一种基于众包惯性传感器数据和质量评估标准的定位数据库建立方法
本文提出了一个定量框架来评估基于智能手机的惯性传感器数据的质量。传感器数据的质量，无需用户干预。通过 这个框架，每个惯性传感器数据的可靠性可以被评估和排序。可以被评估和分类。多人和多部智能手机的测试 在一个公共办公大楼和一个购物中心用多人和多部智能手机进行的测试 说明所提出的方法可以提供一个WiFi指纹数据库，其准确性与由监督地图辅助数据库生成的数据库相似。有监督的地图辅助的数据库生成方法。因此。所提出的方法和框架可以指导推广 在大数据背景下推广基于众包的物联网应用。
I. INTRODUCTION
A. Wireless Positioning Techniques
作为最广泛使用的室内定位技术。有各种类型的无线定位技术，如射频识别[4]、无线局域网（WiFi）、蓝牙低能量（BLE）和ZigBee。由于其不同的特点，这些技术已被应用于不同的领域。
由于WiFi热点和接收芯片的普及 接收器芯片，WiFi定位得到了广泛的关注。常用的WiFi定位方法包括指纹定位[5]、多径定位[6]以及它们的组合[7]。推广WiFi定位的障碍包括：对WiFi信号的可用性和几何分布的依赖性[8]；波动[9]，接收信号强度（RSS）的衰减和多径效应[10]；消费产品中WiFi芯片的低更新率，以及WiFi接收机上存在的设备多样性[11]。由于这些因素，WiFi的结果可能容易出现 "不匹配 "或 "假定位"，从而导致重大（可能是几十米）的定位误差。此外，需要经常更新和维护数据库也是限制使用WiFi定位的一个重要因素[12]。
B. Inertial Sensor-Based Dead-Reckoning
微机电系统（MEMS）传感器（例如：陀螺仪、加速度计和磁力计）显示出低成本、小尺寸、重量轻、低功耗和高可靠性的优势。陀螺仪、加速度计和磁力计）已经显示出低成本、小尺寸、重量轻、低功耗和高可靠性的优势[13]。这样的优势使得MEMS传感器在消费类电子产品中得到广泛的应用。行人测距（PDR）可以利用陀螺仪和加速度计的信息连续计算用户的位置，不需要任何外部设备，因此不容易受到环境的干扰[14], [15]。然而，PDR技术只能提供短期的高精度，而由于传感器误差的存在和在定位算法中使用积分计算，长期定位精度迅速降低[16]。同时，在没有外部约束的情况下，航向姿态角是无法观察到的[17]。通过使用磁力计，可以通过测量地磁场来确定设备的方向[18]。然而，在室内，环境磁场可能受到人工设施的干扰，不再是地磁场[19]。因此，即使磁强计测量出精确的磁北方向，也很难得出可靠的真北方向。此外，使用低成本的惯性传感器进行室内行人定位也有一个挑战，那就是设备和人体之间不同的错位角度。这个问题还没有得到很好的解决，因此在许多应用中一直限制着只用传感器的解决方案的使用。
C. Matching-Based Positioning Techniques
有各种类型的匹配技术。如使用室内地图来约束定位结果[20]，使用路标来提供定点位置更新[21]，[22]，使用照片和楼层数据库匹配[23]，使用用户活动如楼梯或转弯来提供地标[24]，磁力匹配[25]，[26]，和光匹配[27]。尽管这些匹配技术可以提高定位精度，但其性能取决于应用环境中的特征。在磁匹配的情况下，前提是室内磁场在时间上是稳定的，在空间上是变化的。考虑到磁场指纹最多只有三个维度，通常采用轮廓匹配方法进行匹配。也就是说，一段连续的定位信息被存储起来，并与数据库中的候选轮廓进行比较[19]。然而，在室内行人定位中使用轮廓匹配仍然是一个挑战。消费类电子产品中的惯性传感器可能有很大的误差，不能总是提供准确的位移测量；此外，行人的动态是灵活的，难以建模（除非设备是固定的，如安装在脚上或腰上）。因此，目前的室内磁力匹配或惯性辅助磁力匹配技术可能存在不匹配的问题。
D.Integrated Positioning Techniques 综合定位技术
