基于惯性递推原理的行人自主定位方法综述及展望

张文超，魏东岩，袁 洪, 李欣雨

(1. 中国科学院空天信息创新研究院，北京 100094；2. 北京信息科技大学信息与通信工程学院，北京 100192)

0 引言

随着城镇化进程的加快，我国正在建设越来越多的大型建筑，伴随而来的是城市人口越来越多，未来80%的人将花费80%的时间处于室内环境[1]，室内环境下的位置服务需求将越来越大。同时，火灾救援、矿井救援、位置监控等应急救援和公共安全活动，也需要在室内环境下提供满足一定精度且连续的位置服务[2-3]，因此，高精度室内行人导航定位技术未来将会被广泛应用。

目前，室内行人导航中存在着大量的基于不同机制的定位技术，按照是否需要基础设施进行划分[4]，可分为基于基础设施(Infrastructure-based)的定位技术，如：全球导航卫星系统(Global Navigation Satellite System，GNSS)[5]、伪卫星(Pseudolites, PL)[6]、无线局域网(Wireless Local Area Network，WLAN)[7]、射频识别(Radio Frequency Identification，RFID)[8]、蓝牙(Blue-Tooth，BT)、移动蜂窝网络和超宽带(Ultra-Wide Band，UWB)[9]等；以及基于自包含(Self-contained)传感器的定位技术，主要是以微机电系统(Micro-Electro-Mechanical System，MEMS)传感器(加速度计、陀螺仪、磁强计、气压计、视觉传感器)为主的定位技术[10-13]。

其中，由于MEMS传感器技术的迅速发展，以微惯性测量单元(Micro Inertial Measurement Unit, MIMU)为主要设备的穿戴式室内定位方法在实际应用场景中具有显著优势[13-14]。MIMU 主要由三轴陀螺仪和三轴加速度计构成，也可附加其他传感器，如磁强计(测量地球磁场信息)和气压计(测量高程)等，在给定的运动初始状态条件下，通过测量载体相对于惯性空间的运动参数，经过转换处理后就可得到载体的姿态和航向等信息。MIMU传感器具有低成本、测量范围大、完全自主、不受干扰、信息量大、实时性高等特点[15]。不同于无线信号室内定位技术，基于MIMU的行人室内定位不需要提前安置大量的无线基础设施，其精度仅局限于设备测量的准确程度。

因此，基于MIMU的行人室内定位方法是本文讨论的重点。其主要有两类解决办法[16]：一类方法利用惯性传感器对步数进行计数，并估计步长，结合航向输出，推算当前位置信息，原理如图1(a)所示；另一类是将惯性传感器与身体固连(主要置于脚上、腿上等部位)，采用惯性解算的方法，对行进过程中的每一步进行惯性递推，并计算位置增量，同时利用零速修正(Zero Velocity Update，ZUPT)等方法约束惯性累积误差，从而输出可靠的位置信息，其原理如图1(b)所示。

(a)

上述两类解决办法各有优势和劣势，但从计算方法和结果上来说，纯惯性递推算法的导航机制基于牛顿运动定律，理论上计算结果更精确可靠，该方法利用三个正交方向的角速度和加速度信息可实时积分出行人的三维速度、位置和姿态；而步长+航向递推的算法模型是一种估算方法，依赖的不确定参数较多，多适用于二维平面的速度和位置计算。因此，本文重点围绕基于纯惯性递推原理的行人自主定位方法进行综述，该方法的定位系统基本结构如图2所示[17]。

图2 脚绑式MEMS传感器定位系统基本结构[17]

1 基于惯性递推原理的行人定位方法分析

基于惯性递推原理的行人定位方法的原理是利用行人运动的周期性规律，结合有效的概率约束模型，约束惯性递推过程中的漂移误差，从而实现行人运动过程中的可靠定位。基本流程如图3所示，其中包含几个关键的环节：行人周期性运动特性分析与检测、零速区间检测、MIMU惯性误差校准、惯性航位递推、误差约束策略和信息融合算法等。

