鐘 勇，關(guān)濟昌,2，楊 凡,3

(1.中國科學院 成都計算機應用研究所，成都 610041； 2.中國科學院大學，北京 100190； 3.香港理工大學 電子計算學系，香港 999077) (*通信作者電子郵箱guanjichang1226@163.com)

基于智能手機感知室內(nèi)有效位移的方法

鐘 勇1，關(guān)濟昌1,2*，楊 凡1,3

(1.中國科學院 成都計算機應用研究所，成都 610041； 2.中國科學院大學，北京 100190； 3.香港理工大學 電子計算學系，香港 999077) (*通信作者電子郵箱guanjichang1226@163.com)

結(jié)構(gòu)構(gòu)建是室內(nèi)地圖構(gòu)建的基礎，而室內(nèi)測距是結(jié)構(gòu)構(gòu)建中的核心問題。為克服現(xiàn)有測距方法中成本高或精度低的不足，在融合了多種智能手機傳感器數(shù)據(jù)的基礎上，重新設計了基于步數(shù)步幅統(tǒng)計的測距方法。在步數(shù)統(tǒng)計階段，參照機器學習方法支持向量機(SVM)的設計思想計算最優(yōu)閾值，使得模型具有極好的泛化能力；在檢測步伐有效性階段，利用磁力傳感器數(shù)據(jù)的方差來篩選產(chǎn)生有效位移的步數(shù)；最后通過步幅估計模型計算步幅，進而實現(xiàn)有效位移的測算。通過實時構(gòu)建室內(nèi)地圖等項目的驗證，所提方法被證明是有效的，整體誤差率在4%左右，可以達到構(gòu)建室內(nèi)地圖所要求的精度，為室內(nèi)地圖構(gòu)建中的有效位移計算提供了一種低成本、高可靠性的方法。

位移計算；手機感知；室內(nèi)地圖；有效計步；采樣

0 引言

隨著智能手機的普及和移動互聯(lián)網(wǎng)的發(fā)展，基于位置的服務在生活中的重要性日益凸顯。電子地圖作為位置服務應用的基礎，因其可以使得室內(nèi)室外服務無縫結(jié)合，具有極強的便捷性和實用性，也逐漸發(fā)展壯大。目前室外電子地圖的相關(guān)技術(shù)與服務已日趨完善，但室內(nèi)地圖的構(gòu)建以及基于室內(nèi)地圖的服務還處于探索階段[1]。如何高效、準確地構(gòu)建室內(nèi)地圖[2]是目前室內(nèi)位置服務領(lǐng)域的一個研究熱點，室內(nèi)地圖構(gòu)建包括兩個部分：結(jié)構(gòu)構(gòu)建和信息增強。結(jié)構(gòu)構(gòu)建確定地圖基本結(jié)構(gòu)，包括走廊、房間、樓梯等；信息增強完善地圖信息，包括商店名稱、門牌號等；結(jié)構(gòu)構(gòu)建是構(gòu)建室內(nèi)地圖的基礎，而如何基于傳感器數(shù)據(jù)進行室內(nèi)有效距離計算是結(jié)構(gòu)構(gòu)建的關(guān)鍵技術(shù)之一?；趥鞲衅鳒y距的場景有兩個基本動作，手持設備行走和轉(zhuǎn)身拍攝地標圖像，如何利用傳感器數(shù)據(jù)區(qū)分這兩種動作并計算有效位移，是本文研究的難點之一。本文提出了一種新的方法，該方法根據(jù)人體行走模型，參照支持向量機(Support Vector Machine, SVM)的思想計算計步最優(yōu)閾值，通過方向擾動剔除無效步數(shù)，可以幫助地圖構(gòu)建者獲得較為精確的距離測試結(jié)果。

目前計算室內(nèi)距離的方法主要有以下3種：1)基于專業(yè)測距設備，如激光測距儀[3]、聲納測距儀等；2)基于圖像分析的技術(shù)[4]，利用圖像處理的方法，解構(gòu)圖像中各個對象的空間位置[5]和空間距離關(guān)系；3)基于傳感器數(shù)據(jù)的方法，計算測試者行走速度在時間緯度上的累積量或步數(shù)步幅統(tǒng)計的方式[6]。

