張文超，魏東巖，袁 洪, 李欣雨

(1. 中國科學院空天信息創(chuàng)新研究院，北京 100094；2. 北京信息科技大學信息與通信工程學院，北京 100192)

0 引言

隨著城鎮(zhèn)化進程的加快，我國正在建設越來越多的大型建筑，伴隨而來的是城市人口越來越多，未來80%的人將花費80%的時間處于室內環(huán)境[1]，室內環(huán)境下的位置服務需求將越來越大。同時，火災救援、礦井救援、位置監(jiān)控等應急救援和公共安全活動，也需要在室內環(huán)境下提供滿足一定精度且連續(xù)的位置服務[2-3]，因此，高精度室內行人導航定位技術未來將會被廣泛應用。

目前，室內行人導航中存在著大量的基于不同機制的定位技術，按照是否需要基礎設施進行劃分[4]，可分為基于基礎設施(Infrastructure-based)的定位技術，如：全球導航衛(wèi)星系統(Global Navigation Satellite System，GNSS)[5]、偽衛(wèi)星(Pseudolites, PL)[6]、無線局域網(Wireless Local Area Network，WLAN)[7]、射頻識別(Radio Frequency Identification，RFID)[8]、藍牙(Blue-Tooth，BT)、移動蜂窩網絡和超寬帶(Ultra-Wide Band，UWB)[9]等；以及基于自包含(Self-contained)傳感器的定位技術，主要是以微機電系統(Micro-Electro-Mechanical System，MEMS)傳感器(加速度計、陀螺儀、磁強計、氣壓計、視覺傳感器)為主的定位技術[10-13]。

其中，由于MEMS傳感器技術的迅速發(fā)展，以微慣性測量單元(Micro Inertial Measurement Unit, MIMU)為主要設備的穿戴式室內定位方法在實際應用場景中具有顯著優(yōu)勢[13-14]。MIMU 主要由三軸陀螺儀和三軸加速度計構成，也可附加其他傳感器，如磁強計(測量地球磁場信息)和氣壓計(測量高程)等，在給定的運動初始狀態(tài)條件下，通過測量載體相對于慣性空間的運動參數，經過轉換處理后就可得到載體的姿態(tài)和航向等信息。MIMU傳感器具有低成本、測量范圍大、完全自主、不受干擾、信息量大、實時性高等特點[15]。不同于無線信號室內定位技術，基于MIMU的行人室內定位不需要提前安置大量的無線基礎設施，其精度僅局限于設備測量的準確程度。

因此，基于MIMU的行人室內定位方法是本文討論的重點。其主要有兩類解決辦法[16]：一類方法利用慣性傳感器對步數進行計數，并估計步長，結合航向輸出，推算當前位置信息，原理如圖1(a)所示；另一類是將慣性傳感器與身體固連(主要置于腳上、腿上等部位)，采用慣性解算的方法，對行進過程中的每一步進行慣性遞推，并計算位置增量，同時利用零速修正(Zero Velocity Update，ZUPT)等方法約束慣性累積誤差，從而輸出可靠的位置信息，其原理如圖1(b)所示。

(a)

上述兩類解決辦法各有優(yōu)勢和劣勢，但從計算方法和結果上來說，純慣性遞推算法的導航機制基于牛頓運動定律，理論上計算結果更精確可靠，該方法利用三個正交方向的角速度和加速度信息可實時積分出行人的三維速度、位置和姿態(tài)；而步長+航向遞推的算法模型是一種估算方法，依賴的不確定參數較多，多適用于二維平面的速度和位置計算。因此，本文重點圍繞基于純慣性遞推原理的行人自主定位方法進行綜述，該方法的定位系統基本結構如圖2所示[17]。

圖2 腳綁式MEMS傳感器定位系統基本結構[17]

1 基于慣性遞推原理的行人定位方法分析

基于慣性遞推原理的行人定位方法的原理是利用行人運動的周期性規(guī)律，結合有效的概率約束模型，約束慣性遞推過程中的漂移誤差，從而實現行人運動過程中的可靠定位。基本流程如圖3所示，其中包含幾個關鍵的環(huán)節(jié)：行人周期性運動特性分析與檢測、零速區(qū)間檢測、MIMU慣性誤差校準、慣性航位遞推、誤差約束策略和信息融合算法等。

