本發(fā)明涉及確定移動設(shè)備在地理區(qū)域中的位置的方法和設(shè)備。本發(fā)明特別適用于所述地理區(qū)域為室內(nèi)區(qū)域的場合。本發(fā)明更具體地，但非排他性地涉及處理來自方位傳感器和加速度傳感器的數(shù)據(jù)的改進方法。
背景技術(shù)：
：：室內(nèi)跟蹤和導(dǎo)航是普遍的和環(huán)境敏感的智能手機應(yīng)用程序的基本需要。室內(nèi)定位應(yīng)用程序包括智能零售、通過像是交通樞紐的大型公共場所的導(dǎo)航、以及輔助生活。室內(nèi)定位系統(tǒng)的最終目標是在智能手機類設(shè)備上提供連續(xù)、可靠和精確的定位。近來，借助或不借助現(xiàn)有地圖幫助的慣性跟蹤或“航位推算”得到很多關(guān)注，但是，現(xiàn)有的方案缺少普遍性和魯棒性。它們通常旨在實現(xiàn)在特定情景下的高精度，并且針對特定手機位置(即，在用戶身體上的位置等)、用戶、設(shè)備或環(huán)境進行微調(diào)。當(dāng)在與它們設(shè)計所針對的條件不同的條件下測試時，它們的性能顯著下降。例如，現(xiàn)有的方法大多假設(shè)用戶以特定的方式(例如，文本輸入模式)握著設(shè)備[1](參見以下參考文獻列表)。更為先進的方法首先使用分類器來推斷用戶步行模式和手機位置(例如，手擺動、文本輸入等)[2]、[3]，然后利用這種信息來優(yōu)化慣性跟蹤系統(tǒng)[4]。然而，現(xiàn)有技術(shù)方法只可以處理有限數(shù)量的手機位置選項。當(dāng)用戶偏離這種預(yù)定義的設(shè)置時，跟蹤系統(tǒng)不知道如何處理新的情況。另一個主要問題是慣性跟蹤系統(tǒng)通常假設(shè)具備導(dǎo)致用戶、設(shè)備和環(huán)境變化的一系列參數(shù)的知識。用戶變化參數(shù)的例子包括將用戶身高、步頻和加速度方差與他們的步長相關(guān)聯(lián)的用戶變化參數(shù)[5]-[8]。需要另外的參數(shù)對慣性傳感器的噪聲和與環(huán)境相關(guān)的磁場畸變的建模[9]。在優(yōu)化行人航位推算系統(tǒng)(pdr)系統(tǒng)中所需要的巨大的調(diào)試努力是阻礙慣性跟蹤系統(tǒng)成為主流的主要障礙之一。在本發(fā)明中，從針對特定情景的微調(diào)轉(zhuǎn)向更通用的魯棒跟蹤。另一方面是系統(tǒng)的終身學(xué)習(xí)。以下是引用的公開文獻：[1]：“l(fā)ightweightmapmatchingforindoorlocalizationusingconditionalrandomfields(bestpaper)”，z.xiao、h.wen、a.markham和n.trigoni，“informationprocessinginsensornetworks(ipsn’14)”國際研討會(德國柏林)，2014年；[2]：“towardphysicalactivitydiary:motionrecognitionusingsimpleaccelerationfeatureswithmobilephones”，j.yang，“1stint.workshopinteractivemultimediaforconsumerelectronics”(中國北京)，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”(美國加利福尼亞州圣迭戈)，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)”(美國路易斯安那州新奧爾良)，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)”(美國紐約州紐約)，acmpress，2010：71–84；[17]：“accelerometer-basedtransportationmodedetectiononsmartphones”，s.hemminki、p.nurmi和s.tarkoma，“11thacmconf.embeddednetw.sensorsyst.(sensys’13)”(美國紐約州紐約)，2013：1–14；[18]：“l(fā)ippincott,williamsandwilkins”第三版，j.rose和j.g.gamble，humanwalking，美國馬里蘭州巴爾的摩，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)”(美國紐約州紐約)，acmpress，2012：1–10；[25]：“walkdetectionandstepcountingonunconstrainedsmartphones”，a.brajdic和r.harle，“acmconf.ubi.comput.(ubicomp’13)”(瑞士蘇黎世)，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)”(土耳其伊斯坦布爾)，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)”(美國紐約州紐約)，“acmpress”，2012：421；[37]：“efficient,generalizedindoorwifigraphslam”，j.huang、d.millman、m.quigley、d.stavens、s.thrun和a.aggarwal，“ieeeint.conf.robot.automat.”(中國上海)，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，豐田工業(yè)大學(xué)芝加哥分校博士論文，2010。技術(shù)實現(xiàn)要素：根據(jù)本發(fā)明，提供了用于對從在所附的權(quán)利要求中定義的設(shè)備的傳感器傳出的傳感器數(shù)據(jù)進行處理的各種方法。本發(fā)明利用兩個主要原理：魯棒性：它使用簡單而全面的手機位置分類方案，即，覆蓋將手機附連于人體的所有可能方式。根據(jù)這種方案，它提供這里所謂的“r-pdr”，即健壯的行人航位推算(pdr)算法，其基于人體運動所支持的普通物理原理，并且避免使用特定情景試探，例如，如果手機在褲兜中，使用技術(shù)a；如果在文本模式，使用技術(shù)b。通過設(shè)計，r-pdr旨在對于用戶、設(shè)備和電話位置變化有較強的魯棒性。終身學(xué)習(xí)：雖然pdr參數(shù)經(jīng)常需要特定情景調(diào)整，但是在本發(fā)明中，這種信息是通過學(xué)習(xí)，而不是手動調(diào)整或者假設(shè)為初始輸入。為了這個目的，它使用行人航位推算(pdr)層和地圖匹配(mm)層之間的相互作用。現(xiàn)有的工作通常將pdr輸出供給地圖匹配技術(shù)(例如，粒子濾波/hmm/crf)，該地圖匹配技術(shù)利用地圖信息來校正慣性軌跡。這里稱為終身學(xué)習(xí)跟蹤器(ll-tracker)的本發(fā)明的一部分在上述兩個層之間引入反向鏈路。