中，测试对象总是将一个摄像机拿在手上。在进行实验的同时拍摄这些标签。接着，时间同步的视频流映射至楼层平面图上的位置，并且从视频中还得到使用步伐时序内插的中间位置。推荐算法：在这节，我们评价本发明的两种方法和两个竞争端到端定位方案的性能。本发明的方法是ll-tracker和r-tracker。具体地，ll-tracker将r-pdr和地图匹配与终身学习(即，用于微调r-pdr的参数的来自地图匹配的反馈回路)结合。在另一方面，r-tracker包含r-pdr和地图匹配，没有终身学习。竞争算法：实用的室内定位算法需要是基础设施免费的，或者使用wifi和低功耗蓝牙(ble)等现有基础设施。现有的实用的算法分为两类：只使用wifi/ble的rf类，以及惯性数据和wifi/ble数据融合以执行定位的融合类。rf类中的典型例子是horus[40]、radar[41]和ez[42]。融合类中的现有技术算法是mapcraft[1]、zee[27]、unloc[43]、wifislam[37]和[36]中的算法。为了评价ll-tracker的性能，从每类中选出报告最好准确性的算法，也就是说，从rf类中选出horus，从融合类中选出mapcraft，作为竞争方法。horus[40]是基于指纹的定位方法，其使用现有的无线电地图，例如，用<ri,li>,i＝1···n表示的rss-定位对。为了定位移动设备，horus1)得到一组rss，2)在无线电地图中评价这组给定的rss-定位对的概率：其中，m是r的维度，p(rj＝ri,j|li)是rss在位置li的分布(通常假设为高斯)，以及3)从所述对中选择概率最高的位置，或者基于概率的所有位置的加权平均值，作为估算的位置。mapcraft[1]是推荐的轻型室内定位算法，其将条件随机场用于地图匹配。研究发现大约在1～2米的rms误差，但是，目前为止，它的设计和实现是假设在下一模式中由用户持有移动设备。为了避免其由于这个原因处于不利地位，我们将使用各种移动设备连接方式的推荐算法的性能与使用单一设备连接方式(文本模式)的mapcraft的性能进行比较。a.准确性：为了评价提出的ll-tracker的准确性，在办公室和博物馆环境中进行了15个用户、5种不同设备和5种不同连接方式的实验。相同的imu和wifi数据被馈入推荐的ll-tracker、r-tracker和竞争的mapcraft和horus。图9比较这四种方法的误差累积分布函数。从图9a观察到当只使用imu传感器时，ll-tracker胜过所有其他方法，然后是r-tracker，最后是mapcraft。对于这三种方法，rms误差为0.87m(ll-tracker)、1.36m(r-tracker)和1.69m(mapcraft)。注意到，ll-tracker、r-tracker和mapcraft使用行人航位推算层的惯性测量值，并且使用与环境的楼层平面相关的信息执行地图匹配——它们不假定需要无线电地图知识，虽然在无线电地图可以获得的时候它们可以灵活地利用这种信息。接着在wifi无线电地图可获得，并且可被所有方法使用的时候，比较了这三种方法和horus的性能。从图9b可以观察到，lltracker也有最好的准确性，rms误差为0.86m，然后为r-tracker(1.07m)、mapcraft(1.61m)和horus(4.62m)。注意到，ll-tracker、r-tracker和mapcraft融合imu数据、无线电地图和楼层平面约束，而horus只利用无线电地图的知识，但是不执行地图匹配。b.鲁棒性：下一组实验设计用于证实随着我们改变实验条件，推荐的ll-tracker的鲁棒性。用户变化：为了评价在用户变化时的鲁棒性，在实验中涉及不同性别的、年龄从20到55的、身高从150cmdao1190cm的15个不同的人。为了将其他因素的影响最小化，实验地点固定为办公司环境，设备为nexus5手机，连接方式为只是手持。对于不同的行人学习不同的步伐常数参数。图10a展示了用于办公司环境中的不同的人的一些典型步伐常数，以及学习这些参数花费的时间。图10b展示了采用学习的参数的收敛已经如何提高跟踪性能。在图10c中还展示了尽管用户不同，提出的ll-tracker具有几乎相同的rms跟踪误差，而相对应的mapcraft具有个体特定的跟踪误差。设备变化：为了评价在设备变化时的鲁棒性，在实验中涉及五种不同的设备，包括nexus5、nexus4、samsungs4、x-imu1和x-imu2。此外，实验地点(办公室环境)、用户(用户1)和连接方式(手持)等其他变量是固定的。图11b展示了早每个设备均已经使用5～10分钟之后，不同设备的跟踪准确性都是非常稳定的。对于在开放空间(如体育中心，其中，没有可用的地图约束来提高跟踪准确性)中使用的设备，趋势尤为明显。