一种基于惯性测量单元的用户步行定位方法
【专利摘要】本发明涉及一种基于惯性测量单元的用户步行定位方法，针对行人进行定位时，不依赖于外在设备的具体情况，不需要提前建立指纹地图，不需要专业的定位设备，只需要利用集成有惯性测量单元的智能移动终端，配合定位场景地图，即可实现定位应用。定位方案具有很好的普适性，在不同硬件条件的定位场景均可实现定位应用。
【专利说明】
-种基于惯性测量单元的用户步行定位方法
技术领域
[0001] 本发明设及一种基于惯性测量单元的用户步行定位方法，属于移动计算技术应用 领域。
【背景技术】
[0002] 目前定位算法的主流是基于无线网络(Wireless Fidelity，Wi-Fi)、射频识别 (Radio Frequency Identification,RFID)、低功耗蓝牙（Bluetooth Low Ene;rgy,I3LE)等 无线射频技术实现对行人的定位。通过利用一些典型的定位方法，诸如基于接收信号强度 的方法，结合Ξ边测量算法计算得到行人坐标或是采用指纹定位算法实现行人定位应用。 不同于无线射频定位技术，利用从惯性测量单元实现行人定位是一个较新的研究方向。运 类定位方案无需在定位场景配备专业的射频设备，也无需提前建立射频信号的指纹地图， 只需要一部集成了惯性测量单元的智能移动终端和一张定位场景的地图即可实现定位应 用。
[0003] 定位算法的性能指标有定位精度、定位鲁棒性、算法复杂度等。其中，定位精度是 定位算法的关键指标。一些利用无线射频技术进行定位的方法在理论上可预见较高的定位 精度，但运些定位算法的定位精度往往过于依赖其使用的具体定位技术，WWi-Fi定位技术 为例：当所部署的Wi-Fi设备都能够正常运行时，结合适当的定位方法能够获得较好的定位 精度，不过一旦Wi-Fi设备发生异常甚至无法工作时，将严重影响定位方法的定位效果，大 大降低室内定位的定位精度，甚至出现无法进行定位的情况。此外，即使利用指纹定位法来 实现定位应用，指纹采样点的稀疏程度也直接影响了定位精度运一重要指标。因此，若是射 频设备大范围的损坏或者更新，都将会造成定位精度急剧下降，甚至导致定位失败。对于利 用惯性测量单元的定位本身而言，有些定位方案需要配备专业的可穿戴设备来代替常见的 智能移动终端，甚至需要将设备固定在腰间或脚踩处来提高定位精度;有些方案需要在定 位场景的指定位置部署额外的射频设备进行辅助定位，W纠正定位过程中的累积误差问 题。运些定位方案均无法普适于一般的集成了惯性测量单元定位的智能移动终端，需要专 业的定位设备或是需要额外的射频定位设备进行辅助定位。
[0004] 可见，仅仅考虑无线射频技术的定位是不足的，特别是面对如今越来越多个性化 定位场景，不是每个定位场景都部署有或部署足够的Wi-Fi路由器、BLE信号设备等。对于基 于惯性测量单元的定位方法，专业定位设备W及其他额外的射频定位设备的需要也降低了 定位算法的普适性。
【发明内容】
[0005] 本发明所要解决的技术问题是提供一种利用集成惯性测量单元和定位场景地图 信息的智能移动终端，能够高效实现针对行人位置定位的基于惯性测量单元的用户步行定 位方法。
[0006] 本发明为了解决上述技术问题采用W下技术方案:本发明设计了一种基于惯性测 量单元的用户步行定位方法，通过携带惯性测量单元，实现针对用户步行位置的定位，所述 定位方法包括如下步骤：
[0007]步骤001.针对惯性测量单元建立终端Ξ维坐标系，W及针对用户的步行建立行走 Ξ维坐标系，然后进入步骤002;
[000引步骤002.构建用于终端Ξ维坐标系与行走Ξ维坐标系之间位置转换的旋转矩阵， 然后进入步骤003;
[0009] 步骤003.用户携带惯性测量单元，分预设脚欠，分别步行预设路程，分别获得N组样 本数据，其中，分别针对各次步行预设路程，通过惯性测量单元记录步行的步数，W及按用 户每走一步对应一个检测时刻，通过惯性测量单元检测各时刻的加速度，再经旋转矩阵获 得用户各时刻步行的加速度，分别构成各组样本数据，然后进入步骤004;
[0010] 步骤004.分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法更新 各时刻步行的加速度ak;然后分别针对各组样本数据，获得用户步行加速度方差V和各时刻 用户的步伐频率F化），W及根据预设路程和步行的步数，获得各步的步长，进而分别获得各 组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F化），W及其中 各步的步长，并进入步骤005;其中，k表示第k时刻，ak表示用户第k时刻步行的加速度；
