CN105424026B - 一种基于点云轨迹的室内导航定位方法与*** - Google Patents

Abstract

本发明公开了一种基于点云轨迹的室内导航定位方法与***，其中，该方法包括：在运动过程中捕获点云轨迹，并根据多个点云轨迹构建点云地图；获取目的地，定位当前位置，并根据点云地图规划导航路径；检测实际运动是否相对于导航路径发生偏移，是则重新规划导航路径。本发明通过使用在运动中捕获点云轨迹构建地图，不需要依靠额外的设置特定基础设施与室内地图进行定位，并且可自我部署、定位与导航精度高、对人与环境的鲁棒性强。

Description

一种基于点云轨迹的室内导航定位方法与***

技术领域

本发明涉及无线通信领域，特别地，涉及一种基于点云轨迹的室内导航定位方法与***。

背景技术

找到到达目的地的最短、最方便的行走轨迹是室内导航服务最受关注的亮点。例如，用户可能会遇到如下场景：“在会议大楼里，我如何从当前位置达到2016会议室？”或者：“在这座购物中心里，我如何从我当前的位置到达我心仪已久的店铺？”尽管如此强烈的需求，普适的精确地室内导航***的设计与实现依然是极具挑战性的技术。

现有技术中的室内导航***是基于室内定位***而设计的，大致分为两类：一类是依赖于基础设施的，例如基于信号指纹的方法、可见光通信的方法，其应用场景受到限制；另一类是基于室内地图的，例如惯性导航方法、计算机视觉方法。然而，这些***都依赖于特定的基础设施以及可利用的室内地图。

针对现有技术中室内导航***工作依赖于基础设施与室内地图的问题，目前尚未有有效的解决方案。

发明内容

针对现有技术中室内导航***工作依赖于基础设施与室内地图的问题，本发明的目的在于提出一种基于点云轨迹的室内导航定位方法与***，能够在无基础设施与室内地图的环境下提供正常的室内导航服务。

基于上述目的，本发明提供的技术方案如下：

根据本发明的一个方面，提供了一种基于点云轨迹的室内导航定位方法。

根据本发明提供的一种基于点云轨迹的室内导航定位方法包括：

在运动过程中捕获点云轨迹，并根据多个点云轨迹构建点云地图；

获取目的地，定位当前位置，并根据点云地图规划导航路径；

检测实际运动是否相对于导航路径发生偏移，是则重新规划导航路径。

其中，在运动过程中捕获点云轨迹，为在运动过程中按指定频率捕获多个图像，并从多个图像中提取点云轨迹。

其中，根据多个点云轨迹构建点云地图包括：

选取两条点云轨迹，度量两条点云轨迹之间的相似性；

根据相似性将两条点云轨迹合并；

继续选取其他点云轨迹依次进行合并，构建点云地图。

并且，度量两条点云轨迹之间的相似性包括：

在点云轨迹上定位转弯点；

根据转弯点将每条点云轨迹划分为多条点云轨迹线段；

检测两条点云轨迹中是否包括公共轨迹线段；

根据公共轨迹线段度量两条点云轨迹之间的相似性。

并且，根据相似性将两条点云轨迹合并包括：

比较公共轨迹线段在两条点云轨迹的点云轨迹线段上的长度；

当公共轨迹线段在两条点云轨迹的点云轨迹线段上的长度相等时，在两条点云轨迹线段的相同位置上指定多个点，对比两条点云轨迹的点云轨迹线段上多个被指定点的相似性，并根据相似性将两条点云轨迹合并；

当公共轨迹线段在两条点云轨迹的点云轨迹线段上的长度不等时，在较长的点云轨迹线段上按较短的点云轨迹线段的长度截取滑动窗口，并在每个滑动窗口内按照上一步骤对比每个点的相似性，并根据相似性将两条点云轨迹合并。

