畢京學(xué)，汪云甲，曹鴻基，齊紅霞，姚國標(biāo)，寧一鵬

（1.山東建筑大學(xué) 測繪地理信息學(xué)院，濟(jì)南 250101；2.中國礦業(yè)大學(xué) 環(huán)境與測繪學(xué)院，徐州 221116）

室內(nèi)定位與導(dǎo)航作為位置服務(wù)領(lǐng)域的研究熱點(diǎn)，受到了公司和機(jī)構(gòu)的大量關(guān)注。受室內(nèi)環(huán)境動(dòng)態(tài)多變、結(jié)構(gòu)復(fù)雜和成本等因素的影響，單一的室內(nèi)定位技術(shù)難以滿足普適、高精度、連續(xù)、無縫的定位需求，融合慣性導(dǎo)航的多源混合定位技術(shù)成為必然[1-2]，其中，基于智能手機(jī)的行人航位推算技術(shù)（Pedestrian Dead Reckoning，PDR）是一種低成本、持續(xù)性好、廣泛應(yīng)用的室內(nèi)定位手段[3]。PDR 由步態(tài)探測、步長估計(jì)和航向估計(jì)組成。步態(tài)探測通常依據(jù)傳感器信息的周期性變化識(shí)別步數(shù)，識(shí)別到一步則利用估計(jì)的步長和航向推算當(dāng)前位置，步態(tài)探測算法的準(zhǔn)確性決定了PDR的優(yōu)劣，因此，如何利用行人運(yùn)動(dòng)特征和傳感器信息精確地識(shí)別步數(shù)成為PDR 的關(guān)鍵。

計(jì)步算法主要包括自相關(guān)分析法[4-5]、有限狀態(tài)機(jī)法[6-7]、零速檢測法[8-9]、譜分析法[10-11]以及波峰檢測法[3,12]等。自相關(guān)分析法以相關(guān)性分析為基礎(chǔ)，通過計(jì)算兩個(gè)周期內(nèi)加速度序列的相關(guān)系數(shù)以及預(yù)設(shè)閾值判定有效步數(shù)，計(jì)步準(zhǔn)確率為98%以上[4]，易受干擾動(dòng)作的影響。有限狀態(tài)機(jī)法將步行過程分為多種狀態(tài)，通過設(shè)定多個(gè)閾值實(shí)現(xiàn)狀態(tài)識(shí)別與轉(zhuǎn)移實(shí)現(xiàn)計(jì)步，準(zhǔn)確率約為98.8%[7]。零速檢測法包含零速修正法和零角速度修正法以及兩種方法的組合，通過探測滑動(dòng)窗口內(nèi)速度或角速度零值區(qū)間識(shí)別計(jì)步，由于需準(zhǔn)確感知零值區(qū)間，零速檢測法多用于較高精度慣性測量單元（Inertial Measurement Units，IMU），且需要初始對(duì)準(zhǔn)。譜分析法需將加速度或角速度時(shí)域信息轉(zhuǎn)換至頻域，根據(jù)頻域特征完成計(jì)步，準(zhǔn)確率約為87%[8]和94%[9]。波峰檢測法通常利用加速度信號(hào)與閾值的關(guān)系識(shí)別步數(shù)，由于算法復(fù)雜度低，實(shí)現(xiàn)簡單，研究成果較多。文獻(xiàn)[12-13]分別通過設(shè)定不同加速度閾值實(shí)現(xiàn)多種運(yùn)動(dòng)方式下的精確計(jì)步，準(zhǔn)確率都在98%以上。文獻(xiàn)[14]利用固定時(shí)間內(nèi)加速度和角速度均值自適應(yīng)設(shè)定多個(gè)閾值，當(dāng)多個(gè)閾值條件都滿足時(shí)步數(shù)加1，準(zhǔn)確率約為98%?，F(xiàn)有計(jì)步方法對(duì)于單一步行活動(dòng)以及多運(yùn)動(dòng)方式尚不能完全準(zhǔn)確計(jì)步，無法滿足更高精度室內(nèi)定位需求，而且多數(shù)方法需設(shè)定多個(gè)閾值，勢必會(huì)降低計(jì)步方法的準(zhǔn)確性和適用性。