圖3 基于慣性遞推原理的行人定位基本流程

1.1 行人運動特性分析與檢測

1.1.1 行人運動特性分析

行人正常的行走過程是周期性的[18]，根據運動特性可以將其劃分為若干階段。如圖4所示，以右腳為例，分為右腳跟觸地階段、腳放平的站立中間階段、站立結束階段、預擺動階段(腳尖離地)、初始擺動階段、擺動中期和擺動末期，然后重新開始周期性運動[19]。

圖4 行人一次行進周期內的運動情況[19]

通過有效劃分行人運動過程中的不同階段，可以幫助分析腳步的周期運動特性，進而利用其規(guī)律約束慣性行人航跡推算(Pedestrian Dead Reckon，PDR)定位結果的發(fā)散與漂移。然而，在行人運動過程中,若想要實現各個階段的準確劃分與識別，方法復雜且可靠性差。目前，基于慣性遞推原理的穿戴式PDR系統主要利用行人行進過程中的站立靜止階段(零速階段)，該階段行人腳的速度約為零，可以用來作為觀測量，有效約束慣性推算定位結果的發(fā)散[19]；而其余階段對于行人定位幫助作用較小，因此可將行人腳步周期性運動簡化為四個階段，如圖5所示。

圖5 行人步態(tài)特征示意圖[19]

由圖5可知，一個步態(tài)周期是指從一只腳的腳后跟離地開始，到該腳的腳后跟落地為止，可分為四個階段：起步階段、跨步階段、落地階段和靜止階段。對于靜止階段(零速階段)的檢測，目前通用的方法就是將單個MIMU設備綁在人的腳上(如圖2所示)，當行人開始行走時，IMU會不斷測量腳運動的加速度和角速度信息，其中當腳落地之后會出現一個短暫的零速階段，該階段MIMU傳感器的輸出基本恒定，加速度約為重力加速度，角速度約為零(忽略地球自轉)。因此，可根據該數據輸出特征識別行人步態(tài)[20]。

1.1.2 零速區(qū)間檢測方法

根據文獻[18]和文獻[21]中的研究可知，目前常用的零速區(qū)間檢測方法都是基于閾值比較原理。利用零速階段MIMU輸出加速度約為重力加速度，角速度約為零(忽略地球自轉)，構造檢測量T，然后將檢測量T和經驗閾值進行比較,從而確定零速區(qū)間，如式(1)所示

(1)

常用的構造零速檢測量T的方法如下：

1)加速度方差法(MV)

(2)

2)加速度幅值法(MAG)

(3)

3)角速率幅值法(ARE)

(4)

4)基于廣義似然比的檢測法(SHOE)

(5)

1.1.3 行人運動類型識別方法

在實際行人運動過程中，行人不僅有正常行走，通常還包括各種復雜運動[23]，如：靜止狀態(tài)、行走、乘電梯、上下樓梯、站立/行走在水平移動電梯上、站立/行走在自動扶梯上等。每種運動情況又可進行細分，如行走狀態(tài)可分為：慢走、快走、小跑、奔跑等。不同的運動類型下可采用的定位約束方法也不盡相同，如果可以有效識別出行人運動過程中的運動類型，對于提高慣性PDR系統定位結果的準確性具有良好的輔助作用。

1.1.2節(jié)中提出的零速區(qū)間檢測方法通常是針對行人在正常行走狀態(tài)下的檢測方法。因此，當行人同時出現多種運動切換時，前述檢測方法將失效。目前常用的運動類型識別方法，主要利用三軸加速度計、三軸陀螺儀、三軸磁強計、單軸氣壓計等傳感器的輸出，構造特征量進行檢測。如文獻[24]所述，可構造的特征量約51個，基本方法如表1所示。

表1中，zi表示行人運動過程中不同傳感器的測量值。根據特征量構造的方法整體上被分為四類：1)統計特征，利用某種度量來衡量整個觀測窗口中數據的分布或中心值；2)時域特征，用于分析信號如何在觀察窗口內變化；3)頻域特征，用于分析信號的頻率；4)幅值特征，用于分析信號強度的能量特性。綜合利用上述特征量，基本可以實現典型運動類型的識別，文獻[25-26]中的研究均有相關論述。同時，還有學者利用上述特征量構造機器學習和模式識別算法，并利用這些智能方法實現不同類型行人運動的識別。