并且，根据相似性将两条点云轨迹合并包括：

当相似性高于上界阈值时，判定两条点云轨迹线段相似，进行轨迹合并；

当相似性低于下界阈值时，判定两条点云轨迹线段不相似，不进行轨迹合并；

当相似性处于上界阈值与下界阈值之间时，不判定两条点云轨迹线段的相似情况，增加被指定点的数量并重新对比两条点云轨迹的点云轨迹线段上多个被指定点的相似性。

同时，定位当前位置为使用三边测量法定位当前位置，包括：

选取一个点云定位当前位置；

选取另一个点云定位当前位置，并对两个当前位置使用重心法更新当前位置；

迭代进行上一步骤，直到对当前位置的修正小于误差阈值。

并且，检测实际运动是否相对于导航路径发生偏移包括：

在实际运动中按指定频率定位当前位置；

根据当前位置判断是否位于导航路径上，若否则下一步；

根据实际运动的历史路径判断是否发生无匹配，若否则判定实际运动相对于导航路径发生偏移。

另外，重新规划导航路径的同时还以提示信息告知。

根据本发明的另一个方面，还提供了一种基于点云轨迹的室内导航定位***。

根据本发明提供的一种基于点云轨迹的室内导航定位***如上所述。

从上面所述可以看出，本发明提供的技术方案通过使用在运动中捕获点云轨迹构建地图，不需要依靠额外的设置特定基础设施与室内地图进行定位，并且可自我部署、定位与导航精度高、对人与环境的鲁棒性强。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例的一种基于点云轨迹的室内导航定位方法的流程图；

图2为根据本发明实施例的一种基于点云轨迹的室内导航定位方法的结构关系图；

图3为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，不同姿态下的捕获点云及其数目；

图4为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，在办公室和商场中捕获了375个点云的质量分布情况柱状图；

图5为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，设备姿态与点云质量的相关性折线图；

图6为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，公共子轨迹线段合并情况示意图；

图7为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，点云计算时间与准确度之间的关系柱状图；

图8为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，三边测量方法与中心定位原理图；

图9为根据本发明实施例的一种基于点云轨迹的室内导航定位方法的点云无匹配偏移的折线图；

图10为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，在办公室和购物中心的场景地图与各场景的四条测试轨迹图；

图11为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，场景地图中的最大跟踪误差与平均跟踪误差统计图；

图12为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，场景地图中运动距离与跟踪误差间的相关性柱状图；

图13为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，场景地图中点检测精度与点云间的相关性柱状图；

图14为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，场景地图中有无姿态估计下的采集点云数量折线图；

图15为根据本发明实施例的一种基于点云轨迹的室内导航定位方法中，场景地图中点云数量与点云地图精度的相关性柱状图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进一步进行清楚、完整、详细地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

移动计算的繁荣发展推动了室内导航服务作为一个吸引人的、有前景的应用。传统设计的室内导航***或者是依赖于基础设施，或者是依赖于室内地图。本发明从五个方面推动了室内导航***走向普适：自我可部署、高导航精度、对环境动态变化以及人员的鲁棒性、无需基础设施以及在线启动。基于革新的点云定位方法精确的在点云地图上定位用户的位置，本发明的技术方案以在线启动的方式能够导航用户到达室内的目标点。进一步的，还能够从点云数据中提取行走轨迹，行走轨迹与点云数据结合构造点云地图。另外，为了提高***对环境动态性以及人员的鲁棒性，通过估计设备的姿态去捕获高质量的点云。在办公室和购物中心场景下，大量的实验验证了出色的的导航绩效。

根据本发明的一个实施例，提供了一种基于点云轨迹的室内导航定位方法。

如图1所示，根据本发明实施例提供的基于点云轨迹的室内导航定位方法包括：

步骤S101，在运动过程中捕获点云轨迹，并根据多个点云轨迹构建点云地图；

步骤S103，获取目的地，定位当前位置，并根据点云地图规划导航路径；

步骤S105，检测实际运动是否相对于导航路径发生偏移，是则重新规划导航路径。

其中，在运动过程中捕获点云轨迹，为在运动过程中按指定频率捕获多个图像，并从多个图像中提取点云轨迹。

其中，根据多个点云轨迹构建点云地图包括：

选取两条点云轨迹，度量两条点云轨迹之间的相似性；

根据相似性将两条点云轨迹合并；

继续选取其他点云轨迹依次进行合并，构建点云地图。

并且，度量两条点云轨迹之间的相似性包括：

在点云轨迹上定位转弯点；

根据转弯点将每条点云轨迹划分为多条点云轨迹线段；

检测两条点云轨迹中是否包括公共轨迹线段；

根据公共轨迹线段度量两条点云轨迹之间的相似性。

并且，根据相似性将两条点云轨迹合并包括：

比较公共轨迹线段在两条点云轨迹的点云轨迹线段上的长度；

当公共轨迹线段在两条点云轨迹的点云轨迹线段上的长度相等时，在两条点云轨迹线段的相同位置上指定多个点，对比两条点云轨迹的点云轨迹线段上多个被指定点的相似性，并根据相似性将两条点云轨迹合并；