[0011] 步骤005.构建用户步长公式如下式所示：
[0012] Lk+i = A+bF 化)+cV
[0013] 并根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐 频率F化），W及其中各步的步长，采用预设训练算法针对用户步长公式就行训练，获得其中 参数A、b、c的值，进而更新构成用户步长模型Lk+i = A+bF化)+cV，然后进入步骤006;
[0014] 步骤006.针对地图中的物理结构，规划出可达区域和非可达区域，并初始化用户 的当前时刻位置，W及初始化参数S为0，然后进入步骤007;
[0015] 步骤007.按照用户每走一步对应一个检测时刻，通过惯性测量单元检测当前时刻 的方向角，并经旋转矩阵获得用户当前时刻的方向角，然后根据用户的当前时刻位置，采用 自适应粒子群优化算法，结合用户当前时刻的方向角，W及用户步长模型，获得用户下一时 刻的预测位置，然后进入步骤008;
[0016] 步骤008.获得用户当前时刻方向角与用户上一时刻方向角之间的差值ΔΘ，判断 A Θ是否小于等于预设角度下限阔值θι，是则针对大于0的S进行清零，并进入步骤014;否则 进入步骤009;
[0017] 步骤009.判断ΔΘ是否小于预设角度上限阔值0h，是则根据用户的当前时刻位置， 采用自适应粒子群优化算法，结合用户上一时刻的方向角，W及用户步长模型，更新获得用 户下一时刻的预测位置，同时针对大于0的S进行清零，并进入步骤014;否则进入步骤010;
[0018] 步骤010.判断S是否等于第一预设时限阔值Ti，是则进入步骤011;否则用S的值加 1针对S进行更新，接着根据用户的当前位置，采用自适应粒子群优化算法，结合用户上一时 刻的方向角，W及用户步长模型，更新获得用户下一时刻的预测位置，同时更新用户当前时 刻的方向角为上一时刻的方向角，并进入步骤014;其中，Τι含2;
[0019] 步骤011.暂定针对用户步行位置的定位，初始化参数Υ = 0,然后进入下一时刻，并 进入步骤012;
[0020] 步骤012.获得用户当前时刻方向角与用户上一时刻方向角之间的差值ΔΘ，判断 A θ是否小于等于预设角度下限阔值θι，是则用Υ的值加1针对Υ进行更新，并进入步骤013; 否则针对大于0的Υ进行清零，并进入步骤013;
[0021] 步骤013.判断Υ是否等于第二预设时限阔值Τ2,是则初始化用户的当前时刻位置， 并返回步骤007;否则进入下一时刻，并返回步骤012;其中，Τ2> 2;
[0022] 步骤014.根据地图中的可达区域和非可达区域，判断用户当前时刻位置与下一时 刻预测位置之间的连线是否进入不可达区域，是则进入步骤015;否则进入下一时刻，并在 地图上显示用户下一时刻的预测位置，再返回步骤007;
[0023] 步骤015.获得由用户当前时刻位置指向下一时刻预测位置的射线，首次与不可达 区域边缘的相交点位置，进一步获得在地图上可达区域内与该相交点位置之间路程最近的 道路交点位置，将该道路交点位置更新作为用户下一时刻的预测位置，然后进入下一时刻， 并在地图上显示用户下一时刻的预测位置，实现用户步行位置的定位，再返回步骤007。
[0024] 作为本发明的一种优选技术方案:所属用于终端Ξ维坐标系与行走Ξ维坐标系之 间位置转换的旋转矩阵，为模为1，且具有唯一特征值的矩阵。
[0025] 作为本发明的一种优选技术方案:所述步骤004中，分别针对各组样本数据中各时 刻步行的加速度，采用邻近平均值法通过如下公式，更新各时刻步行的加速度ak;
[0026]
[0027] 式中，m为预设邻近检测时间范围。
[0028] 作为本发明的一种优选技术方案:所述步骤004中，分别针对各组样本数据，采用 预设分类器进行训练，获得用户步行各个加速度所分别对应的各个加速度期望E(ak)，然后 根据如下公式，获得用户步行加速度方差V，
[0029] v = E(￡ik2)-(E(￡ik))2
[0030] 式中，E(ak)表示用户步行过程中加速度ak所对应的加速度期望，E(ak2)表示用户 步行过程中加速度ak2所对应的加速度期望。
[0031 ]作为本发明的一种优选技术方案:所述步骤004中，分别针对各组样本数据，根据 如下公式，获得各时刻用户的步伐频率F化），
[0032]
