室内移动位置感知技术是针对楼宇内部、城市峡谷等区域导航卫星信号缺失问题,研究载体位置精确估计的方法。室内移动载体精确位置感知面临诸多挑战,如多径效应、民用传感器精度低和用户使用设备习惯多样等均会影响定位系统性能。本文在深入调研室内定位技术研究发展现状基础上,针对现定位方法中磁场位置信号特征挖掘不足、Wi-Fi机会性定位精度不高、磁场跟踪定位计算开销过大等问题,研究了室内磁场信号可区分度度量与位置指纹提取、Wi-Fi与磁场融合的任意姿态高精度定位及惯性导航与磁场融合的低开销跟踪定位等关键技术。主要研究成果归纳如下。(1)磁场信号可区分度度量与位置指纹提取。室内磁场信号时间稳定性强、空间可区分度高且无需部署基础设施,是实现低成本载体高精度位置估计的重要信源。本文针对民用磁力计在采集信号中出现的位置可区分性不足问题,分析了智能终端内电磁干扰、软硬铁效应、磁力计测量轴增益差异及坐标轴对齐误差等因素影响,论证了粗粒度软硬铁校准和传感器噪声是导致磁场信号采集设备异构性和用户差异性的主要原因。在此基础上,为评估磁场指纹的位置可区分性,本文提出了一种与定位算法无关的磁场指纹位置可区分度度量方法。本文在民用智能终端上比较了多种磁场指纹位置特征提取方法的可区分度。实验表明,可区分度高的磁场位置指纹具有更强的位置可区分性,进而提高定位性能。(2)Wi-Fi与磁场融合的任意姿态高精度定位。Wi-Fi接入点在现代建筑中部署广泛,每个接入点产生的Wi-Fi信号具有唯一标示且覆盖范围小,又考虑到室内磁场的局部可区分性高,Wi-Fi与磁场的融合定位是实现载体连续高精度定位的重要手段。本文针对Wi-Fi信号波动性大、Wi-Fi与磁场信号异质性明显、传统粒子滤波算法限定终端姿态过于严格等问题,提出了一种基于卷积神经网络、使用位置指纹图像学习的定位算法。算法构造由Wi-Fi和磁场构成的混合位置图像作为神经网络输入,实现了室内位置点高准确率分类识别。针对使用小数据集训练模型易导致过拟合问题,本文提出了一种分阶段定位神经网络训练方法,提高了分支定位神经网络的学习能力。实验结果表明,该定位方法能够实现多种手机朝向、用户行为和使用模式下的高精度定位。(3)惯性导航与磁场融合的低开销跟踪定位。使用惯性导航和磁场融合定位是实现室内无缝位置估计的关键技术。本文针对传统磁场指纹匹配算法计算开销过高问题,提出了一种基于室内磁场质心特性的低开销度指纹匹配方法。本方法利用室内磁场的空间低频特性,实现了低开销粒子权重更新算法。为了进一步提高行人航迹推断系统定位性能,本文还对手机姿态估计、用户步伐检测、步长计算和运动方向估计算法进行了改进:包括基于卷积神经网的伐检测算法提高步伐识别准确率;基于贝叶斯推断的姿态估计算法自适应调整匹配指纹维度;基于遗传算法的步长估计增强算法适应性;基于方向滤波的权值更新方法加速粒子收敛。实验表明,本系统能够以较低计算开销实现80%概率1米的定位精度。综上所述,本文在室内定位领域开展了磁场信号位置可区分度与指纹提取、Wi-Fi与磁场高精度融合定位及惯性导航与磁场低开销跟踪定位方法研究,给出了一系列针对室内定位中位置特征挖掘、定位系统初始化和连续跟踪定位的算法,增加了室内定位研究中相关内容和方法,丰富了全时空载体连续位置估计理论。