基于无约束智能手机的室内行人导航鲁棒航向估计

摘要

利用智能手机内置的惯性传感器进行航向估计一直是室内行人导航的核心问题。在日常生活中，为了不受限制地使用智能手机，有必要进行方向估计，这意味着设备携带的位置和方向不同。由此引入了三种特殊的人体运动状态，即手的随机运动、搬运位置的转换和用户的转弯。然而，现有的航向估计方法大都忽略了这三种运动状态，估计误差较大。提出了一种适应智能手机无约束使用的鲁棒航向估计系统。提出了一种新的运动状态检测与分类方法，对三种运动状态进行了实时检测和准确识别。对于正常工作，使用基于pca的方法估计用户标题。如果用户转向发生，则通过直接将水平航向改变添加到之前的用户航向来估计。如果出现其他两种运动状态中的一种，则通过对相邻正常步行步的估计结果进行平均得到。最后，利用离群值滤波算法对估计结果进行平滑处理。 Experimental results show that our approach is capable of handling the unconstrained situation of smartphones and outperforms previous approaches in terms of accuracy and applicability.

1.介绍

对于全球导航卫星系统(GNSS-)被拒绝的环境，各种室内行人导航解决方案[1- - - - - -5，如无线局部区域定位系统、超宽带和射频识别等。这些基于基础设施的解决方案的使用仅限于有特殊设备或基础设施可用的空间。行人航迹推算(PDR) [6- - - - - -8]使用智能手机内置的惯性传感器可以克服这一限制，因为惯性传感器是连续可用的。PDR通过将步长检测和步长估计与用户航向估计相结合来实现位置估计。一旦检测到每个用户步骤，则通过将当前估计的相对位移添加到上一步骤估计的用户位置来更新用户位置。近年来，由于智能手机无处不在，几乎可以随身携带，因此在日常生活中部署PDR方法变得越来越可行。

用户航向估计是PDR的核心问题。大多数现有航向估计解决方案采用传统的基于姿态估计的方法[9，10］.用户标题的估计是通过在估计的设备正向标题中添加一个固定的用户标题偏移量来实现的。如果设备被限制在一个固定的承载位置和设备方向，这种方法表现良好。然而，对于裤兜里或手里摇摆的智能手机，航向偏移一直在变化，很难估计。传统的基于姿态估计的方法由于对航向偏移的偏置估计，会造成较大的航向估计误差。

为了解决将设备放置在裤袋或挥动在手上的航向估计问题，uDirect方法[11]基于主成分分析的方法包括传统的主成分分析方法[12]，以及我们先前提出的RMPCA方法[13]提出了旋转矩阵（RM）和主成分分析相结合的方法。UDDIRECT方法直接在特定区域提取局部行走方向，其中正向加速度控制水平面上的加速度。相比之下，基于PCA的方法对人体运动动力学更具鲁棒性，因为所有加速度样本都被用来提取水平加速度信号的最大变化，而水平加速度信号假定与行走方向平行。最近，为了消除对设备承载位置的限制，我们提出了一种独立于承载位置的航向估计方法。位置分类器根据可分辨的加速度模式识别承载位置，同时在相同承载位置下假设相对稳定的设备方向。

为了能够真正不受限制地使用智能手机进行航向估计，不仅要考虑设备承载位置，还要考虑不同的设备方向。因此，为了提高航向估计的可靠性和适用性，还需要解决几个关键问题。

首先，目前的航向估计方法对随机手部运动具有敏感和非鲁棒性。基于pca的方法，由于手部的随机运动，使得水平面上加速度信号的最大方差偏离行走方向，严重破坏了基本假设。

其次，三种运动状态，即手部运动、携带位置转换和用户转向，以及它们对航向估计的影响很少受到关注，三种运动状态之间的漏检和混淆可能会导致较大的航向估计误差。

为了解决上述问题，我们提出了一种基于无约束智能手机的鲁棒航向估计系统。其主要思想是基于对手部随机运动、搬运位置转换和用户转弯三种特殊运动状态的检测和识别，选择相关的最优航向估计策略。提出了一种新的运动状态检测与分类方法，对三种运动状态进行了实时检测和准确识别。当用户转向时，直接通过计算水平面上的航向变化来估计用户航向。如果出现其他两种运动状态，则假设用户的头部是平滑的，并通过对正常邻居步行步的估计结果进行平均得到。

提出的估计系统部署我们以前的RMPCA方法在正常行走的方向估计。最后，通过滤波未检测到的手运动或误分类的手运动引起的异常值，进一步对估计结果进行平滑处理。为简单起见，在本工作中，我们只考虑步行和站立这两种主要的行人活动，并假设它们已经根据不同的加速度模式进行了准确的识别[14，15］.