它增加地圖匹配層的功能來學(xué)習(xí)特定情景參數(shù)，這些特定情景參數(shù)接著將反饋至在下面的pdr層。雖然驗證了ll-tracker學(xué)習(xí)當(dāng)前健壯的行人航位推算算法(r-pdr)的參數(shù)的效率，但是終身學(xué)習(xí)在提高需要參數(shù)調(diào)整的任意pdr實施的性能中有廣闊的應(yīng)用前景。簡而言之，本發(fā)明的貢獻和目的包括：對人體運動進行分類的新的全面的方式；利用新的分類方案、并且對于用戶、設(shè)備和電話位置變化有較強的魯棒性的健壯的行人航位推算(r-pdr)算法；通過在地圖匹配層和行人航位推算層之間引入反饋回路簡化了參數(shù)調(diào)整的工作的終身學(xué)習(xí)跟蹤器(ll-tracker)；以下還提供了在設(shè)備類型、用戶、手機位置和建筑變化的廣泛的情景范圍內(nèi)的本發(fā)明的r-pdr和ll-tracker的評價。本發(fā)明的目的是提供室內(nèi)跟蹤系統(tǒng)，其對于慣性測量單元(imu)傳感器引入的噪聲和情景變化具有較強魯棒性。需要注意的是，pdr算法通常包括運動模式識別、步伐檢測、步長估算、步伐航向估算。本發(fā)明在此解決了以下主要挑戰(zhàn)：運動分類：盡管據(jù)我們所知對于不同運動模式的識別做了大量工作，但是仍然缺少捕獲大范圍的人體運動和設(shè)備連接方式的綜合分類方案，因為它們不得不包括大量的運動具體優(yōu)化規(guī)則，特別是為了解決步伐檢測的問題。設(shè)備方位估算：pdr算法的性能很大程度上取決于準確地跟蹤移動設(shè)備的方位的能力。這個任務(wù)在嵌入有低成本imu傳感器的無約束(移動/可穿戴)設(shè)備的情景下是極具挑戰(zhàn)的。通常，陀螺漂移和磁擾，尤其是在室內(nèi)環(huán)境中的陀螺漂移和磁擾，是準確方位估算的主要障礙。由于pdr算法的幾乎所有任務(wù)都使用方位信息，因此解決這個問題是至關(guān)重要的。加速長/短期漂移：另一個主要挑戰(zhàn)是在加速度信號中的短期和長期漂移的校正。使加速度信號失真的噪聲是主要問題，因為它導(dǎo)致方位估算的不準確。設(shè)備的小的傾斜誤差將使投影至地坐標系的加速度信號失真，垂直加速度的一部分，例如，重力分量，將算入水平加速度。參數(shù)調(diào)整：慣性跟蹤系統(tǒng)通常需要小心調(diào)整參數(shù)，例如，傳感器偏差參數(shù)和步長估算參數(shù)等。某些參數(shù)是特定情景，例如，取決于環(huán)境、設(shè)備或個人，的事實對慣性跟蹤系統(tǒng)的廣泛應(yīng)用構(gòu)成巨大挑戰(zhàn)。附圖說明現(xiàn)在將參照以下附圖舉例說明本發(fā)明的實施例：圖1為根據(jù)本發(fā)明的實施例的系統(tǒng)的總體結(jié)構(gòu)；圖2為用戶攜帶的設(shè)備的一些典型運動的加速度信號和方位信號；圖3a為將各種技術(shù)估算的重力進行比較的圖表；圖3b為展示了采用和沒有采用本發(fā)明的實施例的技術(shù)估算的加速度的圖表；圖4展示了對采用本發(fā)明的實施例的技術(shù)處理的加速度的分量的影響的圖表；圖5a展示了根據(jù)不同技術(shù)和設(shè)置在用戶身體上的不同位置對用戶步伐的檢測的比較；圖5b展示了根據(jù)不同技術(shù)對用戶的各種非步伐運動的拒絕的比較；圖6a為一組說明了在本發(fā)明的實施例中的最小二乘估算航向估算；圖6b為對由各種航向估算技術(shù)得到的測量的軌跡的比較；圖6c為對由各種航向估算技術(shù)的比較；圖7a、7b和7c展示了證實學(xué)習(xí)傳感器偏差的效能的一系列軌跡；圖8a、8b和8c展示了在步長估算時依照本發(fā)明的實施例的終身學(xué)習(xí)的重要性和有效性的實驗結(jié)果；圖9a和9b為將各跟蹤算法的準確性進行比較的圖表；圖10a、10b和10c為證實終身參數(shù)方法的有效性的圖表；圖11a、11b和11c為證實終身偏差學(xué)習(xí)的有效性的圖表；圖12a和12b展示了本發(fā)明的實施例在各種環(huán)境中的性能；圖13a、13b和13c說明了在各種環(huán)境中進行的實驗；圖14為本發(fā)明的實施例的運動識別模塊的示意圖；圖15為本發(fā)明的實施例的步伐檢測模塊的示意圖；圖16a為已知的用于方位信號的卡爾曼濾波器布置的示意圖；圖16b為同時使用磁強計和重力信號作為修正輸入的用于方位信號的卡爾曼濾波器布置的示意圖；圖16c為依照本發(fā)明的實施例的使用重量作為修正信號的用于方位信號的卡爾曼濾波器布置的示意圖；圖17為本發(fā)明的實施例的加速度模塊的示意圖。具體實施方式圖1展示了本發(fā)明的實施例的系統(tǒng)架構(gòu)。具有加速計、磁強計、陀螺儀等傳感器的智能手機100設(shè)置有軟件，在示圖的其他部分展示了軟件的模塊。加速計、磁強計和陀螺儀是主要的傳感器，但是系統(tǒng)可以考慮其他傳感器來提供位置、加速度和方位信號，如氣壓計、光傳感器等。軟件的第一層，即健壯的行人航位推算(r-pdr)10，配備有三個新的模塊：首先，它具有的功能特征包括新的運動分類方案1，其在它的分類中只使用兩個類，但是盡管如此，其可以捕獲大范圍的人體運動和設(shè)備放置的組合。其次，利用關(guān)于人體運動的簡單觀察，r-pdr具有帶有健壯機制來校正短期和長期加速度偏差的加速度估算模塊2。第三，r-pdr具有新的并且健壯的設(shè)備方位估算模塊3。(這里使用的“層”僅表示包含這里描述的模塊中較小的模塊的較大的軟件模塊。)以下將描述r-pdr的這三個模塊，然后解釋它們?nèi)绾螀f(xié)助其進一步的功能模塊，運動識別模塊4、步伐檢測模塊5、步長估算模塊6和步伐航向模塊。r-pdr層10的輸出，即用戶軌跡，特別地在本實施例中，包括設(shè)備的用戶邁出的每個步伐的距離值和航向值。(具體地，這些是每個步距和步伐航向的均值和方差值、或者是對不確定性的一些其他估算和測量。)然后這個數(shù)據(jù)被饋入地圖匹配層20，該地圖匹配層20考慮地圖約束來校正長期漂移的問題。不像信息只是向上流動的現(xiàn)有系統(tǒng)，本發(fā)明提供了反饋回路。地圖匹配層20具有位置估算模塊，該位置估算模塊使用軌跡和地圖(101表示在設(shè)備的屏幕上的地圖的顯示)來提供位置，該位置用于，例如，通知用戶其位置。將位置信號，即均值和方差，或者對位置的不確定性的一些其他估算和測量，傳遞至終身學(xué)習(xí)模塊22，該終身學(xué)習(xí)模塊22微調(diào)r-pdr層10使用的參數(shù)，并且將那些參數(shù)時不時地反饋至p-pdr層10。產(chǎn)生的端到端算法在這里稱為終身學(xué)習(xí)跟蹤器(ll-tracker)，其從經(jīng)驗中學(xué)習(xí)，并且逐漸在處理熟悉的跟蹤場景上做得更好。以下將更詳細地描述反饋回路和提供闡明跨層優(yōu)化的好處的例子?，F(xiàn)在從解決當(dāng)前在人體運動分類中存在的挑戰(zhàn)的新的分類開始，更詳細地描述軟件的新的能力?