26、传感器在导航定位中的应用：室内定位、地磁导航、惯性导航、停车场找车

说到导航定位，大家第一反应肯定是GPS。但一进室内，GPS信号就废了。这时候，手机里的传感器就成了救命稻草。

我最早接触这个领域，是在做一个商场导航项目。用户反馈说，进了商场地图就乱飘，定位点满屏飞。嗯，那会儿我才意识到——室内定位，跟室外完全是两码事。

为什么室内定位这么难？

说白了，GPS信号穿不过钢筋混凝土。卫星信号到了室内，要么被反射，要么被吸收，精度直接从米级掉到几十米甚至无法定位。

那怎么办？

手机里其实藏着不少好东西：加速度计、陀螺仪、磁力计、气压计。这些传感器组合起来，就能在室内搞出一套定位方案。

核心思路：用已知的参考点（比如WiFi、蓝牙信标）做初始定位，然后用惯性传感器推算后续位置变化。

室内定位的几种主流方案

我整理了一下，目前业界常用的室内定位技术大概有这几种：

技术方案 精度 优缺点
WiFi指纹定位 3-15米 部署成本低，但需要提前采集指纹
蓝牙Beacon定位 1-5米 精度高，但需要部署信标
地磁导航 2-10米 无需额外硬件，但受环境干扰大
惯性导航（PDR） 相对精度5-10% 自主性强，但误差会累积
UWB定位 10-30厘米 精度极高，但成本也高

我个人习惯，在项目里通常会把WiFi指纹和惯性导航结合起来用。一个做绝对定位，一个做相对推算，互补效果不错。

地磁导航：被低估的定位方式

你可能不知道，每栋建筑的钢筋结构都会产生独特的地磁场分布。就像指纹一样，每个位置的地磁特征都不一样。

地磁导航的原理很简单：

  1. 先采集室内各位置的地磁数据，建立指纹库
  2. 用户拿着手机走动时，实时读取磁力计数据
  3. 跟指纹库匹配，找到最相似的位置

我在项目中遇到过一个问题——手机壳里的磁吸扣会严重干扰磁力计。有个用户反馈定位总偏，排查了半天才发现是他手机壳的问题。所以用磁力计做定位，一定要提醒用户远离磁性物体。

小技巧：地磁数据采集时，建议每个点采集10秒以上，取平均值。单次采样噪声太大，容易匹配出错。

惯性导航：从零开始的推算

惯性导航，也叫PDR（Pedestrian Dead Reckoning，行人航位推算）。说白了就是：知道起点，然后靠传感器推算每一步走了多远、往哪个方向。

核心用到的传感器：

  • 加速度计：检测步数，计算步长
  • 陀螺仪：检测方向变化
  • 磁力计：辅助修正方向漂移

步数检测的代码实现，其实没那么复杂：

// 简单的计步检测逻辑
public class StepDetector {
    private static final float ACCEL_THRESHOLD = 2.0f; // 加速度阈值
    private float lastAccel = 0;
    private int stepCount = 0;
    
    public void onSensorChanged(SensorEvent event) {
        float x = event.values[0];
        float y = event.values[1];
        float z = event.values[2];
        
        // 计算合加速度
        float magnitude = (float) Math.sqrt(x*x + y*y + z*z);
        float delta = magnitude - lastAccel;
        
        // 检测波峰
        if (delta > ACCEL_THRESHOLD) {
            stepCount++;
        }
        
        lastAccel = magnitude;
    }
}

这段代码只是个基础版本。实际项目中，你还要考虑滤波、去噪、防误触等问题。我曾经在测试时发现，手机放口袋里和拿在手里，加速度波形完全不一样——嗯，这就是为什么商用方案都要做模式识别。

注意：惯性导航最大的问题是误差累积。走100米可能误差只有2米，但走1公里误差可能就到50米了。所以必须定期用其他方式（比如WiFi定位）做校准。

停车场找车：一个经典场景

停车场找车，可以说是室内定位最刚需的应用之一。你想想看，逛完商场出来，忘了车停哪了——这场景谁没经历过？

实现方案大致是这样的：

  1. 用户停车时，手机自动记录当前位置（通过蓝牙/WiFi定位）
  2. 用户离开后，手机持续记录行走轨迹（惯性导航）
  3. 用户找车时，根据记录的轨迹反向导航

