位算法確定行人在所述位置空間內(nèi)任一位置的第二概率 值；確定概率值最大的位置為所述行人當(dāng)前計算時刻所在的位置。
[0042] 具體實施時，無線節(jié)點13,可以用于通過DSRC(專用短程通信）通信確定自身與行 人手持終端12之間的距離。
[0043] 具體實施時，行人手持終端12,可以用于在自身的衛(wèi)星定位系統(tǒng)獲取的衛(wèi)星信號 信噪比SNR不大于預(yù)設(shè)信號閾值或者可見衛(wèi)星數(shù)量不大于預(yù)設(shè)數(shù)量時，確定衛(wèi)星定位系統(tǒng) 失效。以及行人手持終端12,還可以用于確定自身的衛(wèi)星系統(tǒng)失效時，通過DSRC廣播發(fā)送 衛(wèi)星定位失效標(biāo)識。
[0044] 為了更好的理解本發(fā)明實施例，以下對本發(fā)明實施例的具體實施過程進行描述。
[0045] 車載終端132包括高精度定位系統(tǒng)，用以獲取精確的車輛位置信息；通信系統(tǒng)，能 夠與云服務(wù)器進行通信，并通過DSRC模塊與路側(cè)單元、其他車載終端、行人手持終端進行 通信。行人手持終端12包括衛(wèi)星定位系統(tǒng)，用以獲取自身的位置信息；電子羅盤，用以獲 取航向信息（由于電子羅盤在使用過程中誤差較大，實際只需要獲得該時刻與上一時刻的 航向差）；加速度計，可以測量行人行走的步數(shù)；通信系統(tǒng)，能夠與云服務(wù)器進行通信，并通 過DSRC模塊與路側(cè)單元131、其他行人手持終端12、車載終端132進行通信，傳輸手持終端 ID、定位信息以及時間戳等。云服務(wù)器11包括通信系統(tǒng)，能夠與車載終端132、行人手持終 端12、路側(cè)單元131進行通信；精確的電子地圖，可以標(biāo)記車輛、行人上報的實時位置，并標(biāo) 記了路側(cè)單元131的精確位置。且車載終端132、行人手持終端12、路側(cè)單元131和云服務(wù) 器11之間有精確的時鐘同步。車載終端132、行人手持終端12以相同的時間點、相同的頻 率向云服務(wù)器11同步上報周期性狀態(tài)數(shù)據(jù)包。
[0046] 由于車聯(lián)網(wǎng)系統(tǒng)中的路側(cè)單元的位置精確可知，車載終端的定位精度很高（使 用差分定位以及精度較高的慣性傳感器，應(yīng)用中可以達到亞米級），且在車聯(lián)網(wǎng)系統(tǒng) 中，車載終端、路側(cè)單元和行人手持終端之間可以通過DSRC(Dedi Cated Short Range Communication，專用短程通信）進行通信，基于此，本發(fā)明實施例中，通過無線定位的方式 實現(xiàn)行人定位。
[0047] 在行人手持終端12的衛(wèi)星定位系統(tǒng)可用時，行人手持終端12周期性向云服務(wù)器 11上報狀態(tài)數(shù)據(jù)包。數(shù)據(jù)包可以包括行人手持終端12的ID (終端標(biāo)識）、當(dāng)前位姿向量、 當(dāng)前走過的步數(shù)和時間戳P〇P,(xf ), W} B其中（xf )為行人當(dāng)前的位置，爐f 為電子羅盤測量的行人的航向，If為當(dāng)前行人走過的步數(shù)，為行人上報數(shù)據(jù)的時間戳。 車載終端132向云服務(wù)器11上報周期性狀態(tài)數(shù)據(jù)包，數(shù)據(jù)包包括車載終端132的ID(標(biāo) 識）、當(dāng)前位姿向量和時間戳。其中（xf,K)為車輛當(dāng)前的位置 和航向，為車載終端上報數(shù)據(jù)的時間戳。