实验表明，在无约束条件下，我们的航向估计系统在精度、可靠性和适用性方面优于现有方法。总之，我们的工作做出了以下贡献：(一)我们提出了一个独立于运载位置和设备方向的鲁棒航向估计系统。(ii)我们指出，如果不能检测和识别以下三种运动状态:手的随机运动、搬运位置的转换和用户的转弯，基于pca的方法可能会带来较大的航向估计误差。(3)我们提出了一种新的检测和分类方法来检测和区分上述三种运动状态。(iv)我们开发了一种离群值过滤算法来去除用户标题估计结果中的离群值。(v)我们报告了基于从四个参与者收集的大量样本所提出的检测和分类技术的评估，并比较了我们的航向估计方法与现有方法的准确性性能。

在本文的其余部分中，我们将首先在第节中介绍所提出的使用无约束智能手机的鲁棒航向估计系统的概述2部分3.详细描述了针对三种特殊运动状态的检测和分类方法4描述了适应智能手机无约束使用所引起的特殊运动状态的鲁棒用户航向估计方法。实验结果的评价报告在本节5. 最后一节给出了结论。

2.系统概述

数字1显示了使用无约束智能手机的拟议鲁棒用户航向估计系统的概述。该系统根据连续运动状态检测和分类结果选择用户航向估计方案。运动状态检测和识别方法的基本思想是利用其可分辨的加速度和装置姿态变化模式。姿态变化模式包括累积俯仰角和滚转角、水平设备航向变化角，这些变化角可从连续设备姿态跟踪模型中推导出来。对于智能手机的实际应用，我们假设位置转换和用户转向不能同时发生。手部运动和用户转动运动状态也给出了类似的假设。基于以下两个原因，这些假设是合理的。首先，当每个运动状态的概率较低时，两个运动状态发生的概率都很低。第二，当用户转弯时，要求设备承载位置转换或显著的手部动作是不自然的，对行人来说也是复杂的。

对于航向估计方案的选择，在没有检测到任何特殊运动状态的正常行走期间，我们部署了我们以前的RMPCA方法，因为基于PCA的方法的基本假设仍然成立。如果检测到随机的手部运动或携带位置变换，则假设用户航向是平滑的，并由avera计算调整相邻正常步行步的航向估计结果。如果检测到用户转弯，则通过将水平航向更改添加到先前的用户航向中来获得用户航向。此外，为了避免未检测到的手部移动导致估计误差，估计结果通过离群值滤波算法进一步平滑里思。

为了描述航向估计问题，我们定义了两个坐标系，即全球坐标系（GCS）和设备坐标系（DCS）。地面军事系统由三个轴定义 ， ，和它指向东、北，与重力矢量相反的方向。用户的方向估计问题可以看作是在GCS中寻找行走方向表达式。所有原始惯性信号包括加速度和角速度样本都是在DCS中进行初始测量的。DCS由坐标轴定义 ， ，和 ．轴点向右,指向前方，同时两个轴与设备屏幕平行。轴指向屏幕外部，是和 ．

在这项工作中，我们只调查了最常见的四个设备承载位置[17- - - - - -20即手握（手持）、打电话（耳塞）、放在裤兜（口袋里）、手摆动（摆动手）。对于行人活动，我们只考虑两种情况，即正常行走和站立，这两种情况很容易被他们不同的加速度模式所识别。14，15].为简单起见，我们假设这两项活动已被准确识别。