表1 行人運動特征量構造方法

1.2 MIMU慣性誤差分析及校準

MIMU慣性誤差是影響慣性PDR定位結果的主要因素，因此需要進行有效地分析與校準。

1.2.1 IMU誤差分析

IMU的誤差主要來源于三部分，包括噪聲、刻度系數和安裝誤差[27]。加速度計和陀螺儀的測量模型如式(6)所示

(6)

其中，a表示加速度計測量值；g表示陀螺儀測量值；T表示安裝誤差的變換矩陣；K表示刻度系數；B表示正交的參考坐標系；S表示非正交的設備坐標系；aS和wS分別表示加速度和角速度測量值；b和ν分別表示零偏和白噪聲。

1.2.2 IMU誤差校準

IMU誤差的經典校準方法是通過轉臺等基準設備進行誤差校準。這里主要介紹不借助基準設備的校準方法，校準流程如圖6所示,該方法主要通過IMU的靜止和旋轉過程實現。根據校準方式的不同，可分為離線校準和在線校準。離線校準通常在正式定位前進行，通過將傳感器靜止一段時間進行初始化，再人為旋轉若干次，以達到校準效果，初始化時間T一般在分鐘量級，旋轉后保持靜態(tài)時間t一般為幾秒左右，旋轉次數大約為幾十次，一般來說，靜態(tài)時間越長、旋轉次數越多越好，至少要大于要求解的參數個數，這樣才能避免奇異性。雖然離線校準可以達到較好的精度，但大多數應用并不具備離線校準的條件，因此需要在定位過程中進行在線校準。在線校準主要是通過檢測運動過程中的IMU靜態(tài)時段和動態(tài)時段來實現IMU誤差校準。

圖6 慣性誤差校準方法基本流程圖

從具體的校準方法上看，加速度計的校準通常包含六面法校準和優(yōu)化模型校準法等，其中優(yōu)化模型校準法通常用于在線校準；陀螺儀的離線校準常采用Allan方差法。

1.2.2.1 靜態(tài)檢測

在加速度計和陀螺儀的校準過程中，常常需要傳感器處于靜止狀態(tài)，因此在校準過程中需要判斷傳感器是否處于靜止狀態(tài)。判斷依據如下

ζ(tw)=

(7)

其中，Vartw(at)表示加速度at在時間段tw內的方差。判斷時，只需要將ζ(tw)和閾值ζ(Tinit)進行比較即可，離線校準和在線校準過程均需靜態(tài)檢測。

1.2.2.2 加速度計校準

加速度計的校準一般都是將加速度計靜止，然后根據測量值的二范數等于當地重力加速度這一規(guī)則進行校準。一般會用1.2.2.1節(jié)中提到的靜態(tài)檢測算法在采樣序列上挑出靜態(tài)測量時段，按照下述方法實現。

1)六面法校準加速度計

建立加速度計的校準模型

(8)

其中，At表示最終的真實值;Amx、Amy、Amz表示加速度計三軸的測量值；R3×3表示旋轉矩陣；Scalex、Scaley、Scalez表示加速度計三軸的刻度系數；offsetx、offsety、offsetz表示零偏。將式(8)變換后可得

(9)

這時候就可以用最小二乘法求解上面的方程了。寫作β=(XTX)-1XTY，其中β為式(9)中4×3矩陣，X是坐標的測量值，Y是右邊的真值。關于真值可以把加速度計按三個軸向六個位置放置(每個軸向包含正反向)，這樣就對加速度計做了校準，該方法常用于加速度計的離線校準過程。

2)優(yōu)化模型校準方法

優(yōu)化模型校準法可用于在線校準和離線校準，基本可以校準上述IMU誤差分析中加速度的所有誤差。在加速度校準時，為了進一步將變換矩陣T簡化，一般假設正交坐標系BF和加速度計坐標系AF的x軸重合，且BF的y軸在AF的x軸和y軸的平面上。所以可進一步寫為

(10)

