[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111595344B - 一种基于地图信息辅助的多姿态下行人行位推算方法 - Google Patents

一种基于地图信息辅助的多姿态下行人行位推算方法 Download PDF

Info

Publication number
CN111595344B
CN111595344B CN202010483376.8A CN202010483376A CN111595344B CN 111595344 B CN111595344 B CN 111595344B CN 202010483376 A CN202010483376 A CN 202010483376A CN 111595344 B CN111595344 B CN 111595344B
Authority
CN
China
Prior art keywords
pedestrian
algorithm
course
mode
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010483376.8A
Other languages
English (en)
Other versions
CN111595344A (zh
Inventor
陈国良
王轩
靳赛州
张正华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202010483376.8A priority Critical patent/CN111595344B/zh
Publication of CN111595344A publication Critical patent/CN111595344A/zh
Application granted granted Critical
Publication of CN111595344B publication Critical patent/CN111595344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations
    • G01C21/206Instruments for performing navigational calculations specially adapted for indoor navigation
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种基于地图信息辅助的多姿态下行人行位推算方法,属于室内定位技术领域。首先,解决了现有技术中使用智能手机进行行人航迹推算时存在设备姿态限制的问题,本发明通过计算用户移动方向的加速度积分,改进了航向估计的算法。利用一种轻量级的算法,即有限状态机和决策树对手机使用模式进行监测和识别,并利用陀螺仪在转角的特性感知行为特征点,提高线性阶段的航向估计性能。此外,改善了定位时因航向角偏差引起的误差累积过大问题。引入地图匹配和粒子滤波技术对航向进行约束,并通过感知室内移动中的行为地标,从而限制粒子的不当转移和轨迹穿墙等问题。该方法可以有效的提高PDR系统航向估计性能和定位的鲁棒性,增强行人体验。

Description

一种基于地图信息辅助的多姿态下行人行位推算方法
技术领域
本发明涉及室内定位技术领域,尤其涉及一种基于地图信息辅助的多姿态下行人行位推算方法。
背景技术
近年来,随着智能化移动设备的普及,人们对室内位置服务的需求日益强烈。由于传统卫星定位技术室内不可用,难以为室内环境提供可靠的位置服务,因而寻求一种可靠、准确的室内导航方案极具挑战。
许多研究人员在室内定位技术研究方面取得了很大进展,如惯性传感器、蓝牙、地磁、射频识别、超宽带、无线局域网、计算机视觉等。然而,大多数室内定位技术依赖于特定的基础设施,部署和维护成本较高。基于智能手机的PDR,由于定位连续、数据更新快速且无需基础设施,受到学者们广泛关注,该算法利用惯性传感器所获得的行人步态信息来估计行人的航向和步长,并根据前一状态计算出行人的位置。目前,步态检测和步长估计已得到大量探索,而多使用姿态下行人航向估计仍面临严峻挑战,并且其惯性元件引起的误差累计问题也严重限制其广泛的推广。