当公共轨迹线段在两条点云轨迹的点云轨迹线段上的长度不等时，在较长的点云轨迹线段上按较短的点云轨迹线段的长度截取滑动窗口，并在每个滑动窗口内按照上一步骤对比每个点的相似性，并根据相似性将两条点云轨迹合并。

并且，根据相似性将两条点云轨迹合并包括：

当相似性高于上界阈值时，判定两条点云轨迹线段相似，进行轨迹合并；

当相似性低于下界阈值时，判定两条点云轨迹线段不相似，不进行轨迹合并；

当相似性处于上界阈值与下界阈值之间时，不判定两条点云轨迹线段的相似情况，增加被指定点的数量并重新对比两条点云轨迹的点云轨迹线段上多个被指定点的相似性。

同时，定位当前位置为使用三边测量法定位当前位置，包括：

选取一个点云定位当前位置；

选取另一个点云定位当前位置，并对两个当前位置使用重心法更新当前位置；

迭代进行上一步骤，直到对当前位置的修正小于误差阈值。

并且，检测实际运动是否相对于导航路径发生偏移包括：

在实际运动中按指定频率定位当前位置；

根据当前位置判断是否位于导航路径上，若否则下一步；

根据实际运动的历史路径判断是否发生无匹配，若否则判定实际运动相对于导航路径发生偏移。

另外，重新规划导航路径的同时还以提示信息告知。

下面根据具体实施例进一步阐述本发明的技术方案。

图2示出的是本发明的室内导航(被命名为pcNavi***)的结构关系。如图2所示，室内导航***主要由3部分组成：移动客户端、云服务器与导航用户。

移动用户端的传感器记录他们在室内空间的日常生活的轨迹数据。具体而言，pcNavi***使用相关的点云序列计算用户的行走轨迹。同时，该***将点云计算出的行走轨迹与点云相关联。更重要的是，移动客户端通过检测移动设备的姿态来捕获高质量的点云，并降低计算成本。所产生的点云的轨迹，上传到云服务器做进一步处理。

云服务器包括点云地图构建模块和导航模块。我们通过计算点云之间的相似度来度量轨迹之间的相似度，通过融合多条轨迹构建点云地图。一旦收到来自用户的导航请求，云服务器首先计算用户在点云地图上的位置，并使用该位置作为导航轨迹的起点。通过预定义的目的地，云端规划导航路径。当用户向目的地行走时，云端实时的接受来自移动客户端的点云数据，进行导航进程的追踪，偏移检测。当用户偏离导航轨迹时，***给出警告，并重新规划一条行走路径。

导航用户的唯一的任务就是输入目的地给***，然后在***的指引下导航至目的地。

移动用户端在运动过程中按指定频率捕获多个图像，并从多个图像中提取点云轨迹。因为点云在行走的过程中被捕获，所得到的点云的质量是不同的。例如，当设备对着地板或天花板时捕获的点云质量较差，而对着实体捕获的点云的质量较高。不同姿态下的捕获点云的特征点数目如图3所示。一般的，我们利用提取的特征点来度量点云的质量。图4示出的是在办公室和商场中捕获了375个点云的质量分布情况，商场远比办公室捕获得点云质量要高，丰富的点云所具有的特征点多余特征不明显的点云。另外，当设备像头向上向下时，捕获的是天花板与地板的点云，相对来说特征不明显。其他的角度大都捕获的是特征明显的点云(除了纯对着墙壁之外)。图5示出的设备姿态与点云质量的相关性证明了这一点。

为了捕获特征明显的点云，我们可以以高帧率进行点云捕获，在滤掉特征不明显的点云。但如此，便使得能耗增加。我们通过观察设备捕获点云的姿态与点云质量之间的关系，设计了简单有效的高质量点云捕获方法，同时没有增加能耗。

