基于PDR算法的室内定位应用：运用行人轨迹推算算法实现连续定位，并优化轨迹采用卡尔曼滤波及无痕...

基于PDR算法的室内定位app 使用行人轨迹推算算法进行连续定位 可以使用卡尔曼滤波，无痕卡尔曼滤波进行轨迹优化

手机在商场里突然变哑巴？GPS信号被钢筋混凝土吃掉之后，室内定位就得靠黑科技了。今天咱们来盘盘用PDR（行人航位推算）算法实现的室内定位APP，这玩意儿就像在口袋里装了个隐形的蜘蛛侠，靠运动传感器就能在楼里玩连续定位。

先看PDR的核心三板斧：步长检测、方向估计、位置推算。掏出手机加速度计的数据，先搞个基础款计步算法：

def detect_step(acc_data): smoothed = np.convolve(acc_data, np.ones(5)/5, mode='same') # 寻找波峰波谷 peaks, _ = find_peaks(smoothed, height=1.2, distance=20) return len(peaks)

这代码就像在跳跳糖包装袋里找糖粒，用滑动平均滤掉高频抖动后，检测超过阈值的波峰。但现实场景里，手机可能揣在裤兜、拿在手里甚至塞在包里，这时候就得用自适应阈值或者机器学习模型来动态调整参数。

方向估计更是个坑，手机里的陀螺仪和磁力计总爱搞事情。这时候四元数旋转矩阵就派上用场了：

SensorManager.getRotationMatrix(R, I, accelerometer, magnetometer); SensorManager.getOrientation(R, orientationValues); float azimuth = (float) Math.toDegrees(orientationValues[0]); // 当前朝向

注意那个磁力计校准的坑——金属结构会让方向突然跳变。所以老司机都会在APP里加个"举着手机画8字"的校准环节。

基于PDR算法的室内定位app 使用行人轨迹推算算法进行连续定位 可以使用卡尔曼滤波，无痕卡尔曼滤波进行轨迹优化

攒够步数和方向后，位置推算看着简单：

fun updatePosition(stepLength: Float, azimuth: Float) { val dx = stepLength * sin(Math.toRadians(azimuth)) val dy = stepLength * cos(Math.toRadians(azimuth)) currentPosition.x += dx currentPosition.y += dy }

但误差会像滚雪球一样累积，这时候就该请出卡尔曼滤波这个救兵。上代码：

class KalmanFilter: def predict(self): self.x = np.dot(self.F, self.x) # 状态转移 self.P = np.dot(self.F, np.dot(self.P, self.F.T)) + self.Q def update(self, z): y = z - np.dot(self.H, self.x) S = np.dot(self.H, np.dot(self.P, self.H.T)) + self.R K = np.dot(self.P, np.dot(self.H.T, np.linalg.inv(S))) self.x += np.dot(K, y) self.P = self.P - np.dot(K, np.dot(S, K.T))

这玩意儿就像给轨迹加了稳定器，把传感器噪声和运动模型的不确定性都给安排了。但当遇到非线性系统（比如突然转向）时，无迹卡尔曼滤波（UKF）表现更好——它用sigma点代替雅可比矩阵，处理非线性问题更丝滑。

实测中发现，融合地磁指纹或WiFi定位作为锚点，能让PDR如虎添翼。就像在迷宫里每隔几步放个路标，有效遏制误差扩散。最终定位精度能做到1-3米，足够在商场里找到最近的奶茶店了。

调试这种系统时，记得用真机采集数据反复调参——毕竟算法在实验室表现好，和实际用户把手机甩着走路，完全是两码事。下次逛商场迷路时，说不定你用的导航APP正悄悄运行着类似的算法呢。