3.三种特殊运动状态的检测和分类

三种特殊的运动状态，即手部运动、搬运位置转换和用户转弯，可能会严重破坏基于pca的方法的基本假设。因此，我们开发了三种运动状态的检测和分类方法，如图所示2.我们从加速度计收集加速度信号，并从连续设备姿态跟踪模型中获取设备姿态数据，该模型将在第节中介绍4.1．然后，将采集到的数据分成小段，通过滑动窗口进行后续检测和识别。我们选择一个两倍于用户步行周期大小的窗口，连续窗口之间有50%的重叠，适合准确、及时地检测和识别运动状态。

如图所示2，四个参数，即累积绝对加速度变化ΔAcc、装置航向变化Δ偏航、累积绝对俯仰角变化Δpitch和累积绝对侧倾角变化Δroll，计算如下： 哪里 ， ， 是在DCS上测量三维加速度信号；和是地面军事系统中智能手机的俯仰角和侧倾角值，如中所示(13节)4.1; 和和是滑动窗口开始时间和结束时间GCS上智能手机的偏航值，如中所示(13).

在得到这四个参数后，通过与相关阈值的比较，我们开始运用它们来检测和鉴别这三种特殊的运动状态。首先，利用显著的加速度变化模式检测和识别位置转移运动;数字3.显示了在一对设备承载位置期间发生位置转换时的加速度信号的经典示例。显然，所有类型的位置转换都包括三维的大幅加速度变化。此外，加速度变化明显大于正常行走、用户转弯运动状态，大多数手部运动的幅度相对较小。这可能是由两个原因造成的。首先，位置转换涉及显著的相对位移，随后引入额外的加速度。其次，由于设备姿态的变化，添加在三个轴上的重力向量的子组分一直在变化e、 因此，我们为累积绝对加速度变化ΔAcc设置一个阈值，表示为Th（ΔAcc）。当累积绝对加速度变化超过阈值时，假设发生位置转换。为了避免错误检测，我们部署了中提出的基于随机林的承载位置分类器[16]，以确认运载位置是否已更改。运载位置分类器选择平均值、方差、最大值和最小值加窗加速度样本的统计信息作为输入特征。有关运载位置分类器的详细信息，请参阅[16].如果没有发生位置转换，且携带位置不在口袋中，则会检测到手的大幅度移动。

其次，在排除位置过渡运动状态后，对剩余两种运动状态进行检测和判别。我们观察到，用户转向只渲染设备在水平面的方向变化，而大多数手的运动可能会引入显著的滚转和俯仰角度变化。因此，我们设置累计俯仰角绝对变化ΔPitch和累计横倾角绝对变化ΔRoll的阈值，分别为Th(ΔPitch)和Th(ΔRoll)。当累计的绝对俯仰角或滚转角变化分别超过相关的阈值，且携带位置不在口袋内，则假设发生手运动。

最后，如果排除了携带位置转换和手部移动，我们可以推断，当设备航向变化Δ偏航超过预定义阈值时，会发生用户转向 ．否则，不会检测到特殊的运动状态。采用RMPCA方法进行航向估计。一般情况下，不同的设备携带位置选择合适的阈值是不同的。对于口袋和摆手姿势，由于身体运动强度更大，阈值通常明显大于手持和打电话姿势。

应该注意的是，可能会发生两种错误情况，尽管它们的概率很低。一种是，当手部运动仅在水平面上引入额外加速度，且对俯仰角和偏航角影响很小时，可能会忽略手部运动。另一种错误的情况是，当手部运动仅在水平面上呈现设备航向变化，并且对俯仰角和偏航角几乎没有影响时，手部运动可能被错误分类为用户转向。幸运的是，两种错误情况导致的大航向估计误差可以通过离群值过滤算法避免，这将在第节中给出4.3.．

4.用户标题估计

提出的用户航向估计方法包括三种策略:相邻正常步行步的航向估计平均值、在前一步用户航向中添加水平航向变化和RMPCA方法。根据三种特殊运动状态的检测和识别结果，选择最合适的策略进行航向估计，如图所示1．当检测到手的移动或携带位置的变化时，选择第一种策略;当用户转向时，选择第二种策略。在正常步行过程中，采用RMPCA方法作为最后一种策略。此外，为了避免手运动未检测导致的航向估计误差，采用离群值滤波算法对RMPCA的估计结果进行平滑处理。