那么待求解參數變?yōu)?/p>

(11)

定義狀態(tài)方程為

aO=h(aS,θacc)=TaKa(aS+ba)

(12)

因為在采集加速度計讀數的時候取的是一個小窗口內的平均值，所以忽略了高斯白噪聲，進而有了優(yōu)化的代價函數

(13)

一般會有多組較為明顯的、穩(wěn)定的旋轉量放入代價函數中求解待求解參數，然后選取殘差最小的一組所對應的參數即可。

1.2.2.3 陀螺儀校準

陀螺儀的校準分為兩個部分：Allan方差校準零偏和優(yōu)化方式求解刻度系數及安裝誤差。在校準陀螺儀的時候，要使用到加速度計的校準信息，所以加速度計校準的好壞關系到整個IMU的校準效果。

(1)Allan方差校準陀螺儀零偏

在Allan方差分析中，共有5個噪聲參數：量化噪聲、角度隨機游走、零偏不穩(wěn)定性、速度隨機游走和速度爬升。Allan方差的計算方法[28]如下：

1)陀螺儀靜止放置時間為T，單個采樣周期為τ0，共有N組采樣值;

2)計算單次采樣輸出角度θ和平均因子m，m要盡量取得均勻

(14)

3)計算Allan方差，不同m值情況下會有不同的Allan方差值

(15)

其中，τ=mτ0；

4)一般在繪制Allan方差曲線時使用的是Allan方差的平方根，所以將式(15)中的計算結果取平方根即可。

通過Allan方差分析得到陀螺儀誤差的過程，一般要采集好幾個小時的數據。如果僅需要零偏參數，則在初始放置50s左右的時間就足夠了。

(2)優(yōu)化方式求解尺度因子及軸偏差

在校準陀螺儀的剩余參數的時候，挑選的是加速度計旋轉校準過程中的動態(tài)時段。校準過的靜態(tài)時段加速度計測量值的平均值可作為初始的重力向量和旋轉完成后的實際重力向量。該方法可用于陀螺儀的在線校準。

在已知陀螺儀的零偏后，還需要校準的參數為

(16)

這些參數的校準方式為：陀螺儀任意轉動，對積分得到的角度和加速度測量值求得的角度進行比較即可。這里把根據加速度計算得到的測量值當作參考值，所以前面對加速度的校準是非常重要的。具體校準過程如下所述。

設由加速度計測量值得到了一個初始的加速度向量ua,k-1，陀螺儀n個測量值wi，則可以得到旋轉之后新的重力向量ug,k為

(17)

進一步得到代價函數

(18)

其中，ua,k為由加速度的測量值得到的實際重力向量。在式(17)中會涉及離散時間的陀螺儀積分問題，可選擇使用四階龍格庫塔法。

1.3 慣性遞推PDR方法分析

1.1節(jié)描述了行人運動的基本規(guī)律，以及有效檢測行人運動過程中零速區(qū)間和識別行人運動類型的方法。本節(jié)重點分析慣性PDR中的慣性遞推算法和零速約束算法。

1.3.1 慣性PDR算法

穿戴式慣性PDR主要通過將MIMU傳感器綁定在行人腳上，跟蹤腳部運動的三軸加速度和角速度信息，基于航位推算原理，利用慣性積分方法連續(xù)計算行人行走的相對距離和航向，如圖1(b)所示。然后，利用初始位置和航向計算當前行人的絕對位置及方位[29]。核心計算公式如下

(19)

1.3.2 零速約束算法

1.4 運動約束方法

由于慣性誤差的漂移，慣性遞推定位結果會隨時間發(fā)散。同時，由于MIMU 器件的精度比傳統慣性器件精度低很多，定位累積誤差很大，因此必須采取必要的輔助手段對定位誤差進行修正。

如文獻[30]所述，現有的腳綁式PDR系統的主要問題是行人行進過程中PDR系統的航向漂移。 ZUPT輔助的EKF算法對航向的約束較小，隨著時間的推移，估計的軌跡會明顯偏離實際軌跡。因此，許多學者針對航向約束的方法進行了深入的研究[31-32]。零角速率更新(Zero Angular Rate Update，ZARU)是一種可以估計每個零速階段中陀螺儀偏差的方法。但是在實際的行人行走過程中的零速階段，往往會存在系統性的運動和殘余角速率[32]，所以滿足ZARU的條件通常不會真正發(fā)生，除非行人長時間保持穩(wěn)定站立姿勢[33]。