基于專業(yè)測距設備的方法優(yōu)點是測量精確，誤差較小，但成本較高，并且需要專業(yè)的操作人員操作；基于圖像分析的方法優(yōu)點是不需要專業(yè)設備，研究主要集中在圖像中對象的識別，相對位置的計算，但計算量非常大，圖像的質(zhì)量對結(jié)果影響很大；基于傳感器數(shù)據(jù)的方法是目前研究的熱點方向，主要是因為其數(shù)據(jù)獲取方便，成本相對較低，數(shù)據(jù)分析相對于圖像處理也并不需要太大的計算量，不過目前的此類方法主要用在測量運動量等場景[7]，存在較大的誤差，因為基于速度的誤差很難修正，單純的步數(shù)乘以步幅的計算方式并不能反映真實的位移情況，其結(jié)果也無法達到構(gòu)建地圖所需要的精度。

本文基于智能手機多傳感器(加速度傳感器、磁力傳感器和陀螺儀)數(shù)據(jù)的融合，重新設計了基于步數(shù)步幅統(tǒng)計的位移計算方法。使用有時間標記的加速度傳感器與方向傳感器數(shù)據(jù)，計算并篩選引起實際位移有效步數(shù)，結(jié)合步幅估計，計算手機持有者在室內(nèi)移動的有效距離，并標注這一段路徑的方向。融合多種傳感器數(shù)據(jù)，既增加了可用于分析的數(shù)據(jù)總量，也增加了數(shù)據(jù)的多樣性，從不同的緯度提取有效信息并相互驗證，盡可能地接近真實情況，理論上可以達到較高的精度。在實際的模擬測試中，也驗證了這一假設的有效性。

1 行走模型

本文通過步數(shù)步幅統(tǒng)計的方式計算位移，而步數(shù)步幅都與人的行走模型密切相關(guān)。從表面上看，人在行走的過程中，人體呈現(xiàn)出周期性運動，如腳步的起落、身體的擺動、重心的升降等；從數(shù)據(jù)上看，加速度是人體行走行為的數(shù)學表達，步數(shù)步幅的內(nèi)在規(guī)律蘊含在3個方向的加速度數(shù)據(jù)里，所以可以從探索數(shù)據(jù)的周期性變化入手，進而找到加速度與步數(shù)步幅的關(guān)聯(lián)關(guān)系，下面通過闡述人的行走模型[8]來說明這其中的規(guī)律。

由圖1所示，一個完整的步伐從左(右)腳掌蹬地開始，腰部瞬間上提，左(右)腳落下，腰部下移，接著右(左)腳掌蹬地，腰部再次上提，循環(huán)往復，就變成了人的行走行為。在這其中最明顯的特征是身體重心的上下移動，當兩腳分開時，重心降低；當兩腳并攏時，重心上升。這也就給檢測步頻提供了思路，在手持手機姿勢穩(wěn)定的情況下行走，只要檢測重心的變化即重力方向的加速度變化周期，就可以以此統(tǒng)計步數(shù)。

圖1 行走模型

人的行走習慣在一定時間內(nèi)是穩(wěn)定不變的，根據(jù)人體機械原理，步頻加大時，出于維持平衡的原因，步幅也將增大，當測試者步頻處于常規(guī)范圍內(nèi)時，步幅與步頻有近似的線性關(guān)系。另外，身高與步幅也有類似的關(guān)系。利用數(shù)據(jù)分析的方法可以確定步幅與步頻和身高的關(guān)系，從而可以通過步頻和身高來估計步幅。