航向估计使用两个基本假设。首先，用户标题和设备前向标题之间的初始标题偏移为零，因为用户在启动本地化应用程序时需要将设备握在手中并注视它。其次，假设初始用户航向和相关设备姿态是先验已知的[21，22，当用户进入建筑物、地标或WiFi定位时，可通过全球定位系统(GPS)跟踪获得。

对于RMPCA方法和三种特殊运动状态检测，都需要连续的设备姿态信息。为此，本文首先在第二节提出了基于四元数的设备姿态跟踪模型4.1．然后，在本节中详细描述了航向估计策略4.2.在第节中开发了异常值过滤算法4.3.．

4．1.态度跟踪模型

采用扩展卡尔曼滤波器(EKF)融合惯性传感器和磁强计，实现器件姿态跟踪。我们部署四元数[23，24来描述器件姿态跟踪模型，避免了奇异性问题。利用四元数向量和旋转矩阵构造了GCS与实时设备姿态的关系。旋转矩阵可以将GCS表示的任意惯性信号转换为DCS，如下所示: 哪里是当时与地面军事系统相对应的DCS旋转矩阵和和都是一样的 分别表示在GCS和DCS的向量。我们可以建立旋转矩阵与四元数向量之间的一一映射关系: 哪里 归一化四元数向量有标量部分吗向量部分呢 ，参数呢为简单起见，省略了。

在设备姿态估计方面，首先根据刚体运动规律，建立EKF的状态方程[24]，四元数的离散状态模型由下式给出 哪里和是时间瞬间的四元数向量和 ，是状态模型的时间间隔， 是在DCS测量的原始角速度矢量，是一个 单位矩阵， 和是由 为了构造EKF的状态方程，我们采用状态模型的一阶线性逼近: 其中线性化的转移矩阵 和 哪里和 是四元数向量的标量部分和向量部分 ， 是陀螺仪输出的高斯白噪声，和 是一个标准的向量叉积算子。当四元数向量初值已知时，实时四元数向量即可确定。基于我们的航向估计方法的两个基本假设，相关的初始四元数可以很容易地通过已知的初始用户航向和设备姿态来计算。

然后，我们根据在DCS测量的观测加速度和磁场样本构建EKF的测量模型： 哪里和为DCS处观测到的加速度样本和GCS处相关的重力矢量样本，和在DCS中观察到的磁场样品和在GCS中观察到的磁场样品，以及和为白高斯测量噪声的加速度和磁场值。加速度和磁场值的协方差矩阵根据[25),分别。

为了构造EKF的测量方程，我们将非线性函数线性化在(11)通过计算相关的雅可比矩阵： 哪里 是不可用真实状态的先验状态估计和是前一时刻可用状态的EKF估计结果。

根据状态方程(9)、测量方程(11)建立了实时四元数矢量估计的EKF模型。执行EKF模型的详细程序见[26]因此，实现了实时设备姿态跟踪。我们可以计算地面军事系统的实时设备偏航、俯仰和横摇值，如下所示：

4．2．航向估计策略选择

在正常行走过程中，我们采用RMPCA方法进行航向估计，逐步估计用户的航向，并采用经典的峰值检测算法检测行走步幅[27- - - - - -29]，它可以识别在每一步行走过程中由独特的脚跟撞击引起的峰值加速度。我们首先将在DCS测量的步行步内的所有加速度投影到GCS中。 哪里 加速度样本是否表示在GCS时刻 ， 是否在DCS上测量相关加速度样本，以及是地面军事系统和DCS之间的相关旋转矩阵。水平面GCS处的所有加速度样本可如下所示： 哪里在步行步和内的加速度样本数是多少是我在水平面上的加速度样本。然后，应用主成分分析方法，提取该方法的第一特征向量水平面上的加速度采样作为最终全局行走方向向量 主成分分析的模糊性问题[30]可以通过利用用户行走方向和垂直加速度之间的相位关系来解决[13].最终用户标题估计可以给出如下: 关于RMPCA的更多细节，请参阅我们以前的工作[13］.