[003引式中，tk+康示第k+1个时刻的时间，t读示第k个时刻的时间。
[0034] 作为本发明的一种优选技术方案:所述步骤005中，根据各组样本数据分别所对应 用户步行加速度方差V，其中各时刻用户的步伐频率F化），W及其中各步的步长，采用梯度 下降训练算法针对用户步长公式进行训练，获得其中参数A、b、c的值。
[0035] 作为本发明的一种优选技术方案:所述根据用户的当前位置，采用自适应粒子群 优化算法，结合用户当前时刻方向角或者上一时刻方向角，W及用户步长模型，获得或更新 获得用户下一时刻的预测位置，具体包括如下步骤：
[0036] 步骤aOl.在地图上针对W用户当前位置为圆屯、、预设半径区域内，设置N个粒子所 构成的粒子群，分别针对各个粒子，获得当前时刻粒子的横坐标Xn,k、纵坐标yn,k和方向角 目n,k，然后进入步骤a02;其中，11={1、-'、《，恥,1<表示第11个粒子当前时刻粒子的横坐标，7。,1< 表示第η个粒子当前时刻粒子的纵坐标，0n,k表示第η个粒子当前时刻粒子的方向角；
[0037]步骤a02.分别针对各个粒子，获得粒子下一时刻方向角相对当前时刻方向角的变 化ΔΘ\，Κ及结合用户步长模型，获得用户下一时刻步长Lk+i，再根据如下公式，更新获得 下一时刻粒子的横坐标Xn,k+1、纵坐标yn,k+l和方向角目n,k+l，其中，A 0/ η表示第η个粒子下一 时刻方向角相对当前时刻方向角的变化；
[003引 Xn,k+l = Xn,k+Lk+l · cos目n,k+l
[0039] yn,k+i = yn,k+Lk+i · sin目n,k+i
[0040] 白n'k+l =白n'k+Δ 白'η
[0041 ] 进而分别获得各个粒子下一时刻粒子的横坐标Xn,k+1、纵坐标yn,k+l和方向角目n,k+l， 然后进入步骤a〇3;
[0042] 步骤a03.分别针对当前时刻的前预设U个检测时刻，分别获得各检测时刻中各个 粒子与对应检测时刻用户步行位置之间的欧几里得距离dn,u，然后进入步骤a04;其中，u = {1、、1]}，山,。表示该1]个检测时刻中第11个时刻、第11个粒子与对应检测时刻用户步行位置之 间的欧几里得距离；
[0043] 步骤a04.分别针对各个粒子，获得粒子分别对应该U个检测时刻欧几里得距离中 的最小值，作为该粒子的经验值，进而分别获得各个粒子的经验值Pn;同时，将所有粒子对 应该U个检测时刻欧几里得距离中的最小，作为粒子同伴的经验值G，然后进入步骤a05;
[0044] 步骤a05.分别获得各个粒子的当前坐标位置gn,k，然后分别针对各个粒子，根据如 下公式，获得粒子在第k+1时刻的粒子权重Wn,k+1，进而分别获得各个粒子在第k+1时刻的粒 子权重ω η, k+1，然后进入步骤a06;
[0045]
[0046] 式中，bi和b2为预设常系数，?·(ξ)是一个取随机值的函数，wn,k+读示第η个粒子在 第k+1时刻的粒子权重，gn,k表示第η个粒子在当前时刻下的坐标位置，包括粒子的横坐标和 纵坐标；
[0047] 步骤a06.根据如下公式，获得用户下一时刻的预测位置Xk+i，
[004引
[00例式中，no;rm( c0n,k+i)表示针对Wn,k+1的标准化。
[0050] 本发明所述一种基于惯性测量单元的用户步行定位方法采用W上技术方案与现 有技术相比，具有W下技术效果：
[0051] 1.本发明所设计的一种基于惯性测量单元的用户步行定位方法，针对行人进行定 位时，不依赖于外在设备的具体情况，不需要提前建立指纹地图，不需要专业的定位设备， 只需要利用集成有惯性测量单元的智能移动终端，配合定位场景地图，即可实现定位应用。 定位方案具有很好的普适性，在不同硬件条件的定位场景均可实现定位应用；
[0052] 2.本发明所设计的一种基于惯性测量单元的用户步行定位方法，在定位过程中， 自适应粒子群优化算法(APS0算法)会对惯性测量单元的数据漂移问题和定位坐标的穿墙 问题就行纠正，提高定位精度，一定程度上克服由于惯性测量单元自身所导致的定位误差；
[0053] 3.本发明所设计的一种基于惯性测量单元的用户步行定位方法，在定位过程中， 支持智能移动终端的姿态变换，不会因为终端姿态的变化导致定位精度的急剧下降，特别 是对于接听电话、拍摄照片、发送短信等方向角非连续变化的情况有很好的支持，鲁棒性很 局；
[0054] 4.本发明所设计的一种基于惯性测量单元的用户步行定位方法，整个基于惯性测 量单元的定位方法是一个可融合的定位方案。可W根据具体定位场景的硬件条件，融合基 于射频信号技术的指纹定位和基于信号强度的定位。
