CN107517499A - 移动终端的定位方法及其装置 - Google Patents

Abstract

本发明涉及定位领域，公开了一种移动终端的定位方法及其装置。本发明中，该移动终端的定位方法包括以下步骤：获取移动终端所在位置的无线信号的扫描指纹；根据扫描指纹匹配指纹数据库，得到匹配评分最高的N个锚点；根据N个锚点生成粒子群；根据惯性导航信息对粒子群进行粒子滤波，得到备选粒子群；确定移动终端当前的运动模型，并根据该运动模型的特征对备选粒子群进行粒子评分；根据粒子评分的结果得到移动终端的定位解。可以减少定位位置漂移跳动的概率，使得定位轨迹连续，定位位置准确。

Description

移动终端的定位方法及其装置

技术领域

本发明涉及定位领域，特别涉及一种移动终端的定位技术。

背景技术

用户在马路街边、停车场、机场等卫星信号较弱或者缺失的室内外活动中，需要知道自己所在的精确位置，还想知道当前位置到目的位置的轨迹规划。

现有的技术方案中会简单的根据WIFI或者蓝牙指纹信息来定位，严重依赖指纹数据库里的采集信号，及不同硬件设备传感器(如手机)的好坏，而且算法简单，抗干扰能力差，所以会存在定位位置不准确，定位点漂移或者跳动，定位轨迹不连续等问题，影响用户感知。

发明内容

本发明的目的在于提供一种移动终端的定位方法及其装置，可以减少定位位置漂移跳动的概率，使得定位轨迹连续，定位位置准确。

为解决上述技术问题，本发明的实施方式公开了一种移动终端的定位方法，包括以下步骤：

获取移动终端所在位置的无线信号的扫描指纹；

根据扫描指纹匹配指纹数据库，得到匹配评分最高的N个锚点；

根据N个锚点生成粒子群；

根据惯性导航信息对粒子群进行粒子滤波，得到备选粒子群；

确定移动终端当前的运动模型，并根据该运动模型的特征对备选粒子群进行粒子评分；

根据粒子评分的结果得到移动终端的定位解。

本发明的实施方式还公开了一种移动终端的定位装置，包括：

指纹扫描模块，用于获取移动终端所在位置的无线信号的扫描指纹；

指纹匹配模块，用于根据指纹扫描模块获取的扫描指纹匹配指纹数据库，得到匹配评分最高的N个锚点；

粒子群生成模块，用于根据指纹匹配模块得到的N个锚点生成粒子群；

惯性导航信息模块，用于获取移动终端的惯性导航信息；

粒子滤波模块，用于根据惯性导航信息模块获取的惯性导航信息对粒子群生成模块生成的粒子群进行粒子滤波，得到备选粒子群；

粒子评分模块，用于确定移动终端当前的运动模型，并根据该运动模型的特征对粒子滤波模块得到的备选粒子群进行粒子评分；

定位模块，用于根据粒子评分模块评分的结果得到移动终端的定位解。

本发明实施方式与现有技术相比，主要区别及其效果在于：

通过扫描指纹、指纹匹配和粒子滤波等步骤得到备选粒子群，然后根据运动模型对备选粒子群进行粒子评分得到最终的定位点，可以减少定位位置漂移跳动的概率，使得定位轨迹连续，定位位置准确。

进一步地，通过获得卫星地基增强***的纠正信息，来提高在室外、室内外交汇处等用到卫星定位为变量因子的位置精准度，可以使用户在卫星信号缺失的情况下让定位信息更加准确。

进一步地，利用移动终端(如手机)的传感器(如磁力计和线性加速度传感器)预测用户行为，并且同步更新粒子状态，最终得到当前移动终端的位置。

进一步地，通过众包的方式建立机器学习库的机制，提取关键特征点进行行为预测，可以消除不同用户运动行为、不同硬件传感器对定位结果的不良影响，使得定位结果更加的准确和连续。