图3 基于惯性递推原理的行人定位基本流程

1.1 行人运动特性分析与检测

1.1.1 行人运动特性分析

行人正常的行走过程是周期性的[18]，根据运动特性可以将其划分为若干阶段。如图4所示，以右脚为例，分为右脚跟触地阶段、脚放平的站立中间阶段、站立结束阶段、预摆动阶段(脚尖离地)、初始摆动阶段、摆动中期和摆动末期，然后重新开始周期性运动[19]。

图4 行人一次行进周期内的运动情况[19]

通过有效划分行人运动过程中的不同阶段，可以帮助分析脚步的周期运动特性，进而利用其规律约束惯性行人航迹推算(Pedestrian Dead Reckon，PDR)定位结果的发散与漂移。然而，在行人运动过程中,若想要实现各个阶段的准确划分与识别，方法复杂且可靠性差。目前，基于惯性递推原理的穿戴式PDR系统主要利用行人行进过程中的站立静止阶段(零速阶段)，该阶段行人脚的速度约为零，可以用来作为观测量，有效约束惯性推算定位结果的发散[19]；而其余阶段对于行人定位帮助作用较小，因此可将行人脚步周期性运动简化为四个阶段，如图5所示。

图5 行人步态特征示意图[19]

由图5可知，一个步态周期是指从一只脚的脚后跟离地开始，到该脚的脚后跟落地为止，可分为四个阶段：起步阶段、跨步阶段、落地阶段和静止阶段。对于静止阶段(零速阶段)的检测，目前通用的方法就是将单个MIMU设备绑在人的脚上(如图2所示)，当行人开始行走时，IMU会不断测量脚运动的加速度和角速度信息，其中当脚落地之后会出现一个短暂的零速阶段，该阶段MIMU传感器的输出基本恒定，加速度约为重力加速度，角速度约为零(忽略地球自转)。因此，可根据该数据输出特征识别行人步态[20]。

1.1.2 零速区间检测方法

根据文献[18]和文献[21]中的研究可知，目前常用的零速区间检测方法都是基于阈值比较原理。利用零速阶段MIMU输出加速度约为重力加速度，角速度约为零(忽略地球自转)，构造检测量T，然后将检测量T和经验阈值进行比较,从而确定零速区间，如式(1)所示

(1)

常用的构造零速检测量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)基于广义似然比的检测法(SHOE)

(5)

1.1.3 行人运动类型识别方法

在实际行人运动过程中，行人不仅有正常行走，通常还包括各种复杂运动[23]，如：静止状态、行走、乘电梯、上下楼梯、站立/行走在水平移动电梯上、站立/行走在自动扶梯上等。每种运动情况又可进行细分，如行走状态可分为：慢走、快走、小跑、奔跑等。不同的运动类型下可采用的定位约束方法也不尽相同，如果可以有效识别出行人运动过程中的运动类型，对于提高惯性PDR系统定位结果的准确性具有良好的辅助作用。

1.1.2节中提出的零速区间检测方法通常是针对行人在正常行走状态下的检测方法。因此，当行人同时出现多种运动切换时，前述检测方法将失效。目前常用的运动类型识别方法，主要利用三轴加速度计、三轴陀螺仪、三轴磁强计、单轴气压计等传感器的输出，构造特征量进行检测。如文献[24]所述，可构造的特征量约51个，基本方法如表1所示。

表1中，zi表示行人运动过程中不同传感器的测量值。根据特征量构造的方法整体上被分为四类：1)统计特征，利用某种度量来衡量整个观测窗口中数据的分布或中心值；2)时域特征，用于分析信号如何在观察窗口内变化；3)频域特征，用于分析信号的频率；4)幅值特征，用于分析信号强度的能量特性。综合利用上述特征量，基本可以实现典型运动类型的识别，文献[25-26]中的研究均有相关论述。同时，还有学者利用上述特征量构造机器学习和模式识别算法，并利用这些智能方法实现不同类型行人运动的识别。

