Tian Z等人[1]提出了一種經(jīng)驗?zāi)Ｐ停?/p>

式中amax和amin分別是步態(tài)檢測過程中的加速度最大值和最小值，C是比例系數(shù)，Tian Z等人采用了一種反向傳播的神經(jīng)網(wǎng)絡(luò)來計算C的值，計算成本很高。

表2總結(jié)比較了一些基于手機(jī)的步長推算文獻(xiàn)。

從表2可以看出，綜合計算成本和精度兩方面，文獻(xiàn)[6]最理想，盡管文獻(xiàn)[1]精度更高，但其計算成本較高，不適合實際應(yīng)用。

4 方向推算

已知步長，還必須知道步行方向才能計算出行人的位置。通常智能手機(jī)上都有數(shù)字羅盤（方向傳感器），它能測出手機(jī)的Y軸投影到水平面時和地磁北極的夾角，即手機(jī)的方向角。但此方法存在地磁偏差和位置偏差。為了克服以上偏差，很多文獻(xiàn)方案提出融合其他傳感器，根據(jù)使用的傳感器類型不同，可將這些方案分為如下兩類。

4.1 融合慣性傳感器

由于智能手機(jī)里集成了很多慣性傳感器（如加速度傳感器、陀螺儀），它們可以和數(shù)字羅盤結(jié)合起來使用。例如用加速度傳感器測得的加速度軌跡可以用來確定一類時間點，在這類時間點上的位置偏差和在起點人把手機(jī)放進(jìn)衣袋后的位置偏差相同，這樣只要測出在起點的位置偏差，再結(jié)合在每一步的推斷點上測到的手機(jī)方向角，二者相加即為人走每一步時的行走方向[2]。

4.2 融合照相機(jī)

天花板的直線邊緣可以作為參考來推算行人方向。Sun Z等人[7]先是利用計算機(jī)視覺技術(shù)從手機(jī)拍到的照片中提取出天花板邊緣，再計算手機(jī)Y軸相對天花板邊緣的方向偏差。由于建筑物水平界面大多是長方形的，所以天花板邊緣相對建筑物水平或垂直，這時再測量建筑物的絕對方向，相當(dāng)于天花板邊緣的絕對方向，再結(jié)合前面手機(jī)相對天花板邊緣的方向偏差，就能得到手機(jī)的方向。該方案能取得1°左右的精度，缺點是計算量巨大，耗能也很大。

表3列舉總結(jié)了一些基于手機(jī)的行人方向推算文獻(xiàn)。

從表3看出，大多數(shù)方案都是把幾種傳感器融合在一起，這樣可以部分抵消單獨使用數(shù)字羅盤測量方向時受到的地磁偏差和位置偏差影響。

5 開放性研究問題

在行人航位推算應(yīng)用于室內(nèi)定位的過程中，依舊存在著一些研究問題。

5.1 不同方案系統(tǒng)的融合

將幾種定位技術(shù)結(jié)合起來使用可以有效提高定位的精度、可靠性，同時能節(jié)省能耗成本。而且，能根據(jù)人所在的環(huán)境以及定位需求的不同選擇最合適的定位技術(shù)，從而實現(xiàn)無縫切換。比如WiFi指紋定位和行人航位推算相結(jié)合的定位[10]。

5.2 利用外部環(huán)境提高精度

除了內(nèi)部優(yōu)化步伐探測、步長推算和方向推算算法，還可以借助外部環(huán)境提高定位精度，例如借助地標(biāo)。在某個位置的手機(jī)傳感器讀數(shù)若有明顯的特征，則認(rèn)為該位置是一個地標(biāo)。比如人乘坐電梯時手機(jī)的加速度傳感器讀數(shù)會有明顯的特征，可以把電梯位置作為地標(biāo)[11]。

6 結(jié)束語

行人航位推算系統(tǒng)（PDR）不需要在室內(nèi)預(yù)裝信標(biāo)節(jié)點就能實現(xiàn)室內(nèi)定位，跟蹤行人軌跡。本文回顧了PDR系統(tǒng)中三個模塊：步伐檢測、步長推算、方向推算的各種算法方案，對它們進(jìn)行了簡單介紹和比較。最后列舉了一些熱門的開放性問題。

參考文獻(xiàn)

[1] TIAN Z， ZHANG Y， ZHOU M， et al. Pedestrian dead reckoning for MARG navigation using a smartphone[J]. EURASIP Journal on Advances in Signal Processing， 2014， 2014（1）： 1-9.

[2] QIAN J， MA J， YING R， et al. An improved indoor localization method using smartphone inertial sensors[C]. Indoor Positioning and Indoor Navigation （IPIN）， 2013 International Conference on. IEEE， 2013： 1-7.

[3] LI F， ZHAO C， DING G， et al. A reliable and accurate indoor localization method using phone inertial sensors[C].Proceedings of the 2012 ACM Conference on Ubiquitous Computing， ACM， 2012： 421-430.

[4] BRAJDIC A， HARLE R. Walk detection and step counting on unconstrained smartphones[C]. Proceedings of the 2013 ACM International Joint Conference on Pervasive and ubiquitous computing， ACM， 2013： 225-234.

[5] CHO D K， MUN M， LEE U， et al. Autogait： a mobile platform that accurately estimates the distance walked[C]. Pervasive Computing and Communications（PerCom）， 2010 IEEE International Conference on. IEEE， 2010： 116-124.

[6] RENAUDIN V， SUSI M， LACHAPELLE G. Step length estimation using handheld inertial sensors[J]. Sensors， 2012， 12（7）：8507-8525.

[7] SUN Z， PAN S， SU Y C， et al. Headio： zero-configured heading acquisition for indoor mobile devices through multimodal context sensing[C]. Proceedings of the 2013 ACM International Joint Conference on Pervasive and Ubiquitous Computing， ACM， 2013：33-42.

[8] WANG H， SEN S， ELGOHARY A， et al. No need to war-drive： unsupervised indoor localization[C]. Proceedings of the 10th International Conference on Mobile Systems， Applications， and Services， ACM， 2012：197-210.

[9] ROY N， WANG H， ROY CHOUDHURY R. I am a smartphone and I can tell my user′s walking direction[C]. Proceedings of the 12th Annual International Conference on Mobile Systems， Applications， and Services， ACM， 2014： 329-342.

[10] XIAO W， NI W， TOH Y K. Integrated Wi-Fi fingerprinting and inertial sensing for indoor positioning[C]. Indoor Positioning and Indoor Navigation （IPIN）， 2011 International Conference on. IEEE， 2011： 1-6.

[11] SHEN G， CHEN Z， ZHANG P， et al. Walkie-markie： indoor pathway mapping made easy[C]. Proceedings of the 10th USENIX Conference on Networked Systems Design and Implementation， USENIX Association， 2013： 85-98.
編輯：jq