发明内容
针对现有技术中基于惯性导航的室内定位技术方案对姿态过于敏感、姿态变化严重影响定位精度的问题，本发明的目的在于提出一种室内定位方法，兼容多姿态下的室内定位，提高定位精度。
基于上述目的，本发明提供的技术方案如下：
根据本发明的一个方面，提供了一种室内定位方法。
根据本发明的实施例提供的室内定位方法包括：
识别实体并获取实体的高层语义信息，实体的高层语义信息包括实体在空间容器内的位置与范围信息；
获取使用者在运动过程中智能终端的运动信息，并根据运动信息与实体的高层语义信息计算智能终端的位置信息；
采集使用者可能使用的多种运动模式，以及每种运动模式下智能终端运动信息的模式特征；
根据智能终端的运动信息与智能终端运动信息的模式特征，获得使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息；
根据使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息与智能终端的运动信息，确定运动者在不同时刻的位置。
其中，采集使用者可能使用的多种运动模式，以及每种运动模式下智能终端运动信息的模式特征，包括：
持续观测使用者的运动模式；
控制使用者携带的智能终端持续记录运动信息；
对智能终端持续记录的运动信息进行去噪处理；
按照使用者运动模式的变化情况对智能终端持续记录的运动信息内容分段并归入对应的运动模式中；
从每种运动模式下智能终端持续记录的运动信息中提取出每种运动模式下智能终端运动信息的模式特征。
并且：
智能终端内置了多种传感器，控制使用者携带的智能终端持续记录运动信息，为控制使用者携带的智能终端内置的多种传感器持续记录运动信息；
从每种运动模式下智能终端持续记录的运动信息中提取出每种运动模式下智能终端运动信息的模式特征，为分别从每种运动模式下智能终端持续记录的运动信息中获取智能终端内置的多种传感器所采集的运动信息，从多种传感器所采集的运动信息中提取分类特征，并将多种传感器所采集运动信息的分类特征整合为智能终端运动信息的模式特征。
并且，智能终端内置的多种传感器为陀螺仪、加速度计、磁力计、压力计中的一种或多种；从多种传感器所采集的运动信息中被提取分类特征为传感器返回信号的频率、能量、均值、方差中的一种或多种。
并且：
多种运动模式可按运动模式本身的相似性被归入数个运动模式类中；
对智能终端持续记录的运动信息进行去噪处理，为对运动信息数据使用低通滤波器进行预处理，过滤掉高频信号；
按照使用者运动模式的变化情况对智能终端持续记录的运动信息内容分段并归入对应的运动模式中，为按照使用者运动模式的变化情况对智能终端持续记录的运动信息内容分段并归入对应的运动模式类中，再进一步归入运动模式类内的运动模式中；
在从每种运动模式下智能终端持续记录的运动信息中提取出每种运动模式下智能终端运动信息的模式特征的同时，还提取出每种运动模式类下智能终端运动信息的模式特征。
并且，从多种传感器所采集的运动信息中提取分类特征，为计算运动信息数据的2-范数，对2-范数使用聚类树算法使多种传感器所采集的运动信息向数个运动模式类进行聚类，并以聚类的结果作为分类特征。
同时：
获取使用者在运动过程中智能终端的运动信息，为使用惯性导航法记录用户在室内行走的轨迹作为智能终端的运动信息；
根据智能终端的运动信息与智能终端运动信息的模式特征，获得使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息的同时，还将使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息计入自适应转换器中；
根据使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息与智能终端的运动信息，确定运动者在不同时刻的位置，为使用自适应转换器检测用户运动模式的变化，在用户运动模式发生变化时使用算法匹配器将惯性导航法记录的数据按当前运动模式的模式特征对运动者进行定位。