2 位移計算算法

基于步數(shù)步幅的有效位移計算算法中的步數(shù)統(tǒng)計與普通計步算法[9]的區(qū)別在于位移計算算法必須要識別出真正產(chǎn)生有效距離的步數(shù)，而不是簡單統(tǒng)計所有步數(shù)，因為轉(zhuǎn)身、停留拍照、避讓行人等動作雖然也產(chǎn)生了真實的步數(shù)，但并沒有增加有效位移，識別并去除這些與有效位移無關(guān)的步數(shù)對位移計算結(jié)果至關(guān)重要。位移計算算法流程如圖2所示。

本文提出的算法對于步數(shù)的計算是通過分析一定時間窗內(nèi)加速度傳感器z軸方向數(shù)據(jù)的波形，設置上下兩個閾值作為有效性檢查，一步開始時，波形的峰值會大于上閾值，一步結(jié)束時，波形的波谷會小于下閾值，重復這一過程，就可以實時檢測出步數(shù)[10]。在方法上，首先對原始加速度數(shù)據(jù)進行采樣，在保證不丟失信息的前提下減少計算量，同時也可以過濾掉一些干擾數(shù)據(jù)；其次是濾波處理，使波形平滑，減少統(tǒng)計波峰波谷時的誤差；再次檢測極值點和計算閾值，為檢測波峰波谷作好鋪墊；最后按照一個有效波形周期對應一步的規(guī)則檢測步數(shù)。

圖2 算法示意圖

本文算法對于步數(shù)有效性的檢測主要是通過磁力傳感器的數(shù)據(jù)，以陀螺儀的數(shù)據(jù)作為輔助。在非有效行走時，方向會在一定時間內(nèi)發(fā)生劇烈擾動，而這種擾動在數(shù)據(jù)層面表現(xiàn)為離散程度的變化，可以據(jù)此判斷每一步對于位移的有效性。

2.1 原始數(shù)據(jù)

本文實驗采用的數(shù)據(jù)是通過自制程序在Android手機上采集得來[11]。三軸加速度傳感器可以產(chǎn)生x、y、z三個正交軸上的加速度值，分別對應著人體側(cè)向、前向、縱向的加速度，由于人在行走時重心的變化比較明顯且具有一定的穩(wěn)定性，即z軸上加速度變化具有較強的可識別性，因此在步數(shù)檢測時只利用z軸方向的加速度數(shù)據(jù)。

由于加速度傳感器z軸方向數(shù)據(jù)本身疊加了重力加速度，為方便分析，算法使用到的z軸方向數(shù)據(jù)是去除重力影響后的加速度值。圖3為實驗中的一組z軸數(shù)據(jù)，由圖可以看出，雖然噪聲較多，波形也不夠平滑，但這一組數(shù)據(jù)在整體上仍然呈現(xiàn)周期性規(guī)律，每一個完整的周期對應的就是一個完整的步伐。

2.2 采樣與濾波

在實際的數(shù)據(jù)處理中，為了減小計算量，往往會首先進行采樣。根據(jù)香農(nóng)采樣定理“為了不失真地恢復模擬信號，采樣頻率應該不小于模擬信號頻譜中最高頻率的2倍”。原傳感器的采樣頻率是100 Hz，通常人體步行頻率為0.2～5 Hz，其中最典型的步行頻率低于2 Hz。不過，為了給后續(xù)的數(shù)據(jù)處理預留足夠的操作空間，不能按最低標準采樣，本文按照1/4的比例進行均勻重采樣，可以保證信息不失真。

實際獲得的各種數(shù)據(jù)總是存在各種各樣的噪聲。為了得到更好的結(jié)果，首先需要對數(shù)據(jù)進行進一步預處理，在本文涉及到的數(shù)據(jù)中，其目標是使波形平滑，去除尖刺，減小后續(xù)處理的誤差?？稍O計截止頻率為5 Hz的有限沖激響應(Finite Impulse Response, FIR)低通濾波器[12]，為簡化設計，本文采用4點平均平滑濾波，即

(1)