表1 行人运动特征量构造方法

1.2 MIMU惯性误差分析及校准

MIMU惯性误差是影响惯性PDR定位结果的主要因素，因此需要进行有效地分析与校准。

1.2.1 IMU误差分析

IMU的误差主要来源于三部分，包括噪声、刻度系数和安装误差[27]。加速度计和陀螺仪的测量模型如式(6)所示

(6)

其中，a表示加速度计测量值；g表示陀螺仪测量值；T表示安装误差的变换矩阵；K表示刻度系数；B表示正交的参考坐标系；S表示非正交的设备坐标系；aS和wS分别表示加速度和角速度测量值；b和ν分别表示零偏和白噪声。

1.2.2 IMU误差校准

IMU误差的经典校准方法是通过转台等基准设备进行误差校准。这里主要介绍不借助基准设备的校准方法，校准流程如图6所示,该方法主要通过IMU的静止和旋转过程实现。根据校准方式的不同，可分为离线校准和在线校准。离线校准通常在正式定位前进行，通过将传感器静止一段时间进行初始化，再人为旋转若干次，以达到校准效果，初始化时间T一般在分钟量级，旋转后保持静态时间t一般为几秒左右，旋转次数大约为几十次，一般来说，静态时间越长、旋转次数越多越好，至少要大于要求解的参数个数，这样才能避免奇异性。虽然离线校准可以达到较好的精度，但大多数应用并不具备离线校准的条件，因此需要在定位过程中进行在线校准。在线校准主要是通过检测运动过程中的IMU静态时段和动态时段来实现IMU误差校准。

图6 惯性误差校准方法基本流程图

从具体的校准方法上看，加速度计的校准通常包含六面法校准和优化模型校准法等，其中优化模型校准法通常用于在线校准；陀螺仪的离线校准常采用Allan方差法。

1.2.2.1 静态检测

在加速度计和陀螺仪的校准过程中，常常需要传感器处于静止状态，因此在校准过程中需要判断传感器是否处于静止状态。判断依据如下

ζ(tw)=

(7)

其中，Vartw(at)表示加速度at在时间段tw内的方差。判断时，只需要将ζ(tw)和阈值ζ(Tinit)进行比较即可，离线校准和在线校准过程均需静态检测。

1.2.2.2 加速度计校准

加速度计的校准一般都是将加速度计静止，然后根据测量值的二范数等于当地重力加速度这一规则进行校准。一般会用1.2.2.1节中提到的静态检测算法在采样序列上挑出静态测量时段，按照下述方法实现。

1)六面法校准加速度计

建立加速度计的校准模型

(8)

其中，At表示最终的真实值;Amx、Amy、Amz表示加速度计三轴的测量值；R3×3表示旋转矩阵；Scalex、Scaley、Scalez表示加速度计三轴的刻度系数；offsetx、offsety、offsetz表示零偏。将式(8)变换后可得

(9)

这时候就可以用最小二乘法求解上面的方程了。写作β=(XTX)-1XTY，其中β为式(9)中4×3矩阵，X是坐标的测量值，Y是右边的真值。关于真值可以把加速度计按三个轴向六个位置放置(每个轴向包含正反向)，这样就对加速度计做了校准，该方法常用于加速度计的离线校准过程。

2)优化模型校准方法

优化模型校准法可用于在线校准和离线校准，基本可以校准上述IMU误差分析中加速度的所有误差。在加速度校准时，为了进一步将变换矩阵T简化，一般假设正交坐标系BF和加速度计坐标系AF的x轴重合，且BF的y轴在AF的x轴和y轴的平面上。所以可进一步写为

(10)

那么待求解参数变为

(11)