进一步地，要找到匹配评分最高的N个锚点，直接计算的方法计算量太大，使用KNN算法后可以大大减小计算量。

进一步地，通过KNN算法生成锚点限制定位位置区域，接收差分辅助信息进行优化调整，利用加速度计、磁力计等惯性导航信息预测更新的信息，并通过众包机器学习库来学习行为模型，负反馈模型参数信息，这些方法的融合既可以改进定位位置的准确性，也可以带来定位连续性的体验，同时改善了定位位置漂移和跳动的影响，从大规模粒子的生成到最后的粒子滤波输出，降低了噪声对信号波动的影响。

附图说明

图1是本发明第一实施方式中一种移动终端的定位方法的流程示意图；

图2是本发明第一实施方式中一种移动终端的定位方法的整体框架图；

图3是本发明第一实施方式中不同手机定位精度图；

图4是显示用户移动1m定位点移动距离的曲线图；

图5是本发明第二实施方式中一种移动终端的定位装置的结构示意图；

图6是本发明第二实施方式中一种粒子滤波模块的框图；

图7是本发明第二实施方式中一种众包机器学习库模块的基本组成框图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明第一实施方式涉及一种移动终端的定位方法。图1是该移动终端的定位方法的流程示意图。图2是该移动终端的定位方法的整体框架图。

具体地说，如图1所示，该移动终端的定位方法包括以下步骤：

在步骤101中，获取移动终端所在位置的无线信号的扫描指纹。

需要说明的是，在本发明的各实施方式中，无线信号的扫描指纹指各无线信号的标识(ID)和强度(RSSI)的组合，例如，移动终端在当前位置共测得5个WIFI无线信号，每个WIFI信号的ID和RSSI就构成了当前位置的扫描指纹。每一个粒子就是移动终端的一个可能位置。指纹项是指位置信息和所处位置信息处的指纹。

此后进入步骤102，根据扫描指纹匹配指纹数据库，得到匹配评分最高的N个锚点。

指纹数据库是指包含所有指纹项的位置场景集合。

匹配评分的方法如下述公式(1)所示：

p是用户扫描的第p个扫描指纹；m是指纹数据库里第m个指纹项；

N是指纹数据库第m个指纹项和用户扫描的第p个扫描指纹的公共指纹数目交集。

在本实施方式中，优选地，

在步骤102中，扫描指纹与指纹数据库进行匹配，通过接收信号强度(RSSI)进行打分，分数归一化后，利用KNN算法得到评分最高的N个锚点。

KNN(K-Nearest Neighbours)算法是一个分类算法，以K个最相邻的样本的类别来确定待定样本的类别，现有技术中多用于搜索，在本发明的各本实施方式中主要是用KNN算法搜索到特征空间中最近的K个样本点。