針對(duì)上述問題，提出了一種移動(dòng)平均法濾波處理合加速度模值，通過設(shè)定波峰和波谷識(shí)別條件以及滑動(dòng)窗口實(shí)現(xiàn)計(jì)步的波峰波谷檢測手機(jī)計(jì)步算法，在減少閾值個(gè)數(shù)的同時(shí)保證算法準(zhǔn)確性和適用性。

1 數(shù)據(jù)預(yù)處理

智能手機(jī)內(nèi)置的IMU 為消費(fèi)級(jí)產(chǎn)品，精度低、噪聲多、穩(wěn)定性差，長時(shí)間運(yùn)行會(huì)產(chǎn)生累積誤差。考慮到傳感器精度和信號(hào)穩(wěn)定性，采用50 Hz 頻率獲取三軸加速度，并用fs表示。如圖1所示為左手/右手打電話時(shí)三軸加速度和合加速度模值的變化情況，紅、綠、藍(lán)線表示三軸加速度，黑線表示合加速度模值，當(dāng)分別使用左手和右手打電話時(shí)，三軸加速度均有一定程度變化，其中，x軸加速度變化最大，而合加速度模值變化較小。因此，為了減小智能手機(jī)在相同活動(dòng)不同擺放位置或方向下輸出三軸加速度對(duì)計(jì)步算法的影響，采用合加速度模值，計(jì)算如式(1)所示，A表示合加速度模值，ax、ay和az表示三軸向加速度。

圖1 左/右手打電話時(shí)加速度變化情況Fig.1 Change in acceleration when making a left/right call

為了減小傳感器噪聲對(duì)計(jì)步算法的影響，考慮到智能手機(jī)電量和數(shù)據(jù)處理能力等方面不足，采用窗口大小為5 的移動(dòng)平均法對(duì)合加速度模值進(jìn)行濾波處理，如式(2)所示，其中，Ai和Aif分別表示濾波前后的第i個(gè)合加速度模值。計(jì)算當(dāng)前時(shí)刻的合加速度模值使用了后續(xù)兩個(gè)合加速度模值，使用移動(dòng)平均法進(jìn)行濾波處理具有0.04 s 的時(shí)間延遲。

2 波峰波谷檢測計(jì)步算法

圖2 濾波后的合加速度模值變化情況Fig.2 The change of the acceleration modulus after filtering

移動(dòng)平均法濾波后的合加速度模值變化情況如圖2所示，一步周期為邁出一步時(shí)合加速度模值從重力加速度大小開始變化至恢復(fù)到重力加速度大小的時(shí)間，也可以表示兩個(gè)相鄰波峰或波谷之間的時(shí)間，紅色虛線方框和藍(lán)色虛線橢圓分別標(biāo)識(shí)了不同周期內(nèi)出現(xiàn)的多個(gè)波峰和多個(gè)波谷。對(duì)于常用的波峰或波谷檢測計(jì)步算法而言，一步周期內(nèi)出現(xiàn)多個(gè)波峰或多個(gè)波谷會(huì)干擾步數(shù)檢測，這些干擾檢測的波峰和波谷稱為偽波峰和偽波谷。為了消除偽波峰和偽波谷對(duì)計(jì)步的影響，文獻(xiàn)[15]采用巴特沃斯濾波對(duì)濾波后的合加速度模值進(jìn)行再次濾波，雖然效果顯著，但波形變化較大，不利于后續(xù)行人航位推算。

波峰波谷檢測計(jì)步算法以濾波后合加速度模值的周期性變化為依據(jù)，基于前后兩個(gè)相鄰時(shí)刻濾波后合加速度模值識(shí)別波峰和波谷，利用識(shí)別的首個(gè)波峰和波谷以及滑動(dòng)窗口法完成后續(xù)波峰和波谷檢測，并通過最小值函數(shù)實(shí)現(xiàn)步數(shù)統(tǒng)計(jì)，其原理如圖3所示。

圖3 波峰波谷檢測計(jì)步算法流程圖Fig.3 The flow diagram of step counting algorithm with peak-valley detection

1）波峰/波谷檢測條件

如式(3)所示，當(dāng)且僅當(dāng)k時(shí)刻的濾波后合加速度模值A(chǔ)kf分別大于k-1 時(shí)刻和k+1 時(shí)刻的濾波后合加速度模值和時(shí)，判定為波峰，波峰次數(shù)N+1；當(dāng)且僅當(dāng)k時(shí)刻的濾波后合加速度模值分別小于k-1 時(shí)刻和k+1 時(shí)刻的濾波后合加速度模值和時(shí)，判定為波谷，波谷次數(shù)M+1。

