4. 系統設計與實現
5. 實驗評估
此類研究利用感測器的高取樣率，雖然提供了更精確的測量，但會顯著消耗智慧型手機的電池。此外，安裝在腳背上的感測器和同時使用兩部智慧型手機都是不實用的。
目前，室內定位的工作成果還並不能廣泛應用於人們的日常生活中。此外，從這些工作中得到的經驗教訓表明，需要開發一種適用於智慧型手機執行的輕量級但精確的定位演算法；避免採用詳細的無線電地圖，以及過多的硬體安裝。這將有助於實時遠端監控系統以更低的成本實現更高的機動性、可靠性、可部署性和可移植性。
從理論上講，rssi基於平方反比定律，即無線訊號強度與到訊號源的距離的平方反比。然而，現實生活中由於多徑衰落、室內陰影、干擾等問題，大大增加了基於rssi的距離估計的複雜性。
由於卡爾曼濾波器與蒙特卡羅濾波器相比計算簡單，且前者有更好的收斂速度，所以**選擇前者來構建定位演算法。
文中考慮使用ble感測器，通過rssi資料進行位置估計。然而，iphone 5的rssi更新速率每秒一次，使得rssi結果不可靠。因此，**採用感測器融合的方法來進行位置估計。基於這種方法，設計並實現了步長檢測器、用於距離估計的卡爾曼濾波器和估計優化機制。
為了實時計算目標的位置，文中使用三角定位技術。然而，rssi測量的不準確和數量不足對距離估計的準確性產生了負面影響。此外，為了估計距離從而在三個圓之間建立交點的過程給系統帶來了進一步的雜訊。
為此，文中使用緊耦合感測器融合機制解決上述問題。
當兩個連續rssi讀數之間的差小於或等於rssi_chg_threshold時，這意味著這些rssi測量值可能比平時更準確，將下一輪卡爾曼濾波器的測量雜訊因子減半。然後，該機制使用下面公式選擇最接近通過步長檢測估計的目標位置的交點，作為該精確時刻目標的最終估計位置。
σ x,
y=(x
−xs)
2+(y
−ys)
2\sigma_=\sqrt\right)^+\left(y-y_\right)^}
σx,y=
(x−x
s)2
+(y−
ys)
2其中，(x,
y)(x, y)
(x,y
)為待選位置點，(xs
,ys)
(x_s,y_s)
(xs,y
s)為步長檢測估計出來的位置點。
首先將三個ble感測器（ti sensortags，分別表示為s0、s1和s2）放置在離地面1.1公尺高的辦公室的三個不同牆壁上。使用者手持iphone 5（感測器取樣頻率為10hz），螢幕朝上（約25度仰角），並在水泥牆辦公室（9公尺*6公尺）內行走長達65秒，進行了24次試驗。如圖為第22次試驗中基於步長檢測和緊耦合感測器融合機制的1分鐘跟蹤路徑，以及使用者的真實運動(行走序列：1-2-3-4-3-2-3-4-3)。
如下圖所示，步長檢測和緊密耦合感測器融合機制的效能在精度上有一定的相似性，在某些情況下，兩者互有優劣。基於前者的總體平均估計誤差為0.47公尺(標準差為0.154公尺)，基於後者的總體平均估計誤差為0.56公尺(標準差為0.165公尺)。然而，當演算法的引數改變時，後者有著更好的健壯性。
此外，若使用者以過快的速度或異常的舉動（例如大步地或一瘸一拐地）進行運動，可能會嚴重錯誤地估計步數，則估計結果可能會非常不可靠。由於實驗是基於正常的受試者/使用者，未來可以計畫使用更廣泛的受試者進行進一步的測試和評估，例如患有震顫問題的帕金森氏病患者，以及更多的行走方式。
內容靠得住，關注不迷路。筆記 高精度
總結 關於高精度的計算 大體是乙個套路 模擬小學所學的計算過程 豎式計算 然後注意 1.進製 2.排除前導零 2的乘方 include include include include include using namespace std int a 3010 b 3010 ans 10000 in...
高精度基本加法 筆記
實現 但是這沒有考慮進製！qaq if a i b i 10 ans i a i b i 這是對第i位的處理 就是列舉到最高位 asl 但是這樣會多出來1，就減掉 include include include include include include include include incl...
高精度四則運算模板
1.讀取方式 利用 c string 讀取 2.儲存方式 利用c vector 儲存 示例 string a,b vector int a,b cin a b 對每個字元型數字減去 0 for int i a.size 1 i 0 i a.push back a i 0 數字逆序儲存 低位先存 高位...