并且，使用算法匹配器将惯性导航法记录的数据按当前运动模式的模式特征对运动者进行定位，为使用算法匹配器确定当前运动模式所在的运动模式类，按当前运动模式类的模式类特征对运动者进行定位；使用自适应转换器检测用户运动模式的变化，为设定自适应转换器的运动模式转换的分类特征阈值，使用自适应转换器根据运动模式转换的分类特征阈值与当前从多种传感器采集的运动信息中被提取分类特征相比对，并判断用户运动模式是否发生变化。
上述使用者运动模式共有10种，包括：手持手机正常行走、行走时手机在背包中、行走时手机在口袋中、手持手机夸张摆臂行走、边走边打电话、携带手机乘坐扶梯、携带手机乘坐电梯、携带手机上楼梯、携带手机下楼梯、使用者静止。
上述10种使用者运动模式被归为4个运动模式类中，包括：静止模式类、跨楼层运动模式类、相对位置变化的非跨楼层运动模式类、相对位置不变的非跨楼层运动模式类；
其中，静止模式类包括使用者静止模式；
跨楼层运动模式类包括携带手机乘坐扶梯、携带手机乘坐电梯、携带手机上楼梯、携带手机下楼梯模式；
相对位置变化的非跨楼层运动模式类包括行走时手机在口袋中、手持手机夸张摆臂行走模式；
相对位置不变的非跨楼层运动模式类包括手持手机正常行走、行走时手机在背包中、边走边打电话模式。
从上面所述可以看出，本发明提供的技术方案通过采集多种运动模式特征，并根据运动模式特征判定使用者在运动过程中的运动模式情况，以在不同运动模式下更精确地修正并输出运动者的位置信息的技术方案，使用多种运动模式对应运动者的多姿态并针对性地分别计算，消除了单姿态现有技术对姿态过于敏感的缺陷，提高了室内定位精度。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进一步进行清楚、完整、详细地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种室内定位方法。
如图1所示，根据本发明的实施例提供的一种室内定位方法包括：
步骤S101，识别实体并获取实体的高层语义信息，实体的高层语义信息包括实体在空间容器内的位置与范围信息；
步骤S103，获取使用者在运动过程中智能终端的运动信息，并根据运动信息与实体的高层语义信息计算智能终端的位置信息；
步骤S105，采集使用者可能使用的多种运动模式，以及每种运动模式下智能终端运动信息的模式特征；
步骤S107，根据智能终端的运动信息与智能终端运动信息的模式特征，获得使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息；
步骤S109，根据使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息与智能终端的运动信息，确定运动者在不同时刻的位置。
其中，采集使用者可能使用的多种运动模式，以及每种运动模式下智能终端运动信息的模式特征，包括：
持续观测使用者的运动模式；
控制使用者携带的智能终端持续记录运动信息；
对智能终端持续记录的运动信息进行去噪处理；
按照使用者运动模式的变化情况对智能终端持续记录的运动信息内容分段并归入对应的运动模式中；
从每种运动模式下智能终端持续记录的运动信息中提取出每种运动模式下智能终端运动信息的模式特征。
并且：
智能终端内置了多种传感器，控制使用者携带的智能终端持续记录运动信息，为控制使用者携带的智能终端内置的多种传感器持续记录运动信息；
从每种运动模式下智能终端持续记录的运动信息中提取出每种运动模式下智能终端运动信息的模式特征，为分别从每种运动模式下智能终端持续记录的运动信息中获取智能终端内置的多种传感器所采集的运动信息，从多种传感器所采集的运动信息中提取分类特征，并将多种传感器所采集运动信息的分类特征整合为智能终端运动信息的模式特征。
并且，智能终端内置的多种传感器为陀螺仪、加速度计、磁力计、压力计中的一种或多种；从多种传感器所采集的运动信息中被提取分类特征为传感器返回信号的频率、能量、均值、方差中的一种或多种。
并且：
多种运动模式可按运动模式本身的相似性被归入数个运动模式类中；
对智能终端持续记录的运动信息进行去噪处理，为对运动信息数据使用低通滤波器进行预处理，过滤掉高频信号；