【附图说明】
[0055] 图1是本发明设计的基于惯性测量单元的用户步行定位方法中惯性测量单元的欧 拉角示意图；
[0056] 图2是本发明设计的基于惯性测量单元的用户步行定位方法中定位模型示意图。
【具体实施方式】
[0057] 下面结合说明书附图对本发明的【具体实施方式】作进一步详细的说明。
[0058] 本发明所设计一种基于惯性测量单元的用户步行定位方法，在实际应用过程当 中，通过携带惯性测量单元，实现针对用户步行位置的定位，所述定位方法，具体包括如下 步骤：
[0059] 步骤001.惯性测量单元的欧拉角主要由俯仰角，翻滚角和旋转角构成，它们通常 用来描述物体在惯性空间中的相对姿态，如图1所示。其中，俯仰角和翻滚角通常由Ξ轴加 速度计计算而得，旋转角通常根据巧螺仪或Ξ轴磁力计确定。因此，针对惯性测量单元建立 终端Ξ维坐标系T，W及针对用户的步行建立行走Ξ维坐标系G，然后进入步骤002。
[0060] 其中，设俯仰角为P，翻滚角为Q，旋转角为￥。山、(^、〇3分别为^轴加速度传感器乂、￥ 和Z轴的加速度值。当终端静止时，Ξ轴加速度计的矢量和为：
[0061]
[0062] 其中，在公式1中，g表示重力加速度。
[0063] 俯仰角P为：
[0067] 步骤002 .构建用于终端Ξ维坐标系与行走Ξ维坐标系之间位置转换的旋转矩阵 (Rotation Ma化ix,RM)，然后进入步骤003,其中，用于终端Ξ维坐标系与行走Ξ维坐标系 之间位置转换的旋转矩阵，为模为1，且具有唯一特征值的矩阵。
[0068] 其中，当旋转矩阵(RM)应用在向量的乘法中时，可W改变一个向量方向的同时却 不改变该向量的大小。那也就是说，利用旋转矩阵(M)就可W改变T坐标系的方向，使之与G 坐标系的夹角为0,同时又能保留T坐标系中Ξ个方向的值的大小。
[0069] 不妨设T坐标系的X轴与G坐标系的X轴、Y轴、Z轴之间的夹角分别为rx'xjx'yjx'z。 同理，T坐标系的Y轴与G坐标系Ξ个轴之间的夹角分别为ry'x，ry'y，ry'z，T坐标系的巧由与G坐 标系；个轴之间的夹角分别为rz'xJz'yJz'z。设点W(x'，y'，z'）是T坐标系上一点，对应地， 点W在G坐标系上的坐标为(x，y，z)，有：
[0070] x = x' cosrx^ x+y' cosrx^ y+z' cosrx^ Z
[0071] γ = χ/ cosr/x+y/ cosr/y+z/ cosr/z
[0072] z = x' cosrz'x+y' cosrz'y+z' cosrz'z
[0073] 由上式变形可得：
[0074] (x，y，z)T = R(x' y，ζ')τ
[0075] 在上式中，R是旋转矩阵(Μ)，可W表示为：
[0076]
[0077] 相应地，当终端绕坐标系Ξ个不同的轴旋转时，旋转矩阵R的表达式分别为：
[0081 ] Ra表示终端绕X轴旋转，即俯仰角，旋转角度为α; %表示终端绕Y轴旋转，即翻滚角， 旋转角度为e;Rx表示终端绕Ζ轴旋转，即旋转角，旋转角度为X。运里，利用旋转角和旋转矩 阵，就能确保终终端的惯性测量单元坐标系的方向与行人运动坐标系的方向一致。
[0082] 步骤003.用户携带惯性测量单元，分预设脚欠，分别步行预设路程，分别获得N组样 本数据，其中，分别针对各次步行预设路程，通过惯性测量单元记录步行的步数，W及按用 户每走一步对应一个检测时刻，通过惯性测量单元检测各时刻的加速度，再经旋转矩阵获 得用户各时刻步行的加速度，分别构成各组样本数据，然后进入步骤004。
[0083] 步骤004.分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法，通 过如下公式，更新各时刻步行的加速度ak;
[0084]
[0085] 式中，m为预设邻近检测时间范围，实际应用中可W设定m = 5;然后分别针对各组 样本数据，采用预设分类器进行训练，获得用户步行各个加速度所分别对应的各个加速度 期望E(ak)，然后根据如下公式，获得用户步行加速度方差V，
[0086] v = E(￡ik2)-(E(￡ik))2
[0087] 式中，E(ak)表示用户步行过程中加速度ak所对应的加速度期望，E(ak2)表示用户 步行过程中加速度ak2所对应的加速度期望，同时分别针对各组样本数据，根据如下公式，获 得各时刻用户的步伐频率F化），
[008引
