摘 要： 行人航位推算系統(tǒng)（PDR）因其無需部署信標(biāo)節(jié)點、成本低廉的特點被廣泛應(yīng)用于室內(nèi)定位中。圍繞基于行人航位推算的室內(nèi)定位問題，對行人航位推算中步態(tài)檢測、步長推算以及方向推算的研究現(xiàn)狀進(jìn)行了系統(tǒng)的梳理和述評，綜述了基于行人航位推算的室內(nèi)定位的發(fā)展及該領(lǐng)域的一些主要研究成果，指出了該領(lǐng)域現(xiàn)有研究存在的問題，提出了相應(yīng)建議和深入研究的方向。
關(guān)鍵詞： 行人航位推算；慣性傳感器；智能手機(jī)；室內(nèi)定位
0 引言
近年來室內(nèi)定位系統(tǒng)相當(dāng)流行，基于室內(nèi)定位的應(yīng)用有很多，例如，監(jiān)測病人在醫(yī)院里的位置、消防員在失事建筑物內(nèi)的位置等。
室內(nèi)定位領(lǐng)域已有大量的相關(guān)工作，比如利用在不同位置的短距離信號（如WiFi、RFID、紅外線等）的信號強(qiáng)度不同來建立射頻地圖。通過監(jiān)測信號的變化，利用三角測量法可以確定人的位置。但是這種方法需要提前在建筑物內(nèi)部署大量信標(biāo)節(jié)點，而且信號容易受到環(huán)境干擾和多徑效應(yīng)。
相反，行人航位推測（Pedestrian Dead Reckoning，PDR）系統(tǒng)無需在建筑物內(nèi)預(yù)裝信標(biāo)節(jié)點，利用慣性傳感器（如加速度傳感器、陀螺儀、數(shù)字羅盤等）計算步長和方向，即可推測出行人的蹤跡。
1 PDR系統(tǒng)概述
PDR系統(tǒng)所使用的PDR算法，如圖1所示[1]，它是一種相對定位算法。圖1中，E和N分別代表正東和正北方向。
PDR算法：已知行人的起始位置（x0，y0），利用方位角θ1和步長d1，可以計算出下一步到達(dá)的位置（x1，y1），如此反復(fù)迭代計算，可以計算出行人第k步到達(dá)的位置信息如下 
式中θi和di（i=1，…，k）分別代表第i步的方位角和步長。PDR系統(tǒng)的結(jié)構(gòu)框架如圖2所示。
2 步態(tài)檢測
步態(tài)檢測是基于慣性傳感器的行人定位系統(tǒng)中的模塊之一，步態(tài)檢測算法分類如下。
2.1 時域分析
人在行走的時候隨身攜帶的手機(jī)的加速度軌跡在時域呈現(xiàn)周期性變化。Qian J等人[2]提出利用手機(jī)內(nèi)的三軸加速度傳感器記錄加速度軌跡，再從加速度軌跡中檢測閾值，當(dāng)然在行走過程中人持手機(jī)會有些小的異常抖動產(chǎn)生，如圖3所示。時域分析方法除了閾值檢測法之外，還有動態(tài)時間規(guī)整法[3]。
2.2 頻域分析
頻域分析的原理是人行走時的頻率穩(wěn)定在2 Hz左右，而其他行為的頻率一般不在2 Hz附近，利用這一特點，參考文獻(xiàn)[4]利用短期傅里葉變換（STFT）提取出人行為的頻率，若在2 Hz附近，則認(rèn)為是跨了一步。
從上看出，時域分析方法較為直觀易懂，缺點是在時域上容易受其他噪聲的影響。頻域分析方法主要是利用行走時所特有的2 Hz來區(qū)分行走和其他行為，但不夠直觀，比如很難區(qū)分人抬腳和落腳兩種行為，因為其頻率差別很小。表1從技術(shù)、計算成本和檢測錯誤率方面出發(fā)，總結(jié)比較了一些基于手機(jī)的步伐檢測文獻(xiàn)。
3 步長推算
由于每個人的身高、走路的方式不同，所以每個人的步長也不一樣，關(guān)于步長推算方面的一些研究文獻(xiàn)總結(jié)如下。
3.1 常數(shù)模型
推算步長最直觀的方法就是將一段測得的行走距離除以計數(shù)得到的步數(shù)，得平均步長，即認(rèn)為步長是常數(shù)[5]。但是實際上由于人在行走時的姿勢會有所變化，所以步長也會改變。
3.2 線性頻率模型
模型A：
Li F等人[3]通過收集23個不同身高的人行走4 000步的數(shù)據(jù)，分析得到步長和頻率呈線性關(guān)系，提出了線性頻率模型：
L=a·f+b
a和b值通過大量線下訓(xùn)練求得，此方法計算成本較小，計算精度也較低。
模型B：
Renaudin V等人[6]提出基于步頻和行人身高的步長推算模型：
L=h·（a·f+b）+c（1）
式中L是步長，h是身高，f是步頻，K={a，b，c}是針對每個人的系數(shù)集合。實驗結(jié)果表明該模型的步長推算錯誤率為5.7%，而計算成本依舊較低。
模型C：
Qian J[2]提出基于步頻和加速度方差的步長推算模型：
式中f是步頻，ν是每一步的加速度方差，K={α，β，γ}是每個人的系數(shù)集合。實驗結(jié)果表明該模型步長推算精度較高，同時其計算成本也較大。
3.3 經(jīng)驗?zāi)Ｐ?/strong>
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.