按照使用者运动模式的变化情况对智能终端持续记录的运动信息内容分段并归入对应的运动模式中，为按照使用者运动模式的变化情况对智能终端持续记录的运动信息内容分段并归入对应的运动模式类中，再进一步归入运动模式类内的运动模式中；
在从每种运动模式下智能终端持续记录的运动信息中提取出每种运动模式下智能终端运动信息的模式特征的同时，还提取出每种运动模式类下智能终端运动信息的模式特征。
并且，从多种传感器所采集的运动信息中提取分类特征，为计算运动信息数据的2-范数，对2-范数使用聚类树算法使多种传感器所采集的运动信息向数个运动模式类进行聚类，并以聚类的结果作为分类特征。
同时：
获取使用者在运动过程中智能终端的运动信息，为使用惯性导航法记录用户在室内行走的轨迹作为智能终端的运动信息；
根据智能终端的运动信息与智能终端运动信息的模式特征，获得使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息的同时，还将使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息计入自适应转换器中；
根据使用者在运动过程中的不同时间段分别使用不同运动模式的情况信息与智能终端的运动信息，确定运动者在不同时刻的位置，为使用自适应转换器检测用户运动模式的变化，在用户运动模式发生变化时使用算法匹配器将惯性导航法记录的数据按当前运动模式的模式特征对运动者进行定位。
并且，使用算法匹配器将惯性导航法记录的数据按当前运动模式的模式特征对运动者进行定位，为使用算法匹配器确定当前运动模式所在的运动模式类，按当前运动模式类的模式类特征对运动者进行定位；使用自适应转换器检测用户运动模式的变化，为设定自适应转换器的运动模式转换的分类特征阈值，使用自适应转换器根据运动模式转换的分类特征阈值与当前从多种传感器采集的运动信息中被提取分类特征相比对，并判断用户运动模式是否发生变化。
上述使用者运动模式共有10种，包括：手持手机正常行走、行走时手机在背包中、行走时手机在口袋中、手持手机夸张摆臂行走、边走边打电话、携带手机乘坐扶梯、携带手机乘坐电梯、携带手机上楼梯、携带手机下楼梯、使用者静止。
上述10种使用者运动模式被归为4个运动模式类中，包括：静止模式类、跨楼层运动模式类、相对位置变化的非跨楼层运动模式类、相对位置不变的非跨楼层运动模式类；
其中，静止模式类包括使用者静止模式；
跨楼层运动模式类包括携带手机乘坐扶梯、携带手机乘坐电梯、携带手机上楼梯、携带手机下楼梯模式；
相对位置变化的非跨楼层运动模式类包括行走时手机在口袋中、手持手机夸张摆臂行走模式；
相对位置不变的非跨楼层运动模式类包括手持手机正常行走、行走时手机在背包中、边走边打电话模式。
我们已经知道，智能终端的位置决定了用户所在的位置，而且我们能利用惯性导航方法计算智能终端的当前位置；但智能终端的不同姿态会影响惯性导航方法的精度。智能终端的姿态取决于用户如何使用，例如，行走时用户可能是手持手机摇摆姿态，也可能是放在耳边打电话的姿态。而在不同的姿态下，使用同一种惯性导航必然会导致定位精度较低。在此，我们通过对传感器数据分析，将用户与智能终端之间的姿态进行分类，之后采用聚类树算法将用户当前的姿态下的传感器数据进行分类，得到用户当前的运动模式。采用相应运动模式下的惯性导航方法，对用户在室内环境下的定位与导航。如此方法，大大的提高了惯性导航方法定位精度，将惯性导航方法真正的应用到了室内定位中。
下面根据具体实施例进一步阐述本发明的技术方案。
我们选取智能手机作为智能终端。智能手机应内置有多种传感器，如加速度计、陀螺仪、磁力计、压力计等，这些条件都是容易满足的。智能手机上的软件部分包括人体运动模式分析模块(HMPA)、人体运动模式分类模块(HMC)、算法的匹配和自适应变换器模块(AMAC)。
在日常的生活中，人们持有手机会有不同的姿态，例如：水平手持发短信时手机的姿态、走路时摇摆手机的姿态、打电话时手机的姿态等。为了统计人们在日常生活中使用手机的姿态，我们在商场摆放视频录像机，拍摄3天的视频流，循环播放来统计人们在日常生活中使用移动终端的姿态。