在篮球场中步行0.5km之后，观察到没有偏差学习算法rms跟踪误差可以高达15m，而如果在用在篮球场中之前已经学习了在办公室环境中学习了陀螺仪偏差，则误差可以降低到约仅2m。此外，在地图匹配可以补偿传感器偏差的办公室环境中，传感器偏差学习仍然提高了20％以上的跟踪准确性(从0.96m到0.75m)。连接方式变化：在本实验中测试了五种典型的连接方式(包括手持、手表、眼镜、衬衫口袋和裤子口袋)来评价ll-tracker的鲁棒性。本实验也是由在办公室环境中的带着nexus5的用户1进行。从图11c观察到，对于不同的连接方式，ll-tracker的rms误差是极其相似的。请注意mapcraft只工作于手持连接方式。环境变化：在各种环境，即办公室环境、博物馆环境和体育中心评价ll-tracker的性能。所有这些环境都有不同的楼层平面图和影响获得的传感器数据的施工方法。博物馆有着大的、开放空间的多层石砌建筑。测试是在底层进行的。办公室环境(大多数测试都是在此进行的)是有着石头和砖构造、通过金属杆来加固的多层办公室建筑；测试是在第四层进行的。体育中心是大型多功能场馆，其中，为了方便地面实况采集，实验是在篮球场进行的。在这组实验中，考虑了来自15个实验对象、5种不同设备和5种连接方式。我们已经采取了非常复杂和曲折的轨迹，这些轨迹由于漂移和绝对参照测量的缺失通常是惯性跟踪系统的薄弱点。图13展示了ll-tracker在准确地跟踪通过办公室和博物馆环境的行人中是如何获得成功的几个例证。在图12a中展示了这些环境的累积分布函数。在办公室中rms误差是0.86m，在博物馆中rms误差是0.90m。注意到，ll-tracker在地图上高概率地收敛至单个轨迹之后，它开始调整r-pdr参数；图12b中给出了办公室环境和博物馆环境中的收敛距离的cdf。在开放空间中的性能总是pdr算法的局限，因为当没有外部约束时，误差可以在短时间内被快速累积，例如，可以利用楼层平面图来校正偏移，特别是低成本imu传感器。为了理解提出的r-pdr算法的限制，我们已经测试了各种设备在体育中心中的性能，图12a为其结果报告。已经采用来自在如图13b中所示的办公室环境中的地图匹配层的反馈回路对本实验中的设备进行了校准。可以观察到，提出的ll-tracker即使在开放空间(篮球场)中长达0.5km的轨迹也只有约1.27米的rms误差。在图7c中可以找到在这个环境中的示例轨迹。图解图1：ll-tracker的系统架构。图2：一些典型运动的加速度和方位信号。注意，对称运动在加速度中如何具有强的周期性，而不对称运动在纵摇中如何具有强的周期性。图3说明了健壮的方位估算的例子。图3a：使用不同技术估算的重力。图3b：没有采用(顶部)和采用(底部)健壮的重力估算的垂直加速度。图4：reput之前和之后的加速度信号。根据人类的行走特性，在窗口中的x和y加速度信号被期望具有接近零的平均值。然而，在没有reput的情况下，平均加速度明显偏离零。图5：展示了提出的r-pdr算法的计步准确性和拒绝假的步伐的实验结果。图5a：在不同设备连接方式中的计步。图5b：拒绝假的步伐的能力。图6：航向估算：算法和例证。图6a：最小二乘航向估算。图6b：航向估算技术的比较。图6c：在实际轨迹中的航向估算的例子。图7：在传感器偏差学习之前和之后，在没有任何地图约束的篮球场中的0.5km的惯性轨迹，展示了从17.3m到2.3m的环闭环误差的改进。图7a：轨迹地面实况。图7b：偏差学习之前的轨迹。图7c：偏差学习之后的轨迹。图8：展示了提出的关于步长估算的终身学习方法的重要性和有效性的实验结果。图8a：在办公室环境中的不同行人的步伐约束。图8b：在不同环境中的相同行人的步伐约束。图8c：在(6)最小化rms误差时最大化p(s|z)的步伐常数。图9：各种跟踪算法的准确性比较。图9a：只有imu。图9b：imu+wifi。图10：对于不同设备的ll-tracker的跟踪准确性，展示了终身参数学习算法的有效性。图10a：步伐学习结果。图10b：步伐学习性能。图10c：用户变化比较。图11：对于不同设备和不同连接方式的ll-tracker的跟踪准确性，展示了终身偏差学习算法的有效性。在办公室环境中学习偏差一段时间，接着在相同的办公室和完全不同的体育中心环境中进行测试。图11a：偏差学习结果。图11b：偏差学习对误差的影响。图11c：连接方式变化。图12：提出的ll-tracker在多个地点的性能。图12a：为了证实ll-tracker相对于环境变化的鲁棒性的多地点性能。图12b：提出的学习算法的收敛距离。图13：在办公室和博物馆地点的实验，展示了地面实况和重建的轨迹。图13a：办公室地面实况。图13b：重建的轨迹。图13c：博物馆地面实况。图13d：重建的轨迹。当前第1页12当前第1页12