要找到匹配评分最高的N个锚点，直接计算的方法计算量太大，使用KNN算法后可以大大减小计算量。

当然，这只是本发明的一种优选的实施方式，在其他的实施方式中，也可以采用其他的匹配算法，并不以此为限。

此后进入步骤103，根据N个锚点生成粒子群。

此后进入步骤104，根据惯性导航信息(也简称为：惯导信息)对粒子群进行粒子滤波，得到备选粒子群。

在本实施方式中，优选地，

在步骤104中，根据差分辅助信息和惯性导航信息对粒子群进行粒子滤波，得到备选粒子群。

需要说明的是，在本发明的各实施方式中，差分辅助信息来源于卫星地基增强***的纠正信息，用于提高位置精准度。

通过获得卫星地基增强***的纠正信息，来提高在室外、室内外交汇处等用到卫星定位为变量因子的位置精准度，可以使用户在卫星信号缺失的情况下让定位信息更加准确。

对于该锚点产生的粒子，如果定位位置距离该锚点在阈值内，则不修正；如果定位位置距离该锚点在阈值之外，根据卫星差分辅助信息进行修正。举例来说，在室内室外的交界处，可以同时得到差分修改后的GPS定位，和指纹匹配后的锚点，此时，可以根据GPS定位的可信度，综合决定粒子的分布。例如，如果对于与GPS定位相近的锚点，其附近可以多生成一些粒子，或者，如果GPS定位在各锚点的一侧，则可以将在各锚点附近随机生成的粒子向GPS定位的一侧移动一些，或者，在GPS定位的位置附近生成一些粒子。或者，根据GPS定位和指纹信息综合确定N个锚点，例如，如果GPS定位的可信度高于预定门限，可以选择GPS定位附近的锚点作为N个锚点中的一部分。

基于初始的N个锚点，利用粒子滤波算法、卫星差分辅助信息的修正量，及外部硬件的惯性导航信息，产生带有位置信息的粒子，根据匹配程度，调整权值，不同锚点产生不同数目的粒子，最终生成备选的粒子群，备选的粒子群利用惯性导航信息进行实时更新。

备选粒子群的生成方法如公式(2)和(3)所示：

N_i＝W_i×N (3)

上式中，W_i为权重值；N_i为第i个锚点生成的粒子数。

惯性导航信息是指来自移动终端的传感器(如磁力计和线性加速度器)的信息，整合这些信息，在粒子滤波时进行信息更新。

P(x,y,z,n+1)＝P(x,y,z.n)×U(M,w,a,n) (4)

P(x,y,z.n)是指单个粒子在n时刻三维x,y,z的位置；U(M,w,a,n)是指单个粒子在n时刻的惯性导航信息，两者通过矢量运算，预测得到n+1时刻的位置信息。其中，M指磁力计，w指角速度，a指加速度。

此后进入步骤105，确定移动终端当前的运动模型，并根据该运动模型的特征对备选粒子群进行粒子评分。

在步骤105中，可以根据最近预定时间段内的惯性导航信息确定移动终端当前的运动模型，根据移动终端的惯性导航信息，预测移动终端在不同行为模式(慢步、快走、上下楼梯、跑步、转弯等)下的位置信息，确定移动终端当前的运动模型。

利用移动终端(如手机)的传感器(如磁力计和线性加速度传感器)预测用户行为，并且同步更新粒子状态，最终得到当前移动终端的位置。

在本实施方式中，优选地，在步骤105中，也可以根据众包机器学习方式确定移动终端当前的运动模型。

需要说明的是，在本发明的各实施方式中，众包形式的机器学习库，是指通过大量移动终端的行为数据，进行机器学习，并提取特征量，优化惯导算法。

通过众包的方式建立机器学习库的机制，提取关键特征点进行行为预测，可以消除不同用户运动行为、不同硬件传感器对定位结果的不良影响，使得定位结果更加的准确和连续。

根据众包机器学习方式确定移动终端当前的运动模型，根据移动终端的惯性导航信息输入和移动终端的定位解的反馈信息，自学习训练，提取关键特征点预测移动终端在不同行为模式(慢步、快走、上下楼梯、跑步、转弯等)下的位置信息，确定移动终端当前的运动模型。

在步骤105中，将模型中的特征量抽取并转化后，来限制公式(4)中的惯性导航信息U(M,w,a,n)的阈值，达到优化粒子群位置的目的。

此后进入步骤106，根据粒子评分的结果得到移动终端的定位解。

根据该运动模型的特征对实时更新的粒子群进行粒子评分，综合锚点和粒子评分的结果，自适应选择出10～20个粒子位置，滤波输出最终移动终端的位置；

此后结束本流程。

通过扫描指纹、指纹匹配和粒子滤波等步骤得到备选粒子群，然后根据运动模型对备选粒子群进行粒子评分得到最终的定位点，可以减少定位位置漂移跳动的概率，使得定位轨迹连续，定位位置准确。