2）首次波峰/波谷檢測條件

起始階段，利用式(4)統(tǒng)計(jì)濾波后合加速度模值變大次數(shù)tin以及減小次數(shù)tde，若，則tin+1；若，則tde+1。

若tin≥5，且tde＜3，同時(shí)滿足為波峰，則判定為首次波峰，波峰次數(shù)N+1，tin和tde重置為0；若tde≥5，且tin＜3，同時(shí)滿足為波谷，則判定為首次波谷，波谷次數(shù)M+1。

3）滑動(dòng)窗口

對(duì)于波峰檢測，假設(shè)識(shí)別的波峰索引為i，則后續(xù)w個(gè)濾波后合加速度模值（索引為從i+ 1至i+w）不作處理，其中，w為滑動(dòng)窗口的大小，對(duì)應(yīng)的是濾波后合加速度模值個(gè)數(shù)；同理，對(duì)于波谷檢測，假設(shè)識(shí)別的波谷索引為j，則索引為從j+ 1至j+w的濾波后合加速度模值不作處理。算法從索引為i+w+ 1和j+w+ 1的濾波后合加速度模值開始分別進(jìn)行波峰與波谷檢測，忽略從i+ 1至i+w的濾波后合加速度模值中的峰值以及從j+ 1至j+w的谷值。

4）最小值處理

識(shí)別波峰后，波峰次數(shù)N+1；識(shí)別波谷后，波谷次數(shù)M+1。只有一步周期內(nèi)波峰和波谷都識(shí)別后，才能計(jì)步，因此，取波峰次數(shù)和波谷次數(shù)的最小值作為輸出步數(shù)，如式(5)所示。

從計(jì)步開始到檢測到首次波峰，需對(duì)濾波后的合加速度模值進(jìn)行逐個(gè)遍歷；當(dāng)檢測到首次波峰后，滑動(dòng)窗口忽略首次波峰后的w個(gè)濾波合加速度模值，然后逐個(gè)遍歷后續(xù)濾波后的合加速度模值試圖找到后續(xù)非首次波峰，即判斷索引為i+Sw+ 1的濾波合加速度模值是否大于和，若非波峰，則繼續(xù)判斷是否大于前后2 個(gè)相鄰時(shí)刻的濾波合加速度模值和，直至檢測到另一個(gè)非首次波峰，然后再滑動(dòng)窗口重復(fù)上述過程。同理，波谷檢測也是如此。

提出的波峰波谷檢測計(jì)步算法僅利用前后兩個(gè)相鄰合加速度模值的大小關(guān)系識(shí)別波峰和波谷，沒有使用合加速度模值經(jīng)驗(yàn)閾值，唯一的參數(shù)為滑動(dòng)窗口大小w。w取值是否合理在一定程度上影響計(jì)步算法的準(zhǔn)確性，若w設(shè)置過大，則無法及時(shí)識(shí)別一步，且容易忽略部分步數(shù)；若w設(shè)置過小，將會(huì)增加算法的時(shí)間復(fù)雜度且識(shí)別到更多步數(shù)，過大或過小的w都將影響計(jì)步準(zhǔn)確性。

3 實(shí)驗(yàn)與分析

圖4 試驗(yàn)場及實(shí)驗(yàn)路線Fig.4 The testing ground and test route

圖4為中國礦業(yè)大學(xué)室內(nèi)定位試驗(yàn)場示意圖，實(shí)驗(yàn)路線為4 段走廊，總長約211 m，由2 名實(shí)驗(yàn)人員沿實(shí)驗(yàn)路線分別平端智能手機(jī)步行2 次完成數(shù)據(jù)采集。實(shí)驗(yàn)人員為男女各1 名，身高分別為1.77 m 和1.58 m。智能手機(jī)型號(hào)為小米6，三軸加速度的采樣頻率為50 Hz。采集過程連續(xù)，在走廊拐彎處無停留。同時(shí)，男性實(shí)驗(yàn)人員以正常步速分別按照發(fā)短信、打電話、和擺臂活動(dòng)以及智能手機(jī)在褲子口袋各采集20步數(shù)據(jù)，實(shí)驗(yàn)過程中，智能手機(jī)與動(dòng)作同步。行走的真實(shí)步數(shù)由實(shí)驗(yàn)人員統(tǒng)計(jì)得到。