当检测到三种特殊运动状态时，可能会在水平面上的加速度中引入额外的加速度。因此，水平面上加速度的主分量可能偏离用户行走方向。例如，当发生手部运动时，PCA的第一特征向量偏离行走方向并向手部运动方向移动。当发生位置转换或用户转向时，可能会看到类似的观察结果。因此，当发生手部移动或位置转换时，我们不采用RMPCA方法，而是通过平均邻居的用户航向估计来获得用户航向正常行走的步骤: 哪里是的用户标题第四步。通常，在没有用户转向的情况下，用户的航向是平滑的和可设置的等于4可获得合理的航向估算结果。

当发生用户转向时，我们通过将用户标题更改添加到上一步行走的用户标题中来计算当前行走步骤的用户标题。水平设备航向变化由地面军事系统的偏航角变化计算： 哪里水平设备的航向是否在一个行走步骤内发生变化，是k旋转的角速度分量GCS,是阶跃内的角速度采样总数，是相关的采样间隔。GCS处的角速度样本可通过DCS处测量的角速度样本和相关旋转矩阵获得，如下所示： 哪里角速度样本向量是相对于GCS的吗t，是DCS的相关样品，以及为相关的旋转矩阵。

4．3．航向估计结果的离群值滤波

本节介绍一种后处理离群值滤波算法，用于去除由未检测到的手部运动引起的离群值。这种故障情况可分为两类。第一类是手的运动状态未被检测到并被识别为正常的行走状态。第二类是手的运动状态被错误地归类为用户回合。在无明显用户转弯的正常步行过程中，RMPCA的航向估计结果是平滑的，与相邻步长相比没有显著变化。如果发生用户转向，则当前行走步骤的用户方向可能与前一步的方向有显著差异，接近未用户转向的下一步的方向。相反，如果出现未被检测到的手部运动，则航向估计结果可能与上一步和下一步的航向估计结果都有很大的差异，如图所示4．因此，根据上述观察，我们开发了一种异常值滤波算法，通过比较相邻行走步间的航向估计结果的差值来检测故障情况。如果一个方向估计结果明显大于(小于)上一个步行步，又明显小于(大于)下一个步行步，并且两个差值超过相关阈值，则检测并去除一个异常值。然后，通过对相邻正常步行步长的估计结果进行平均来校正用户的方向。

5.评价

5.1.实验装置

我们在室内测试环境中进行了用户标题估计实验，如图1所示5.为了测试直线和非直线步行路径的航向估计性能，测试环境由两条对称抛物线、一条直线和一个半圆组成，其总长度为76.9 m、 四名受试者使用智能手机参与实验。在每次实验运行之前，每个受试者最初都会手持手机几秒钟，以启动开发的用户航向估计应用程序。我们还进行了所有必要的校准，以使智能手机中内置的所有惯性传感器的测量输出精确尽可能。就像在其他许多作品中一样[31，32]，我们假设初始用户标题是已知的。为了标记地面真实情况，我们还应用了一个摄像头来记录每个受试者的整个行走路径。获得了用户标题估计值，并与每个行走步骤的真实值进行了比较。

为了研究所提出的检测与识别算法的分类精度性能，每个被试行走一百步，其中七十步为正常行走，其余的步为三种特定运动状态中的一种等量行走。每个受试者重复这个过程十次。

为了分别研究三种特殊运动状态对航向估计精度的影响，我们比较了RMPCA和所提鲁棒航向估计方法在每种特殊运动状态单独发生时的航向估计误差。手部运动方面，在行走过程中进行不同程度的手部运动。对于搬运位置的转换，我们在四个经典设备搬运位置之间执行了所有12种位置转换。对于用户转弯，我们执行的用户转弯从20度到180度不等。每一种特殊的运动状态进行一千次。我们假设在实际的步行过程中，每个特殊的运动状态都被正常的步行步骤所包围。

5.2.分类准确度结果

桌子1展示了所提出的三种运动状态检测与识别算法的分类结果。实验结果表明，所提出的检测与识别算法能够对三种特殊运动状态进行高精度的分类。对三种特殊运动状态的平均分类准确率为97.6%。对于手的运动，虽然概率很低，但一些手的运动可能涉及到小的俯仰和滚转角变化，而偏航角的变化超过了阈值。因此，这种手部动作可能会被误认为是用户的转身动作。幸运的是，这些故障情况可能不会最终影响用户航向估计的性能，因为这些负面影响可以通过下面的用户航向估计方法的离群值滤波算法来消除。对于搬运位置转换，累积的绝对加速度变化总是足够大，足以将它们与其他运动状态区分开来。位置转换和其他运动状态之间的混淆可以忽略。