通过KNN算法生成锚点限制定位位置区域，接收差分辅助信息进行优化调整，利用加速度计、磁力计等惯性导航信息预测更新的信息，并通过众包机器学习库来学习行为模型，负反馈模型参数信息，这些方法的融合既可以改进位置的准确性，也可以带来定位连续性的体验，同时改善了定位位置漂移和跳动的影响，从大规模粒子的生成到最后的粒子滤波输出，降低了噪声对信号波动的影响。

在进行粒子评分时，综合了惯性导航信息、指纹数据、运动模型和移动终端的定位解的反馈信息。粒子评分后算出的移动终端的定位解(即移动终端的位置)，一般认为可信度较高，可以作为修正运动模型的依据。根据移动终端的定位解跟运动模型预测的结果进行比较，如果不一致则对运动模型参数甚至类型进行修正。

以用户步行为例：

a)当相应的惯性导航信息U(M,w,a,n)(单个粒子在n时刻的惯性导航信息，M指磁力计，w指角速度，a指加速度)输入学习库后，生成相应的运动模型及参数BM(b,s,f,ρ)，b指用户运动行为(步行、快走、跑步、上下楼梯等)；s指步长，f指步频，ρ指角度信息。

b)模型分类及参数细化模块：根据b的信息特征进行不同的模型分类，不同的b所对应的s、f、ρ有本质区别，根据这群参数的不同进行分类聚合；用户步行所在模型b属于其中的一类；参数细化中，(s,f,ρ)三个值会细化成不同的组合方式，代表不同类型的人同一行为(步行)下的参数异同，如高个男生的值为(0.6，2，(0，0))代表步长为0.6米，步频为2步/s，水平面和高层面没有转向；而逛街女性的某个时间值为(0.3，1.5，(0.26，0))，代表步长为0.3米，步频1.5步/s，水平转向0.26弧度。

c)模型特征参数可以和粒子更新的信息进行紧耦合的关联，使得粒子更新的同时受到惯性导航信息和模型参数的双重制约，降低移动终端硬件设备对定位精度连续性、及稳定性的影响，从而间接提高粒子评分的准确性；

d)评判修正***：模型分类及参数细化需要大量的数据进行训练并反馈，众包的形式可以获得各种用户不同行为状态下的行为参数模型，完善数据库模型及参数在不同场景下的优化，定位解和预测解产生的误差，反馈给模型进行选择性调优。

本发明通过KNN生成锚点限制定位位置区域，接收差分辅助信息进行优化调整，利用加速度计、磁力计信息预测更新的信息，并通过众包机器学习库来学习行为模型，负反馈模型参数信息，这些方法的融合既可以改进位置的准确性，也可以带来定位连续性的体验。相邻定位两点的分辨率可以达到0.6米，为正常人的步长。同时改善了定位位置漂移和跳动的影响，从大规模粒子的生成到最后的粒子滤波输出，降低了噪声对信号波动的影响。

图3是不同的手机的定位精度图，利用三款不同手机(三星Note3、华为H6、M2)作为移动终端，在实际测试中给出的定位结果90％的CDF(cumulative density function)达到6米左右；在差分辅助信息有效的情况下，单点精度可以达到2米以内甚至更低，其中RMSE为均方根值。

图4描述了移动终端位置移动1m，定位位置更新后偏移的距离，整个区间分布在[0.5m，1.2m]之间；利用本发明的技术方案可以较好的分辨出小尺度的距离变化，并且在定位显示中反映出来。这种距离分辨尺度可以很好的记录用户移动位置，保持轨迹的连续性和稳定性。

本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable Array Logic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。