3.1 濾波處理實(shí)驗(yàn)及分析

選取7 步周期共計(jì)193 個(gè)合加速度模值進(jìn)行濾波處理，結(jié)果如圖5所示，黑線表示原始合加速度模值，綠線、藍(lán)線和紅線分別表示采用移動(dòng)平均法、移動(dòng)平均法加卡爾曼濾波[15]和巴特沃斯濾波加移動(dòng)平均法[16]濾波后的合加速度模值。黑線所示的原始合加速度模值在同一步態(tài)周期內(nèi)存在多個(gè)波峰或波谷，三種濾波方法都可以消除黑線中多余的波峰或波谷。從平滑效果來看，巴特沃斯濾波加移動(dòng)平均法的平滑效果最優(yōu)，移動(dòng)平均法次之，移動(dòng)平均法加卡爾曼濾波仍含有偽波峰，效果較差。巴特沃斯濾波可通過設(shè)定通帶和阻帶頻率更好地濾除噪聲，因而具有最佳平滑效果。

圖5 濾波效果Fig.5 Filtering effect

從波形變化方面來看，采用卡爾曼濾波和巴特沃斯濾波后的合加速度模值波形都存在較大變形和偏移。卡爾曼濾波后的合加速度模值波形變化較大，波峰位置發(fā)生較大右偏移；由于起始階段數(shù)據(jù)量不足，巴特沃斯濾波后的合加速度模值波形在起始階段由0不斷增大，波形變化程度小于卡爾曼濾波，波峰位置右偏移大于卡爾曼濾波；移動(dòng)平均法的波形變化最小，波峰位置與濾波前基本一致。波峰位置右偏移表示波峰檢測存在時(shí)間延遲，雖然不影響計(jì)步精度，但是一步周期會(huì)發(fā)生變化。

如表1所示為三種濾波方法處理193 個(gè)合加速度模值消耗時(shí)間統(tǒng)計(jì)，在仿真平臺(tái)相同的情況下，移動(dòng)平均法消耗時(shí)間為2.55×10-4s，而移動(dòng)平均法加卡爾曼濾波以及巴特沃斯濾波加移動(dòng)平均法的消耗時(shí)間分別約為移動(dòng)平均法的3.1 倍和29.2 倍。仿真平臺(tái)為Matlab R2016a 64 位，處理器型號(hào)為i7-9700 k，主頻為3.6 GHz。盡管智能手機(jī)的數(shù)據(jù)處理能力有較大提升，但是相較于計(jì)算機(jī)還有較大差距，在進(jìn)行濾波處理時(shí)智能手機(jī)消耗時(shí)間可能更長。

表1 三種濾波方法的消耗時(shí)間統(tǒng)計(jì)Tab.1 Consumption time statistics of three filtering methods

綜合考慮平滑效果、波形變化、消耗時(shí)間以及智能手機(jī)數(shù)據(jù)處理能力和電量水平，進(jìn)行濾波處理時(shí)不建議采用多級(jí)濾波的方式，而是簡單且效果較好的移動(dòng)平均法濾除合加速度模值中的偽波峰和偽波谷。

3.2 步數(shù)檢測實(shí)驗(yàn)及分析

3.2.1 平端智能手機(jī)步行實(shí)驗(yàn)

如表2所示為基于2 名實(shí)驗(yàn)人員的4 次實(shí)驗(yàn)數(shù)據(jù)分別采用自相關(guān)分析法[4]、加速度差分有限狀態(tài)機(jī)法[7]（AD-FSM）、固定閾值波峰檢測法、傳統(tǒng)波峰檢測法和本文提出的算法識(shí)別步數(shù)統(tǒng)計(jì)。從表中可以看出:

1）由于傳統(tǒng)波峰檢測法將識(shí)別到的所有波峰都用于步數(shù)統(tǒng)計(jì)，而采用移動(dòng)平均法濾波處理后的合加速度模值存在很多偽波峰，識(shí)別的步數(shù)大于實(shí)際步數(shù)，計(jì)步精度不高，平均計(jì)步準(zhǔn)確率為61.85%；

2）當(dāng)閾值設(shè)為12 m/s2時(shí)，固定閾值波峰檢測法具有最高精度，平均計(jì)步準(zhǔn)確率為99.16%，當(dāng)閾值設(shè)為較大值時(shí)，識(shí)別步數(shù)小于實(shí)際步數(shù)，當(dāng)閾值設(shè)為較小值時(shí)，識(shí)別步數(shù)大于實(shí)際步數(shù)；