行人航向估计主要面临两方面难题。一方面,移动设备搭载的惯性传感器不仅受自身特性引起漂移的影响,还容易受到环境扰动(如周围磁场和人体不规则运动)的影响。另一方面,PDR算法还存在诸多的限制,如手机必须限制在不改变姿势的情况下正对着行人前进的方向等。此外,低成本传感器引起的误差积累使得PDR方法无法达到可接受的精度,这些都导致了导致传统的PDR很难适应用户的实际需求,直接影响PDR系统的推广。
发明内容
鉴于上述的分析,尽管基于智能手机行人航向估计的方法和定位误差累计消除的方法得到了诸多探索,但多模式多姿态下的PDR算法仍存在困难。针对这一问题,本发明旨在提供一种基于地图信息辅助的多姿态下行人行位推算方法,用以解决现有智能手机在典型姿态下定位和误差积累问题,提高PDR系统的准确性和鲁棒性。主要包括两方面:
1.根据行人日常使用手机的习惯,定义了五种典型的携带智能手机的模式,包括手持、录像、通话、摇摆和口袋五种模式。在以往的技术中,多数通过不断提取传感器数据来识别设备的模式,不仅消耗大量内存,而且大大降低电池寿命。通过匹配一个预定义的阈值,有限向量机(FSM)算法可以对模式切换做出及时的响应,避免数据特征提取。因此,本发明结合FSM和决策树(DT)算法对手机模式进行实时监控和识别。该方法仅在FSM算法检测到设备姿态变化后,使用DT算法识别用户当前模式。
2.通过引入陀螺仪信息,对步进式航向估计方法进行了改进,计算了线性阶段行人的全局航向。在此基础上,本发明引入了一种基于粒子滤波的地图匹配算法,以提高航向估计和定位的性能。
本发明的目的主要是通过以下技术方案实现的:
一种基于地图信息辅助的多姿态下行人行位推算方法,包括如下步骤:
步骤1,对智能手机内嵌的低成本传感器所获取的加速度原始信号,进行低通滤波和平滑预处理,以减弱传感器噪声、抖动等因素对模式识别和定位的不利影响。对设备磁力计在室内环境下进行校正,降低内部误差和外部干扰的影响;
步骤2,通过一种轻量级的设备姿态监测与识别算法,其主要分为特征提取模块和模式监测与分类模块,实现典型场景下手机使用模式的识别;
步骤3,利用预处理后的信号及模式识别算法输出的设备使用姿态,基于波峰检测算法对伪波峰/伪波谷进行甄别,实现PDR算法的步态识别;
步骤4,通过引入陀螺仪信息计算行人线性阶段的全局航向,基于地图匹配的粒子滤波算法辅助获得一种鲁棒性强的融合航向,并通过感知行人移动中的行为特征地标修正轨迹穿墙问题;
步骤5,通过上述步态检测、模式识别和航向估计,进行行人行位推算,最终得到可靠性高的行人位置信息。
进一步地,步骤1中,使用一个截止频率为8Hz的四阶巴特沃斯低通滤波器消除高频噪声的影响,随后采用滑动平均算法平滑数据并剔除不必要的毛刺;然后在室内环境下将智能手机在空间内绕手机坐标系的三轴旋转,将获得的磁力计样本数据采用最小二乘拟合椭球体方法对磁力计信号进行校正。
采用上述进一步方案的有益效果是:预处理的加速度信号,可以更加清晰地反映行人的运动特征,减弱传感器噪声对用户模式识别、步态识别和定位的不利影响;磁力计校正降低了内部误差和外部干扰的影响,提高系统航姿计算的性能。
进一步地,步骤2中,所述的特征提取,利用滑动窗口进行数据切片,提取各个窗口的数据特征,窗口大小设置为128个样本,重叠度为50%。
通过行人实时的平均加速度信息实现设备姿态的分类,其计算公式为:
Figure BDA0002518187700000041
式中,
Figure BDA0002518187700000042
表示第k个滑动窗口三轴加速度均值,WinSize为滑动窗口的大小。
采用上述进一步方案的有益效果是:智能手机内置的多源传感器组件所输出的数据在很大程度上反映了用户的各种行为。然而,离散数据不足以分析行人的行为特征,利用滑动窗口提取典型模式下的三轴加速度均值,可以反映设备三轴的空间关系(如图5),从而有效的对设备的姿态进行分类。