另外，由于大多數建筑物具有規(guī)則的結構，因此有些學者建議使用建筑物中走廊的方向作為約束，這已被證明是解決基于MIMU的PDR系統航向漂移的有效方法。例如，Abdulrahim等學者[34]強調指出，大多數室內走廊沿4個主要方向(稱為主導方向)相互平行或正交，并與建筑物的外圍墻壁平行。他們提出了啟發(fā)式漂移消除(Heuristic Drift Elimination，HDE)算法，該算法通過與最接近的主導方向匹配以校正慣性遞推航向。然后，利用主導方向與步幅航向之間的航向差(航向誤差)作為測量結果輸入到Kalman濾波器中。該方法適用于行人沿主導方向行走。但是，如果長時間沿非主導方向行走，則PDR系統仍會出現航向漂移。Jimenez對此方法進行了改進，調整了該算法在非主導方向的判別方法，使其可以容納行人行走非主導方向路徑，這種改進的方法稱為iHDE[35]。張文超等[36]指出,HDE和iHDE方法都使用相鄰腳步之間的位置(步幅)方向來確定行人的行走方向是否靠近室內走廊方向(主方向)，然后使用位置方向和最近的參考走廊的方向差糾正行人慣性遞推航向。然而，從根本上講，參考走廊航向接近的是當前軌跡的位置航向，而非當前慣性遞推航向。因此，他提出了利用參考走廊航向計算當前腳步處的估計位置，然后使用估計位置與慣性遞推位置差約束航向偏差，并通過實驗證明了該方法對系統航向的修正效果良好。

磁場也是常用的航向校準方法。但是，建筑物內部的磁場會隨著空間和時間的變化而迅速變化，并且對某些金屬物體或電氣設備也很敏感[37-38]。Yang等[39]提出了采用地磁校正航向算法，將磁航向和慣性航向的航向差作為測量值來校正PDR系統航向。Afzal[40]提出了通過捕獲行人零速區(qū)間內的磁場變化來估計航向誤差，但是由于磁力計在室內環(huán)境中會更容易受到干擾，因此不能保證其計算航向角的可靠性；Skog[41]提出了行人行進過程中的定位誤差是關于左右腳對稱的,通過在兩只腳上都安裝基于IMU的PDR定位系統，然后利用兩只腳間的最大距離約束PDR系統的定位結果，可以有效消除PDR系統航向誤差。

另外，高程發(fā)散是多樓層定位中PDR系統面臨的主要問題。常用的方法是利用氣壓高度計輸出作為高度約束，但在一些特殊情況如消防救火、士兵作戰(zhàn)等條件下，現場的大火或爆炸可能瞬間改變氣壓，從而影響氣壓與高度的關系。此時，可以利用上下樓梯的運動規(guī)律進行高度和樓層估計[42]。目前，文獻中使用的方法主要是利用俯仰角的變化[43]或相鄰腳步間的高程變化[44]來確定行人是在平面還是樓梯上行走。國防科技大學的谷陽等[42]基于建筑物室內臺階高度為定值，提出了采用基于隱馬爾可夫模型(Hidden Markov Model, HMM)算法的動作識別和臺階數量統計的方法，以估算高度變化，效果良好。張文超等[36]基于建筑物內樓梯坡度通常為20°～45°，提出了使用相鄰一個/多個腳步之間的坡度(高程差除以步幅長度)來確定行人的狀態(tài)。如果行人在平面上行走，則保持高程和前序腳步處高程一致；如果行人在樓梯上行走，則使用樓梯的坡度(通常為20°～45°)和HDE模型約束當前腳步處的高程，效果良好。

1.5 信息融合算法

如何實現MIMU測量信息與運動約束方法(零速更新等)的有效融合，是穿戴式PDR定位過程中的重要環(huán)節(jié)。目前，穿戴式PDR中通用的信息融合算法為Kalman濾波算法和貝葉斯濾波算法等。Kalman濾波算法是目前文獻研究中通用的算法模型，該算法可有效實現與MIMU慣性遞推相關的約束策略的信息融合。另外，貝葉斯濾波算法常用于實現MIMU測量信息與非同源信息的融合，例如MIMU測量信息與地圖信息的融合等。