定义状态方程为

aO=h(aS,θacc)=TaKa(aS+ba)

(12)

因为在采集加速度计读数的时候取的是一个小窗口内的平均值，所以忽略了高斯白噪声，进而有了优化的代价函数

(13)

一般会有多组较为明显的、稳定的旋转量放入代价函数中求解待求解参数，然后选取残差最小的一组所对应的参数即可。

1.2.2.3 陀螺仪校准

陀螺仪的校准分为两个部分：Allan方差校准零偏和优化方式求解刻度系数及安装误差。在校准陀螺仪的时候，要使用到加速度计的校准信息，所以加速度计校准的好坏关系到整个IMU的校准效果。

(1)Allan方差校准陀螺仪零偏

在Allan方差分析中，共有5个噪声参数：量化噪声、角度随机游走、零偏不稳定性、速度随机游走和速度爬升。Allan方差的计算方法[28]如下：

1)陀螺仪静止放置时间为T，单个采样周期为τ0，共有N组采样值;

2)计算单次采样输出角度θ和平均因子m，m要尽量取得均匀

(14)

3)计算Allan方差，不同m值情况下会有不同的Allan方差值

(15)

其中，τ=mτ0；

4)一般在绘制Allan方差曲线时使用的是Allan方差的平方根，所以将式(15)中的计算结果取平方根即可。

通过Allan方差分析得到陀螺仪误差的过程，一般要采集好几个小时的数据。如果仅需要零偏参数，则在初始放置50s左右的时间就足够了。

(2)优化方式求解尺度因子及轴偏差

在校准陀螺仪的剩余参数的时候，挑选的是加速度计旋转校准过程中的动态时段。校准过的静态时段加速度计测量值的平均值可作为初始的重力向量和旋转完成后的实际重力向量。该方法可用于陀螺仪的在线校准。

在已知陀螺仪的零偏后，还需要校准的参数为

(16)

这些参数的校准方式为：陀螺仪任意转动，对积分得到的角度和加速度测量值求得的角度进行比较即可。这里把根据加速度计算得到的测量值当作参考值，所以前面对加速度的校准是非常重要的。具体校准过程如下所述。

设由加速度计测量值得到了一个初始的加速度向量ua,k-1，陀螺仪n个测量值wi，则可以得到旋转之后新的重力向量ug,k为

(17)

进一步得到代价函数

(18)

其中，ua,k为由加速度的测量值得到的实际重力向量。在式(17)中会涉及离散时间的陀螺仪积分问题，可选择使用四阶龙格库塔法。

1.3 惯性递推PDR方法分析

1.1节描述了行人运动的基本规律，以及有效检测行人运动过程中零速区间和识别行人运动类型的方法。本节重点分析惯性PDR中的惯性递推算法和零速约束算法。

1.3.1 惯性PDR算法

穿戴式惯性PDR主要通过将MIMU传感器绑定在行人脚上，跟踪脚部运动的三轴加速度和角速度信息，基于航位推算原理，利用惯性积分方法连续计算行人行走的相对距离和航向，如图1(b)所示。然后，利用初始位置和航向计算当前行人的绝对位置及方位[29]。核心计算公式如下

(19)

1.3.2 零速约束算法

1.4 运动约束方法

由于惯性误差的漂移，惯性递推定位结果会随时间发散。同时，由于MIMU 器件的精度比传统惯性器件精度低很多，定位累积误差很大，因此必须采取必要的辅助手段对定位误差进行修正。

如文献[30]所述，现有的脚绑式PDR系统的主要问题是行人行进过程中PDR系统的航向漂移。 ZUPT辅助的EKF算法对航向的约束较小，随着时间的推移，估计的轨迹会明显偏离实际轨迹。因此，许多学者针对航向约束的方法进行了深入的研究[31-32]。零角速率更新(Zero Angular Rate Update，ZARU)是一种可以估计每个零速阶段中陀螺仪偏差的方法。但是在实际的行人行走过程中的零速阶段，往往会存在系统性的运动和残余角速率[32]，所以满足ZARU的条件通常不会真正发生，除非行人长时间保持稳定站立姿势[33]。