进一步地,步骤2中,所述模式监测与分类模块,利用有限向量机FSM和决策树DT算法相结合实现设备姿态的实时监测与识别,仅在FSM算法检测到设备姿态发生改变时,利用DT算法识别行人的当前的模式。FSM算法中,设备的状态总共分为6种,包含5种主模式:Message、Video、Calling、Swing、Pocket,和1种桥接主模式的过渡模式TRANS,起始模式为Message模式,当未监测到设备模式切换时,设备总处于当前主状态,否则切换至TRANS状态;当系统进入TRANS模式,算法自动提取下一滑动窗口加速度信息,利用决策树算法得到切换后准确的模式信息DT Mode,在此期间行人的状态临时被认为是RoughMode。
采用上述进一步方案的有益效果是:FSM算法通过匹配一个预定义振幅阈值,可以对模式切换做出及时响应,减少与连续传感器数据处理相关的大量计算负荷。DT是一种树形结构的非参数分类器,可以直接反映信号的特征,如果给定一个观测值,根据生成的DT模型可以很容易地引入相应的逻辑表达式,且算法简单复杂度较低。利用FSM+DT算法可以有效的实现设备的实时监测与识别,并且避免了现有技术不断的提取数据特征用于分类,所引起的设备计算成本大、损害电池寿命等问题。
进一步地,所述步骤3中,利用预处理后的信号及模式识别算法输出的设备使用姿态,提取设备竖轴预处理后的加速度信号用于步态检测,并针对不同姿态调整峰值阈值、邻峰时间阈值和邻峰挑选机制,利用多条件对伪波峰/伪波谷进行甄别,实现步态自适应识别;
采用上述进一步方案的有益效果是:提取了不同姿态下竖直轴的加速度信号,削弱无关轴噪声对计步的影响;自适应调整典型姿态下计步算法的阈值,相比现有技术固定阈值,提升了计步算法的适应能力。
进一步地,所述步骤4中,包括计算全局式航向和通过粒子滤波和地图匹配辅助的航向估计两步骤。
计算全局式航向,采用Madgwick-AHRS算法实时获取行人在行走过程中所持智能设备的姿态;利用设备姿态计算由载体坐标系至参考坐标系的转换矩阵,得到行人在参考坐标系下的水平加速度:
Figure BDA0002518187700000061
式中
Figure BDA0002518187700000062
表示用户i时刻在设备坐标系下的加速度信息,
Figure BDA0002518187700000063
表示用户i时刻在参考坐标系下加速度信息;
步态检测算法所获得的行人步态信息,计算一步内的航向信息:
Figure BDA0002518187700000064
Figure BDA0002518187700000065
式中,
Figure BDA0002518187700000066
表示第j步行人的步进式航向;
Figure BDA0002518187700000067
为水平加速度积分得到的速度矢量;Stepj和Stepj+1分别表示步态检测算法所获取的第j和j+1步的时刻。
智能手机在不同姿态下特定轴的角速度信息来判断行人的运动特征;利用四分位数异常值探测算法获取行人的转弯信息,将行人轨迹划分为若干个线性阶段,利用线性阶段水平加速度的积分求得行人实时全局航向,实现行人航向的不断修正:
Figure BDA0002518187700000068
式中,
Figure BDA0002518187700000071
表示第j步的全局航向,Stepk表示上次用户转弯的时刻。
粒子滤波和地图匹配辅助的航向估计,根据地图包含的边界信息,约束粒子的转移并减少无效的粒子数,当粒子转移至不可到达区域,则将它的权值赋值为0;否则,利用高斯分布的钟形曲线右侧来计算粒子的权重:
Figure BDA0002518187700000072
式中,N(l)和E(l)表示l时刻观测方程所获取的北方向和东方向的坐标值,Ni(l)和Ei(l)表示第i个粒子北方向和东方向的先验坐标值。粒子权重计算还包括粒子的重采样:粒子重采样采用随机重采样的方法,尽可能保留高权重粒子,去除低权重粒子。
为了使轨迹波动最小化,行人的位置的更新可以由下式计算得到:
Figure BDA0002518187700000073