其中：d(n)為原始z軸速度信號；D(n)為平滑濾波后信號。圖4為采樣并平滑濾波后的數(shù)據(jù)。與圖3相比，圖4中的數(shù)據(jù)量更小也更平滑，剔除掉了噪聲并且沒有破環(huán)原數(shù)據(jù)的結(jié)構(gòu)，處理之后的數(shù)據(jù)特征更加突出。

圖3 z軸原始數(shù)據(jù)

圖4 z軸采樣濾波后數(shù)據(jù)

2.3 計算閾值

由于在行走時每個人重心移動的幅度不同，這就導致了閾值是因人而異的，而確定閾值是檢測步數(shù)的前提條件，本文實驗中使用了帶標記的數(shù)據(jù)。因為可用的閾值有很多個選擇，因此找到最優(yōu)的閾值是增強算法泛化能力的關(guān)鍵。

在分類問題中，同樣存在以上的問題，如何在眾多的分類面中找到最優(yōu)的分類面是決定一個分類算法優(yōu)劣的關(guān)鍵。在機器學習方法中，支持向量機[13]在此類問題下表現(xiàn)出了極強的泛化能力，它通過確定兩類樣本之間的最大間隔尋找邊界分類面，確定兩個邊界分類面中間的平面為最終分類面。如圖5所示，該分類面可以盡可能地將兩類樣本分開，從而使得該平面對訓練樣本局部擾動“容忍”性更好。

圖5 支持向量與間隔

在樣本空間中，分類面可通過如下線性方程來描述：

ωTx+b=0

(2)

其中：ω=(ω1;ω2;…;ωd)為法向量，決定了分類面的方向；b為位移項，決定了分類面與原點之間的距離。顯然，分類面可被法向量ω和位移b確定，將其記為(ω,b)。樣本空間中任意點x到分類面(ω,b)的距離可寫為：

(3)

假設分類面(ω,b)能將訓練樣本正確分類，即對于(xi,yi)∈D，若yi=+1，則有ωTxi+b>0；若yi=-1，則有ωTxi+b<0。令：

(4)

如圖5所示，距離分類面最近的這幾個訓練樣本點使得式(4)中的等號成立，它們被稱為“支持向量”，兩個異類支持向量到分類面的距離之和(被稱為間隔)為：

γ=2/‖ω‖

(5)

欲找到具有“最大間隔”的分類面，也就是要找能滿足式中約束的參數(shù)ω和b，使得γ最大，即：

(6)

s.t.yi(ωTxi+b)≥1;i=1,2,…,m

這就是支持向量機(SVM)的基本型。

由于要解決的問題高度相似，本文參照了支持向量機的思想來學習最優(yōu)閾值。使用用戶提前標記的步數(shù)為N的行走z軸加速度D(n)作為輸入，算法首先找到可用閾值的上下邊界，因為最優(yōu)閾值就是離上下邊界最遠的值，所以可以確定上下邊界的中間值即為最優(yōu)閾值。以圖6尋找最優(yōu)上閾值為例，從上下邊界分別向中間移動，直到穿過當前閾值的波峰個數(shù)滿足要求，則可以得到p1、p2兩個上閾值，取p1、p2中間的值作為上閾值p。

圖6 尋找最優(yōu)上閾值

算法描述如下。

輸入：加速度值D(n)，步數(shù)N。 輸出：下閾值q，上閾值p。 參數(shù)：Nq表示峰值小于q的波谷個數(shù)，Np表示峰值大于p的波峰個數(shù)，Δ為一個很小的正數(shù)，max(D(n))表示取最大的D(n)值，min(D(n))表示取最小的D(n)值。 令q1=p1=(max(D(n))+min(D(n)))/2

while(Nq!=N&&q>min(D(n))){q1=q1-Δ}

while(Np!=N&&p

令q2=min(D(n)),p2=max(D(n)),

c=(max(D(n))+min(D(n))/2

while(Nq!=N&&q

while(Np!=N&&p>c){p1=p1-Δ}

q=(q1+q2)/2

p=(p1+p2)/2

2.4 步數(shù)檢測

步數(shù)檢測主要是通過檢測極值點，篩選有效完整的波形，利用一個完整的波形周期對應一個步伐的原則完成的。

2.4.1 極值檢測

在微積分中，極值定理說明如果實函數(shù)f在閉區(qū)間[v,w]上是連續(xù)函數(shù)，則它一定取得最大值和最小值，至少一次。也就是說，存在[v,w]內(nèi)的c和d，使得：

f(c)≥f(x)≥f(d);x∈[v,w]

