测距误差由平均测量距离减去真实距离得到。结合图3和图4可以看出，不同距离测试点的测量距离均存在偏差，该偏差有正有负，与测试的真实距离无明显关系，但大部分偏差在1.2 m内。分析图3可知，大部分距离测试点的测量距离的波动范围围绕测量均值在±1.2 m内，而比较特殊的距离测试点有3种情况：①4.8 m内的距离测试点因存在距离负值呈现较大的测量距离波动；②距离13.2、15.6 、27.6 m处的距离测试点围绕距离均值存在±3 m以上的测量距离波动；③距离16.8、32.4 m处存在—4.8 m的波动，由于距离均值基本位于波动范围的顶端，推测该—4.8 m的波动是由于存在异常小值。考虑这3种特殊情况，选取1.2、4.8、13.2及32.4 m的距离测试点具体分析其误差累积分布函数，如图5所示。图5中的测距误差为测量距离与真实距离之差的绝对值。
由图5可知，除个别测量距离粗差会引起较大的测距误差，绝大部分的测距误差均在测量均值的±2 m内。
综上所述，Wi-Fi RTT的测量距离存在与测量距离长度无关的系统性偏差，该偏差基本在1.2 m内。除该系统性偏差及测量粗差外，测量距离的噪声波动基本在2 m内。Wi-Fi RTT的距离测量范围大于等于48 m，且测距精度不随测量距离增大而减小，可以说测距精度与测量距离长度无关。
2行人航迹推算原理众所周知，行人的步态具有周期性特征，运动康复学将每个步态周期分为脚离地、摆动、脚后跟着地和站立四部分。由于行走过程中的行人手臂及上半身的摆动与步态间存在一定的相关性，如右脚抬起时右臂后摆，左脚抬起时右臂前摆等。文献[22-23]对于行人前进时的加速度波形进行了深入的研究。研究表明，行人前进方向和垂直方向的加速度信息反映出和行人步态相同的周期性特征，而加速度信息的步频、峰值及方差等统计特征与行人步长具有较好的相关性（一般大于0.6），可以建立加速度信息与行人步长间的数学模型来估计行人步长。据此，文献[22]提出了PDR算法。该算法通过建立数据模型，从加速度信息估计行人步长，再结合航向角信息推算行人的位置、速度等信息。与惯性导航解算受到误差的较大影响不同，PDR解耦了计算过程中的各种误差，因而不用考虑平台对准问题。
PDR算法主要由步频探测、步长估计、航向确定和位置计算4个部分组成。具体流程如图6所示。
2. 1 步频探测
尽管行人前进时的加速度信号呈现出与行走步态相关的周期性特征，但加速度计在人体的不同部位时，加速度信号的波形及周期存在明显区别。基于不同人体部位的不同加速度信号特征，目前的步频探测方法有峰值探测法、零点交叉法等。
峰值探测法[24-25]。当加速度计在人体的上半部时，加速度信号在每个行人步态周期内均存在单一峰值，通过探测滑动窗口内的加速度峰值可以实现行人步频探测。
零点交叉法[26]。在每个行人步态周期内都存在加速运动和减速运动，具体表现为脚后跟离地时加速，脚后跟着地时减速。因此，一个周期内的加速度信号呈现有正值也有负值的特性，通过探测加速度信号的零点，可以确定行人开始跨步和结束跨步的时间点，进而实现行人步频探测。
本文通过结合峰值探测法和零点交叉法进行步频探测，具体实现过程如下。
1）计算加速度模值。
2）计算当地重力加速度。
3）剔除加速度中的重力加速度。
4）平滑剔除重力加速度后的加速度值。
5）步频探测。
基于不同历元的加速度观测值，结合零点交叉法和峰值探测法确认该时间段内是否为一步，若能够确定为一步，则计算该步的统计特征（最大值、最小值、周期、方差等），若其不能确定为一步，则更新加速度观测值，重复以上的步频探测步骤。
2. 2 步长估计
现有的步长估计模型包括常量模型、线性模型、非线性模型和人工智能补偿模型四类。常量模型认为行人步长是常数，无法反映行人步长的变化，在进行长距离定位时会导致较大的误差。线性模型认为加速度统计特征与行人步长之间存在线性关系，但现有的文献资料并不能充分证明他们之间的线性关系。因此，本文选择文献[27]提出的非线性步长估计模型估计步长，该非线性步长估计模型选择步内最大加速度及最小加速度作为动态参数。
2. 3 航向确定
利用磁力计测量的地磁数据，可以确定移动定位终端的磁北航向角，再减去武汉地区4.27度的磁偏角，即可得到移动定位终端的航向角。
2. 4 位置计算
PDR算法的定位精度，一方面受到初始位置信息和航向角信息的精度影响，另一方面受到一段时间内速度信息和转过的角度信息的精度影响。本文中认为初始位置是，一步步长信息由2.2节步长估计得到，一步的航向角信息由2.3节航向确定得到。
3Wi-Fi RTT /PDR 融合定位原理UKF采用卡尔曼线性滤波框架，具体采样形式为确定性采样，使得UKF的计算量基本与扩展卡尔曼滤波（extended Kalman filter，EKF）相当，但性能优于EKF。与粒子滤波相比，UKF可以避免一些其他问题，如粒子点退化等。UKF通过对非线性函数的概率密度分布进行近似，而非对非线性函数进行近似，可处理非加性噪声情况以及离散系统，应用范围较广。本文通过设计UKF融合模型，将Wi-Fi RTT测距数据和多传感器数据融合实现智能手机位置实时解算。具体实现流程如图7所示。