式中,ΔEglobal和ΔNglobal为全局航向所计算的用户在东方向和北方向的位移。
利用陀螺仪提供的转角时刻,感知最近的地标信息,以轨迹的切边为依据,得到每一步的修正值,从而对轨迹进行修正,避免轨迹穿过不可通行区域。
根据滤波确定的概率位置,可以反算出滤波后的航向角:
Figure BDA0002518187700000081
进一步提高航向的鲁棒性,融合的航向可由下式计算得到:
Figure BDA0002518187700000082
式中,θglobal和θstepwise代表上节所提全局式和步进式航向;ρ1和ρ2代表权值,可根据实际情况做自适应调整,以提高模型的航向估计能力。δ表示粒子滤波确定航向偏差的阈值,本发明设置为15°;d1和d2代表θparticle与θglobal和θstepwise的差值。
采用上述进一步方案的有益效果是:计算了PDR系统的全局的航向,结合地图匹配和行为感知的离子滤波方案,约束了传统技术中航向偏差积累和粒子的不当转移问题,获取了粒子所确定的航向。提出的融合航向,结合了全局航向稳定性高和粒子滤波航向准确度高的优势,提升了航向估计的鲁棒性。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
本发明最终达到的有益效果为:本方法考虑到不同使用姿态下PDR系统航向解算存在的问题,通过计算用户移动方向的加速度积分,解决现有技术难以计算多姿态下航向的问题,并利用陀螺仪在转角的特性感知行为特征点,提高线性阶段的航向估计性能。本方法利用手机内部传感器信息,无需额外设备,方便快捷;利用轻量级算法实现用户使用模式的监测与识别,避免了现有技术不间断的提取特征用以分类,所提算法复杂度低,简单有效;利用粒子滤波算法有效结合了建筑信息与PDR位置更新,提升了定位和航向估计的鲁棒性。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例中所述的行人行位推算方法的整体流程图。
图2为本发明实施例中加速度计和陀螺仪数据预处理示意图。
图3为本发明实施例中最小二乘磁力计校正示意图。
图4为本发明实施例中不同场景下设备坐标系空间关系表。
图5为本发明实施例中不同姿态下加速度均值示意图。
图6为本发明实施例中设备姿态切换时角速度时频特征示意图。
图7为本发明实施例中设备模式监测与识别示意图。
图8为本发明实施例中自适应步态检测算法示意图。
图9为本发明实施例中手持姿态下陀螺仪输出值示意图。
图10为本发明实施例中基于地图匹配的粒子滤波算法示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一同用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种基于地图信息辅助的多姿态下行人行位推算方法,具体流程如图1所示,包括以下步骤:
一种基于地图信息辅助的多姿态下行人行位推算方法,包括如下步骤:
步骤S1,数据处理。
智能手机内嵌的低成本传感器在使用过程中,除了自身特性所导致的系统误差外,还易受到环境的干扰。因此,在使用数据前需要对所获的原始信号进行预处理,以削弱传感器噪声和误差对用户模式识别与定位带来的不利影响。
步骤S101,低通滤波与平滑。
通过分析用户实际使用过程中不同设备姿态的传感器数据,发现大多数原始信号的频率低于8Hz。因此,本发明首先使用一个截止频率为8Hz的四阶巴特沃斯低通滤波器消除高频噪声的影响,随后采用滑动平均算法,进一步平滑数据并剔除不必要的毛刺。如图2所示,滤波后的加速度信号和陀螺仪信号包含更少的噪声且更加平滑,从而可以更加清楚的反应行人运动的特征。
步骤S102,椭球校正。
智能手机搭载的磁力计往往会受到内部误差和外部干扰的影响,内部误差一般可分为非正交误差、灵敏度误差、传感器噪声和零偏移误。磁力计是计算设备航向重要的信息来源,因此磁力计校正十分必要。本发明在室内环境下将智能手机在空间内绕设备三轴旋转,将获得的磁力计样本数据采用最小二乘拟合椭球体方法对磁力计信号进行校正,图3为磁力计数据校正前后对比结果。
步骤S2,行为识别。