用户与智能终相对位置变化时会产生不同的运动模式。我们从智能手机传感器的角度通过大量的观察，专注各种相关位置的智能手机与人体之间的所有行走的姿态：如果手机在手，我们可以直接记录手机的姿态，如摇摆，打电话，发短信；如果我们看不到用户持有的手机，我们认为手机在口袋或包里。我们确定了十种运动模式，包括手持手机正常行走、行走时手机在背包中、行走时手机在口袋中、手持手机夸张摆臂行走、边走边打电话、携带手机乘坐扶梯、携带手机乘坐电梯、携带手机上楼梯、携带手机下楼梯、使用者静止。表1总结了这十种运动模式的缩写与描述。
TABLE I.MOTION PATTERN DEFINITION
首先，根据智能终端与用户之间的相对位置关系，我们将使用者的运动模式划分静止模式类和运动模式类，运动模式类又可以分为相对位置变化的非跨楼层运动模式类(RPC)、相对位置不变的非跨楼层运动模式类(RPNC)与跨楼层运动模式类(MFM)。
静止模式类，包括打电话、发短信、原地转向以及无规则运动(抖动等)；RPC是指智能终端与用户之间的相对位置是变化的；RPNC是指智能终端与用户之间的相对位置是固定的；MFM是指爬楼梯、乘升降梯、手扶梯等的运动模式。
分类特征是分类算法的重要的度量指标。分类特征的好坏决定了分类算法的绩效。在我们的分析中，我们相对于其他工作囊括了更多的运动模式，我们提取的所有分类特征如表2所示，其中，频率、能量、均值、方差是四个主要分类特征指标。
TABLE II.CLASSIFICATION FEATURE
陀螺仪和加速度计的频率特征主要用来区分无规则运动与正常行走。人们在行走的时候，步态是呈现周期性变化的，不同的行走频率呈现出不同的运动模式。正常行走时，步态频率变化不会太大；而无规则运动状态下，频率的变化幅度十分剧烈。由此可以区分无规则运动与正常行走模式。
加速度计和陀螺仪的能量特征主要用来区分静止模式与运动模式。我们定义加速度计和陀螺仪的能量如下：
其中，N为滑动窗口，ai[n]为加速度计在i轴上的能量特征，wi[n]为陀螺仪在i轴上的能量特征。
为了提高分类算法的鲁棒性，我们还要计算传感器读数变化的均值与方差。均值是指在一组数据中所有数据之和再除以数据的个数，它是反映数据集中趋势的一项指标；样本方差是样本关于给定点x在直线上散布的数字特征之一，其中的点x称为方差中心，数值上等于构成样本的随机变量对离散中心x之方差的平方和。以加速度计为例，我们定义均值与方差如下：
下一步，我们基于分类特征对传感器数据运行分类算法，将运动模式进行分类。由于传感器质量的限制，所获得到的原始传感器数据因为有噪音数据而不能被直接用来分类。因此，我们将传感器数据进行去噪处理，并以去噪后的数据作为算法的输入数据。
一方面，由于传感器本身精度的限制，所得到的原始数据具有一定的噪音。另一方面，由于人们在使用移动终端是的抖动，增加了传感器噪音数据。此外，人们在使用智能终端的时候，传感器信号的频率低于15Hz，而高于15Hz的频率数据是由抖动等引起。因此，根据这一先验知识，我们利用滤波器将高频部分滤掉。我们使用matlab的ChebyshevI滤波器与smooth函数进行数据的预处理。之后，利用KalmanFilter进一步优化数据，减少数据噪音。
因为智能终端与用户的相对位置是动态变化的，有一些运动诸如抖动，能够利用传感器3轴的数据滤掉。我们计算传感器数据的2-范数。设置滑动窗口的大小为100个采样点，即100Hz采样频率。现行加速度计读数定义为lacc＝(laccx，laccy，laccz)。陀螺仪传感器读数定义为：w＝(wx，wy，wz)。因此加速度计与陀螺仪的2-范数为
对于分类算法，最重要的衡量指标是分类精度。针对于前人的分类算法，我们设计了聚类树(cluster-tree algorithm)——一种基于少量标签集的自动聚类完成分类目标的算法。分类树算法的流程如下：给定用户的数据集，首先，运行聚类算法。在我们的工作中，我们将运动模式划分为4种模式，即静止模式、相对位置变化、相对位置不变化以及无规则运动。经过聚类之后，我们得到每一类别的聚类中心，根据每一类中聚类中心的数据明显的不同，且不同用户相同姿态下的数据变化范围固定，基于这样的假设，自动将分好的4类数据，运用决策树算法对每一类数据进行标记。