[0048] 云服務(wù)器11對行人手持終端12在衛(wèi)星定位可用時的加速度計測量值統(tǒng)計，得到 行人步頻和步數(shù)；通過衛(wèi)星定位系統(tǒng)測得的行人走過的距離，進而獲得行人的步長
[0049] 云服務(wù)器還需要記錄行人的歷史位置（包括衛(wèi)星定位系統(tǒng)測量得到的位置和衛(wèi) 星定位系統(tǒng)失效后根據(jù)本發(fā)明實施例確定出的行人位置），使用η (η是動態(tài)變化的）個行人 歷史位置彳擬合Tt i時刻行人的航向冗i。例如，云服務(wù)器可以根據(jù)記 錄的行人歷史位置擬合行人行走曲線，根據(jù)擬合出的行人行走曲線估計Tt i時刻行人所在 位置，并確定在Tt i時刻行人所在位置點處的切線方向確定為Tt i時刻行人的航向Pi。
[0050] 行人手持終端12的衛(wèi)星定位系統(tǒng)實時監(jiān)測獲取的衛(wèi)星信號的信噪比SNR，以及可 見衛(wèi)星數(shù)。如果信噪比SNR不大于閾值T SNR(TSNR可以但不限于設(shè)置為30)或者可見衛(wèi)星數(shù) 不大于預(yù)設(shè)數(shù)量（例如可以設(shè)置為4)，則確定行人手持終端12的衛(wèi)星定位系統(tǒng)失效。
[0051] 當(dāng)行人手持終端12的衛(wèi)星定位系統(tǒng)失效時，行人手持終端12通過專用短程無線 通信（DSRC)向周圍廣播發(fā)送衛(wèi)星定位失效標(biāo)識F，并向云服務(wù)器11發(fā)送衛(wèi)星定位失效標(biāo)識 F。行人手持終端12發(fā)送的標(biāo)識F包含行人手持終端12的ID以及衛(wèi)星定位系統(tǒng)失效的時 刻 Tf : {IDP，Tf}。
[0052] 路側(cè)單元131接收到F后，以與車載終端、行人手持終端以相同的時間點T、相同 的頻率f向云服務(wù)器11發(fā)送周期性數(shù)據(jù)包，周期性數(shù)據(jù)包包含該路側(cè)單元ID(標(biāo)識）、發(fā) 送F的行人手持終端的ID、該路側(cè)單元131與該行人手持終端132之間的距離、時間戳： UD'ID'd/''/力。車載終端131接收到F后，其周期性狀態(tài)數(shù)據(jù)包變?yōu)椋涸撥囕d終端ID、 發(fā)送F的行人手持終端的ID、該路側(cè)單元與該行人手持終端之間的距離、該車載終端的位
[0053] 行人手持終端12的周期性狀態(tài)數(shù)據(jù)包內(nèi)容不變，只是云服務(wù)器11不再以其位置 作為行人定位的依據(jù)。云服務(wù)器11使用行人手持終端12的衛(wèi)星定位失效前一時刻的位置， 以及其上報的周期性數(shù)據(jù)包、車載終端132上報的周期性數(shù)據(jù)包或者路側(cè)單元131上報的 周期性數(shù)據(jù)包，通過對行人位置的估計來確定行人的真實位置。
[0054] 如圖2、圖3或者圖4所示，其中，圖3和圖4中行人周圍有一個路側(cè)單元131和一 個車載終端132,圖5中，行人周圍有兩個路側(cè)單元131。需要說明的是，具體實施時，只要 行人周圍存在至少一個路側(cè)單元131或者車載終端132即可利用本發(fā)明實施例提供的定位 方法對行人進行定位。
[0055] 在Tt 3時刻，行人位于Zf_3，此后，行人手持終端12的衛(wèi)星定位系統(tǒng)失效，行人手 持終端12通過DSRC向周圍發(fā)送衛(wèi)星失效標(biāo)識F，路側(cè)單元131和車載終端132接收到 F后，使用DSRC通信確定自身與行人手持終端12之間的距離，并向云服務(wù)器發(fā)送數(shù)據(jù)包 {1D'丨 '丨和乂 用Tt 2時刻行人手持終端12以及路側(cè)單元131或者車載終端132上報的定位信息估計行 人的位置<_2。
