智能手机PDR和VDR思考

智能手机中内置的MEMS陀螺仪、加速度计、磁强计和气压计等传感器为PDR和VDR提供了条件，但基于智能手机的PDR和VDR算法开发仍然面临着较大挑战。工作过程中对两项技术有了一点思考，特此记录下来。

1. 现存挑战

• 不同手机的传感器误差特性存在差异。即便相同型号手机，同型号的传感器之间性能也可能存在差异。手机出厂时不太容易对每款传感器做较为细致的标定补偿，毕竟是消费级芯片，成本较低厂商不太会投入较多的资源。对于陀螺仪，工作中发现高通在手机使用时开发了静态判断去除零偏的操作，当然这是在手机运行中才会触发。
• 载体–手机存在不对齐角。具体讲即为人–手机以及车–手机之间的坐标系难以对齐（转换关系难以准确得到），二者之间往往存在航向上的偏差角，此角度需要在导航前期或事中估计出来。
• 个人使用习惯因素。对于PDR，不同年龄、身高、性别的人在手持姿势和步态特征上存在差异，需要考虑的因素较多。对于VDR，手机摆放在车辆的的位置以及能否在算法工作过程中拿起都是需要考虑的问题。
• 样本数据量较大时会导致调参工作量较大。不难理解，如果要上线手机PDR/VDR，需要前期采集较大的数据样本以覆盖足够的场景，因此必然产生较大的数据量，而对于庞大的数据量，传统方法的调参压力较大。

2.趋势

注意到现在已有研究者将捷联惯导的机械编排引入PDR，以EKF融合步态、重力加速度、地磁矢量等观测信息，以期提高PDR的鲁棒性和精度。也有研究者将深度神经网络引入到手机PDR/VDR中，以解决上述的各种不确定因素和大数据量的问题。深度神经网络的利用主要用来人/汽车的前向速度，对于PDR可以直接得到行人的位置，对于汽车可以作为观测量对速度进行约束。

2.1 关于PDR

2.1.1.姿态+深度神经网络方法

可参考此文章，RoNIN: Robust Neural Inertial Navigation in the Wild: Benchmark, Evaluations, & New Methods
项目地址
该方法的输入主要为手机的加速度计数据、磁强计数据以及姿态信息，利用姿态将加速度数据和陀螺仪数据从b系转到n系，然后输入深度神经网络模型（ResNet、LSTM、TCN），然后预测出人体的前向速度，对其进行积分即可得到位置。此方法的真值采集方式也比较有意思，主要利用光学动捕系统，对于动捕不能测量的场景也设计的方法来解决。
此文章之前也可参考RIDI、OXIOD这两种方法，文中也对比了精度。
此方法仍然比较依赖手机姿态的精度，特别是航向误差，进而对于磁干扰的判定和处理算法至关重要。

2.1.2 组合方法

1）不引入外界信息

参考武大牛老师团队的文章Kuang, J., Niu, X., & Chen, X. (2018). Robust pedestrian dead reckoning based on MEMS-IMU for smartphones. Sensors, 18(5), 1391

此方法中，比较有意思的是融合了INS，ZUPT&ZARU（约束速度及航向角），步态探测下的速度观测（约束速度），地磁矢量观测（约束航向角）。
实际跑了下数据，发现还是比较依赖步态探测方法的准确性。

2）引入外界信息

此方法参考
Magnetometer bias insensitive magnetic field matching based on pedestrian dead reckoning for smartphone indoor positioning
武大牛老师团队的地磁匹配方案，不过根据论文中的描述，融合INS，ZUPT等信息源后相比单独地磁匹配提升较小，比较尴尬。。

上述两种方案貌似都是以人平端手机为默认手持姿势。

2.2 VDR

可参考武大牛老师团队的文章 基于手机内置传感器的车辆组合定位方法
团队比较无私，论文可以公开下载，点赞！

值得注意的是：

• 方案将手机与汽车之间的坐标不对齐视为安装误差角并引入状态量中进行估计
• 方案有号称0.5m/s的前向速度的预测模型，相当于有了较好的前向速度观测
• 有航向角变化量的观测，可抑制航向角的发散