3）AD-FSM 法的平均計(jì)步準(zhǔn)確率為98.99%，平均錯(cuò)誤識(shí)別步數(shù)為3 步，該方法借助加速度差分和多個(gè)次數(shù)閾值實(shí)現(xiàn)計(jì)步，當(dāng)一步周期內(nèi)濾波后合加速度模值含有較多偽波峰時(shí)容易導(dǎo)致步數(shù)錯(cuò)誤估計(jì)；

4）自相關(guān)分析法的平均計(jì)步準(zhǔn)確率為98.57%，平均錯(cuò)誤識(shí)別步數(shù)為4～5 步，該方法通過相鄰2 個(gè)周期的相關(guān)性及相關(guān)系數(shù)閾值識(shí)別步數(shù)，當(dāng)?shù)? 個(gè)周期內(nèi)步速、步行方式或方向發(fā)生變化時(shí)會(huì)出現(xiàn)不滿足閾值條件的情形，導(dǎo)致步數(shù)錯(cuò)誤估計(jì)，譬如:實(shí)驗(yàn)過程中的拐彎；

5）本文所提出的算法在2 名實(shí)驗(yàn)室人員不同步速下的計(jì)步準(zhǔn)確率都為100%，相比于常用算法提高了1.01%～38.15%。

表2 多種計(jì)步算法識(shí)別步數(shù)統(tǒng)計(jì)Tab.2 Step detection statistics of several step counting algorithms

如圖6所示為采用本文提出的計(jì)步算法開展第1次和第4 次步數(shù)檢測實(shí)驗(yàn)計(jì)步準(zhǔn)確率隨著窗口大小w的變化情況，藍(lán)色星形線表示第1 次實(shí)驗(yàn)，黑色十字線表示第4 次實(shí)驗(yàn)，兩次實(shí)驗(yàn)的計(jì)步準(zhǔn)確率都隨著w的增大而由小變大然后變小，充分說明了w對(duì)計(jì)步準(zhǔn)確性的影響，w過大或過小都將產(chǎn)生步數(shù)錯(cuò)誤估計(jì)。第1 次實(shí)驗(yàn)中w取值為13～20 時(shí)計(jì)步準(zhǔn)確率為100%，而第4 次實(shí)驗(yàn)中w取值為16～21 時(shí)計(jì)步準(zhǔn)確率為100%，由此可知，當(dāng)窗口大小w取值為16～20 時(shí)可保證2 名實(shí)驗(yàn)人員100%計(jì)步準(zhǔn)確。但是，為了讓所提計(jì)步算法更具普適性，建議將窗口大小w設(shè)為16。

圖6 計(jì)步準(zhǔn)確率與窗口大小的關(guān)系Fig.6 The relationship between step counting accuracy rate and window size

圖7為利用所提出的算法識(shí)別波峰和波谷的情況，數(shù)據(jù)為第1 次實(shí)驗(yàn)濾波后的合加速度模值并用藍(lán)色實(shí)線表示，紅色星形表示波峰，黑色圓圈表示波谷，從圖中可以看出，所提出的算法可以準(zhǔn)確識(shí)別波峰和波谷位置，換言之，該算法能夠準(zhǔn)確識(shí)別步數(shù)。

圖7 識(shí)別的波峰和波谷Fig.7 The detected peaks and valleys

如表3所示為多種計(jì)步算法基于第1 次實(shí)驗(yàn)濾波后合加速度模值的消耗時(shí)間統(tǒng)計(jì)，仿真平臺(tái)和處理器與3.1 節(jié)相同。從表中可以看出，AD-FSM 法消耗時(shí)間最短，傳統(tǒng)波峰檢測法消耗時(shí)間次之，固定閾值波峰檢測法和本文所提出算法的消耗時(shí)間較短且非常接近，自相關(guān)分析法消耗時(shí)間最長，約為本文所提出算法的11.4 倍。由于自相關(guān)分析法[4]可以在手機(jī)上運(yùn)行，本文提出的波峰波谷檢測計(jì)步算法能夠在現(xiàn)有智能手機(jī)上流暢運(yùn)行。

表3 多種計(jì)步算法消耗時(shí)間Tab.3 Consumption time of several step counting algorithms

3.2.2 多種活動(dòng)步行實(shí)驗(yàn)

