基于智能表的神经惯性定位研究总结

一、研究背景与问题

1. 智能手表应用现状：智能手表广泛用于健康监测、运动追踪和消息提醒，相比智能手机更贴合人体，可用于人体活动识别和手臂姿态追踪，但在定位应用中存在局限。
2. 现有定位方法不足：当前室内行人定位技术（如行人航位推算PDR、测距、指纹识别、同步定位与地图构建SLAM）多为智能手机设计。虽有研究将智能手表等可穿戴设备融入组合定位系统，但仍依赖智能手机，原因如下：
   • 可穿戴设备传感器数量有限，定位性能难与智能手机媲美。
   • 基于智能手表的PDR因手臂运动变化大，性能易下降。且携带智能手机会增加用户负担，在跑步、健康监测、救援等场景不便。

二、研究目标与核心贡献

1. 研究目标：提出一种仅依赖智能手表惯性测量单元（IMU）的新型室内定位方法，解决现有定位方法依赖多设备、多传感器及误差漂移等问题。
2. 核心贡献
   • 首次提出仅基于智能手表IMU数据的神经惯性定位方法。
   • 引入基于智能手表的神经惯性里程计（WNIO），能适应不同运动模式，实现低漂移航位推算。
   • 利用开门动作缓解WNIO的漂移问题，设计多假设卡尔曼滤波器（MHKF）解决模糊匹配，提升定位可靠性。
   • 通过大量真实实验验证方法有效性，在不同运动模式和室内场景下评估性能。