，F(xiàn)有的工作已經(jīng)提出了用于識別智能手機用戶的各種各樣的運動模式(包括打電話、文本輸入、手擺動、靜止等)的技術(shù)[8]、[10]。然而，這些運動模式只是所有可能人體運動模式的子集，并且足以滿足控制的實驗設(shè)定。為了使得運動模式識別工作在不受約束的現(xiàn)實世界設(shè)定中，需要定義大量新的運動模式，如果想要計算人類的所有可能運動模式，則將導(dǎo)致運動模式的急劇上升。在本發(fā)明的本實施例中，采用的方法不是根據(jù)運動模式的差異區(qū)分運動模式，而是使用它們共同具有的特征盡可能多地將它們歸成一組。具體地，使用非常簡單的分類方案，只包括兩個模式：對稱和不對稱。非正式地，對稱模式是以類似的方式受左右腿的運動影響的一類運動；不對稱模式包括所有其他類型運動。典型的對稱運動模式包括但不限于：文本輸入：當(dāng)步行時，移動設(shè)備持有在用戶的前方；打電話：當(dāng)步行時，移動設(shè)備持有靠近頭部；沉重的包：當(dāng)步行時，移動設(shè)備被放在沉重的包中(以致行人的手不會擺動)；襯衫口袋：當(dāng)步行時，移動設(shè)備被放在襯衫口袋中；靜止：無論移動設(shè)備被放在哪里，它都不會移動；類似地，一些典型的不對稱運動模式包括：手擺動：當(dāng)步行時，移動設(shè)備被持有在擺動的手中；褲子口袋：當(dāng)步行時，移動設(shè)備被放在褲子口袋(前或后)中；帶：當(dāng)步行時，移動設(shè)備被固定至帶；手揮動：當(dāng)沒有移動時，(可能周期性地)揮動移動設(shè)備。圖2說明了對稱和不對稱運動模式的一些例子。需要注意的是，所有對稱運動模式都具有周期對應(yīng)于單個步的類似加速度信號，同時所有不對稱運動模式具有周期對應(yīng)于兩個步的類似加速度信號。把運動分類為對稱和不對稱的好處有三個。首先，它是沒有遺漏任何運動的綜合方案。其次，運動分類步驟本身是簡單的任務(wù)，其使用與正弦波的單互相關(guān)(如下所述)實現(xiàn)。最后，對稱運動具有周期加速度信號而不對稱運動模式具有周期方位信號的事實大大地方便了步伐檢測的任務(wù)(也如下所述)。至此已經(jīng)討論了用于運動分類的方案；以下描述它在運動識別模塊中的實現(xiàn)。能夠準確跟蹤設(shè)備的方位是準確的長期慣性跟蹤的基礎(chǔ)。這是因為pdr的大多數(shù)步驟，包括步伐檢測、步長和航向估算，都是基于設(shè)備的方位。然而，跟蹤設(shè)備方位仍然是采用嵌入在未約束為以一定方式持有的移動設(shè)備中的低成本慣性測量單元(imu)傳感器的重要問題，其中，imu傳感器包括為此目的的陀螺儀和磁強計。陀螺儀漂移和磁擾，特別是在室內(nèi)環(huán)境中的陀螺儀漂移和磁擾是準確航位跟蹤的主要障礙。大多數(shù)現(xiàn)有的軟件使用卡爾曼濾波器，例如，間接卡爾曼濾波器[11]、擴展卡爾曼濾波器(ekf)[12]和無跡卡爾曼濾波器(ukf)[13]，采用來自陀螺儀的角速度來跟蹤設(shè)備方位以周期性地修正方位。在水平面上的陀螺儀漂移(偏擺)可以采用磁場測量值補償，尤其是存在區(qū)域的磁場畸變的地圖的情況下。然而，在橫搖角和縱搖角上的陀螺儀漂移仍然是具有運動加速度的設(shè)備亟需解決的問題[14]。通過準確地估算來自原始加速計的重力加速度，本發(fā)明的本實施例解決了這個問題。接著，重力向量用作卡爾曼濾波器中的觀察，從而校正橫搖和縱搖中的漂移。因此，圖16a展示了處理方位信息的現(xiàn)有技術(shù)模塊?？柭鼮V波器161從陀螺儀接收方位信號(即，集成為方位信號的來自陀螺儀傳感器的基礎(chǔ)角速度信號)，其中，方位信息提供作被過濾的信號，磁強計信號被用作輸入卡爾曼濾波器的修正輸入信號。圖16b展示了本實施例的類似部分(其是方位跟蹤模塊3的一部分)。其也采用了卡爾曼濾波器161’，但是具有附加修正信號，該附加修正信號是表明作用在設(shè)備上的重力的方向的信號。因此，這個信號還用于修正過濾的方位信號?？柭鼮V波器可能至少是上述卡爾曼濾波器的任意變體。重力信號可以以不同的方式提供。以下將描述一些已知的方法和在本實施例中優(yōu)選的準確性更高的方法。當(dāng)前存在兩個主要的方法來估算加速計測量值的重力分量。第一種方法由mizell等人提出[15]，其使用固定持續(xù)時間的窗口的平均值來估算重力。這種方法是優(yōu)雅而簡單的，但是它不適于行人使用的移動設(shè)備。主要原因在于，方位的變化向準確的重力估算引入相當(dāng)大的遲延。為了減少該遲延，可以縮短估算重力的時間窗[16]。然而，這降低了重力估算的準確性。第二種方法由hemminki等人提出[17]，其只在加速度信號在一段時間內(nèi)的變化低于一定閾值時才估算重力。這種方法降低了由第一種方法引入的遲延，但是受到兩個限制。首先，這種方法只在移動設(shè)備靜止一段時間時才工作；當(dāng)用戶處于運動中時它不工作，而用戶運動是最需要重力估算的。其次，在不同運動模式中的變化的閾值是不同的，使得它難以應(yīng)用于現(xiàn)實世界設(shè)定。為了解決這些限制，本實施例使用可以準確地估算重力矢量而沒有遲延，并且會一直工作的新的算法。它利用的關(guān)鍵事實是陀螺儀傳感器在短時間段內(nèi)是可靠的。算法如下所述。假設(shè)我們在給定尺寸t的歷史原始加速計數(shù)據(jù)at-t:t的窗口的情況下，想要估算在時刻t的重力。在第一步(參見圖14)，來自加速計的加速度信號at-t:t-1在時間戳t被投射到手機的坐標系，接著在第二步，在時刻t的重力矢量gt被估算為投射后的加速度讀值的平均值：其中，是從在時間戳τ的設(shè)備坐標系到時刻t的設(shè)備坐標系的投影矩陣。這個投影矩陣容易從時刻t的陀螺儀傳感器讀值得到。這些陀螺儀傳感器讀值可能是，例如，來自陀螺儀傳感器的原始信號，或者卡爾曼濾波器的輸出(它們彼此之間在涉及的時間尺度上沒有多少區(qū)別，它們的使用的選擇如圖16c中的虛線箭頭所示)(還需要注意的是上標t表示轉(zhuǎn)置矩陣)。已經(jīng)進行了實驗來比較推薦的算法和現(xiàn)有技術(shù)的重力估算技術(shù)。在實驗中，行人正常行走，移動設(shè)備處于文本輸入模式。使用本發(fā)明和現(xiàn)有技術(shù)的方法估算重力矢量。接著，如圖3a所示的重力量值被估算作在z軸上的加速度?？梢钥闯觯琺izell的方法是最不準確的，因為它不能夠管理設(shè)備的方位改變。samuli的方法提供更準確但是非常稀疏的重力估算，因此在大多數(shù)情況下，行人的運動使得加速度的變化大于閾值。相較而言，本實施例的方法提供準確的重力估算和連續(xù)工作。如上所述，重力矢量估算值接著將饋入卡爾曼濾波器作為附加觀察值(連同磁強計測量值)來估算設(shè)備的方位。圖16c展示了本實施例的方位跟蹤模塊3的細節(jié)的更完整的版本。其具有卡爾曼濾波器161’(如圖16b所示)，帶有由重力估算模塊162提供的重力信號，執(zhí)行上述等式(1)的計算。這個模塊162將表明設(shè)備的加速度的信號(例如，原始加速計數(shù)據(jù))和由t到τ計算器163提供的等式1的矩陣r的值作為其輸入。本實施例的方位跟蹤方法有如下優(yōu)點。