[0089] 式中，tk+i表示第k+1个时刻的时间，tk表示第k个时刻的时间；并且根据预设路程 和步行的步数，获得各步的步长，进而分别获得各组样本数据分别所对应用户步行加速度 方差V，其中各时刻用户的步伐频率F化），W及其中各步的步长，并进入步骤005;其中，k表 示第k时刻，ak表示用户第k时刻步行的加速度。
[0090] 步骤005.构建用户步长公式如下式所示：
[0091] Lk+i = A+bF 化)+cV
[0092] 并根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐 频率F化），W及其中各步的步长，采用梯度下降训练算法针对用户步长公式就行训练，获得 其中参数A、b、c的值，进而更新构成用户步长模型Lk+i = A+bF化)+cV，然后进入步骤006。
[0093] 步骤006.定位地图是由众多的"点"和"线"组成，"点"要素规定了整张地图的大 小；"线"要素将相关联的"点"要素相连接，对地图的物理结构做出了划分，同时也划分出了 行人可达区域和不可达区域。在进行定位时，若行人穿越了不可达区域，则发生了行人撞墙 问题，需要利用APS0算法进行纠偏。例如:假设行人目前在A房间，现在要从A房间步行到B房 间，那么行人必须通过A房间外的走廊进入B房间，不能直接穿墙而过，其中走廊为行人的可 达区域，穿墙而过的区域为不可达区域，因此，针对地图中的物理结构，规划出可达区域和 非可达区域，并初始化用户的当前时刻位置，W及初始化参数S为0,然后进入步骤007。
[0094] 步骤007.按照用户每走一步对应一个检测时刻，通过惯性测量单元检测当前时刻 的方向角，并经旋转矩阵获得用户当前时刻的方向角，然后根据用户的当前时刻位置，采用 自适应粒子群优化算法(APS0)，结合用户当前时刻的方向角，W及用户步长模型，获得用户 下一时刻的预测位置，然后进入步骤008。
[0095] 其中，APS0算法对方向角的变化是敏感的，因此如果将APS0中粒子的方向角定义 为智能移动终端的实时方向角，那么一旦智能手机的方向角发生骤变(如:在定位过程中接 听电话，拍摄照片，放入口袋等），则会导致粒子的位置更新出现严重偏差，定位精度快速下 降，甚至很快就会出现定位失败的情况。APS0算法规定，在定位过程中，若智能移动终端的 方向角发生变化并达到一定的阔值之后，APS0中的粒子将使用自身的方向角进行位置计 算，而不是依赖于传感器所提供的方向角;步骤007中获得用户下一时刻的预测位置，如图2 所示，具体包括如下步骤：
[0096] 步骤aOl.在地图上针对W用户当前位置为圆屯、、预设半径区域内，设置N个粒子所 构成的粒子群，分别针对各个粒子，获得当前时刻粒子的横坐标Xn,k、纵坐标yn,k和方向角 目n,k，然后进入步骤a02;其中，n= {1、···、Ν}，xn,k表示第η个粒子当前时刻粒子的横坐标，yn,k 表示第η个粒子当前时刻粒子的纵坐标，0n,k表示第η个粒子当前时刻粒子的方向角。
[0097] 步骤a02.分别针对各个粒子，获得粒子下一时刻方向角相对当前时刻方向角的变 化ΔΘ\，Κ及结合用户步长模型，获得用户下一时刻步长Lk+i，再根据如下公式，更新获得 下一时刻粒子的横坐标Xn,k+1、纵坐标yn,k+l和方向角目n,k+l，其中，A 0/ η表示第η个粒子下一 时刻方向角相对当前时刻方向角的变化；
[009引 Xn,k+l = Xn,k+Lk+l · cos目n,k+l
[0099] yn,k+i = yn,k+Lk+i · sin目n,k+i
[0100] 白n'k+l =白n'k+Δ 白'n
[0101] 进而分别获得各个粒子下一时刻粒子的横坐标Xn,k+1、纵坐标yn,k+l和方向角目n,k+l， 然后进入步骤曰〇3。
[0102] 步骤a03.分别针对当前时刻的前预设U个检测时刻，分别获得各检测时刻中各个 粒子与对应检测时刻用户步行位置之间的欧几里得距离dn,u，然后进入步骤a04;其中，u = {1、、11}，山,。表示该1]个检测时刻中第11个时刻、第11个粒子与对应检测时刻用户步行位置之 间的欧几里得距离。
[0103] 步骤a04.分别针对各个粒子，获得粒子分别对应该U个检测时刻欧几里得距离中 的最小值，作为该粒子的经验值，进而分别获得各个粒子的经验值Pn;同时，将所有粒子对 应该U个检测时刻欧几里得距离中的最小，作为粒子同伴的经验值G，然后进入步骤a05。