(7)

令所有z軸加速度數(shù)據(jù)為D(n)，按照時間軸的方向，依次檢測極值點，設置一個長度為3的滑動數(shù)組Z，存儲當前的三個連續(xù)值，Z[0]=D(n-2),Z[1]=D(n-1),Z[2]=D(n)，根據(jù)極值判斷理論：

如果Z[1]Z[1]，那么Z[1]為最小值；

如果Z[1]>Z[0]且Z[2]

2.4.2 步伐檢測

令所有的極值點數(shù)據(jù)J(n)，按照時間軸的方向，依次檢測波峰波谷，設置一個長度為2的滑動數(shù)組d，存儲當前兩個連續(xù)的極值Z[0]=J(n-1),Z[1]=J(n)，根據(jù)一個完整的波形周期對應一步的原則：

如果Z[0]>p且Z[1]

否則，向后滑動數(shù)組。

另外需要注意的是，時間窗口的平移并不是直接從新的數(shù)據(jù)開始，而是要包含上一個時間窗口中判斷無效的尾部數(shù)據(jù)，這樣才能防止半步的數(shù)據(jù)被舍棄，避免因為數(shù)據(jù)截斷所造成的誤差[14]。如圖7所示，長虛線表示第1個時間窗口，短虛線表示第2個時間窗口，第2個時間窗口開始的時間是第1個時間窗口最后一個波谷結(jié)束的時間。

圖7 平移時間窗口

2.5 步伐有效性檢測

在這一階段，本文將篩選出產(chǎn)生實際位移的步數(shù)。在非正常行走時，如拍照、轉(zhuǎn)身等都會產(chǎn)生步數(shù)，但這類步數(shù)對距離沒有貢獻，需要剔除掉。在實際測試中觀察到，在非正常行走時，測試者的方向一直在大范圍內(nèi)變動，在數(shù)據(jù)層面看，方向數(shù)據(jù)的離散度很大，由此可以通過每一步時間附近的方向離散程度來檢測此步的有效性。同理，陀螺儀的旋轉(zhuǎn)加速度數(shù)據(jù)也可以進行輔助判斷。本文以方向數(shù)據(jù)為例。

圖8(a)是正常行走時的方向數(shù)據(jù)，數(shù)據(jù)只在小范圍內(nèi)波動，波形平穩(wěn)；圖8(b)是轉(zhuǎn)彎時方向數(shù)據(jù)，可以看出中間有個明顯的躍階，那個時刻就是發(fā)生轉(zhuǎn)向的時間；圖8(c)是非正常行走時的方向數(shù)據(jù)，波動很大。從圖8上可以直觀地看出，方向數(shù)據(jù)可以明顯地區(qū)分有效步伐和無效步伐，利用一定時間方向數(shù)據(jù)的方差：

(8)

圖8 不同情況下方向數(shù)據(jù)變化

2.6 步幅估計

位移是有效步數(shù)與步幅的乘積，準確地估計步幅對位移的計算非常關(guān)鍵。一般來說，加速時，步頻會加大，為維持身體平衡，步幅也將加大，但步頻不可能無限增大，步幅的范圍也是有上下限的，當測試者步頻處于常規(guī)范圍時，步幅與步頻有近似的線性關(guān)系。同理，身高與步幅也存在著類似的關(guān)系。通過對多個測試者的行走數(shù)據(jù)進行分析，得到步頻F與身高和步幅的關(guān)系對照表[15]，具體關(guān)系如表1所示。