5.3.航向估算结果

数字6和7显示RMPCA方法和建议的方法的绝对估计误差的平均值和标准偏差。当出现特殊运动状态时，在行走步骤上计算航向估计误差。与RMPCA方法相比，建议的方法将平均绝对估计误差减少43.1%（10.9度）与RMPCA方法相比，该方法将绝对估计误差的标准偏差分别降低了35.8%（2.4度）、40.7%（3.3度）和46.3%（4.4度），分别用于手部运动、用户转向和位置转换运动状态。所提出的鲁棒航向估计方法可显著降低绝对航向估计误差。在三种特殊运动状态中，位置转换运动状态的误差降低最大，因为额外加速度位置转移运动所引入的信号总是明显大于其他两种运动状态的信号。对于所提出的鲁棒航向估计方法，当检测到三种特殊运动状态并进行准确鉴别时，选择合适的航向估计方案，而不是使用RMPCA。

此外，我们还研究了所提出的鲁棒航向估计方法在三种特殊运动状态下的总体航向估计精度。实验对象沿着整个行走路径行走，行走路径被分为四个子路径，不同颜色的子路径如图所示5．当子路径改变时，器件携带位置以等概率转移到剩余器件的另一个位置。整个步行路径需要每个受试者大约128步。每个受试者在整个行走过程中有意识地做了15次随机的手部运动。他们把这个过程重复了20次。我们对每个行走步骤进行用户航向估计，然后总共可以使用一万多个样本。我们还进行了没有离群值滤波的方法，RMPCA方法的比较[13]和uDirect方法[11］.

数字8显示了比较的航向估计方法的累积误差分布。如图所示8，所提方法的第75百分位绝对误差为13.8度，而未使用离群值滤波、RMPCA和uDirect方法的第75百分位绝对误差分别为14.2、26.2和34.4度。所提方法的90百分位绝对误差为24.9度，而未加离群滤波、RMPCA和uDirect的方法的90百分位绝对误差分别为28.1、42.7和54.9度。如图所示9与未加离群值滤波的方法、RMPCA方法和uDirect方法相比，该方法的平均绝对估计误差分别降低了13.9%(1.5度)、46.9%(8.2度)和59.4%(13.6度)。对于绝对估计误差的标准差，所提出的方法分别减少了13.6%(0.6度)、34.5%(2.0度)和38.7%(2.4度)。

与比较方法相比，该方法能显著提高航向估计精度。这是因为，当出现三种特殊的运动状态时，所提出的方法可以准确及时地检测和区分它们，然后选择合适的航向估计策略。传统的RMPCA和uDirect方法可能导致较大的航向估计误差，因为不规则身体运动引起的额外加速度可能违反传统方法的基本假设。然而，这些大的航向估计误差可以通过所提出的方法避免。如果检测到三种特殊运动状态之一，将执行相关的最优航向估计策略。对于手部运动和位置转换，通过平均相邻正常步行步的航向估计结果来获得用户航向估计。对于用户转弯，通过将偏航角变化添加到上一步的用户航向来估计用户航向。此外，由于航向估计中的离群值可以被去除，离群值滤波算法也可以略微提高航向估计的精度。

6.结论

本文提出了一种鲁棒的用户航向估计方法，该方法适应三种特殊的运动状态，即随机手运动、位置变换和用户转弯。当这三种运动状态发生时，利用加速度模式的传统方法可能会导致较大的航向估计误差。因此，我们首先开发了运动状态检测和识别算法，以确定特定的运动状态。然后，选择最合适的策略进行用户航向估计。最后，提出了一种离群值滤波算法来平滑用户航向估计结果。实验结果表明，所提出的鲁棒航向估计方法可以显著提高用户航向估计的精度。与RMPCA和uDirect方法相比，该方法的平均绝对用户航向估计误差分别降低了46.9%（8.2度）和59.4%（13.6度）。