如圖8所示，發(fā)信息、打電話、擺動(dòng)、在褲子口袋中加速度變化趨勢各不相同，擺動(dòng)和口袋時(shí)的合加速度模值波動(dòng)頻繁且數(shù)值較大，傳統(tǒng)波峰檢測法和固定閾值波峰檢測法精度相對(duì)較低，因而，選擇AD-FSM和自相關(guān)分析法與本文所提出算法進(jìn)行比較。

圖8 多活動(dòng)下的加速度變化情況Fig.8 Acceleration modulus changes under several activities

表4為多種活動(dòng)下各計(jì)步算法識(shí)別步數(shù)統(tǒng)計(jì)。發(fā)信息和打電話時(shí)，各計(jì)步算法都有較高精度，AD-FSM、自相關(guān)分析和所提出算法的錯(cuò)誤識(shí)別步數(shù)分別為1、2 和0 步，提出算法的準(zhǔn)確率為100%，自相關(guān)分析法的準(zhǔn)確率最低，為95%；擺臂時(shí)，所提出算法錯(cuò)誤識(shí)別步數(shù)為0 步，準(zhǔn)確率為100%，AD-FSM的錯(cuò)誤識(shí)別步數(shù)高達(dá)9 步，準(zhǔn)確率僅為55%，準(zhǔn)確率遠(yuǎn)低于自相關(guān)分析和提出算法；智能手機(jī)放在褲子口袋時(shí)，AD-FSM、自相關(guān)分析和提出算法的錯(cuò)誤識(shí)別步數(shù)分別為5、2 和1 步，所提出算法的準(zhǔn)確率為95%，AD-FSM 的準(zhǔn)確率最低，為75%；在多種活動(dòng)下，AD-FSM、自相關(guān)分析和所提出算法的總體錯(cuò)誤步數(shù)分別為16、8 和1 步，對(duì)應(yīng)的準(zhǔn)確率分別為80%、90%和98.75%。總體而言，在多種活動(dòng)下，相比于AD-FSM和自相關(guān)分析法，提出算法的準(zhǔn)確率提高了8.75%～18.75%。

表4 多活動(dòng)下各計(jì)步算法識(shí)別步數(shù)Tab.4 Step detection statistics of several step counting algorithms under several activities

4 結(jié) 論

本文提出了一種適用于智能手機(jī)的波峰波谷檢測計(jì)步算法，實(shí)驗(yàn)結(jié)果表明該算法對(duì)于平端活動(dòng)下不同行人和不同步速可以實(shí)現(xiàn)100% 準(zhǔn)確計(jì)步，對(duì)于多種活動(dòng)正常步行可以實(shí)現(xiàn)98.75%準(zhǔn)確計(jì)步，具體結(jié)論如下:

1）針對(duì)智能手機(jī)采用何種濾波方法處理加速度的問題，從平滑效果、波形變化和消耗時(shí)間方面對(duì)比分析了三種濾波方法，考慮到智能手機(jī)數(shù)據(jù)處理能力和電量水平，應(yīng)當(dāng)選擇簡單且效果較好的濾波方法，如移動(dòng)平均法，而非多級(jí)濾波或高級(jí)濾波的方式。

2）針對(duì)現(xiàn)有計(jì)步算法對(duì)于不同行人、步速和活動(dòng)存在步數(shù)錯(cuò)誤估計(jì)的問題，提出了利用波峰檢測、波谷檢測和滑動(dòng)窗口法的計(jì)步算法，由2 名實(shí)驗(yàn)人員在211 米走廊內(nèi)平端智能手機(jī)開展步行實(shí)驗(yàn)的計(jì)步準(zhǔn)確率都為100%，與常用計(jì)步算法相比，精度至少提高了1.01%；對(duì)于多種活動(dòng)步行而言，所提出算法的計(jì)步準(zhǔn)確率為98.75%，與常用計(jì)步算法相比，精度至少提高了8.75%。

3）在相同仿真條件下，所提出算法的消耗時(shí)間僅為自相關(guān)分析法的8.7%，能夠在智能手機(jī)上流暢運(yùn)行。

在后續(xù)研究中，將增加測試人員、測試場景和實(shí)驗(yàn)路線，融合多源傳感器數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)算法，研究面向智能手機(jī)的多活動(dòng)高精度計(jì)步算法以及行人航位推算方法。