值得注意的是，有一些模式区分度不高，例如，打电话与发短信，均属于相对位置不变的一类。但是二者本身难以区分。因此，在本文中，我们在聚类树算法中加入是否在进行打电话的动作分析，来区分打电话模式与发短信模式。
我们在本文中使用Alex Rodriguez等人设计的一种快速的聚类算法。快速聚类算法假设：聚类中心必然是局部密度最大的点，而且是距离其他聚类中心最远的点。对于任意一点i，我们计算局部密度ρi和距离δi如下：
其中，dc是一个超参数，由先验知识给出。在本算法中，我们应用Euclidean距离度量两点之间的相似度。
在本文中，我们应用惯性导航方法记录用户在室内行走的轨迹。惯性导航方法主要划分为三步：计步、行走方向估计、步长估计。我们分析加速度计的数据变化趋势，采用自适应门限法确定用户行走一步。步长估计采用如下步长估计模型测定用户步长A，即Ai＝a·f(i)+b。其中，a、b为运动者的步伐参数，可以通过采样数据的线性回归确定。运动者在运动过程中，便携式智能设备可通过获取陀螺仪测量的返回值确定运动者在行进过程中的角度变化，并将该角度变化情况与已经获得的用户远动的初始方向相叠加，获得用户的绝对运动方向。当用户未获得有向地标提供的用户初始方向时，则只能计算相对角度。在迈出一步的过程中，即t0～tn时间内的一次时间积分计算出用户第i步过程中的角度变化计算可得用户第k+1步的位置(xk+1，yk+1)，其中，
通过陀螺仪测得的每跨步角度变化的积分可以确定当前运动者的行进方向。将得到方向信息、步长结合当前运动者当前一步的位置信息(xk，yk)，可以定位运动者的下一步位置信息(xk+1，yk+1)。如此即可得到用户在室内行走的轨迹。
我们设计了自适应算法转换器用于完成不同模式算法下的自适应切换，并使用算法匹配器保证在模式切换过程中的定位精度。
对于算法匹配器，我们考虑到用户的运动模式，我们划讨论3种运动模式类：静止模式类、相对位置变化的非跨楼层运动模式类(RPC)、相对位置不变的非跨楼层运动模式类(RPNC)。
在静止模式类中，给定用户k时刻的位置(xk，yk)，用户从k时刻到k+o’时刻，位置不会发生变化，算法在k+o’时刻的位置依然是(xk，yk)，其中，o’是任意时间间隔长度。需要注意的是，在静止模式类中，用户的方向可能会放生变化，例如原地转弯、转圈等。我们使用陀螺仪数据去计算用户旋转的角度，利用加速度计和陀螺仪读数去计算无规则运动，用来去区分用户的无规则运动。
在RPNC中，智能终端与用户身体的相对位置没有发生变化，例如打电话、发短信状态等。我们利用自适应门限法去确定用户i行走的步数、行走的方向与估计行走步长来确定用户的当前位置。
在RPC中，智能终端与用户之间的相对位置是频繁变化的，诸如，摇摆状态。此模式下，计步与方向估计均受到极大的挑战。我们利用加速度计的2-范数以及自适应门限法计算用户行走的步数。利用陀螺仪加指南针去计算用户行走的方向。利用加速度计的2-范数去计算用户的行走步长。
对于自适应转换器，我们设定运动模式转换阈值，当检测到传感器数据的阈值落在某一范围内，我们认为用户的运动模式发生了变化。例如，从能量角度来看，静止时传感器的能量低(E)，而运动时传感器的能量较高(E)，通过计算传感器的能量变化，当能量超过阈值时，我们认为用户从静止状态下转换到了运动状态下。在接下来的惯性导航方法定位中，采用运动模式进行定位。
综上所述，借助于本发明的上述技术方案，通过采集多种运动模式特征，并根据运动模式特征判定使用者在运动过程中的运动模式情况，以在不同运动模式下更精确地修正并输出运动者的位置信息的技术方案，使用多种运动模式对应运动者的多姿态并针对性地分别计算，消除了单姿态现有技术对姿态过于敏感的缺陷，提高了室内定位精度。
所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。