另外，由于大多数建筑物具有规则的结构，因此有些学者建议使用建筑物中走廊的方向作为约束，这已被证明是解决基于MIMU的PDR系统航向漂移的有效方法。例如，Abdulrahim等学者[34]强调指出，大多数室内走廊沿4个主要方向(称为主导方向)相互平行或正交，并与建筑物的外围墙壁平行。他们提出了启发式漂移消除(Heuristic Drift Elimination，HDE)算法，该算法通过与最接近的主导方向匹配以校正惯性递推航向。然后，利用主导方向与步幅航向之间的航向差(航向误差)作为测量结果输入到Kalman滤波器中。该方法适用于行人沿主导方向行走。但是，如果长时间沿非主导方向行走，则PDR系统仍会出现航向漂移。Jimenez对此方法进行了改进，调整了该算法在非主导方向的判别方法，使其可以容纳行人行走非主导方向路径，这种改进的方法称为iHDE[35]。张文超等[36]指出,HDE和iHDE方法都使用相邻脚步之间的位置(步幅)方向来确定行人的行走方向是否靠近室内走廊方向(主方向)，然后使用位置方向和最近的参考走廊的方向差纠正行人惯性递推航向。然而，从根本上讲，参考走廊航向接近的是当前轨迹的位置航向，而非当前惯性递推航向。因此，他提出了利用参考走廊航向计算当前脚步处的估计位置，然后使用估计位置与惯性递推位置差约束航向偏差，并通过实验证明了该方法对系统航向的修正效果良好。

磁场也是常用的航向校准方法。但是，建筑物内部的磁场会随着空间和时间的变化而迅速变化，并且对某些金属物体或电气设备也很敏感[37-38]。Yang等[39]提出了采用地磁校正航向算法，将磁航向和惯性航向的航向差作为测量值来校正PDR系统航向。Afzal[40]提出了通过捕获行人零速区间内的磁场变化来估计航向误差，但是由于磁力计在室内环境中会更容易受到干扰，因此不能保证其计算航向角的可靠性；Skog[41]提出了行人行进过程中的定位误差是关于左右脚对称的,通过在两只脚上都安装基于IMU的PDR定位系统，然后利用两只脚间的最大距离约束PDR系统的定位结果，可以有效消除PDR系统航向误差。

另外，高程发散是多楼层定位中PDR系统面临的主要问题。常用的方法是利用气压高度计输出作为高度约束，但在一些特殊情况如消防救火、士兵作战等条件下，现场的大火或爆炸可能瞬间改变气压，从而影响气压与高度的关系。此时，可以利用上下楼梯的运动规律进行高度和楼层估计[42]。目前，文献中使用的方法主要是利用俯仰角的变化[43]或相邻脚步间的高程变化[44]来确定行人是在平面还是楼梯上行走。国防科技大学的谷阳等[42]基于建筑物室内台阶高度为定值，提出了采用基于隐马尔可夫模型(Hidden Markov Model, HMM)算法的动作识别和台阶数量统计的方法，以估算高度变化，效果良好。张文超等[36]基于建筑物内楼梯坡度通常为20°～45°，提出了使用相邻一个/多个脚步之间的坡度(高程差除以步幅长度)来确定行人的状态。如果行人在平面上行走，则保持高程和前序脚步处高程一致；如果行人在楼梯上行走，则使用楼梯的坡度(通常为20°～45°)和HDE模型约束当前脚步处的高程，效果良好。