表1 步幅和身高、步頻的關(guān)系

2.7 位移計算

經(jīng)過以上步驟的處理，此時的數(shù)據(jù)如圖9所示，圖中的每個點代表一步，可以看到，圖9中的點明顯分為兩部分，斷點處表示轉(zhuǎn)向的位置，從圖9的數(shù)據(jù)可知，在15 s時轉(zhuǎn)了一個90°的彎。

在室內(nèi)地圖結(jié)構(gòu)構(gòu)建中，平面線段特征的構(gòu)建與位移和方向均相關(guān)，而位移是有效步數(shù)與步幅的乘積，方向則跟每一步的方向相關(guān)。由于每一步的方向與實際方向都有小范圍內(nèi)的偏離，所以需要融合多步的方向推算真實的路徑方向。在此階段把步數(shù)按大致方向分段，每段內(nèi)的方向偏差不大于20°，每段采用步數(shù)乘以步幅的方式計算距離，再結(jié)合每步的方向采用簡單取平均的方式可計算出此段的方向，即可得到位移和方向。

圖9 步伐方向數(shù)據(jù)

3 實驗測試結(jié)果與分析

測試設備為一部型號為Nexus 4 操作系統(tǒng)為Android 5.1的智能手機，測試地點為某大學的一棟封閉教學樓內(nèi)。本實驗共有10名測試者，每名測試者測試10次，最終結(jié)果取平均。

3.1 不同場景下的實驗分析

實驗通過模擬多種構(gòu)建室內(nèi)地圖時的場景，使用實驗設備進行實際測試，采集并分析實驗數(shù)據(jù)。本文通過避讓次數(shù)來反映人流情況。測試者每次在室內(nèi)行走距離為50 m。實驗結(jié)果如圖10所示。

圖10 誤差率對比

由圖10(a)可以看出行為越復雜，則測距誤差就越大；人流量對測試結(jié)果有很大的影響，但是正常的偶爾的避讓行為并不會引起誤差的迅速增加，在測試過程中干擾因素越少，則測試的精準度越高。最常見的場景下，測距誤差率在4%左右。圖10(b)中顯示行為越復雜，則方向誤差就越大；人流量并沒有對方向數(shù)據(jù)造成較大的影響，這是因為方向的獲取主要來自于磁場數(shù)據(jù)，而人流量并不會造成磁場的變化。

3.2 不同方法下的實驗分析

在相同的實驗環(huán)境下，并且不考慮人流量的影響，測試了其他兩種測距算法的誤差率，圖像測距和基于速度的傳感器測距(速度測距)，前者通過識別圖像中的標的物實現(xiàn)空間測距，后者通過速度在時間上的積分實現(xiàn)測距。本實驗中使用手機應用Smart Distance進行圖像測距，利用羅印[6]提出的方法進行速度測距。實驗結(jié)果如表2所示。

表2 測距方法誤差對比 %

由表2可知，圖像無法識別復雜的結(jié)構(gòu)，但走廊的測距精度較高；速度測距在簡單場景中，其精度要高于本文中的方法，但在室內(nèi)地圖構(gòu)建最常見的場景中，其精度要低于本文中的方法，因此，相比圖像測距和速度測距等方法，本文方法在室內(nèi)地圖構(gòu)建時的測距問題中表現(xiàn)得更好。

4 結(jié)語

傳統(tǒng)測距方法在室內(nèi)地圖構(gòu)建中因成本、精度等無法達到預期效果，針對此問題，本文重新設計了基于步數(shù)步幅統(tǒng)計的室內(nèi)位移算法。通過參照機器學習方法支持向量機的優(yōu)點設定最優(yōu)閾值增強了算法泛化能力，通過評估方向的離散程度篩選有效步數(shù)，利用步頻、身高等與步幅的相關(guān)關(guān)系估計步幅克服了現(xiàn)有方法的缺陷與不足，通過融合多種傳感數(shù)據(jù)提高了感知能力與精度。本文在低成本低可靠數(shù)據(jù)的基礎上，在室內(nèi)地圖構(gòu)建的各種場景下，均獲得了較高的精度。