首先，根據(jù)在由卡爾曼濾波器給出的時刻的設(shè)備方位估算值，每個加速度矢量均轉(zhuǎn)換為地面坐標系。接著，重力量值簡單地估算為在短窗口中的z軸上的加速度的平均值。圖3b展示了采用和不采用推薦的方位跟蹤算法的重力的長期估算。正如預(yù)期的，當(dāng)沒有把重力用作卡爾曼濾波器的修正輸入時，設(shè)備方位的漂移快速增加，導(dǎo)致重力量值估算值偏離地面實況。這種由方位漂移導(dǎo)致的加速度漂移可以造成用戶步伐的計數(shù)錯誤。然而，本發(fā)明計算和取決準確的重力矢量估算值，已經(jīng)成功校正這種漂移。雖然推薦的重力估算算法可以使得設(shè)備的長期方位跟蹤(即，卡爾曼濾波器的輸出)健壯，但是它不足以準確估算水平面上的加速度，而水平面上的加速度對于步伐檢測是很重要的。主要原因在于，即使是非常小(例如，兩度)的設(shè)備傾斜(可能不會被上述算法校正)可以明顯地影響水平面上的加速度信號。例如，兩度的傾斜可以只將z軸上的加速度讀值從9.806m/s2改變?yōu)?.801m/s2，但是它可以將水平面上的加速度(x或y)偏移0.342m/s2。使情況更糟的是，這種偏移用過二重積分被明顯放大，這導(dǎo)致距離估算的更大誤差。例如，兩度傾斜誤差可以導(dǎo)致10秒內(nèi)多達20米的誤差。發(fā)明人已經(jīng)意識到使用來自人類行走的物理約束可以做出改進。在[18]中證實了人類具有出奇一致的連續(xù)步伐的步行模式。本實施例利用此來提供更好的方法估算和校正方位誤差，這里稱為重復(fù)模式修正(reput)。該方法假設(shè)：首先，在對稱運動模式中的每個步伐之后，或在不對稱運動模式的每兩個步伐之后，移動設(shè)備的速度和高度幾乎相同(檢測如以下所述)。其次，假設(shè)方位誤差，即來自健壯的方位跟蹤所估算的方位和實際方位之間的差異，也就是反向旋轉(zhuǎn)r(明顯不同于等式1)，在一個或兩個步伐的過程中是相同的。使用以下符號：單個/兩個步伐，在時刻t0開始，速度為v0，在時刻te結(jié)束，速度為ve。結(jié)束速度表示如下：其中，r是旋轉(zhuǎn)矩陣，其校正在時刻t來自設(shè)備的加速度傳感器的加速度矢量at中的方位漂移，[axt,ayt,azt]為在地面坐標系(優(yōu)選地，ned(northeastdown)坐標系)中表示的在時刻t的at的分量，z為垂直的。δt是加速度采用間隔。r類似地由這些坐標系表示。接著，根據(jù)第一reput假設(shè)，我們得到還可以用公式表示其他重復(fù)模式。例如，在2d定位中，在一個步伐之前和之后，移動設(shè)備具有相同的離地距離，其可以用公式表示為：其中，azt是沿著z軸的垂直加速度。有可能的是，這些條件可以彼此矛盾，因為速度差值δv或距離差值δl不能嚴格為零。因此，逆-漂移旋轉(zhuǎn)矩陣r的最小二乘解與簡單的最優(yōu)化一起使用。接著，可以通過將加速度信號旋轉(zhuǎn)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的間隔從等式(3)和(4)計算出來的。為了測試reput算法的有效性，我們已經(jīng)進行了簡單的實驗，在這個實驗過程中，行人正常行走，將設(shè)備拿在手上。圖4展示了reput算法之前和之后的加速度信號的典型例子?？梢杂^察到，如果我們不采用重復(fù)模式假設(shè)，沿著x和y軸的加速度信號隨著時間顯著漂移；通過reput成功校正了該漂移。圖17展示了加速度模塊2的優(yōu)選形式，其中，r矩陣用于校正加速度信號以提供從模塊2輸出的加速度信號。首先，使用方位信號，通過加速度投影模塊171，將原始加速度矢量信號的分量從設(shè)備參考系轉(zhuǎn)換至地面參考系。接著，加速度信號應(yīng)用于r優(yōu)化模塊171，以導(dǎo)出等式3和4的r，然后通過加速度校正器173將r轉(zhuǎn)而應(yīng)用于加速度信號，從而校正加速度信號，如上所述。找到的r應(yīng)用于間隔t0到te中的加速度矢量，這些加速度矢量曾經(jīng)用于計算r的值。已經(jīng)討論了r-pdr的上述關(guān)鍵新能力，以下將描述它們在四個行人航位推算步驟的更健壯的版本中的使用：即運動識別、步伐檢測、步長估算和航向估算。運動識別模塊4利用上述新的分類方案，分類只包括兩種運動類型——對稱和不對稱。此外，為了識別運動類型，它使用校正的方位和加速度(垂直分量)信號。在本實施例中的方位信號是圖16c的輸出(即，經(jīng)過卡爾曼過濾的)，例如，使用信號的縱搖分量，但是由于移動設(shè)備可以持有在各種方位，因此也優(yōu)選地使用橫搖和偏擺，并在在特定時間選擇合適的一個。在本實施例中，加速度信號為減去了重力的加速計的原始信號。從圖2可以看出，在對稱運動模式中，例如，文本輸入和打電話，垂直加速度信號類似正弦波，而在不對稱運動模式中，方位信號更接近正弦波。圖14a展示了運動識別模塊4。dft模塊141和142在與人類行走相對應(yīng)的頻率范圍，通常在1.2hz和2.5hz之間，分別計算來自加速計(重力小)和健壯的方位跟蹤模塊3的加速度信號和方位信號中的每一個的離散傅里葉變換(dft)，從而檢測在那個范圍內(nèi)的能量。貝葉斯分類模塊143分別接收那些dft，并且決定設(shè)備位置是否造成處于對稱運動(垂直加速度相比方位具有更強的周期性)或不對稱運動(方位相比垂直加速度具有更強的周期性)，輸出表明決定的信號。能量檢測模塊使用dft和兩個狀態(tài)的隱馬爾科夫模型之間的標準化交叉關(guān)系做出決定。因此，它評估垂直加速度或方位波形中的哪一個具有更強的周期分量。運動識別模塊可以使用表明方位和加速度的其他信號，特別地，可以使用通常使用的來自加速計的原始數(shù)據(jù)。也可能使用具有最強周期分量的其他評估方法。一旦將運動模式分類，接下來執(zhí)行的任務(wù)是檢測人的步伐。典型的現(xiàn)有的步伐檢測算法通過識別加速度信號中的循環(huán)模式檢測步伐，例如，峰值檢測[5]、[7]、[19]、過零檢測[20]-[22]、如傅里葉變換的頻譜分析[23]、[24]、短時傅里葉變換[25]、連續(xù)小波變換[8]、以及自/互相關(guān)[26]、[27]。上述技術(shù)假設(shè)人只有在行走的時候才產(chǎn)生周期加速度信號，但是這不是真實的。因此，它們不能區(qū)分真實步伐和用戶實際沒有向前移動的單手搖擺。這是因此，這兩個動作可以實際產(chǎn)生非常類似的加速度信號模式。假陽性步伐檢測的問題在應(yīng)用使用加速度信號的量值的算法[28]時更嚴重，并且隨著運動模式(如爬行、蹣跚、側(cè)步、曳步[29])的約束的減少，將會進一步加劇。簡而言之，現(xiàn)有技術(shù)只關(guān)注類似步伐的信號段的邊界的識別(也稱為步伐模式提取)。相較而言，本實施例不只提出新的實現(xiàn)步伐模式提取的方法，還引入額外的分類步驟來區(qū)分提取的步伐是真的還是假的。真的步伐在這里定義為帶有移動的步伐，與此相對的是，假的步伐沒有移動。假的步伐的一個例子是當(dāng)人擺動在他的手中的手機而實際沒有移動他的腿時所檢測到的假的步伐。