1.5.1 Kalman濾波算法

在前述零速檢測過程中，可以有效區(qū)分行人行進過程中的零速階段和動態(tài)階段。在零速期間，采用基于Kalman濾波模型的約束算法可有效約束行人運動狀態(tài)的發(fā)散。按照Kalman濾波模型[45-47]，首先建立狀態(tài)方程

(20)

(21)

(22)

1.5.2 貝葉斯濾波算法

在基于慣性遞推原理的穿戴式室內行人定位中，貝葉斯濾波算法常常用于將慣性遞推定位結果和地圖或者室內樓層信息結合，利用地圖(或者樓層)等確定性信息輔助約束慣性PDR遞推定位結果?；谪惾~斯模型，目前文獻中常采用的方法是利用室內地圖的拓撲結構信息(一系列的關鍵節(jié)點)結合粒子濾波算法，將慣性PDR遞推位置約束到拓撲節(jié)點的連接線范圍內[48-49]。這些方法魯棒性較強，可以提供較可靠的定位結果；但是在大型開放廳中，將導航路徑限制到節(jié)點連接邊緣通常是不切實際的，且計算過程中需要進行大量的粒子迭代計算，復雜度較高，該算法在地圖輔助的PDR定位文獻中均有論述。這里主要介紹了一種非回溯貝葉斯濾波算法[50]，該算法兼具粒子濾波算法的優(yōu)勢，同時可以有效降低概率計算的復雜度。該算法不同于通用性的地圖約束算法(采用地圖的拓撲節(jié)點信息結構)，而是采用柵格地圖建立概率密度函數圖，結合貝葉斯濾波算法實現慣性PDR軌跡的有效約束。

同式(21)類似，先建立估計模型

xk=f(xk-1)+wk-1

(23)

zk=h(xk)+vk

(24)

這里，下標k表示時標；xk∈Rn表示待估計的狀態(tài)向量；zk∈Rn表示含噪聲的測量向量；w∈Rn表示過程噪聲；v∈Rm表示測量噪聲；函數f和h是非線性函數。式(23)為預測模型(時間更新)，用于表示行人的運動；式(24)為獨立的測量模型(測量更新)，用于校準更新。式(23)和式(24)相互配合，利用獨立的觀測量zk來估計狀態(tài)量xk。然后采用地圖的柵格圖建立行人活動區(qū)域的概率密度函數p(xk|FP)，密度水平與行人在相應位置的行走可能性成正比，如圖7所示。

(a)室內柵格地圖 (b) 提取行人室內活動區(qū)域 (c) 概率密度灰度圖偽彩色圖像

根據圖7中給出的行人活動區(qū)域概率密度圖，可以有效約束基于慣性遞推原理的室內行人行走方向。圖8所示為根據圖7中的概率密度圖和基于慣性遞推原理的行人定位結果得到室內行人似然位置的過程。圖8(a)中的拱形二維高斯分布表示概率密度圖和慣性遞推定位結果概率疊加的過程;圖8(b)中紅色圓區(qū)域為根據慣性遞推似然值和概率密度圖得到的當前行人出現的最大概率區(qū)域，顏色最深的地方為當前時刻行人最有可能出現的位置;如圖8(c)所示，白色軌跡為純慣性PDR遞推軌跡，紅色區(qū)域為根據地圖信息提取的行人可能活動區(qū)域，綠色軌跡為采用上述非回溯貝葉斯濾波算法得到的行人定位軌跡?？梢钥吹?軌跡被很好地約束到了行人應該出現的區(qū)域內。

圖9所示為作者參加2019年意大利比薩IPIN2019國際室內定位與導航大賽時，自測試階段采用上述非回溯貝葉斯濾波算法處理穿戴式PDR比賽數據得到的室內行人定位軌跡，測試路線長約1.9～2km，橫跨多個室內大樓，并穿越了三個樓層，且樓層之間有自動扶梯和樓梯切換。處理之后得到的軌跡75% 累積分布函數(Cumulative Distribution Function，CDF)誤差在2m以內，誤差/軌跡長約為1‰。因此，采用基于地圖輔助的非回溯貝葉斯濾波算法得到的慣性PDR行人定位軌跡的精度和可靠性較高。