我们定义点云捕获事件为f，是一个二进制分类问题，即捕获或者是不捕获点云。我们采用logistic回归对设备姿态进行预测。这里，共有六个自变量，即行走距离(γd)、三个姿态角、光纤传感器、接近传感器，即X＝{a,p,r,sl,sp,Δ(d)}，参数集合定义为θ。logistic回归方程如下式：

f＝θ^TX

进一步的，方程采用Sigmoid函数改写为：

其成本函数为：

我们的目标是最小化成本函数。我们采用梯度下降法进行求解，得到：

其中，

此外，如果在行走的过程中，一步之内***没有捕获得到点云，将继续发出捕获点云的请求。

对于已获取的点云，我们利用已有的算法从点云序列中计算得到行走轨迹，定义为r，r＝{x,y,pc}。我们使用点云测量轨迹之间的相似性，是利用转弯点划分轨迹为轨迹线段，并在轨迹线段的基础上测量轨迹之间的相似性。关键问题在于点云相似性的度量。我们进行了大量的实验，发现如果两个点云之间的相似点大于至少在80，即可认为两个点云是相似的。

点云地图是室内位置实体的点云之间的位置关系的集合。我们利用多条点云轨迹合并出点云地图，合并的原则是最小化点云轨迹之间的相异性。为了合并两条轨迹，我们首先计算出公共子轨迹线段。图6将公共子轨迹线段与的比较划分为两种情况，其他情况可归约为这两种情况。

情况1：即图6中的Case A。最简单的方法是两条轨迹段上的点云一一计算相似性，但如此的过程是耗时的。我们设计了随机点云个数选择算法(RPM)降低计算复杂性。具体思想为随机选择一定比例的点云，进行两两比对。如果相似的点云的个数大于上届，认为两条子轨迹线段相似。如何相似的点云的个数低于下界，认为两条轨迹线段不相似。如果相似的点云的个数在上下界之间，认为两条轨迹线段不确定相不相似，还需增加点云比例进行额外的计算。在最糟糕的情况下，是所有的点云都被计算相似性。

情况2：即图6中的Case B。两个用户所走的子线段轨迹长度不相等，我们选取短的子线段轨迹为基准，采用滑动窗口的方式计算相似性，直到找到相似的轨迹线段为止。

为了确定选取点云个数的比例值，我们进行了大量的实验。我们定义了两个衡量指标：一个是准确度，另一个是时间比。图7示出的是点云计算时间与准确度之间的关系，如图7所示，以准确度以及时间比时比例值为基准，选取在[0.6,0.8]之间最优。

一旦足够数量的公共子轨迹线段检测出来，我们应用RPM算法构建点云地图。在此过程中，为了加速计算速度，我们采用VF2算法。为了转换不同轨迹的坐标系到统一坐标系下，我们采用Bursa Wolf模型。与此同时，为了改善RPM算法的绩效，我们采用ICP算法加速。

完成点云地图后，我们可以定位用户的位置作为起始点并根据导航用户的室内目的地计算导航轨迹。如果导航轨迹不唯一，pcNavi计算一条最优轨迹。pcNavi还有偏移检测功能，当用户偏移正确的导航轨迹时，***能够给出提醒，同时基于用户的当前位置规划一条新的导航路径。

本发明的实施例采用基于三边测量的方法进行用户的定位。由于室内环境的复杂性，会出现多个位置上点云很相似，我们称为pinpoint问题。为了求解此问题，最直观的解决方法是增加对点云数量的获取。我们因此设计了PCLA定位算法。对于给定的点云数据，采用如下三边测量方法即可定位用户的位置，如图8所示，其用户位置O为：