这里有个坑——很多停车场楼层之间信号干扰严重。我做过一个项目，B2层和B3层的WiFi指纹几乎一模一样，导致定位经常串层。后来我们加了气压计辅助判断楼层，才解决了这个问题。

气压计判断楼层的原理很简单：每层楼的气压差大约30-40帕斯卡。通过检测气压变化，就能知道你在上楼还是下楼。

// 气压计楼层判断
public class FloorDetector {
    private static final float PRESSURE_PER_FLOOR = 35.0f; // 每层气压差
    private float basePressure = 0;
    private int currentFloor = 0;
    
    public void onPressureChanged(float pressure) {
        if (basePressure == 0) {
            basePressure = pressure;
            return;
        }
        
        float diff = basePressure - pressure;
        int floorChange = Math.round(diff / PRESSURE_PER_FLOOR);
        currentFloor = floorChange;
    }
}

实战建议：停车场找车方案中，最好把蓝牙定位、惯性导航、气压计三者融合。蓝牙做粗定位，惯性导航做精细轨迹，气压计判断楼层。三管齐下，效果才稳。

多传感器融合：真正的实战方案

单一传感器都有短板。真正能用的室内定位方案，一定是多传感器融合。

我常用的融合策略是这样的：

多传感器融合室内定位架构 加速度计 步数检测 / 步长估算 陀螺仪 航向角 / 方向变化 磁力计 地磁指纹 / 方向修正 气压计 楼层判断 数据预处理 滤波去噪 · 特征提取 · 数据对齐 · 异常检测 融合定位引擎 卡尔曼滤波 · 粒子滤波 · 加权融合 定位结果输出 坐标 · 楼层 · 轨迹 · 导航路径 WiFi 指纹 蓝牙 Beacon

这个架构图里，核心是融合定位引擎。我一般用卡尔曼滤波来做数据融合——把惯性导航的推算结果和WiFi/蓝牙的绝对定位结果结合起来，既能保证实时性，又能抑制误差累积。

经验之谈：卡尔曼滤波的参数调优是个细活。Q矩阵（过程噪声）和R矩阵（观测噪声）的比值，直接影响定位平滑度和响应速度。我一般先在仿真环境里调参，再上真机验证。

实战中的避坑指南

做了几个室内定位项目后，我总结了一些常见问题：

  • 传感器采样率不一致：加速度计和陀螺仪的采样率可能不同，需要做时间戳对齐。我习惯用线性插值把数据统一到同一频率。
  • 手机姿态变化：用户把手机从口袋里拿出来看导航，姿态突变会导致方向计算错误。解决方案是用四元数做姿态解算，比欧拉角稳定得多。
  • 地磁干扰：电梯、金属货架、电子设备都会干扰磁力计。我曾经在超市项目里，冷柜区的地磁数据完全不能用——全是金属架子的干扰。
  • 步长估算不准：不同人的步长差异很大。我建议用动态步长算法，根据加速度幅值和频率实时估算步长，而不是用固定值。

重要提醒：室内定位方案上线前，一定要做充分的实地测试。不同手机型号的传感器性能差异很大，低端机的陀螺仪漂移可能比高端机大好几倍。测试覆盖至少5种主流机型，才能保证用户体验。

室内定位这块，说实话还没有一个万能方案。每个场景都有它的特殊性——商场、停车场、医院、机场，环境不同，最优方案也不同。但掌握了传感器融合的思路，你就能根据实际场景灵活组合，做出真正可用的产品。

嗯，今天就聊到这儿。传感器在导航定位中的应用，核心就是一句话：用多种传感器的互补性，弥补单一传感器的短板。这个思路，在很多Android开发场景里都适用。

← 上一章 📖 返回目录 下一章 →