(a) (b) (c)

圖9 2019年意大利比薩IPIN國際室內定位比賽數據分析結果(紅線為解算后的測試軌跡)

2 基于慣性遞推原理的行人定位方法存在問題及發(fā)展方向

從目前基于慣性遞推原理的行人定位的發(fā)展情況來看，面臨的主要問題和發(fā)展方向如下。

2.1 提高MEMS慣性器件的精度及可靠性

從MEMS慣性器件角度來看，隨著目前MEMS技術的長足發(fā)展，基于MIMU傳感器的行人自主定位方法已取得了很大的進展，但由于受到行人復雜運動特性及各種應用環(huán)境的影響，目前MIMU傳感器的精度和可靠性并不能完全滿足行人自主定位的需求，基于MIMU傳感器的行人定位方法的普適性和可靠性仍需加強。

因此，從根本上大幅度提高MEMS慣性器件本身的精度和可靠性，有效降低慣性遞推過程中累積誤差的影響，同時結合行人運動過程中必要的運動約束信息和環(huán)境特征信息，有效提高行人自主定位的普適性和可靠性，這將是未來基于慣性遞推原理的行人自主定位技術的主要發(fā)展方向。

2.2 改進MEMS器件測量誤差和算法模型誤差估計方法

基于MIMU傳感器的行人定位方法中，誤差來源主要有兩類：1)低成本MEMS傳感器測量誤差；2)算法模型誤差。低成本MIMU 器件測量誤差并不穩(wěn)定，尤其在行人行進過程中，受振動、腳落地后微小旋轉等因素的影響，MIMU測量誤差會發(fā)生變化；同時算法模型誤差(通常被設定為零均值白噪聲)并未真實反映實際行人運動過程中的真實誤差。因此，正確估計MIMU傳感器測量誤差以及設定正確的算法模型誤差，對于行人定位至關重要。

文獻[51-52]均對MEMS傳感器的器件測量誤差進行了有效建模估計，主要采用的方法是測量前靜止分析和利用Kalman濾波估計測量過程中MEMS傳感器的測量誤差；同時，文獻[22]指出，由于ZUPT方法自身算法模型的限制性，特別是在行人多種運動情況下，該算法自身也會引入額外的模型誤差，導致解算結果出現漂移。目前，一些學者認為應該采用更加復雜準確的方法估計行人行進過程中的系統模型誤差，從而降低誤差影響，提高定位結果長時間的準確性和穩(wěn)定性；另外一些學者則認為不應該估計傳感器誤差和算法模型誤差，因為這些誤差會隨著環(huán)境和行走狀態(tài)發(fā)生變化，如果去估計這些誤差可能會再次引入額外誤差。

所以，在行人行進過程中，如何有效估計和約束傳感器誤差是目前穿戴式PDR面臨的主要問題。

2.3 提高零速階段檢測自適應性和準確性

受行人復雜運動特性的影響，零速階段往往檢測不準確，導致在非靜止階段也會修正IMU慣性解算，從而引入誤差，使得最終行人位置解算結果發(fā)散；目前常用的檢測方法主要是1.1.2節(jié)中所述四種方法的變形與結合。這些方法的共同點在于均需要設定零速檢測的判定閾值，然而隨著行人運動狀態(tài)(正常行走、跑步、上下樓等)的變化，這些閾值也會隨之發(fā)生顯著變化，如果設定的閾值過小或者過大，均會導致零速階段的誤檢測。

另如文獻[53-54]中，提出了一些自適應閾值零速區(qū)間檢測算法。主要區(qū)別在于，這些算法可以根據行人運動特性和閾值之間的近似關系，自適應地改變檢測閾值。然而在實際應用過程中，對于行人產生的各種隨機運動并不明顯。同時，自適應模型算法并不普遍適用于不同的人。近年來，提出了基于人工智能(Artificial Intelligence，AI)的零速檢測方法來滿足變動行人運動狀態(tài)下零速區(qū)間的檢測[55]。 這些方法采用運動分類和深度學習方法，無需調整零速檢測閾值即可實現零速區(qū)間的有效檢測[56]；但需要大量的訓練數據，從而增加了計算成本、降低了系統的實時性。