在實際應用中，利用工程方法，結(jié)合多人多數(shù)據(jù)多方法綜合評估的方式，如地圖同比例縮放、線段之間相互校正、角度之間相互校正等，可以把距離誤差率控制在2%以內(nèi)，方向誤差控制在1.5%左右，能夠滿足實際要求。

但本文研究也有一些不足：1)數(shù)據(jù)采集的過程中需要測試者以穩(wěn)定的姿勢手持設備；2)步幅的估計并沒有考慮到個人習慣的影響，這在大規(guī)模的數(shù)據(jù)分析中可能會造成一些誤差。在以后的研究中，可以放開這些限制，融合更多傳感器數(shù)據(jù)，從數(shù)據(jù)分析的角度深度挖掘內(nèi)在規(guī)律，提高數(shù)據(jù)的純度，進而提高位移計算的精確度。

References)

[1] 張?zhí)m,王光霞,袁田,等.室內(nèi)地圖研究初探[J].測繪與空間地理信息,2013,36(9):43-47.(ZHANG L, WANG G X, YUAN T, et al. Research on indoor map [J]. Geomatics & Spatial Information Technology, 2013, 36(9): 43-47.)

[2] GRZONKA S, DIJOUX F, KARWATH A, et al. Mapping indoor environments based on human activity [C]// ICRA 2010: Proceedings of the 2010 IEEE International Conference on Robotics and Automation. Piscataway, NJ: IEEE, 2010: 476-481.

[3] 莊嚴,王偉,王珂,等.移動機器人基于激光測距和單目視覺的室內(nèi)同時定位和地圖構(gòu)建[J].自動化學報,2005,31(6):925-933(ZHUANG Y, WANG W, WANG K, et al. Mobile robot indoor simultaneous localization and mapping using laser range finder and monocular vision [J]. Acta Automatica Sinica, 2005, 31(6): 925-933.)

[4] MAHAMMED M A, MELHUM A I, KOCHERY F A. Object distance measurement by stereo vision [J]. International Journal of Science and Applied Information Technology, 2013, 2(2): 5-8.

[5] LOPEZ-ANTEQUERA M, PETKOV N, GONZALEZ-JIMENEZ J. Image-based localization using Gaussian processes [C]// IPIN 2016: Proceedings of the 2016 International Conference on Indoor Positioning and Indoor. Navigation. Piscataway, NJ : IEEE, 2016: 1-7.

[6] 羅印.基于手機加速度傳感器的測距系統(tǒng)設計與實現(xiàn)[J].軟件,2015,36(2):73-76.(LUO Y. The design and implementation of distance measurement based mobile phone acceleration sensor [J]. Software, 2015, 36(2): 73-76.)

[7] MUHLENBROCK M, BRDICZKA O, SNOWDON D. Learning to detect user activity and availability from a variety of sensor data [C]// PERCOM 2004: Proceedings of the 2004 Pervasive Computing and Communications. Piscataway, NJ: IEEE, 2004: 13-22.

[8] 劉程,陽洪.自適應計步檢測算法研究[J].壓電與聲光,2015,37(2):258-270.(LIU C, YANG H. Study on adaptive pedometer detection algorithm [J].Piezoelectrics & Acoustooptics, 2015, 37(2): 258-270.

[9] 王文杰,李軍.基于手機加速度傳感器的計步算法設計[J].工業(yè)控制計算機,2016,29(1):75-79.(WANG W J, LI J. Algorithm design of counting steps based on mobile acceleration sensor [J]. Industrial Control Computer, 2016, 29(1): 75-79.)

[10] 陳國良,張言哲,楊洲.一種基于手機傳感器自相關(guān)分析的計步器實現(xiàn)方法[J].中國慣性技術(shù)學報,2014,22(6):794-798.(CHEN G L, ZHANG Y Z, YANG Z. Realization of pedometer with auto-correlation analysis based on mobile phone sensor [J]. Journal of Chinese Inertial Technology, 2014, 22(6): 794-798.)

