随着智能手机市场的快速增长，基于众包的移动应用在近年来变得越来越流行。国际数据公司(IDC)的数据显示，2012年共发货了7.126亿部智能手机，与2011年相比增长了44.1%。智能手机上搭载的多种内置传感器使得它们成为用户与环境之间的重要信息接口。这些进展刺激了众包感知应用的发展，即众包移动应用。这些应用利用众包数据来完成一些过去成本高昂或不可能的任务。
然而，众包数据的质量还没有得到足够的重视。在现实中，低质量的众包数据往往包含异常值，这些异常值可能严重损害众包应用程序的性能。因此，在这项工作中，我们首次考虑了众包数据质量的研究。具体来说，我们专注于估计用户运动轨迹信息，该信息在多种众包应用中发挥着至关重要的作用，例如室内定位、上下文识别、室内导航等。
为了实现鲁棒的轨迹估计，我们采用了鲁棒统计学的一系列方法，并设计了一种名为TrMCD的鲁棒轨迹估计方案。TrMCD方案能够减轻异常众包用户轨迹的负面影响、区分正常用户和异常用户，并克服由众包轨迹空间不平衡带来的挑战。通过两个实际的现场实验进行测试，结果显示TrMCD在估计用户运动轨迹和将指纹映射到物理位置方面是鲁棒且有效的。
鲁棒轨迹估计是众包移动应用中一个核心的研究议题。在智能手机等移动设备普及的当下，移动数据的处理和分析能力成为衡量应用性能的关键因素。特别是在需要对位置进行精确估计的应用中，轨迹数据的质量直接关系到系统的稳定性和准确性。而由于众包数据天然存在数据质量参差不齐、噪声和异常值较多等问题，这些都会对轨迹估计造成极大的干扰。
为了解决这些问题，研究者们提出了一些基于鲁棒统计学的方法。鲁棒统计学是统计学中的一个分支，其目标是使统计分析对异常值和数据中的不规则性具有鲁棒性，即在异常值存在的情况下仍能提供可靠的统计结果。在众包数据的背景下，这意味着算法能够有效抵抗由于数据收集过程中不可避免的误差所导致的影响。
TrMCD方法的提出，是利用鲁棒统计原理，通过设计特殊的估计器来应对异常数据的干扰。在室内定位和环境感知等场景下，用户轨迹信息的准确估计对于应用的成功至关重要。因此，如何准确地从大规模、噪声大的众包数据中提取出有用的轨迹信息，并将其映射到实际的物理位置，是该研究中的一个核心问题。
在实现鲁棒的轨迹估计方案时，研究者们通过实验验证了TrMCD的有效性。现场实验是测试方法是否可行的重要环节，尤其是在真实世界的应用环境中。实验结果表明，采用鲁棒统计方法的轨迹估计器能够有效地对用户轨迹进行估计，并且能够抵抗异常数据的干扰。
为了更好地理解众包移动应用中的鲁棒轨迹估计，需要关注以下几个关键点：
1. 移动设备传感器数据的收集和利用：智能手机所搭载的传感器提供了丰富的用户环境信息，如何收集和利用这些数据来辅助轨迹估计是一个研究的重点。
2. 数据质量与鲁棒性分析：众包数据质量的不一，对轨迹估计产生影响，分析和解决数据质量的问题，以提高轨迹估计的准确性和鲁棒性。
3. 空间不平衡的挑战：众包数据往往在空间分布上存在不平衡，如何设计算法来克服这一点，是实现鲁棒轨迹估计的关键。
4. 应用实例：室内定位、上下文识别、室内导航等场景对轨迹估计的需求各有侧重，研究鲁棒轨迹估计在不同应用中的具体实现和效果评估。
通过以上内容，我们可以看到，基于众包的移动应用中鲁棒轨迹估计的研究是一个多学科交叉的领域，涉及了移动计算、传感器网络、数据挖掘、统计分析等多个方向。研究者们需要深入理解众包数据的特点，运用合适的鲁棒统计方法，并结合应用场景，才能设计出有效的轨迹估计方案。随着技术的发展和应用需求的不断提升，这一领域的研究必将不断深化，为众包移动应用的发展提供坚实的技术支撑。
