用于智能手机融合定位的行人步长模型研究与实现＊.docxVIP

? ? 用于智能手机融合定位的行人步长模型研究与实现＊ ? ? 熊晶 （中国地震局地震研究所，湖北 武汉430071；中国地震局地震大地测量重点实验室，湖北 武汉430071；湖北省地震局，湖北 武汉430071；武汉地震计量检定与测量工程研究院有限公司，湖北 武汉430071） 基于智能手机的增值服务是未来人类娱乐与商业活动的核心增长点，智能手机作为优秀的个人定位导航平台，基于其位置服务的应用具有巨大的社会价值。目前智能手机上已经基本全部配备GPS 芯片，结合行人航迹推算PDR（Pedestrian Dead Reckoning）算法，利用手机传感器测量的步数和估计的步长来估算运动距离，并结合姿态传感器获得航向，从而推算出行人的相对位置[1]，实现复杂环境下行人的导航定位。而其中，步长模型的研究是PDR 算法实现的关键环节，其合理性和可靠性是行人导航定位的重要影响因素。 1 步长估算模型原理 行人步行或跑步过程中，其步长是不断变化的，比如路上步行、转弯、快走、上下楼梯等，步长都不是定值。而且不同行人的步长也是不同的，与行人的性别、身高、体重、年龄、心情甚至个人行为习惯有关[2]。本文仅建立行人在不同场景下的步长模型，暂时不考虑各种用户群体的种类。 目前的研究表明，行人的步长与其加速度的某些统计值有很好的相关性，如最大最小加速度、方差、步频等，目前有4 种步长模型：常数步长模型、线性步长模型、非线性步长模型和神经网络步长模型[3]。 常数步长模型是最简单的步长模型，假设步长为常数。常数由手机GPS 定位结果计算得出，当没有GPS 信号时，步长默认为最后一次GPS 定位计算的结果： 式（1）中：Sk为k 时刻步长；SGPS为GPS 实时计算的步长；wG、ws是高斯白噪声；S0为GPS 无信号之前定位结果计算的最后步长。 虽然在室外GPS 定位精度最好，但仍然有10 m左右的误差，所以据此计算的步长精度很难到达米级，而且误差积累更大。 线性步长模型认为步长和步频、加速度之间存在线性关系[4]，为： 式（2）中：L 为步长；A、B、C 为线性模型系数，可由实验线性模拟得出；F 为步频，即该步所用时间的倒数；SV 为该步的加速度方差。 非线性步长模型是通过步行过程中加速度的最大值和最小值为参数建立的，优于难以证明步长和运动参数的线性关系，所以线性关系只是一种简单估计，而步行过程中的加速度是在不断动态变化的，总有2个极值的存在。所以有学者提出基于加速度极值的模型公式： 式（3）中：K 为模型的系数；Amax是该步过程中最大的加速度值；Amin为最小的加速度值。 人工智能步长模型不是建立步长与运动参数之间的关系，而是将运动数据作为样本输入，进行反复训练，自适应估算出步长，比如输入该步的加速度最大值、加速度最小值、方差及步频等。最后，通过神经网络学习算法，估计出步长[5]。 3 种步长估计模型的比较如表1 所示，这3 种步长估计模型线性估计模型效果最好，所以本文拟选用线性估计模型，通过最小二乘法线性拟合求出线性估计模型参数A、B、C。 表1 3 种步长估计模型的比较 2 最小二乘法拟合线性步长模型 最小二乘法拟合是以最小化误差平方的思路来得出数据的最佳匹配函数，利用最小二乘法可以拟合出未知数据，并使其与实际数据之间误差的平方和最小[6]。 步长线性估计模型可表示为： 假设有n 组实验数据（n 至少为3），每组数据都是由GPS 和步数计算的步长、步频F、加速度方差SV组成，设A、B、C 为参数X，并给定估值，组成n 个观测方程，利用最小二乘间接平差的原理，可得出以下公式： A0、B0、C0为近似值，根据最小二乘原理，VTV=min，最优解为，参数协方差 根据实验得出步行状态模型参数结果，考虑到实际情况，用户在使用计步软件之前一般不会专门做实验来求出精确步长模型，所以本文设计了一个通过后期训练方式的模型建立算法。前提条件是用户首次使用定位软件是在GPS 信号良好的情况下进行，因为融合定位需要GPS 定位结果作为初始值。用户在GPS 定位精度较高的情况下，行走一段距离，记录步数和每一步的加速度方差及步频等参数，然后通过距离和步数计算步长，最后拟合一次线性步长模型求取A、B、C 的参数值。 算法流程是在室外GPS 信号良好情况下，每5 步估算一次步长L，通过每步的起始位置和结束位置求取GPS 定位距离估算，这里假设5 步步长一样，并记录平均加速度方差SV 和平均步频F；然后每走20 步，拟合一次步长模型，有4 个步长模型方程，计算出参数A、B、C。然后和下一个20 步步长模型求取参数的平均值，当步数积累足够多时，模型参数会越来越准确，在收敛到一定精度后，就不再继续模拟，具体流程如图1 所示。 图1 后期训练步行估计模型算法流程图 3 计步器