以下將描述新的步伐模式提取和步伐分類模塊。本實施例的步伐識別方法旨在以輕量級在線方式識別類似步伐的信號段的邊界。該方法通常使用時域分析利用上述運動運動識別方法非常準確地提取步伐。使用的分析取決于運動識別為對稱的或不對稱的。圖15展示了步伐檢測模塊5的細節(jié)。如果是對稱的，則模塊5將加速度信號的垂直分量用于步伐檢測，因為在對稱運動模式中具有簡單的類似正弦波模式。這里將類似于[22]的增強的過零檢測器151應(yīng)用于加速度信號以檢測步伐邊界，該增強的過零檢測器產(chǎn)生步伐邊界標志。然而，如圖2所示，不對稱運動模式的加速度模式明顯不同，使得采用峰值或過零等時間特征識別步伐是極其困難的。因此，在這種情況下，方位信號的縱搖分量用于提取步伐，因為在不對稱運動模式中方位的改變(而非加速度的改變)是非常周期性的，如圖2所示。在這種情況下，步伐邊界是設(shè)備方位信號的峰值和波值，例如，第一步伐是從波值到峰值，第二步伐是從峰值到波值。然而，在方位信號應(yīng)用于檢測峰值和波值以提供步伐邊界的標志的峰值和波值檢測器153之前，用低通濾波器152過濾方位信號。從圖2中的方位信號的最右邊兩個軌跡可以看出，方位信號可以具有一些非基本的頻率分量使峰值和波值的形狀復(fù)雜化，因此濾波器153提高了峰值和波值檢測的可靠性和準確性。為了提高可靠性，加速度信號在應(yīng)用于過零檢測器151之前還經(jīng)過低通濾波器155的過濾。多路復(fù)用器154顯示為步伐檢測模塊5的一部分，連接以接收來自過零檢測器151和峰值和波值檢測器153的步伐邊界標志，并且根據(jù)來自運動識別模塊4的運動是對稱的還是不對稱的標識在它們之間進行選擇。在本實施例中，模塊由軟件實現(xiàn)，多路復(fù)用器只是符號性的——軟件首先檢查運動是對稱的還是不對稱的標識，并且只相應(yīng)地執(zhí)行對加速度或方位信號上的步伐邊界的檢測，以節(jié)省計算資源。如上所述，用戶可以在不同的方位持有設(shè)備，模塊選擇方位信號的哪個分量進行峰值和波值的檢測。步伐模式提取步驟不用區(qū)分真的步伐和假的步伐。提供了考慮了方位和加速度信號的信息特征的進一步分類步驟。具體地，水平和垂直位移是告知移動設(shè)備是否發(fā)生實際移動的信息特征。在本實施例中，它們由一個步伐過程中的加速度信號的二重積分(分別在x-y平面/z軸)得到，但是可能是其他方法。這兩個特征是很有信息含量的，因為它們可以捕獲真的步伐和假的步伐之間的根本差異。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。加速度信號和方位信號之間的互相關(guān)還被認定為拋棄假的步伐的有效特征，因為如果我們搖動設(shè)備，則加速度信號和方位信號傾向于具有相同的周期，這對于正常的行走行為是不正確的。(同樣地，方位可能與(例如，由加速度的單次積分形成的)速度或與位移互相關(guān)，這是因為由于加速度在周期運動中具有相同的周期因此它們有相同的周期。)方位偏移是用于真的/假的步伐分類的另一特征。方位偏移測量在一個步伐過程中方位已經(jīng)改變了多少。這個特征的提出是為了防止在計算水平和垂直位移中考慮由轉(zhuǎn)彎產(chǎn)生的加速度。上面定義的強勢特征允許我們在本實施例中使用簡單的決策樹來準確地區(qū)分真的和假的步伐。通常，設(shè)置用于從哪些信號中區(qū)分真的和假的步伐的模塊可以是，例如，任何機器學(xué)習(xí)或貝葉斯分類器(決策樹、svm、神經(jīng)網(wǎng)絡(luò)等)。已經(jīng)進行了一系列實驗來比較本實施例的步伐檢測方法和現(xiàn)有技術(shù)的步伐檢測算法(包括峰值檢測(pd)[19]、過零檢測(zd)[22]、短時傅里葉變換(stft)[30]、連續(xù)小波變換(cwt)[31]和自相關(guān)(ac)[27])。實驗涉及不同的用戶、連接方式和總數(shù)超過15000的真實步伐。在我們的實驗中競爭方法的步伐檢測準確性類似于[25]中報道的準確性。圖5a展示了本實施例的方法和競爭方法的步伐檢測準確性?？梢钥闯?，本實施例的方法不管設(shè)備的連接方式，一貫地表現(xiàn)出非常高的準確性?，F(xiàn)在還證實了使用來自重復(fù)但是與向前位移相對應(yīng)的多個行為的數(shù)據(jù)，在對是否已經(jīng)實際上邁出或沒有邁出步伐的判斷中現(xiàn)有算法的性能。每個行為，如敲擊、晃動和頓足，執(zhí)行200次?？梢詮膱D5b中觀察到，本實施例的方法報告了接近0次的真的步伐，而所有其他算法報告了約200次的步伐，這在本實施例排斥了假陽性步伐的情況下證實了該方法的有效性。r-步長估算：不像腳部安裝的慣性導(dǎo)航系統(tǒng)[32]，加速度的二重積分來得到步長不適用于手持設(shè)備，原因在于零速修正(zupt)不適用于手持設(shè)備，因為在步行周期的過程中當(dāng)一只腳固定在地面上時，只有腳跟可以被認為是(幾乎)靜止的。已經(jīng)提出了各種模型來解決步長估算問題。最簡單的方法是使之成為常數(shù)[33]，因為行人在自然步行速度下具有驚人地保持不變的步長[18]。然而，當(dāng)與其他人一起行走時，人們傾向于調(diào)整他們的自然步行速度，這導(dǎo)致步長的顯著變化[29]。用于估算步長的最常用方法是將步長與行人高度、步頻、加速度方差等變量相關(guān)聯(lián)的線性[6]、[8]或非線性[5]、[7]模型。這些模型易于實現(xiàn)，并且因此在實際中廣泛采用。線性/非線性模型的一種替代是回歸。根據(jù)從傳感器數(shù)據(jù)中提取的各種特征，已經(jīng)應(yīng)用了如支持向量機[3]、[8]和神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)回歸技術(shù)。本實施例使用簡單的步長模型[35]，其使用加速計數(shù)據(jù)來檢測步頻(在時刻t用ft來表示)，該步頻后續(xù)用于估算步長lt，如下所示：lt＝h(αft+β)+γ(5)其中，h是行人高度，α是步頻系數(shù)，β是給定行人高度的步伐常數(shù)，γ是步伐常數(shù)。這個模型的準確性通過其自身并不令人滿意，因為步長參數(shù)在不同用戶和環(huán)境中各不相同。然而，本實施例的r-步伐長度估算方法得益于由于r-pdr和地圖匹配之間的反饋回路而供給有仔細配置的參數(shù)值。這里被稱為非監(jiān)督式終身學(xué)習(xí)方法，如ll-tracker，以下將對其詳細描述。r-航向估算：估算行人的航向，大多數(shù)現(xiàn)有工作假設(shè)了解移動設(shè)備附連至哪個位置，從而假設(shè)行人的航向總是與移動設(shè)備的航向一致[36]，在現(xiàn)實世界設(shè)定中這是不正確的。zee[27]證實了可以通過觀察典型行走的頻譜來估算航向。雖然這是有意思的想法，但是它受到方向模糊所帶來的問題。walkcompass[4]在步伐的片段中用最大加速度采樣加速度信號。在移除噪聲并且將樣本旋轉(zhuǎn)至穩(wěn)定的坐標系后，它算出樣本的平均數(shù)以獲得3d中的行走方向。接著，它將估算出的方向投影至水平行走平面。