O＝T^-1B

其中，

因为捕获的点云是在相机坐标系中，我们可以利用点云的坐标直接进行用户的定位。计算公式为：

给定n个点云数据，我们的优化目标是通过PCLA算法计算的位置与实际位置偏移误差最小化。我们定义优化目标为：

s.t.ni＝rij×nj，rij∈R，i≠j，

优化步骤如图8所示：

初始的，选取一个点云定位用户的位置。

在选择未选取的点云定位用户的位置，选取重心法作为最终用户的位置。

迭代上一步骤，直到当前重心法确定的位置与之前的一步重心法确定的位置小于阈值，终止。

其中，阈值我们通过实验设定为0.1米。如此优化步骤，我们可以快速的唯一的确定用户当前所在的点云地图上的位置。

我们利用点云实现实时位置的确定来追踪用户导航的进程。对于偏移检测，我们划分为两种情况来处理：其一是点云无匹配导致的偏移，其二是用户实际偏移。

图9示出的是点云无匹配偏移的折线图。我们利用用户行走的历史轨迹，设定阈值检测点云是否误匹配。

如果点云定位出来的位置超过一定阈值(例如3步远)则认为点云误匹配造成的偏移。如此，***将再请求点云数据，进行用户的二次定位。

如果用户实际发生偏移，pcNavi能够提醒用户，并且规划一条新的路径。

同时，我们采用Dijstra′s算法计算最优路径。

下面对本发明所述的排序方法的效果进行评价。

图10示出的是我们在办公室和购物中心两个场景下分别选取的四条测试轨迹。

在办公大楼里，四名志愿者被要求沿着A、B、C、D四条线走，并且每一个轨迹被记录至少20轮。这些轨迹的长度为30米，40米，65米，90米。在我们的实验中，所有的志愿者都能在pcNavi指导下沿着最佳的轨迹顺利到达目的地。如图11(a)所示，pcNavi的最大跟踪误差为1.41米，平均跟踪误差为1.35米。该pcNavi***偏移小于2步达到较小的跟踪误差(一般为0.75m一步)，这是因为相比于二维图像，pcNavi点云环境的变化和人群更敏感。

在购物中心，四条行走的轨迹分别为M1，M2，M3，M4，长度分别为30米，60米，90米，120米，每道轨迹至少记录20轮。在我们的实验中，所有的志愿者都能成功到达目的地。如图11(b)所示，pcNavi经历的最大跟踪误差在1.20米，平均跟踪误差是1.04米。跟踪误差在购物中心比在办公楼更小是因为购物中心的点云丰富，而办公楼的点云较少。

此外，我们可以看到，跟踪误差随步行距离的增加而略有增加，因此进一步的实验测试跟踪误差和步行距离之间的关系。每名志愿者被要求在办公楼和的购物中心行走，并记录不同行走距离下的跟踪误差，，步行距离从0变为360米每轮试验，实验重复10次，其结果如图12(a)与12(b)所示。实验结果显示，pcNavi可以检测的导航偏移为2.85米，同时实际偏差为2.80米。我们发现，跟踪误差不增加的步行距离的增加。这是因为引起的跟踪漂移可以经常被定位在点云地图用户的位置标定而消除。

因此，跟踪误差检测的准确度和偏差已经可以满足室内导航***。在实践中，高精度导航也并非必要，因为用户可以很容易地用肉眼找到目的地。此外，我们深入分析影响因素和偏差检测跟踪误差。

点云地图的定位精度对跟踪和偏差检测至关重要。我们在办公室和商场大楼的关键点检测精度进行评估，一个位置上的点云的数目从1到6不等，相应点的数目从80个到100个不等，图13(a)与图13(b)为实验结果。我们发现，点检测精度随点云的数量而增长。当点云的数目增加到5时，关键点检测精度几乎达到100％。另外，定位精度层点云数为5时，作为用于点云数量增长的定位误差减小。很显然，少量点云是足够的pcNavi及时准确定位在点云地图用户的位置。这一结果也表明，推断的参数设置为PCLA是相当准确的。

捕获点云的特征点对点云匹配精度的影响是一个制约pcNavi导航精度的因素。志愿者收集了200组点云数据，分别按照有姿态估计与无姿态估计两种方式进行处理，其结果如图14所示。可以看出，有姿态估计下点云特征点数量始终高于无姿态估计。因此，态度估计确实有助于丰富的功能捕捉点云。

我们进一步评估的准确性的点云地图的导航精度的影响。四名志愿者被要求在办公楼和购物中心消耗三天来构建一个点云地图，收集了近3000组点云数据。我们衡量一个点云地图精度的影响，采用均方根误差(RMSE)。给定n个点云的二维位置坐标SPC，计算公式为