数据可用性

作者证实，支持这项研究结果的数据在文章中是可用的。

的利益冲突

作者声明没有利益冲突。

致谢

本研究得到中国国家自然科学基金（批准号61301132, 61300188, 61671168，61301131）和中央大学基础研究经费（HEUCF1818801和HEUCF180801）的资助。

参考文献

1. M.Zhou，Y.Tang，Z.Tian，L.Xie和W.Nie，“用于轻载位置指纹的半监督室内定位的鲁棒邻域图，”IEEE物联网杂志, 2017年。浏览：谷歌学者
2. 孙耀文，孟文华，李春春，赵新民，赵克民，张新民，“室内环境下利用多源异构数据进行人体定位，”IEEE接入， vol. 5, pp. 812-822, 2017。浏览：出版商网站|谷歌学者
3. D.Zou，W.Meng，S.Han，K.He和Z.Zhang，“走向无处不在的LBS：多无线电定位和无缝定位，”IEEE无线通信杂志，第23卷，第6期，第107-113页，2016年。浏览：出版商网站|谷歌学者
4. M.Jia，X.Gu，Q.Guo，W.Xiang和N.Zhang，“基于认知无线电的面向5G的宽带混合卫星地面通信系统，”IEEE无线通信杂志，第23卷，第6期，第96-106页，2016年。浏览：出版商网站|谷歌学者
5. M.Zhou，Y.Tang，Z.Tian和X.Geng，“用于室内混合指纹数据库校准的低投入半监督学习，”IEEE接入，第5卷，第1期，第4388-4400页，2017年。浏览：出版商网站|谷歌学者
6. M.Zhou，Y.Tang，W.Nie，L.Xie和X.Yang，“GrassMA：用于室内WLAN定位的基于图的半监督流形对齐，”IEEE传感器杂志，第17卷，第21期，第7086-70952017页。浏览：出版商网站|谷歌学者
7. 张炳良、赵启超、李彦宏、牛彦宏、庄彦宏和刘杰，“智能手机上基于传感器导航的协作WiFi指纹识别，”传感器，第15卷，第7期，第17534-17557页，2015年。浏览：出版商网站|谷歌学者
8. Xiao Z.， Wen H.， A. Markham, N. Trigoni，“稳健的室内定位与终身学习”，IEEE通信选定领域杂志第33卷第3期11, pp. 2287-2301, 2015。浏览：出版商网站|谷歌学者
9. H.Lee，J.Lee，J.Cho和N.Chang，“利用重力加速度提取估计用户和智能手机之间的航向角差，”IEEE传感器杂志，第16卷，第10期，第3746-37552016页。浏览：出版商网站|谷歌学者
10. Z.-A。“基于无线网络和智能手机惯性传感器的室内实时定位扩展卡尔曼滤波，”微机器，第6卷，第4期，第523-543页，2015年。浏览：出版商网站|谷歌学者
11. S. A. Hoseinitabatabaei, A. Gluhak, R. Tafazolli，和W. Headley，“用户定向的设计、实现和评估——一种广泛观察手机用户面向方向的方法”，IEEE移动计算事务，第13卷，第9期，第1981-1994页，2014年。浏览：出版商网站|谷歌学者
12. U. Steinhoff和B. Schiele，“从口袋里推算方位-一项实验研究”，在第八届IEEE普适计算与通信国际会议论文集，第60卷，第162-170页，2010年4月。浏览：谷歌学者
13. 邓志安、王国庆、胡耀华和吴德明，“使用口袋里的智能手机进行室内行人导航的标题估算，”传感器，第15卷，第9期，21518-21536页，2015年。浏览：出版商网站|谷歌学者
14. S. Saeedi和N. El-Sheimy，“利用智能手机上低成本传感器的融合进行活动识别，用于移动导航应用，”微机器，第6卷，第8期，第1100-1134页，2015年。浏览：出版商网站|谷歌学者
15. T.O.Oshin、S.Poslad和Z.Zhang，“使用智能手机的节能实时人类移动状态分类，”电气电子工程师学会计算机期刊，第64卷，第6期，第1680-1693页，2015年。浏览：谷歌学者
16. 邓志安、王国光、胡耀华和崔耀华，“智能手机室内行人导航中与位置无关的用户航向估计，”传感器，第16卷，第5期。5, 2016。浏览：谷歌学者