[0104] 步骤a05.分别获得各个粒子的当前坐标位置gn,k，然后分别针对各个粒子，根据如 下公式，获得粒子在第k+1时刻的粒子权重Wn,k+1，进而分别获得各个粒子在第k+1时刻的粒 子权重ω η, k+1，然后进入步骤a06。
[0105]
[0106] 式中，bi和b2为预设常系数，?·(ξ)是一个取随机值的函数，ωη,k+1表示第η个粒子在 第k+1时刻的粒子权重，gn,k表示第η个粒子在当前时刻下的坐标位置，包括粒子的横坐标和 纵坐标。
[0107] 步骤a06.根据如下公式，获得用户下一时刻的预测位置Xk+1，
[010 引
[0109] 式中，no;rm( Wn,k+1)表示针对Wn,k+1的标准化。
[0110] 步骤008.获得用户当前时刻方向角与用户上一时刻方向角之间的差值ΔΘ，判断 A Θ是否小于等于预设角度下限阔值θι，是则针对大于0的S进行清零，并进入步骤014;否则 进入步骤009。
[0111] 步骤009.判断ΔΘ是否小于预设角度上限阔值0h，是则根据用户的当前时刻位置， 采用自适应粒子群优化算法(APS0)，结合用户上一时刻的方向角，W及用户步长模型，更新 获得用户下一时刻的预测位置，同时针对大于0的S进行清零，并进入步骤014;否则进入步 骤010。其中，步骤009中获得用户下一时刻的预测位置，具体按照步骤007中步骤aOl-步骤 a06进行执行，获得用户下一时刻的预测位置。
[0112] 步骤010.判断S是否等于第一预设时限阔值Ti，是则进入步骤011;否则用S的值加 1针对S进行更新，接着根据用户的当前位置，采用自适应粒子群优化算法(APS0)，结合用户 上一时刻的方向角，W及用户步长模型，更新获得用户下一时刻的预测位置，同时更新用户 当前时刻的方向角为上一时刻的方向角，并进入步骤014;其中，Τι >2。
[0113] 步骤Oil.暂定针对用户步行位置的定位，初始化参数Υ = 0,然后进入下一时刻，并 进入步骤012。
[0114] 步骤012.获得用户当前时刻方向角与用户上一时刻方向角之间的差值ΔΘ，判断 A θ是否小于等于预设角度下限阔值θι，是则用Υ的值加1针对Υ进行更新，并进入步骤013; 否则针对大于0的Υ进行清零，并进入步骤013。
[0115] 步骤013.判断Υ是否等于第二预设时限阔值Τ2,是则初始化用户的当前时刻位置， 并返回步骤007;否则进入下一时刻，并返回步骤012;其中，Τ2> 2。
[0116] 步骤014.根据地图中的可达区域和非可达区域，判断用户当前时刻位置与下一时 刻预测位置之间的连线是否进入不可达区域，是则进入步骤015;否则进入下一时刻，并在 地图上显示用户下一时刻的预测位置，再返回步骤007。
[0117] 步骤015.获得由用户当前时刻位置指向下一时刻预测位置的射线，首次与不可达 区域边缘的相交点位置，进一步获得在地图上可达区域内与该相交点位置之间路程最近的 道路交点位置，将该道路交点位置更新作为用户下一时刻的预测位置，然后进入下一时刻， 并在地图上显示用户下一时刻的预测位置，实现用户步行位置的定位，再返回步骤007。
[0118] 本发明所设计的一种基于惯性测量单元的用户步行定位方法，针对行人进行定位 时，不依赖于外在设备的具体情况，不需要提前建立指纹地图，不需要专业的定位设备，只 需要利用集成有惯性测量单元的智能移动终端，配合定位场景地图，即可实现定位应用。定 位方案具有很好的普适性，在不同硬件条件的定位场景均可实现定位应用；而且在定位过 程中，自适应粒子群优化算法(APS0算法)会对惯性测量单元的数据漂移问题和定位坐标的 穿墙问题就行纠正，提高定位精度，一定程度上克服由于惯性测量单元自身所导致的定位 误差;并且在定位过程中，支持智能移动终端的姿态变换，不会因为终端姿态的变化导致定 位精度的急剧下降，特别是对于接听电话、拍摄照片、发送短信等方向角非连续变化的情况 有很好的支持，鲁棒性很高;不仅如此，整个基于惯性测量单元的定位方法是一个可融合的 定位方案。可W根据具体定位场景的硬件条件，融合基于射频信号技术的指纹定位和基于 信号强度的定位。
[0119] 上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施 方式，在本领域普通技术人员所具备的知识范围内，还可W在不脱离本发明宗旨的前提下 做出各种变化。
【主权项】