1.5 信息融合算法

如何实现MIMU测量信息与运动约束方法(零速更新等)的有效融合，是穿戴式PDR定位过程中的重要环节。目前，穿戴式PDR中通用的信息融合算法为Kalman滤波算法和贝叶斯滤波算法等。Kalman滤波算法是目前文献研究中通用的算法模型，该算法可有效实现与MIMU惯性递推相关的约束策略的信息融合。另外，贝叶斯滤波算法常用于实现MIMU测量信息与非同源信息的融合，例如MIMU测量信息与地图信息的融合等。

1.5.1 Kalman滤波算法

在前述零速检测过程中，可以有效区分行人行进过程中的零速阶段和动态阶段。在零速期间，采用基于Kalman滤波模型的约束算法可有效约束行人运动状态的发散。按照Kalman滤波模型[45-47]，首先建立状态方程

(20)

(21)

(22)

1.5.2 贝叶斯滤波算法

在基于惯性递推原理的穿戴式室内行人定位中，贝叶斯滤波算法常常用于将惯性递推定位结果和地图或者室内楼层信息结合，利用地图(或者楼层)等确定性信息辅助约束惯性PDR递推定位结果。基于贝叶斯模型，目前文献中常采用的方法是利用室内地图的拓扑结构信息(一系列的关键节点)结合粒子滤波算法，将惯性PDR递推位置约束到拓扑节点的连接线范围内[48-49]。这些方法鲁棒性较强，可以提供较可靠的定位结果；但是在大型开放厅中，将导航路径限制到节点连接边缘通常是不切实际的，且计算过程中需要进行大量的粒子迭代计算，复杂度较高，该算法在地图辅助的PDR定位文献中均有论述。这里主要介绍了一种非回溯贝叶斯滤波算法[50]，该算法兼具粒子滤波算法的优势，同时可以有效降低概率计算的复杂度。该算法不同于通用性的地图约束算法(采用地图的拓扑节点信息结构)，而是采用栅格地图建立概率密度函数图，结合贝叶斯滤波算法实现惯性PDR轨迹的有效约束。

同式(21)类似，先建立估计模型

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

(23)

zk=h(xk)+vk

(24)

这里，下标k表示时标；xk∈Rn表示待估计的状态向量；zk∈Rn表示含噪声的测量向量；w∈Rn表示过程噪声；v∈Rm表示测量噪声；函数f和h是非线性函数。式(23)为预测模型(时间更新)，用于表示行人的运动；式(24)为独立的测量模型(测量更新)，用于校准更新。式(23)和式(24)相互配合，利用独立的观测量zk来估计状态量xk。然后采用地图的栅格图建立行人活动区域的概率密度函数p(xk|FP)，密度水平与行人在相应位置的行走可能性成正比，如图7所示。

(a)室内栅格地图 (b) 提取行人室内活动区域 (c) 概率密度灰度图伪彩色图像

根据图7中给出的行人活动区域概率密度图，可以有效约束基于惯性递推原理的室内行人行走方向。图8所示为根据图7中的概率密度图和基于惯性递推原理的行人定位结果得到室内行人似然位置的过程。图8(a)中的拱形二维高斯分布表示概率密度图和惯性递推定位结果概率叠加的过程;图8(b)中红色圆区域为根据惯性递推似然值和概率密度图得到的当前行人出现的最大概率区域，颜色最深的地方为当前时刻行人最有可能出现的位置;如图8(c)所示，白色轨迹为纯惯性PDR递推轨迹，红色区域为根据地图信息提取的行人可能活动区域，绿色轨迹为采用上述非回溯贝叶斯滤波算法得到的行人定位轨迹。可以看到,轨迹被很好地约束到了行人应该出现的区域内。

图9所示为作者参加2019年意大利比萨IPIN2019国际室内定位与导航大赛时，自测试阶段采用上述非回溯贝叶斯滤波算法处理穿戴式PDR比赛数据得到的室内行人定位轨迹，测试路线长约1.9～2km，横跨多个室内大楼，并穿越了三个楼层，且楼层之间有自动扶梯和楼梯切换。处理之后得到的轨迹75% 累积分布函数(Cumulative Distribution Function，CDF)误差在2m以内，误差/轨迹长约为1‰。因此，采用基于地图辅助的非回溯贝叶斯滤波算法得到的惯性PDR行人定位轨迹的精度和可靠性较高。