這種方法可工作于各種設(shè)備布置，但是它對噪聲敏感，如下所示。在本實施例中，替代如walkcompass的均分，使用最小二乘擬合在水平平面(兩個分量x和y)中最匹配單個步伐的加速度讀值的直線。(可以使用貝葉斯回歸等其他方法替代最小二乘)。我們使用加速度樣本的前50％消除直線的兩頭之間的歧義。如果來自最小二乘法的殘留誤差較小(圖6a的頂部和中部)，則產(chǎn)生的估算用作設(shè)備和用戶航向之間的偏移；否則(圖6a的底部)，我們使用曾經(jīng)被可靠估算的最新的偏移。圖6b和6c通過在體育中心跟蹤用戶110秒比較了本實施例的技術(shù)和相比較的技術(shù)。注意到，提出的r-pdp方法可以檢測和避免噪聲估算值，因此相比競爭方法產(chǎn)生更高的準確性。本實施例的航向估算取決于能夠正確地將加速度數(shù)據(jù)旋轉(zhuǎn)至地面坐標系。這需要準確的設(shè)備方位估算，其轉(zhuǎn)而取決于如上所述的陀螺儀數(shù)據(jù)的質(zhì)量。本實施例通過ll-tracker的終身學(xué)習(xí)方法學(xué)習(xí)傳感器偏差，解決了如上所述的陀螺儀傳感器的長期偏移的問題，并且進一步提高了r-航向估算的準確性，如下所述。背景：雖然提出的r-pdr對于設(shè)備、連接方式和用戶的運動變化具有魯棒性，但是它不能完全解決所有的pdr算法受到隨著時間的推移估算的位置偏離真實位置更遠的事實的影響的問題。已確立起來的校正pdr中的長期偏移的方法是使用地圖約束，如在樓層平面圖、無線電rssi地圖和磁場畸變地圖中編碼的地圖約束。合理的假設(shè)是給定地圖(尤其是，樓層平面圖)的可用性、以及在室內(nèi)制圖中g(shù)oogle、microsoft、apple和qualcomm等主要參與者投入的大量精力。地圖匹配層可以以多種方式實現(xiàn)。傳統(tǒng)上，它已經(jīng)使用遞歸貝葉斯濾波器，如hmm、科爾曼濾波器和粒子濾波器，后者由于其在大量粒子被使用時的簡單性、易于實現(xiàn)和準確性，是使用最為廣泛的方法。最近，引入了基于無向圖形化模型(具體地，條件隨機場)的新方法，其相比貝葉斯濾波器表現(xiàn)得更加輕巧和準確[1]。在這篇文章中，認為雖然地圖匹配層在室內(nèi)定位中已經(jīng)起到關(guān)鍵的作用，但是它還沒有實現(xiàn)它的全部潛力。它不僅可以用于pdr軌跡中的長期偏移，但是還可以用于終身學(xué)習(xí)的新目的。類似于多次方位相同環(huán)境而更好地找到他們的行蹤的人，室內(nèi)定位算法在相同的背景下重復(fù)運行。這個想法在室內(nèi)定位中不完全是新的。一個說明性的例子是使用同步定位和匹配方法(如wifislam[37])的地圖匹配的實現(xiàn)。貝葉斯濾波器也適應(yīng)于地圖匹配，例如，zee[27]、[36]，其中，在軌跡已經(jīng)與給定的地圖匹配之后，學(xué)習(xí)無線電地圖或磁場畸變地圖[38]。原則上，用戶越多地方位一個環(huán)境，則推測的無線電地圖變得越準確，并且地圖匹配的性能越好。然而，到目前為止，終身學(xué)習(xí)的概念只是用于優(yōu)化地圖匹配層自身的功能。形成鮮明對比的是，在本實施例中，來自地圖匹配層的信息在r-pdr層的性能優(yōu)化中起到關(guān)鍵作用。它可以用于學(xué)習(xí)各種參數(shù)，如取決于設(shè)備/設(shè)備連接方式(例如，傳感器偏差)、或用戶/環(huán)境(例如，步長參數(shù))的參數(shù)。這種端到端終身學(xué)習(xí)跟蹤系統(tǒng)在這里被稱為ll-tracker。它由r-pdr10、地圖匹配20和從地圖匹配到r-pdr的反饋回路構(gòu)成，如圖1所示。以下首先描述對反饋回路至關(guān)重要的參數(shù)學(xué)習(xí)過程，然后舉幾個例子說明。r-pdr的準確性取決于在它的四個模塊4、5、6和7中采用的參數(shù)的數(shù)量。這些參數(shù)難以手動調(diào)整，因為它們可能取決于設(shè)備、連接方式、用戶和環(huán)境。為了解決這個問題，本實施例使用非監(jiān)督式方法來學(xué)習(xí)r-pdr參數(shù)。每當(dāng)?shù)貓D約束為使得匹配的軌跡有且僅有一個概率可以高概率地最好地支持原始軌跡時，該方法就會被觸發(fā)。這保證了匹配的軌跡方案的存在和唯一性。當(dāng)滿足這個條件時，r-pdr參數(shù)調(diào)整變成以下優(yōu)化問題：其中，x是需要調(diào)整的r-pdr(或另一種pdr實現(xiàn))的參數(shù)(或參數(shù)的矢量)，s(x)是匹配的軌跡，z(x)是從r-pdr饋送入地圖匹配的原始軌跡。關(guān)鍵理念在于只有當(dāng)估算的參數(shù)值等于(或非常接近于)正確的參數(shù)時，在給出原始軌跡的情況下我們才能將匹配的軌跡的條件概率最大化。這種優(yōu)化的解決可以采用期望最大化(em)方法得到。然而，軟件em方法不會工作，因為在m-step中的參數(shù)x的優(yōu)化實際上改變了模型的狀態(tài)空間，這使得e-step不能夠評價在下個迭代中的期望值[1]。因此，采用健壯的em方法(也稱為viterbi訓(xùn)練)來解決優(yōu)化問題[39]。以下是證實用于參數(shù)調(diào)整的r-pdr和地圖匹配之間的反饋回路的有效性的幾個例子。陀螺儀偏差的學(xué)習(xí)：傳感器，尤其是低成本傳感器偏差的學(xué)習(xí)是pdr算法的性能的關(guān)鍵。運動傳感器偏差是阻礙慣性跟蹤被廣泛使用的瓶頸，因為傳感器偏差是累積的，其導(dǎo)致軌跡的明顯誤差，尤其當(dāng)其在沒有額外的約束可以應(yīng)用的開放空間中使用時。更糟的是，運動傳感器還受到時間漂移和熱漂移的影響，這使得偏差隨著時間和溫度變化。因此，傳感器偏差的終身學(xué)習(xí)對于準確的pdr跟蹤是必要的。在實踐中，常備的三個運動傳感器，加速計、磁強計和陀螺儀具有漂移或誤差。然而，在這三個運動傳感器中，陀螺儀在確定設(shè)備的準確方位方面起著關(guān)鍵的作用，其是建立長期跟蹤的基礎(chǔ)。此外，陀螺儀傳感器的校準相比于加速計和磁強計的校準特別困難。因此，陀螺儀偏差的學(xué)習(xí)是相當(dāng)有用的。已經(jīng)進行了測試傳感器偏差學(xué)習(xí)的有效性的實驗。圖11展示了一個nexus5設(shè)備在室內(nèi)籃球場中的軌跡，沒有任何樓層平面圖或其他地圖約束。觀察到?jīng)]有傳感器偏差學(xué)習(xí)時軌跡很大程度上偏離地面實況。在如圖13a所示的完全不同的(辦公室)環(huán)境中，在已經(jīng)學(xué)習(xí)了設(shè)備的傳感器偏差之后，在航向估算方面得到很大改進。這個例子用于展示終身學(xué)習(xí)如何可以利用一個環(huán)境的結(jié)構(gòu)對在更具挑戰(zhàn)的開放空間環(huán)境中的導(dǎo)航提供幫助?？