[0056] 本發(fā)明實施例中，行人位置的估計可以使用基于概率的定位方法，以下以馬爾科 夫定位算法為例進行說明。
[0057] 使用Bel (c)表示行人可能位置的置信度分布，即行人在整個位置空間的概率分 布，例如Bel (Lt = 1)就是行人在t時刻在1處的概率，其中，1表示當(dāng)前位置空內(nèi)的任一位 置，Lt表示行人位置的隨機變量。
[0058] 在行人手持終端12的衛(wèi)星定位系統(tǒng)失效時，算法開始執(zhí)行，以行人手持終端12的 衛(wèi)星定位系統(tǒng)失效時刻Tf前一時刻上報的位置為初值，由于位置已知，概率密度初始 值Bel (L。= 1)是一個很窄的正態(tài)分布。
[0059] 概率分布在以下兩個事件發(fā)生時進行更新：
[0060] (1)云服務(wù)器11接收到路側(cè)單元131或者車載終端132發(fā)送的和計算 出當(dāng)前時刻與上一時刻（需要說明的是，這里指上一計算時刻，兩個計算時刻之間可能包 含多個上報時間點，路側(cè)單元131和車載終端132在每一上報時間點均會上報定位信息，以 下同）路側(cè)單元131或者車載終端132與行人手持終端12之間的距離之差，S = 和 /'f 之后。
[0061] (2)云服務(wù)器11獲取行人手持終端12當(dāng)前時刻（Tt2時刻）的Λ^2之后，云服務(wù)器 11可以獲取當(dāng)前時刻與上一時刻的步數(shù)差_心^2，從而獲得行人行走的距離。
[0062] 具體實施時，可以使用d = {d。，山，· · ·，dT}表示云服務(wù)器11獲取的數(shù)據(jù)流，士可 以是sP'R、s P'v或者a。
[0063] 馬爾科夫定位算法是以滿足先前數(shù)據(jù)為條件來估計在LT上的概率分布，即
[0064] P (LT = 11 d) = P (LT = 11 d〇, dj, . . . , dT)
[0065] 馬爾科夫定位算法運動模型和感知模型分別為：P(l|a，l'）和：P(s|l)。
[0066] 但是對于該場景而言，行人可能的位置可以看作是對稱的。使用馬爾科夫定位算 法可以計算出在Tt 2時刻，或者的概率密度最大，行人可能位于^2：或者。
[0067] 設(shè)0t2為當(dāng)前時刻（Tt2時刻）行人第一航向值，其中，0 t2為上一時刻（Tt3 時刻）行人的航向值以及電子羅盤測量得到的當(dāng)前時刻與上一時刻的航向測量差值 卻L之和，即心2 =0命/:2，則概率ρ( θ 1211)可以寫成（即在第一航向值下，行人在1 處的概率）：
[0069] 其中，ε為預(yù)設(shè)的常數(shù)，為云服務(wù)器11根據(jù)記錄行人的歷史位置確定出的在 Tt 2時刻行人在位置空間中任一位置的航向。
[0070] 本發(fā)明實施例中，云服務(wù)器11可以結(jié)合行人手持終端12和路側(cè)單元131或者車 載終端132上報的定位信息，使用感知模型Ρ(δ |1) =P(S|1) ·Ρ(Θ |1)進一步估計行人 位置概率密度分布值（以下簡稱概率值），并選擇概率值最大的行人位置為當(dāng)前計算時刻 行人的位置。
[0071] 具體的，使用路側(cè)單元131或者車載終端132上報的定位信息確定出的其與行人 手持終端12之間的距離差值，即d T 2 = sT 2時，云服務(wù)器11可以按照以下公式Bel (LT 2 = 1) = aT2P(ST2|l)Bel(LT3 = 1)確定行人在位置空間內(nèi)任一位置的第一概率值，其中： αΤ2 為常數(shù)，P(ST2|1) =P(sT2|l) ·Ρ(ΘΤ2|1)。
[0072] 使用行人手持終端12上報的定位