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的步長推算文獻。

從表2可以看出，綜合計算成本和精度兩方面，文獻[6]最理想，盡管文獻[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。通常智能手機上都有數(shù)字羅盤（方向傳感器），它能測出手機的Y軸投影到水平面時和地磁北極的夾角，即手機的方向角。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放進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

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]先是利用計算機視覺技術(shù)從手機拍到的照片中提取出天花板邊緣，再計算手機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)合前面手機相對天花板邊緣的方向偏差，就能得到手機的方向。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)了一些基于手機的行人方向推算文獻。

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

[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