1. 一种基于惯性测量单元的用户步行定位方法，通过携带惯性测量单元，实现针对用 户步行位置的定位，其特征在于:所述定位方法包括如下步骤： 步骤001.针对惯性测量单元建立终端三维坐标系，以及针对用户的步行建立行走三维 坐标系，然后进入步骤002; 步骤002.构建用于终端三维坐标系与行走三维坐标系之间位置转换的旋转矩阵，然后 进入步骤003; 步骤003.用户携带惯性测量单元，分预设N次，分别步行预设路程，分别获得N组样本数 据，其中，分别针对各次步行预设路程，通过惯性测量单元记录步行的步数，以及按用户每 走一步对应一个检测时刻，通过惯性测量单元检测各时刻的加速度，再经旋转矩阵获得用 户各时刻步行的加速度，分别构成各组样本数据，然后进入步骤004; 步骤004.分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法更新各时 刻步行的加速度ak;然后分别针对各组样本数据，获得用户步行加速度方差V和各时刻用户 的步伐频率F(k)，以及根据预设路程和步行的步数，获得各步的步长，进而分别获得各组样 本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F(k)，以及其中各步 的步长，并进入步骤005;其中，k表示第k时刻，ak表示用户第k时刻步行的加速度； 步骤005.构建用户步长公式如下式所示： Lk+i = ^+bF(k)+cV 并根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐频率F (k)，以及其中各步的步长，采用预设训练算法针对用户步长公式就行训练，获得其中参数 A、b、c的值，进而更新构成用户步长模型Lk+i = A+bF(k)+cV，然后进入步骤006; 步骤006.针对地图中的物理结构，规划出可达区域和非可达区域，并初始化用户的当 前时刻位置，以及初始化参数S为0，然后进入步骤007; 步骤007.按照用户每走一步对应一个检测时刻，通过惯性测量单元检测当前时刻的方 向角，并经旋转矩阵获得用户当前时刻的方向角，然后根据用户的当前时刻位置，采用自适 应粒子群优化算法，结合用户当前时刻的方向角，以及用户步长模型，获得用户下一时刻的 预测位置，然后进入步骤008; 步骤008.获得用户当前时刻方向角与用户上一时刻方向角之间的差值ΔΘ，判断ΔΘ是 否小于等于预设角度下限阈值91，是则针对大于0的S进行清零，并进入步骤014;否则进入 步骤009; 步骤009.判断ΔΘ是否小于预设角度上限阈值0h，是则根据用户的当前时刻位置，采用 自适应粒子群优化算法，结合用户上一时刻的方向角，以及用户步长模型，更新获得用户下 一时刻的预测位置，同时针对大于〇的S进行清零，并进入步骤014;否则进入步骤010; 步骤010.判断S是否等于第一预设时限阈值h，是则进入步骤011;否则用S的值加1针对 S进行更新，接着根据用户的当前位置，采用自适应粒子群优化算法，结合用户上一时刻的 方向角，以及用户步长模型，更新获得用户下一时刻的预测位置，同时更新用户当前时刻的 方向角为上一时刻的方向角，并进入步骤014;其中，h 2 2; 步骤011.暂定针对用户步行位置的定位，初始化参数Y=〇,然后进入下一时刻，并进入 步骤012; 步骤012.获得用户当前时刻方向角与用户上一时刻方向角之间的差值ΔΘ，判断ΔΘ是 否小于等于预设角度下限阈值91，是则用Y的值加1针对Y进行更新，并进入步骤013;否则针 对大于0的Υ进行清零，并进入步骤013; 步骤013.判断Υ是否等于第二预设时限阈值Τ2,是则初始化用户的当前时刻位置，并返 回步骤007;否则进入下一时刻，并返回步骤012;其中，Τ2 2 2; 步骤014.根据地图中的可达区域和非可达区域，判断用户当前时刻位置与下一时刻预 测位置之间的连线是否进入不可达区域，是则进入步骤015;否则进入下一时刻，并在地图 上显示用户下一时刻的预测位置，再返回步骤007; 步骤015.获得由用户当前时刻位置指向下一时刻预测位置的射线，首次与不可达区域 边缘的相交点位置，进一步获得在地图上可达区域内与该相交点位置之间路程最近的道路 交点位置，将该道路交点位置更新作为用户下一时刻的预测位置，然后进入下一时刻，并在 地图上显示用户下一时刻的预测位置，实现用户步行位置的定位，再返回步骤007。2. 根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于:所属 用于终端三维坐标系与行走三维坐标系之间位置转换的旋转矩阵，为模为1，且具有唯一特 征值的矩阵。3. 