由于每种室内定位技术都有其优势和局限性[28]，研究人员结合各种技术，在室内行人定位中发挥各自的优势。此类工作的例子有研究[24]、[29]-[36]和公司[37]-[42]。一些工作致力于利用惯性传感器和磁力计的优势。例如，Ladetto等人[43]利用陀螺仪提供的旋转来检测严重的磁干扰，以提高磁力计航向的可靠性；来自[44]的工作用准静态磁力计测量来校准陀螺仪。这些方法可以有效地提高室内磁强计的可靠性，但仍受制于固有的死记性问题--定位误差的积累。为了提供长期的室内行人定位精度，最常见的方法是结合WiFi和MEMS传感器。常用的组合方法包括卡尔曼滤波、粒子滤波[45]等。大多数文献通过松散耦合的集成使用来自WiFi和MEMS传感器的数据[46]，而少数文献通过紧密耦合将无线信号和惯性数据结合起来[47]。与基于WiFi和MEMS的定位相比，磁匹配起步较晚，主要集中在磁匹配本身或其与PDR的结合上[48]。PDR、WiFi和磁场匹配的整合相对较少，对此，[49]-[51]代表了最新的研究成果。前者使用卡尔曼滤波器融合来自不同传感器的数据，进行同步定位和测绘（SLAM）。对于SLAM方法，沉重的计算能力仍然是一个挑战，因此很难在消费电子中使用[52] 。
基于上述审查结果，我们可以做一个总结。WiFi/BLE定位、基于MEMS传感器的PDR和磁网匹配是最常用的消费电子产品室内定位技术。一方面，这些技术已经显示出它们有可能提供一个无处不在的定位解决方案。尽管每种技术都有其局限性（例如，无线信号的波动和障碍，死区定位解决方案的漂移，以及磁力匹配的不匹配），但自近二十年前微软的RADAR系统[53]被提出用于室内定位以来，有许多工作都是为了解决这些问题，并提高每种模拟技术的性能以及它们的整合。
在目前的室内定位技术中，如果在特定区域进行足够的数据库训练，已经可以通过WiFi、BLE或磁力匹配获得精确的定位解决方案（可能精确到一米以下）。有可能通过WiFi、BLE或磁性匹配获得精确的定位解决方案（可能精确到一米以下），如果在特定区域有足够的数据库训练工作的话。然而，即使有这么多的研究和工作，仍然很难找到一个可用于物联网应用的普遍的定位解决方案。由于这一现象，本文并不关注 如何提高定位技术的性能。相反，从作者的角度来看，有一个关键因素限制了低成本室内定位应用的扩展性，那就是数据库的可靠性。无论是无线定位技术，如WiFi 或BLE等无线定位技术，还是磁力匹配等室内匹配技术，可靠的数据库都是提供可信赖的定位解决方案的关键。特别是随着物联网应用的迅速推广，定位应用不再局限于一个房间或一栋建筑。相反，它成为一个无处不在的定位问题。
对于物联网应用来说，从众多的传感器网络和消费者设备中收集大量的 从众多传感器网络和消费者设备中收集定位信号的大数据。这样的大数据可用于各种目的，如众包数据库的定位数据（例如，来自惯性传感器、WiFi、BLE和磁力计的数据）。然而，从大数据的角度来看，主要的挑战之一是如何选择最有价值的数据，并过滤掉不可靠的数据。这项任务的挑战是缺乏对定位数据评估的参考。也就是说，很难通过调查数据本身来判断一个定位数据是否可靠。由于基于惯性传感器的航位推算是一种自主定位技术，本文重点讨论了利用惯性传感器进行定位数据库的众包。本文的目的是为以下问题提供一个答案。
1）如何提高日常生活中惯性传感器数据的质量，以增加可靠数据的比例？
2) 如何定量评估基于众包的惯性传感器数据的质量，特别是判断其是否可靠，以用于更新。
第一个问题是与定位精度有关。许多研究人员已经研究过这个问题。对于许多物联网应用，第二个问题甚至比第一个问题更重要。这一事实背后的原理是：如果不知道数据质量，将其用于工程应用是不可靠的，因为不知道它应该有多少权重。另一方面，当数据质量已知时，使用该数据或将其与其他数据融合就变得简单而可靠。此外，在大数据时代，只选择最可靠的数据集是至关重要的。为了给上述问题提供一个可行的答案，本文的贡献可以概括为 本文的贡献可以概括为以下几点。
1）本文提出了一种基于锚点（即坐标已经确定的点）的前向-后向平滑方法，适用于室内行人定位。该方法可以有效控制基于低成本传感器的死回溯方案的漂移，可以进一步用于生成基于众包的数据库。
2）本文提出了一个用于评估众包惯性传感器数据的定量质量评估框架。通过使用这个框架，可以在没有人工干预的情况下自动评估日常生活中的惯性传感器数据的质量，并选择最可信赖的数据。因此，该框架特别适用于物联网应用中的大量惯性传感器数据的过滤。
II. METHODS FOR GENERATING LOCALIZATION DATABASE
IV. QUANTITATIVE QUALITY ASSESSMENT OF CROWDSOURCING SENSOR DATA
本节提供了一个评估众包惯性传感器数据的定量框架。通过使用这个框架，可以在没有任何人工干预的情况下自动评估每个日常生活中的惯性传感器数据的质量，并选择最可信赖的数据。因此，该框架特别适用于物联网应用中的大量惯性传感器数据的过滤。