绛h(huán)境學(xué)習(xí)的含義可以延伸至其他用戶：可以利用帶有“終身學(xué)習(xí)經(jīng)驗”的用戶的高跟蹤準確性來創(chuàng)建環(huán)境的準確無線電地圖，這轉(zhuǎn)而會給wifislam[37]等其他算法和只采用無線電地圖進行跟蹤的用戶帶來好處。步長常數(shù)的學(xué)習(xí)：第二個例子展示了我們可以如何使用r-pdr和地圖匹配之間反饋回路來提高r-步長估算(r-pdr10的模塊6)的性能。具體地，本實施例的方法用于學(xué)習(xí)不同個體的步伐常數(shù)γ(等式(5))因為：1)由于人類步行模式中步長的較高一致性，因此平均步長在跟蹤準確性中起到至關(guān)重要的作用；2)在我們的實驗中，不同個體的參數(shù)α和β是非常相似的。我們已經(jīng)在辦公室環(huán)境、博物館環(huán)境和市場中進行了實驗來展示步長估算上額反饋回路的有效性。注意到，在圖8a中，步伐常數(shù)γ對于不同個體(u1到u4)差別是非常大的，甚至對于同一個體在不同環(huán)境(辦公室、博物館和市場)中差別也是非常大的，如圖8b所示，圖8c展示了將條件概率最大化的步伐常數(shù)p(s|z)還將跟蹤的rms誤差最小化，使得我們能夠應(yīng)對用戶和環(huán)境變化。在本實施例中，在軟件的控制下，由用戶攜帶的手機的一個或多個處理器執(zhí)行上述計算。在本實施例中，軟件具有上述模塊結(jié)構(gòu)。在可選擇實施例中，可以由硬連線電路執(zhí)行一些或全部所述計算。在可選擇實施例中，可能由通過通訊鏈路連接至設(shè)備的其他設(shè)備，例如，計算機，執(zhí)行上述計算。計算機可以是本地的，例如，在用戶正導(dǎo)航的建筑中，或者是遠程的，例如，通過互聯(lián)網(wǎng)連接至設(shè)備。評測地點：在帶有已知樓面平面圖的三個現(xiàn)實世界設(shè)定(辦公室建筑(65×35m2)、博物館(109×89m2)和體育中心場館(30×20m2))中對ll-tracker進行評測，并且與競爭方法進行比較。對于大部分測試，使用辦公室建筑，因為它具有最曲折的軌跡。總的來說，在30天收集了超過400m平均長度的224個軌跡。誤差以[m]rms表示。參與者：通過從不同性別、身高和年齡的15個人中采集數(shù)據(jù)，考慮了不同人之間的不同。在實驗過程中，實驗對象在身體的不同部位(通常為手、手表、眼鏡、襯衫口袋和褲子口袋)同時安裝有若干個設(shè)備。接著，他們在建筑內(nèi)到處行走，沒有計劃的路線，以便實際地采集真實的行人運動，而不是人造的、恒定速度的軌跡。他們被告之自由移動，并且可能具有不同的運動模式，包括行走、站著不動、坐下、彎腰撿起地面上的東西等。設(shè)備和實施：在實驗中涉及不同類型的移動設(shè)備和可穿戴傳感器，包括lgnexus4、lgnexus5、asusnexus7、samsunggalaxysiv、x-imu-1和x-imu-2。這些設(shè)備在傳感器、功能和價格方面明顯不同。在圖1中已經(jīng)展示了我們的應(yīng)用原型的快照。地面實況：為了提供準確的地面實況，沿著走廊并在房間內(nèi)以2m的網(wǎng)格放置編號的標簽。在實驗過程中，測試對象總是將一個攝像機拿在手上。在進行實驗的同時拍攝這些標簽。接著，時間同步的視頻流映射至樓層平面圖上的位置，并且從視頻中還得到使用步伐時序內(nèi)插的中間位置。推薦算法：在這節(jié)，我們評價本發(fā)明的兩種方法和兩個競爭端到端定位方案的性能。本發(fā)明的方法是ll-tracker和r-tracker。具體地，ll-tracker將r-pdr和地圖匹配與終身學(xué)習(xí)(即，用于微調(diào)r-pdr的參數(shù)的來自地圖匹配的反饋回路)結(jié)合。在另一方面，r-tracker包含r-pdr和地圖匹配，沒有終身學(xué)習(xí)。競爭算法：實用的室內(nèi)定位算法需要是基礎(chǔ)設(shè)施免費的，或者使用wifi和低功耗藍牙(ble)等現(xiàn)有基礎(chǔ)設(shè)施?，F(xiàn)有的實用的算法分為兩類：只使用wifi/ble的rf類，以及慣性數(shù)據(jù)和wifi/ble數(shù)據(jù)融合以執(zhí)行定位的融合類。rf類中的典型例子是horus[40]、radar[41]和ez[42]。融合類中的現(xiàn)有技術(shù)算法是mapcraft[1]、zee[27]、unloc[43]、wifislam[37]和[36]中的算法。為了評價ll-tracker的性能，從每類中選出報告最好準確性的算法，也就是說，從rf類中選出horus，從融合類中選出mapcraft，作為競爭方法。horus[40]是基于指紋的定位方法，其使用現(xiàn)有的無線電地圖，例如，用<ri,li>,i＝1···n表示的rss-定位對。為了定位移動設(shè)備，horus1)得到一組rss，2)在無線電地圖中評價這組給定的rss-定位對的概率：其中，m是r的維度，p(rj＝ri,j|li)是rss在位置li的分布(通常假設(shè)為高斯)，以及3)從所述對中選擇概率最高的位置，或者基于概率的所有位置的加權(quán)平均值，作為估算的位置。mapcraft[1]是推薦的輕型室內(nèi)定位算法，其將條件隨機場用于地圖匹配。研究發(fā)現(xiàn)大約在1～2米的rms誤差，但是，目前為止，它的設(shè)計和實現(xiàn)是假設(shè)在下一模式中由用戶持有移動設(shè)備。為了避免其由于這個原因處于不利地位，我們將使用各種移動設(shè)備連接方式的推薦算法的性能與使用單一設(shè)備連接方式(文本模式)的mapcraft的性能進行比較。a.準確性：為了評價提出的ll-tracker的準確性，在辦公室和博物館環(huán)境中進行了15個用戶、5種不同設(shè)備和5種不同連接方式的實驗。相同的imu和wifi數(shù)據(jù)被饋入推薦的ll-tracker、r-tracker和競爭的mapcraft和horus。圖9比較這四種方法的誤差累積分布函數(shù)。從圖9a觀察到當(dāng)只使用imu傳感器時，ll-tracker勝過所有其他方法，然后是r-tracker，最后是mapcraft。對于這三種方法，rms誤差為0.87m(ll-tracker)、1.36m(r-tracker)和1.69m(mapcraft)。注意到，ll-tracker、r-tracker和mapcraft使用行人航位推算層的慣性測量值，并且使用與環(huán)境的樓層平面相關(guān)的信息執(zhí)行地圖匹配——它們不假定需要無線電地圖知識，雖然在無線電地圖可以獲得的時候它們可以靈活地利用這種信息。接著在wifi無線電地圖可獲得，并且可被所有方法使用的時候，比較了這三種方法和horus的性能。從圖9b可以觀察到，lltracker也有最好的準確性，rms誤差為0.86m，然后為r-tracker(1.07m)、mapcraft(1.61m)和horus(4.62m)。注意到，ll-tracker、r-tracker和mapcraft融合imu數(shù)據(jù)、無線電地圖和樓層平面約束，而horus只利用無線電地圖的知識，但是不執(zhí)行地圖匹配。b.