17. Li y, J. Georgy, X. Niu, Q. Li, N. El-Sheimy，“消费型便携式设备中MEMS陀螺的自动校准，”，IEEE传感器杂志，第15卷，第7期，第4062-4072页，2015年。浏览：出版商网站|谷歌学者
18. 钱志强、裴立良、马建民、应瑞平和刘宝平，“使用无约束智能手机的矢量图辅助行人推算航位，”传感器，第15卷，第5期。3, pp. 5032-5057, 2015。浏览：出版商网站|谷歌学者
19. M.Kourogi和T.Kurata，“一种基于加速度和角速度模式的频域分析的智能手机行人航位推算方法”，年IEEE/ION位置、位置和导航研讨会论文集（PLANS'14），第19卷，第164-168页，IEEE，2014年5月。浏览：谷歌学者
20. F. Ichikawa, J. Chipchase和R. Grignani，“电话在哪里?”一项关于公共空间中手机定位的研究第二届移动技术、应用和系统国际会议记录，页1-8,IEEE, 2005年11月。浏览：谷歌学者
21. Li F.Li，C.Zhao，G.Ding，J.Gong，C.Liu和F.Zhao，“使用手机惯性传感器的可靠和准确的室内定位方法”，年第十四届泛在计算国际会议论文集，第421-430页，ACM，2012年9月。浏览：出版商网站|谷歌学者
22. 金妍儿，千妍儿，车h，基于智能手机的协作和自主无线电指纹识别，IEEE出版社，2012年。
23. A. M. Sabatini，“基于四元数的扩展卡尔曼滤波器用于惯性和磁传感确定方向”，生物医学工程学报，第53卷，第7期，2006年。浏览：谷歌学者
24. 周志强，“四元数运动学和动力学微分方程”，IEEE机器人与自动化，第8卷，第2期1，第53-64页，1992。浏览：出版商网站|谷歌学者
25. 田子芳、方小芳、周明明和李立群，“多层环境中基于智能手机的室内集成WiFi/MEMS定位算法，”微机器，第6卷，第2期3, pp. 347-363, 2015。浏览：出版商网站|谷歌学者
26. Y.Bar Shalom、X.Li和T.Kirubarajan，估计及其在跟踪和导航中的应用约翰·威利父子公司，美国纽约州纽约市，2001年。浏览：出版商网站
27. a . Brajdic r .麻的纤维,“走指望不受约束的智能手机,检测和一步”ACM普及和普适计算国际联合会议记录（UbiComp'13），第225-234页，2013年9月。浏览：出版商网站|谷歌学者
28. He和Chan，“基于Wi-Fi指纹的室内定位：最新进展和比较，”IEEE通信调查与教程，第18卷，第1期，第466-490页，2016年。浏览：出版商网站|谷歌学者
29. 杨志强，吴志强，周志强，张X，王X和刘Y，“移动性提高定位能力：使用惯性传感器的室内无线定位调查，”倒排索引综述，第47卷，第47期。3，第54条，第1-34页，2015。浏览：出版商网站|谷歌学者
30. K. Kunze, P. Lukowicz, K. Partridge，和B. Begole，“我面对的方向:从加速度计信号推断设备的水平方向”，在可穿戴计算机国际研讨会论文集（ISWC'09），第149-150页，IEEE计算机学会，2009年9月。浏览：谷歌学者
31. N.Mohssen、R.Momtaz、H.Aly和M.Youssef，“Humaine：移动计算系统中无处不在的基于智能手机的用户标题估计，”地理信息学第21卷第2期3，页519-548,2017。浏览：出版商网站|谷歌学者
32. P. Nguyen, T. Akiyama, H. Ohashi, G. Nakahara, K. Yamasaki，和S. Hikaru，“任意智能手机方向的用户友好方向估计”，在室内定位和室内导航国际会议记录（IPIN'16），第1-7页，IEEE，2016年10月。浏览：谷歌学者

版权

版权所有©2018邓志安等人。这是一篇根据知识共享署名许可协议，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。