基于IMU传感器的行人定位算法分析文献综述

文献综述（或调研报告）：

文献[1]通过三轴加速度计采集的数据实施有效步数检测、不同人的步长估计以及扩展的卡尔曼滤波（EKF）利用加速度计、陀螺仪及磁力计计算的航向角来计算用户的行走方向，实现精确、稳定、持续的定位追踪。

文献[2]提出了一种基于IMU三轴加速度计、三轴陀螺仪及三轴磁力计的行人航位推算系统,并采用扩展卡尔曼滤波(EKF)方法处理传感器数据;设定了3种阈值条件进行步伐状态的检测;在行走过程中,利用基于EKF的零速度更新(ZUPT)对速度误差进行约束,零角速率更新(ZARU)对角速率误差进行约束,从而有效地提高了行人最终的位置精度。

文献[3] 提出了一种基于智能手机传感器的PDR和WiFi组合导航定位技术。作者建立了用户坐标所有可能状态的条件概率分布数据库，然后通过PDR算法和WiFi定位算法分别更新概率分布数据库，通过不断的测量和校正，最终实现用户的室内定位。

文献[4]提出基于运动意识的步数检测算法、根据不同运动状态提出一种自适应步长估计算法、在方向上用过滤算法减轻磁异常的影响，利用矢量图来辅助粒子权值的粒子滤波来纠正步长和方向的偏差，使其可以适应手机的不同放置姿态影响。

文献[5]提出BP 神经网络模型预测移动距离。传统 PDR技术通过行人步数检测、步长估计来实现行人移动距离计算，步骤繁琐，容易出现检测和计算误差。引入 BP 神经网络模型，利用大量数据对模型进行训练和测试，实现较好的预测效果，从而有效减少传统 PDR 技术计算移动距离带来的计算误差。

文献[6]基于将运动方式分为对称与非对称两大类，提出鲁棒性的 PDR算法（R-PDR），应对手机放置方式、用户的不同。通过地图匹配技术与 PDR 之间建立一个反馈机制，设计一个终身学习追踪（LL-Tracker）系统，根据匹配结果，自动的学习调整 PDR 参数。

文献[7] 提出了RFID和PDR组合的室内定位技术。RFID信号易受环境影响，造成信号减弱甚至缺失以至于无法定位；PDR算法则会产生随时间累积的误差。两种方法结合能够解决两者各自的缺陷，提高室内定位的精度，并且可以获得更多的运动状态信息。