根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于:所述 步骤004中，分别针对各组样本数据中各时刻步行的加速度，采用邻近平均值法通过如下公 式，更新各时刻步行的加速度ak;式中，m为预设邻近检测时间范围。4. 根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于:所述 步骤004中，分别针对各组样本数据，采用预设分类器进行训练，获得用户步行各个加速度 所分别对应的各个加速度期望E(a k)，然后根据如下公式，获得用户步行加速度方差V，V = E (ak2)-(E(ak))2 式中，E(ak)表示用户步行过程中加速度ak所对应的加速度期望，E(ak 2)表示用户步行过 程中加速度ak2所对应的加速度期望。5. 根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于:所述 步骤004中，分别针对各组样本数据，根据如下公式，获得各时刻用户的步伐频率F(k)，式中，tk+1表示第k+1个时刻的时间，tk表示第k个时刻的时间。6. 根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于:所述 步骤005中，根据各组样本数据分别所对应用户步行加速度方差V，其中各时刻用户的步伐 频率F(k)，以及其中各步的步长，采用梯度下降训练算法针对用户步长公式进行训练，获得 其中参数X、b、c的值。7. 根据权利要求1所述一种基于惯性测量单元的用户步行定位方法，其特征在于:所述 根据用户的当前位置，采用自适应粒子群优化算法，结合用户当前时刻方向角或者上一时 刻方向角，以及用户步长模型，获得或更新获得用户下一时刻的预测位置，具体包括如下步 骤： 步骤aOl.在地图上针对以用户当前位置为圆心、预设半径区域内，设置N个粒子所构成 的粒子群，分别针对各个粒子，获得当前时刻粒子的横坐标Xn, k、纵坐标yn, k和方向角θn, k，然 后进入步骤a02;其中，n= {1、···、Ν}，xn,k表示第n个粒子当前时刻粒子的横坐标，yn,k表示第 η个粒子当前时刻粒子的纵坐标，Θ n, k表示第η个粒子当前时刻粒子的方向角； 步骤a02.分别针对各个粒子，获得粒子下一时刻方向角相对当前时刻方向角的变化△ θ'n，以及结合用户步长模型，获得用户下一时刻步长Lk+1，再根据如下公式，更新获得下一 时刻粒子的横坐标Xn,k+i、纵坐标y n,k+i和方向角9n,k+i，其中，Δ θ'"表不第η个粒子下一时刻 方向角相对当前时刻方向角的变化； Xn，k+1 - Xn，k+Lk+1 · COS0n，k+l yn，k+l = yn，k+Lk+l · sin9n，k+i 9n，k+l=9n，k+ A Θ n 进而分别获得各个粒子下一时刻粒子的横坐标xn,k+1、纵坐#yn,k +1和方向角0",1{+1，然后 进入步骤a03; 步骤a03 .分别针对当前时刻的前预设U个检测时刻，分别获得各检测时刻中各个粒子 与对应检测时刻用户步行位置之间的欧几里得距离dn,u，然后进入步骤a04;其中，u={l、、 U}，dn,u表示该U个检测时刻中第u个时刻、第η个粒子与对应检测时刻用户步行位置之间的 欧几里得距离； 步骤a04.分别针对各个粒子，获得粒子分别对应该U个检测时刻欧几里得距离中的最 小值，作为该粒子的经验值，进而分别获得各个粒子的经验值Pn;同时，将所有粒子对应该U 个检测时刻欧几里得距离中的最小，作为粒子同伴的经验值G，然后进入步骤a05; 步骤a05.分别获得各个粒子的当前坐标位置gn,k，然后分别针对各个粒子，根据如下公 式，获得粒子在第k+Ι时刻的粒子权重ω n, k+i，进而分别获得各个粒子在第k+Ι时刻的粒子权 重ω n, k+1，然后进入步骤a〇6;式中，匕和132为预设常系数，fU)是一个取随机值的函数，con,k+1表示第 n个粒子在第k+1 时刻的粒子权重，gn, k表示第η个粒子在当前时刻下的坐标位置，包括粒子的横坐标和纵坐 标； 步骤a06.根据如下公式，获得用户下一时刻的预测位置Xk+1，式中，norm( c〇n,k+1)表示针对con,k+1的标准化。
【文档编号】G01C21/16GK105823483SQ201610308337
【公开日】2016年8月3日
【申请日】2016年5月11日
【发明人】徐小龙, 王屹进, 孙雁飞, 徐佳, 王勇
【申请人】南京邮电大学