用于室内定位和跟踪的深度智能手机传感器WiFi融合

2021年12月30日整理发布：虽然室外导航服务很普遍，但没有可靠和普遍的室内定位服务。最近在arXiv.org上发布了解决此问题的最新方法。它采用了智能手机的许多不同传感器。网络传感器和观察到的地标允许估计绝对位置。然后，使用加速度计、陀螺仪和磁力计等运动和位置传感器来估计用户位移(这种方法称为行人航位推算，PDR)。

本文的一个新颖之处在于将深度学习方法应用于PDR。卷积和循环网络提取不同传感器之间隐藏的相关性，从而使它们能够应对传感器噪声。此外，气压计数据用于识别楼层变化。该系统大大超过了国际室内定位和室内导航会议挑战赛获胜者的表现。

我们解决了室内定位问题，其目标是使用加速度计、陀螺仪和磁力计等惯性传感器以及气压计和WiFi等其他环境和网络传感器，根据智能手机收集的数据预测用户的轨迹。我们的系统实现了基于深度学习的行人航位推算(deepPDR)模型，该模型提供了对用户相对位置的高速估计。使用卡尔曼滤波器，我们使用WiFi校正PDR的漂移，每次接收到WiFi扫描时都会预测用户的绝对位置。最后，我们使用无地图投影方法调整卡尔曼滤波器结果，该方法考虑了环境(走廊、门等)的物理约束，并将预测投影到可能的步行路径上。