因此，如何實現對行人運動過程中零速階段的準確檢測和判斷，仍是目前穿戴式PDR面臨的主要問題。

2.4 優(yōu)化慣性遞推PDR多源信息融合方法

目前，基于MIMU傳感器的穿戴式PDR定位方法，主要采用以MIMU慣性遞推為主，輔以行人運動規(guī)律中多種信息約束的方式，實現行人長時間自主定位；或者采用環(huán)境中的信息源(地磁、地圖等)約束MIMU慣性解算，從而提高行人長時間定位結果的可靠性。根據目前的發(fā)展情況，從信息融合結構和信息源方面分析結果如下：

信息融合結構方面：目前主流的方法主要在IMU解算后的位置域，采用松組合結構進行ZUPT和Kalman濾波。文獻[57]中介紹了經典的ZUPT輔助的行人定位算法信息融合結構，即：利用零速觀測量+Kalman濾波松組合結構，在解算結果層修正IMU慣性遞推位置結果；文獻[58-59]提出了利用緊組合模型在IMU原始數據層進行融合，將多個IMU原始歸算成一個IMU，利用信息冗余優(yōu)勢構成多傳感器間的協同，從而提高定位結果的準確性和穩(wěn)定性。

信息源方面：文獻[40]通過采集行人運動過程中腳部的三軸加速度、三軸陀螺儀和三軸磁場信息，進行有效融合后實現行人行進過程中的可靠定位；文獻[60]將零角速度變化模型(ZARU)應用于航向誤差漂移修正；文獻[61]將建筑物航向模型(HDR)和磁航向應用于航向誤差漂移修正；文獻[62]同時利用兩個傳感器，將MEMS傳感器同時固定在口袋和腳尖部位，采集行人行進過程中兩個部位的運動信息，通過傳感器之間的協同，實現系統航向的有效約束；文獻[63]同時將五個MEMS固定在同一只腳上，構成多傳感器信息冗余，提高了系統定位結果的可靠性；文獻[64]同時將兩個IMU分別固定在兩只腳上利用雙腳信息構成協同，以約束系統航向。

目前穿戴式PDR定位方法中，約束信息源眾多，但約束效果并不穩(wěn)定。因此，如何對目前的信息融合方法進行有效的優(yōu)化與整合，對于實現室內行人長時間可靠定位具有重要作用。

2.5 基于應用場景特點設計不同性價比終端和算法

基于慣性遞推原理的穿戴式行人定位終端應用的場景包括：1)特殊人員的定位，如：消防員應急救援定位、單兵叢林/城市協同作戰(zhàn)定位等，這些場景下對定位終端的性能要求較高，因此需要采用成本較高、性能較好的慣性終端；同時，由于應用環(huán)境的復雜性，所設計的算法既要保證定位精度，也應具備較高的魯棒性。2)大眾用戶的定位，如：大型商場內的人員定位、老人或者盲人的監(jiān)督定位等，這些場景下對定位終端的性能要求不高，應采用較低成本的慣性終端，且應用場景較單一， 應降低設計算法的復雜度，控制定位終端的整體成本，滿足大眾用戶的普及應用。

因此，需要根據不同的應用場景，設計不同性價比的終端和算法，以滿足行業(yè)用戶和大眾用戶的需求。

3 總結

本文對基于慣性遞推原理的行人自主定位方法進行了綜述分析：1)重點分析了行人運動特性分析與檢測、MIMU慣性誤差分析和校準、慣性PDR解算方法、運動約束方法、信息融合算法；2)分析了目前該方法存在的問題及發(fā)展方向；3)總體來看，目前從器件成本和穩(wěn)定性、定位算法的精度和魯棒性、不同應用場景的適用性，都有提升的空間，單純基于慣性遞推原理的行人定位方法并不能滿足各種復雜應用場景的需要；4)未來，針對不同行業(yè)用戶和大眾用戶的特點，設計不同性價比的終端和融合約束算法將是該領域的應用趨勢。