[11] YI W J, JIA W, SANIIE J. Mobile sensor data collector using Android smartphone [C]// NWSCAS 2012: Proceedings of the 2012 IEEE 55th International Midwest Symposium on Circuits and Systems. Piscataway, NJ: IEEE, 2012: 956-959.

[12] PACKIARAJ D, VINOY K J, RAMESH M, et al. Design of compact low pass filter with wide stop band using tri-section stepped impedance resonator [J]. International Journal of Electronics and Communications, 2011, 65(12): 1012-1014.

[13] 周志華.機器學習[M].北京:清華大學出版社,2016:121-122.(ZHOU Z H. Machine Learning [M]. Beijing: Tsinghua University Press, 2016: 121-122.)

[14] ZHANG J J, CHU Y L. The use of sliding time window in the real-time solution of ground-based GPS data [C]// ICEOE 2011: Proceedings of the 2011 International Conference on Electronics and Optoelectronics. Piscataway, NJ: IEEE, 2011: 421-423.

[15] 孫作雷,茅旭初,田蔚風,等.基于動作識別和步幅估計的步行者航位推算[J].上海交通大學學報,2008,42(12):2002-2009.(SUN Z L, MAO X C, TIAN W F, et al. Pedestrian dead reckoning based on activity recognition and stride assessment [J]. Journal of Shanghai Jiaotong University, 2008, 42(12): 2002-2009.)

This work is partially supported by the Project of Science & Technology Department of Sichuan Province (2014GZ0104), West Light Foundation of the Chinese Academy of Sciences (2015XBZG).

ZHONGYong, born in 1966, Ph. D., research fellow. His research interests include big data, cloud computing, database.

GUANJichang, born in 1991, M. S. candidate. His research interests include big data, indoor location service.

YANGFan, born in 1978, Ph. D. candidate. His research interests include mobile computing, data mining, machine learning, software engineering.

Indoordisplacementcalculationmethodbasedonsmartphonesensors

ZHONG Yong1, GUAN Jichang1,2*, YANG Fan1,3

(1.ChengduInstituteofComputerApplication,ChineseAcademyofSciences,ChengduSichuan610041,China;2.UniversityofChineseAcademyofScience,Beijing100190,China;3.DepartmentofComputing,TheHongKongPolytechnicUniversity,HongKong999077,China)

The construction of structure is the foundation of indoor map constructing, and the indoor distance measuring is one of the core problems in this process. In order to solve the problem of high cost or low accuracy in the existing methods, a distance measuring method based on the statistical steps and strides with the multi-sensor data was proposed. In the stage of counting steps, the optimal threshold was calculated according to the ideas of Support Vector Machine (SVM), which made the model have excellent generalization ability. In the stage of detecting the validity of the step, the variance of the direction sensor data was used to filter the effective displacement steps. Finally, the stride estimation model was used to estimate the stride, and then the effective displacement was calculated. In the practical application, the proposed method is proved to be effective, and the overall error is about 4%, which can achieve the accuracy required to build indoor maps. It is a low cost and reliable displacement calculation method for indoor map constructing.

displacement calculation; smart phone awareness; indoor map; effective steps counting; sampling

TP212.6

:A

2016- 12- 28;

:2017- 03- 14。

四川省科技廳項目(2014GZ0104)；中國科學院西部青年學者項目(2015XBZG)。

鐘勇(1966—)，男，四川岳池人，研究員，博士生導師，博士，主要研究方向：大數(shù)據(jù)、云計算、數(shù)據(jù)庫； 關(guān)濟昌(1991—)，男，河南商丘人，碩士研究生，主要研究方向：大數(shù)據(jù)、室內(nèi)位置服務； 楊凡(1978—)，男，江蘇丹陽人，博士研究生，主要研究方向：移動計算、數(shù)據(jù)挖掘、機器學習、軟件工程。

1001- 9081(2017)07- 2118- 06

10.11772/j.issn.1001- 9081.2017.07.2118