(a) (b) (c)

图9 2019年意大利比萨IPIN国际室内定位比赛数据分析结果(红线为解算后的测试轨迹)

2 基于惯性递推原理的行人定位方法存在问题及发展方向

从目前基于惯性递推原理的行人定位的发展情况来看，面临的主要问题和发展方向如下。

2.1 提高MEMS惯性器件的精度及可靠性

从MEMS惯性器件角度来看，随着目前MEMS技术的长足发展，基于MIMU传感器的行人自主定位方法已取得了很大的进展，但由于受到行人复杂运动特性及各种应用环境的影响，目前MIMU传感器的精度和可靠性并不能完全满足行人自主定位的需求，基于MIMU传感器的行人定位方法的普适性和可靠性仍需加强。

因此，从根本上大幅度提高MEMS惯性器件本身的精度和可靠性，有效降低惯性递推过程中累积误差的影响，同时结合行人运动过程中必要的运动约束信息和环境特征信息，有效提高行人自主定位的普适性和可靠性，这将是未来基于惯性递推原理的行人自主定位技术的主要发展方向。

2.2 改进MEMS器件测量误差和算法模型误差估计方法

基于MIMU传感器的行人定位方法中，误差来源主要有两类：1)低成本MEMS传感器测量误差；2)算法模型误差。低成本MIMU 器件测量误差并不稳定，尤其在行人行进过程中，受振动、脚落地后微小旋转等因素的影响，MIMU测量误差会发生变化；同时算法模型误差(通常被设定为零均值白噪声)并未真实反映实际行人运动过程中的真实误差。因此，正确估计MIMU传感器测量误差以及设定正确的算法模型误差，对于行人定位至关重要。

文献[51-52]均对MEMS传感器的器件测量误差进行了有效建模估计，主要采用的方法是测量前静止分析和利用Kalman滤波估计测量过程中MEMS传感器的测量误差；同时，文献[22]指出，由于ZUPT方法自身算法模型的限制性，特别是在行人多种运动情况下，该算法自身也会引入额外的模型误差，导致解算结果出现漂移。目前，一些学者认为应该采用更加复杂准确的方法估计行人行进过程中的系统模型误差，从而降低误差影响，提高定位结果长时间的准确性和稳定性；另外一些学者则认为不应该估计传感器误差和算法模型误差，因为这些误差会随着环境和行走状态发生变化，如果去估计这些误差可能会再次引入额外误差。

所以，在行人行进过程中，如何有效估计和约束传感器误差是目前穿戴式PDR面临的主要问题。

2.3 提高零速阶段检测自适应性和准确性

受行人复杂运动特性的影响，零速阶段往往检测不准确，导致在非静止阶段也会修正IMU惯性解算，从而引入误差，使得最终行人位置解算结果发散；目前常用的检测方法主要是1.1.2节中所述四种方法的变形与结合。这些方法的共同点在于均需要设定零速检测的判定阈值，然而随着行人运动状态(正常行走、跑步、上下楼等)的变化，这些阈值也会随之发生显著变化，如果设定的阈值过小或者过大，均会导致零速阶段的误检测。

另如文献[53-54]中，提出了一些自适应阈值零速区间检测算法。主要区别在于，这些算法可以根据行人运动特性和阈值之间的近似关系，自适应地改变检测阈值。然而在实际应用过程中，对于行人产生的各种随机运动并不明显。同时，自适应模型算法并不普遍适用于不同的人。近年来，提出了基于人工智能(Artificial Intelligence，AI)的零速检测方法来满足变动行人运动状态下零速区间的检测[55]。 这些方法采用运动分类和深度学习方法，无需调整零速检测阈值即可实现零速区间的有效检测[56]；但需要大量的训练数据，从而增加了计算成本、降低了系统的实时性。