A. General Framework for Quality Assessment
提出的质量评估框架的主要思想是 框架的原理如下。
1) 我们需要找出能够影响或决定基于惯性传感器的步行轨迹质量的因素（即，关键因素）。此外，我们需要为每个关键因素计算一个分数，以量化其贡献。
2）由于所有的关键因素都可能影响定位轨迹的性能，我们需要一个框架来全面考虑它们的贡献。可观察性分析[81]方法提供了一种理论方法来分析系统中每个状态的影响。然而，它只能提供定性的指导，而不是定量的结果。因此，需要一种新的定量方法。
基于上述想法，本文提出了一个框架 如下面的方程式，来评估每条步行轨道的质量。
c1, c2, ..., cN分别是可能影响惯性传感器数据质量的N个因素的权重。T1, T2, ..., TN是分别对应于N个因素的分数。通过使用这个函数，每个行走轨迹可以被转换为一个标量。相应地，多组行走轨迹可以转换为一组数字，然后可以进行排序和过滤。获得最低分数的轨迹是吃了最可靠的轨迹。
B. Key Factors
有许多因素对日常生活中的惯性传感器数据的质量有影响。日常生活中的惯性传感器数据的质量，例如，传感器的误差，设备的运动模式，用户的行为习惯，等等。要对所有这些因素进行建模是很困难的。在本文中，我们根据对数百个数据集的分析，选择了其中三个最重要的因素，并将这些因素作为关键因素。由于对这个质量评估框架的研究还处于早期阶段，可能还有更多的关键因素在本文中没有考虑。但是，本文的观点应该有利于指导这一领域的研究。选定的关键因素包括。
1）行人运动模式；
2）惯性传感器误差；
3）两个锚点之间的定位时间段。这些因素的影响分别进行了分析。
1）行人运动模式。室内行人定位的困难之一是设备运动模式的多样性和不可控性。室内行人定位的困难之一是设备运动模式的多样性和不可控性。设备可能经历不同的手势、角速度和线速度。虽然INS的机械化取决于运动模式，但消费类设备的不同运动模式可能导致不同的定位性能。一个主要的原因是，对于许多物联网应用，传感器的数据速率（例如，低于10赫兹）通常低于传统的基于车辆的定位应用。另外，用于室内行人定位的PDR算法包含一个加速度计的调平过程，它可能会受到设备运动模式的影响。图1(a)-(d)显示了四种典型运动模式下的陀螺仪和加速度计信号，包括水平手持、呼叫、摆手和口袋。在行人的动态运动中存在着周期性模式。例如，在手持或呼叫的情况下，三轴陀螺仪信号在直线行驶时并不显著，而在转弯时在垂直方向上有一个显著的角速度。另一方面，在摆动或口袋模式中，有一个显著的角速度，可能超过200度/秒。在摆动模式中，周围的角速度出现在Z轴方向，而在口袋模式中，角速度出现在X轴方向（在实践中，口袋模式中的角速度轴与口袋中的手机姿态有关）。
传感器偏差：传感器误差是降低定位性能的主要因素之一。尽管在实验室里校准传感器是很简单的，但对于制造商来说，校准或模拟低成本MEMS传感器的误差是无法承受的。此外，由于低成本MEMS惯性传感器的误差可能随环境变化而变化，因此很难消除消费类便携式设备中的误差。根据低成本MEMS惯性传感器的特点，偏置的影响比比例系数误差和不对中误差的影响更为显著。因此，本文重点讨论了传感器的偏差问题。为了简化分析，假设用户是直接移动的，残留的加速度计偏差可能导致与时间成正比的速度误差，以及与时间平方成正比的位置误差，给定为
C. Influencing Factors of Mass Database
基于以上对错误源的分析，本节给出了一个整体评估软件包质量的一般框架。量化轨迹质量的具体公式是
其中，T是行走轨迹的总分，分值越低，对应的数据越可靠。TM、TB和TT分别是设备运动、陀螺仪偏差和定位时间的得分，CM、CB和CT是三个因素之间的相对权重。
由于关键因素的权重在不同的应用环境中可能会发生变化，因此最好根据用户的运动情况自适应地设置权重。然而，为多个测试场景设置一个稳健的自适应参数设置机制是具有挑战性的。在本文中，我们使用固定的参数值，即CM = 0.2，CB = 0.3，CT = 0.5。
这个设置很可能不是最优的，但是已经提供了有希望的结果（如测试部分所示）。实际上，使用一组不确定的相对权重是一个常见的测试案例，因为现实世界的环境是不可预测的，人们不可能总是找到最佳设置。一旦CM、CB和CT的值固定下来，该模型就可以用于自动处理，个别的分数TM、TB和TT可以从用户数据中自动计算出来。本文提供了一个计算这些参数的可行方法。方程为