本发明第二实施方式涉及一种移动终端的定位装置。图5是该移动终端的定位装置的结构示意图。

具体地说，如图5所示，该移动终端的定位装置包括：

指纹扫描模块，用于获取移动终端所在位置的无线信号的扫描指纹。

指纹匹配模块，用于根据指纹扫描模块获取的扫描指纹匹配指纹数据库，得到匹配评分最高的N个锚点。

在本实施方式中，优选地，

指纹匹配模块，利用KNN算法得到评分最高的N个锚点。

指纹匹配模块，用户实时扫描指纹数据与指纹库中的指纹项进行匹配，通过RSSI(接收信号强度)进行打分，分数归一化后，KNN算法输出分数最高的N个锚点。

粒子群生成模块，用于根据指纹匹配模块得到的N个锚点生成粒子群。

惯性导航信息模块，用于获取移动终端的惯性导航信息。

惯导信息模块提供用户端的陀螺仪和加速度计信息，整合这些信息，判断用户行为，输入到粒子滤波模块进行信息更新。

粒子滤波模块，用于根据惯性导航信息模块获取的惯性导航信息对粒子群生成模块生成的粒子群进行粒子滤波，得到备选粒子群。

在本实施方式中，优选地，还包括，

差分辅助信息模块，用于获取差分辅助信息。

差分辅助信息模块，通过获得卫星地基增强***的纠正信息，来提高在室外、室内外交汇处等用到卫星定位为变量因子的位置精准度；

粒子滤波模块，根据差分辅助信息模块获取的差分辅助信息和惯性导航信息对粒子群生成模块生成的粒子群进行粒子滤波，得到备选粒子群。

粒子评分模块，用于确定移动终端当前的运动模型，并根据该运动模型的特征对粒子滤波模块得到的备选粒子群进行粒子评分。

粒子评分模块，可以根据惯性导航信息模块获取的最近预定时间段内的惯性导航信息确定移动终端当前的运动模型。

在本实施方式中，优选地，还包括，

众包机器学习库模块，用于根据惯性导航信息模块获取的惯性导航信息和定位模块得到的移动终端的定位解的反馈信息，自学习训练，提取关键特征点预测移动终端在不同行为模式下的位置信息，确定移动终端当前的运动模型。

定位模块，用于根据粒子评分模块评分的结果得到移动终端的定位解。

粒子评分模块，实时更新的粒子群进入该模块，综合锚点和粒子评分的结果，在众包机器学习库模块的更新下，自适应选择出10～20个粒子位置，滤波输出最终用户位置；

粒子评分及方差信息超出某些阈值(来自众包机器学习库模块)，指纹匹配模块初始化新的锚点，重复上述过程；

粒子滤波模块详细化了粒子群的产生、更新，评分机制，具体框图如图6所示。

如果局部评分低则进行粒子重采样。每一次粒子评分后都可以直接得到定位结果，但如果全局评分低则进行粒子初始化，如果局部评分低则进行粒子重采样，以便下一下粒子更新和粒子评分的结果会更后。

图7描述了众包机器学习库模块的基本组成框图，该模块通过众包定位解负反馈修正机器学习产生的运动模型，并通过评判修正***逐步细化参数获得特征量去优化粒子评分***；该模块是整个定位方法中较为重要的一环，可以消除不同用户运动行为、不同硬件传感器对定位结果的不良影响，使得定位结果更加的准确和连续。

利用用户实时扫描的指纹信息和已有的指纹数据库指纹项进行匹配，通过计算得分高低确定锚点，并利用有效的差分辅助信息进行优化调整，同时利用传感器预测用户行为，众包机器学习库自学习生成运动模型，通过定位结果负反馈的方式优化特征参数，所有的外部信息作为输入信号通过粒子滤波算法生成粒子群，并且同步更新粒子状态。可以提供更准确的定位位置，较为连续的运动轨迹，消除信号波动等影响的跳点。

第一实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

需要说明的是，本发明各设备实施方式中提到的各模块都是逻辑模块，在物理上，一个逻辑模块可以是一个物理模块，也可以是一个物理模块的一部分，还可以以多个物理模块的组合实现，这些逻辑模块本身的物理实现方式并不是最重要的，这些逻辑模块所实现的功能的组合才是解决本发明所提出的技术问题的关键。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，这并不表明上述设备实施方式并不存在其它的模块。