其结果如图15所示，RMSEs点云地图很小(例如，≤0.56m)的办公室和商场的情况。很明显，随着用户数量的增加，点云地图的精度也随之增大。

根据本发明的另一个实施例，提供了一种基于点云轨迹的室内导航定位***。

根据本发明实施例提供的基于点云轨迹的室内导航定位***如上所述。

综上所述，借助于本发明的上述技术方案，通过使用在运动中捕获点云轨迹构建地图，不需要依靠额外的设置特定基础设施与室内地图进行定位，从五个方面推动了室内导航***走向普适：自我可部署、高导航精度、对环境动态变化以及人员的鲁棒性、无需基础设施以及在线启动。基于革新的点云定位方法精确的在点云地图上定位用户的位置，***以在线启动的方式能够导航用户到达室内的目标点；另外，也能够从点云数据中提取行走轨迹，行走轨迹与点云数据结合构造点云地图；为了提高***对环境动态性以及人员的鲁棒性，他通过估计设备的姿态去捕获高质量的点云；在办公室和购物中心场景下，大量的实验验证了我们***出色的的导航绩效。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于点云轨迹的室内导航定位方法，其特征在于，包括：

在运动过程中捕获点云轨迹，并根据多个点云轨迹构建点云地图，其中，所述根据多个点云轨迹构建点云地图包括：选取两条点云轨迹，度量两条点云轨迹之间的相似性；根据所述相似性将两条点云轨迹合并；继续选取其他点云轨迹依次进行合并，构建点云地图；其中，所述度量两条点云轨迹之间的相似性包括：在所述点云轨迹上定位转弯点；根据所述转弯点将每条所述点云轨迹划分为多条点云轨迹线段；检测所述两条点云轨迹中是否包括公共轨迹线段；根据所述公共轨迹线段度量两条点云轨迹之间的相似性；

获取目的地，定位当前位置，并根据所述点云地图规划导航路径；

检测实际运动是否相对于导航路径发生偏移，是则重新规划导航路径。

2.根据权利要求1所述的一种基于点云轨迹的室内导航定位方法，其特征在于，所述在运动过程中捕获点云轨迹，为在运动过程中按指定频率捕获多个图像，并从所述多个图像中提取点云轨迹。

3.根据权利要求1所述的一种基于点云轨迹的室内导航定位方法，其特征在于，根据所述相似性将两条点云轨迹合并包括：

比较所述公共轨迹线段在所述两条点云轨迹的点云轨迹线段上的长度；

当所述公共轨迹线段在所述两条点云轨迹的点云轨迹线段上的长度相等时，在所述两条点云轨迹线段的相同位置上指定多个点，对比所述两条点云轨迹的点云轨迹线段上多个被指定点的相似性，并根据所述相似性将两条点云轨迹合并；

当所述公共轨迹线段在所述两条点云轨迹的点云轨迹线段上的长度不等时，在较长的点云轨迹线段上按较短的点云轨迹线段的长度截取滑动窗口，并在每个滑动窗口内按照上一步骤对比每个点的相似性，并根据所述相似性将两条点云轨迹合并。

4.根据权利要求3所述的一种基于点云轨迹的室内导航定位方法，其特征在于，根据所述相似性将两条点云轨迹合并包括：

当相似性高于上界阈值时，判定两条点云轨迹线段相似，进行轨迹合并；

当相似性低于下界阈值时，判定两条点云轨迹线段不相似，不进行轨迹合并；

当相似性处于上界阈值与下界阈值之间时，不判定两条点云轨迹线段的相似情况，增加被指定点的数量并重新对比所述两条点云轨迹的点云轨迹线段上多个被指定点的相似性。

5.根据权利要求1所述的一种基于点云轨迹的室内导航定位方法，其特征在于，所述定位当前位置为使用三边测量法定位当前位置，包括：

选取一个点云定位当前位置；

选取另一个点云定位当前位置，并对所述两个当前位置使用重心法更新当前位置；

迭代进行上一步骤，直到对当前位置的修正小于误差阈值。

6.根据权利要求5所述的一种基于点云轨迹的室内导航定位方法，其特征在于，所述检测实际运动是否相对于导航路径发生偏移包括：

在实际运动中按指定频率定位当前位置；

根据所述当前位置判断是否位于导航路径上，若否则下一步；

根据实际运动的历史路径判断是否发生无匹配，若否则判定实际运动相对于导航路径发生偏移。

7.根据权利要求1所述的一种基于点云轨迹的室内导航定位方法，其特征在于，重新规划导航路径的同时还以提示信息告知。

8.一种基于点云轨迹的室内导航定位***，其特征在于，使用了如权利要求1-7中任意一项所述的基于点云轨迹的室内导航定位方法。