魯棒性：下一組實驗設(shè)計用于證實隨著我們改變實驗條件，推薦的ll-tracker的魯棒性。用戶變化：為了評價在用戶變化時的魯棒性，在實驗中涉及不同性別的、年齡從20到55的、身高從150cmdao1190cm的15個不同的人。為了將其他因素的影響最小化，實驗地點固定為辦公司環(huán)境，設(shè)備為nexus5手機，連接方式為只是手持。對于不同的行人學(xué)習(xí)不同的步伐常數(shù)參數(shù)。圖10a展示了用于辦公司環(huán)境中的不同的人的一些典型步伐常數(shù)，以及學(xué)習(xí)這些參數(shù)花費的時間。圖10b展示了采用學(xué)習(xí)的參數(shù)的收斂已經(jīng)如何提高跟蹤性能。在圖10c中還展示了盡管用戶不同，提出的ll-tracker具有幾乎相同的rms跟蹤誤差，而相對應(yīng)的mapcraft具有個體特定的跟蹤誤差。設(shè)備變化：為了評價在設(shè)備變化時的魯棒性，在實驗中涉及五種不同的設(shè)備，包括nexus5、nexus4、samsungs4、x-imu1和x-imu2。此外，實驗地點(辦公室環(huán)境)、用戶(用戶1)和連接方式(手持)等其他變量是固定的。圖11b展示了早每個設(shè)備均已經(jīng)使用5～10分鐘之后，不同設(shè)備的跟蹤準確性都是非常穩(wěn)定的。對于在開放空間(如體育中心，其中，沒有可用的地圖約束來提高跟蹤準確性)中使用的設(shè)備，趨勢尤為明顯。在籃球場中步行0.5km之后，觀察到?jīng)]有偏差學(xué)習(xí)算法rms跟蹤誤差可以高達15m，而如果在用在籃球場中之前已經(jīng)學(xué)習(xí)了在辦公室環(huán)境中學(xué)習(xí)了陀螺儀偏差，則誤差可以降低到約僅2m。此外，在地圖匹配可以補償傳感器偏差的辦公室環(huán)境中，傳感器偏差學(xué)習(xí)仍然提高了20％以上的跟蹤準確性(從0.96m到0.75m)。連接方式變化：在本實驗中測試了五種典型的連接方式(包括手持、手表、眼鏡、襯衫口袋和褲子口袋)來評價ll-tracker的魯棒性。本實驗也是由在辦公室環(huán)境中的帶著nexus5的用戶1進行。從圖11c觀察到，對于不同的連接方式，ll-tracker的rms誤差是極其相似的。請注意mapcraft只工作于手持連接方式。環(huán)境變化：在各種環(huán)境，即辦公室環(huán)境、博物館環(huán)境和體育中心評價ll-tracker的性能。所有這些環(huán)境都有不同的樓層平面圖和影響獲得的傳感器數(shù)據(jù)的施工方法。博物館有著大的、開放空間的多層石砌建筑。測試是在底層進行的。辦公室環(huán)境(大多數(shù)測試都是在此進行的)是有著石頭和磚構(gòu)造、通過金屬桿來加固的多層辦公室建筑；測試是在第四層進行的。體育中心是大型多功能場館，其中，為了方便地面實況采集，實驗是在籃球場進行的。在這組實驗中，考慮了來自15個實驗對象、5種不同設(shè)備和5種連接方式。我們已經(jīng)采取了非常復(fù)雜和曲折的軌跡，這些軌跡由于漂移和絕對參照測量的缺失通常是慣性跟蹤系統(tǒng)的薄弱點。圖13展示了ll-tracker在準確地跟蹤通過辦公室和博物館環(huán)境的行人中是如何獲得成功的幾個例證。在圖12a中展示了這些環(huán)境的累積分布函數(shù)。在辦公室中rms誤差是0.86m，在博物館中rms誤差是0.90m。注意到，ll-tracker在地圖上高概率地收斂至單個軌跡之后，它開始調(diào)整r-pdr參數(shù)；圖12b中給出了辦公室環(huán)境和博物館環(huán)境中的收斂距離的cdf。在開放空間中的性能總是pdr算法的局限，因為當(dāng)沒有外部約束時，誤差可以在短時間內(nèi)被快速累積，例如，可以利用樓層平面圖來校正偏移，特別是低成本imu傳感器。為了理解提出的r-pdr算法的限制，我們已經(jīng)測試了各種設(shè)備在體育中心中的性能，圖12a為其結(jié)果報告。已經(jīng)采用來自在如圖13b中所示的辦公室環(huán)境中的地圖匹配層的反饋回路對本實驗中的設(shè)備進行了校準。可以觀察到，提出的ll-tracker即使在開放空間(籃球場)中長達0.5km的軌跡也只有約1.27米的rms誤差。在圖7c中可以找到在這個環(huán)境中的示例軌跡。圖解圖1：ll-tracker的系統(tǒng)架構(gòu)。圖2：一些典型運動的加速度和方位信號。注意，對稱運動在加速度中如何具有強的周期性，而不對稱運動在縱搖中如何具有強的周期性。圖3說明了健壯的方位估算的例子。圖3a：使用不同技術(shù)估算的重力。圖3b：沒有采用(頂部)和采用(底部)健壯的重力估算的垂直加速度。圖4：reput之前和之后的加速度信號。根據(jù)人類的行走特性，在窗口中的x和y加速度信號被期望具有接近零的平均值。然而，在沒有reput的情況下，平均加速度明顯偏離零。圖5：展示了提出的r-pdr算法的計步準確性和拒絕假的步伐的實驗結(jié)果。圖5a：在不同設(shè)備連接方式中的計步。圖5b：拒絕假的步伐的能力。圖6：航向估算：算法和例證。圖6a：最小二乘航向估算。圖6b：航向估算技術(shù)的比較。圖6c：在實際軌跡中的航向估算的例子。圖7：在傳感器偏差學(xué)習(xí)之前和之后，在沒有任何地圖約束的籃球場中的0.5km的慣性軌跡，展示了從17.3m到2.3m的環(huán)閉環(huán)誤差的改進。圖7a：軌跡地面實況。圖7b：偏差學(xué)習(xí)之前的軌跡。圖7c：偏差學(xué)習(xí)之后的軌跡。圖8：展示了提出的關(guān)于步長估算的終身學(xué)習(xí)方法的重要性和有效性的實驗結(jié)果。圖8a：在辦公室環(huán)境中的不同行人的步伐約束。圖8b：在不同環(huán)境中的相同行人的步伐約束。圖8c：在(6)最小化rms誤差時最大化p(s|z)的步伐常數(shù)。圖9：各種跟蹤算法的準確性比較。圖9a：只有imu。圖9b：imu+wifi。圖10：對于不同設(shè)備的ll-tracker的跟蹤準確性，展示了終身參數(shù)學(xué)習(xí)算法的有效性。圖10a：步伐學(xué)習(xí)結(jié)果。圖10b：步伐學(xué)習(xí)性能。圖10c：用戶變化比較。圖11：對于不同設(shè)備和不同連接方式的ll-tracker的跟蹤準確性，展示了終身偏差學(xué)習(xí)算法的有效性。在辦公室環(huán)境中學(xué)習(xí)偏差一段時間，接著在相同的辦公室和完全不同的體育中心環(huán)境中進行測試。圖11a：偏差學(xué)習(xí)結(jié)果。圖11b：偏差學(xué)習(xí)對誤差的影響。圖11c：連接方式變化。圖12：提出的ll-tracker在多個地點的性能。圖12a：為了證實ll-tracker相對于環(huán)境變化的魯棒性的多地點性能。圖12b：提出的學(xué)習(xí)算法的收斂距離。圖13：在辦公室和博物館地點的實驗，展示了地面實況和重建的軌跡。圖13a：辦公室地面實況。圖13b：重建的軌跡。圖13c：博物館地面實況。圖13d：重建的軌跡。當(dāng)前第1頁12當(dāng)前第1頁12