需要说明的是，在本专利的权利要求和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种移动终端的定位方法，其特征在于，包括以下步骤：

获取所述移动终端所在位置的无线信号的扫描指纹；

根据所述扫描指纹匹配指纹数据库，得到匹配评分最高的N个锚点；

根据所述N个锚点生成粒子群；

根据惯性导航信息对所述粒子群进行粒子滤波，得到备选粒子群；

确定所述移动终端当前的运动模型，并根据该运动模型的特征对所述备选粒子群进行粒子评分；

根据粒子评分的结果得到所述移动终端的定位解。

2.根据权利要求1所述的移动终端的定位方法，其特征在于，在所述“根据惯性导航信息对所述粒子群进行粒子滤波，得到备选粒子群”步骤中，

根据差分辅助信息和惯性导航信息对所述粒子群进行粒子滤波，得到备选粒子群。

3.根据权利要求2所述的移动终端的定位方法，其特征在于，在所述“确定所述移动终端当前的运动模型”步骤中，

根据最近预定时间段内的惯性导航信息确定所述移动终端当前的运动模型。

4.根据权利要求2所述的移动终端的定位方法，其特征在于，在所述“确定所述移动终端当前的运动模型”步骤中，

根据众包机器学习方式确定所述移动终端当前的运动模型，根据所述移动终端的惯性导航信息输入和所述移动终端的定位解的反馈信息，自学习训练，提取关键特征点预测移动终端在不同行为模式下的位置信息，确定移动终端当前的运动模型。

5.根据权利要求3或4所述的移动终端的定位方法，其特征在于，在所述“根据所述扫描指纹匹配指纹数据库，得到匹配评分最高的N个锚点”步骤中，

扫描指纹与指纹数据库进行匹配，通过接收信号强度进行打分，分数归一化后，利用KNN算法得到评分最高的N个锚点。

6.一种移动终端的定位装置，其特征在于，包括：

指纹扫描模块，用于获取所述移动终端所在位置的无线信号的扫描指纹；

指纹匹配模块，用于根据所述指纹扫描模块获取的扫描指纹匹配指纹数据库，得到匹配评分最高的N个锚点；

粒子群生成模块，用于根据所述指纹匹配模块得到的N个锚点生成粒子群；

惯性导航信息模块，用于获取所述移动终端的惯性导航信息；

粒子滤波模块，用于根据所述惯性导航信息模块获取的惯性导航信息对所述粒子群生成模块生成的粒子群进行粒子滤波，得到备选粒子群；

粒子评分模块，用于确定所述移动终端当前的运动模型，并根据该运动模型的特征对所述粒子滤波模块得到的备选粒子群进行粒子评分；

定位模块，用于根据所述粒子评分模块评分的结果得到所述移动终端的定位解。

7.根据权利要求6所述的移动终端的定位装置，其特征在于，还包括：

差分辅助信息模块，用于获取所述移动终端的差分辅助信息；

所述粒子滤波模块，根据差分辅助信息模块获取的差分辅助信息和惯性导航信息对所述粒子群生成模块生成的粒子群进行粒子滤波，得到备选粒子群。

8.根据权利要求7所述的移动终端的定位装置，其特征在于，所述粒子评分模块，根据所述惯性导航信息模块获取的最近预定时间段内的惯性导航信息确定所述移动终端当前的运动模型。

9.根据权利要求7所述的移动终端的定位装置，其特征在于，还包括：

众包机器学习库模块，用于根据所述惯性导航信息模块获取的惯性导航信息和所述定位模块得到的所述移动终端的定位解的反馈信息，自学习训练，提取关键特征点预测移动终端在不同行为模式下的位置信息，确定移动终端当前的运动模型。

10.根据权利要求8或9所述的移动终端的定位装置，其特征在于，所述指纹匹配模块，利用KNN算法得到评分最高的N个锚点。