因此，如何实现对行人运动过程中零速阶段的准确检测和判断，仍是目前穿戴式PDR面临的主要问题。

2.4 优化惯性递推PDR多源信息融合方法

目前，基于MIMU传感器的穿戴式PDR定位方法，主要采用以MIMU惯性递推为主，辅以行人运动规律中多种信息约束的方式，实现行人长时间自主定位；或者采用环境中的信息源(地磁、地图等)约束MIMU惯性解算，从而提高行人长时间定位结果的可靠性。根据目前的发展情况，从信息融合结构和信息源方面分析结果如下：

信息融合结构方面：目前主流的方法主要在IMU解算后的位置域，采用松组合结构进行ZUPT和Kalman滤波。文献[57]中介绍了经典的ZUPT辅助的行人定位算法信息融合结构，即：利用零速观测量+Kalman滤波松组合结构，在解算结果层修正IMU惯性递推位置结果；文献[58-59]提出了利用紧组合模型在IMU原始数据层进行融合，将多个IMU原始归算成一个IMU，利用信息冗余优势构成多传感器间的协同，从而提高定位结果的准确性和稳定性。

信息源方面：文献[40]通过采集行人运动过程中脚部的三轴加速度、三轴陀螺仪和三轴磁场信息，进行有效融合后实现行人行进过程中的可靠定位；文献[60]将零角速度变化模型(ZARU)应用于航向误差漂移修正；文献[61]将建筑物航向模型(HDR)和磁航向应用于航向误差漂移修正；文献[62]同时利用两个传感器，将MEMS传感器同时固定在口袋和脚尖部位，采集行人行进过程中两个部位的运动信息，通过传感器之间的协同，实现系统航向的有效约束；文献[63]同时将五个MEMS固定在同一只脚上，构成多传感器信息冗余，提高了系统定位结果的可靠性；文献[64]同时将两个IMU分别固定在两只脚上利用双脚信息构成协同，以约束系统航向。

目前穿戴式PDR定位方法中，约束信息源众多，但约束效果并不稳定。因此，如何对目前的信息融合方法进行有效的优化与整合，对于实现室内行人长时间可靠定位具有重要作用。

2.5 基于应用场景特点设计不同性价比终端和算法

基于惯性递推原理的穿戴式行人定位终端应用的场景包括：1)特殊人员的定位，如：消防员应急救援定位、单兵丛林/城市协同作战定位等，这些场景下对定位终端的性能要求较高，因此需要采用成本较高、性能较好的惯性终端；同时，由于应用环境的复杂性，所设计的算法既要保证定位精度，也应具备较高的鲁棒性。2)大众用户的定位，如：大型商场内的人员定位、老人或者盲人的监督定位等，这些场景下对定位终端的性能要求不高，应采用较低成本的惯性终端，且应用场景较单一， 应降低设计算法的复杂度，控制定位终端的整体成本，满足大众用户的普及应用。

因此，需要根据不同的应用场景，设计不同性价比的终端和算法，以满足行业用户和大众用户的需求。

3 总结

本文对基于惯性递推原理的行人自主定位方法进行了综述分析：1)重点分析了行人运动特性分析与检测、MIMU惯性误差分析和校准、惯性PDR解算方法、运动约束方法、信息融合算法；2)分析了目前该方法存在的问题及发展方向；3)总体来看，目前从器件成本和稳定性、定位算法的精度和鲁棒性、不同应用场景的适用性，都有提升的空间，单纯基于惯性递推原理的行人定位方法并不能满足各种复杂应用场景的需要；4)未来，针对不同行业用户和大众用户的特点，设计不同性价比的终端和融合约束算法将是该领域的应用趋势。