在实际使用场景中,不同的设备姿态及行人异常的表征行为,手机内置惯性元件输出的数据往往会呈现出不同的特征。设备姿态的识别对于PDR系统至关重要,本发明提出了一种轻量级的设备姿态监测与识别算法,其主要分为特征提取和模式监测与分类两个步骤。
步骤S201,特征提取。
由于很难直接利用滤波后的数据获取设备准确的姿态信息,因此需要使用滑动窗口进行数据切片,提取各个窗口的数据特征。本发明窗口大小设置为128个样本(2.5s),重叠度为50%。
通常利用平均值、方差、最大值、最小值、峰度、偏度和能量密度等窗口特征值识别和解析设备的姿态。图4为不同使用模式下设备坐标系空间关系,图5为在电话、手持、录像、口袋和摆动五种模式下各持续40s,智能手机利用滑动窗口提取的各轴加速度均值的变化曲线。可以看出,由于设备坐标系轴系间空间关系的不同,设备三轴的加速度特征呈现明显差异。因此,用户实时的平均加速度信息可以用于设备姿态的分类,其计算公式为:
Figure BDA0002518187700000111
式中,
Figure BDA0002518187700000112
表示第k个滑动窗口三轴加速度均值,WinSize为滑动窗口的大小。
步骤S202,模式监测与分类。
在实际使用中,用户往往将智能手机长期置于口袋或手持状态查看阅读,实时不间断的提取用户信息并用于分类以判断用户设备状态,不仅占用大量内存并且大大降低续航能力。
因此,本发明利用有限向量机(Finite State Machine,FSM)和决策树(DecisionTree,DT)算法相结合来实现设备姿态的实时监测与识别,该方法仅在FSM算法检测到设备姿态发生改变时,利用DT算法识别用户的当前的模式。
FSM算法中,设备的状态总共分为6种,包含5种主模式(Message、Video、Calling、Swing、Pocket)和1种桥接主模式的过渡模式(TRANS),起始模式一般是短信模式(假设导航总是通过手持交互模式被打开),当未监测到设备模式切换时,设备总处于当前主状态,否则切换至TRANS状态。
设备在不同模式下的姿态切换,角速度特征可能存在相似性,如图6中所示,由录像模式切换至摇摆模式(130s、250s)和口袋模式(220s)。简单的利用粗略的模式信息很难满足实际的需求,系统抗差性较弱。因此,当系统进入TRANS,算法自动提取下一滑动窗口加速度信息,利用决策树算法得到切换后准确的模式信息(DT Mode),在此期间用户的状态临时被认为是RoughMode,算法流程见图7。
步骤S3,步态检测。
由于人体行走时,加速度具有正弦波特征,因此可以通过检测正弦波波峰或波谷来探测行人步伐。为避免设备姿态切换对步态检测的影响,基于多姿态多条件约束的波峰-波谷自适应检测方法用来获取用户的步态信息。如图8所示,根据系统当前的模式信息自动选取设备竖直方向坐标轴(图4)的加速度信息,通过设置不同的峰值阈值λθ、邻峰时间阈值Δtk和邻峰挑选机制多个条件对伪波峰/伪波谷进行甄别,实现多姿态下的步态自适应识别。
步骤S4,航向估计。
航向估计的准确性将直接影响最终的定位精度。在实际使用中,设备与行人间的相对关系往往是多变的,利用设备航向代替行人方向或引入航向补偿很难适应实际的需求。
本发明提出了一种改进的航向计算方法,通过引入陀螺仪信息计算行人线性阶段的全局航向,随后利用基于地图匹配的粒子滤波算法辅助获得一种鲁棒性强的融合航向。
步骤S401,步进式航向。
步骤S40101,AHRS(Attitude and Heading Reference System)是一种通过融合三轴加速度计、三轴陀螺仪和三轴磁力计测量值,为PDR提供鲁棒性强、精度高的航姿参考系统,本发明采用Madgwick-AHRS算法实时获取用户在行走过程中所持智能设备的姿态,利用设备姿态计算由载体坐标系至参考坐标系的转换矩阵
Figure BDA0002518187700000131
得到用户在参考坐标系下的水平加速度,其公式为:
Figure BDA0002518187700000132
式中
Figure BDA0002518187700000133
表示用户i时刻在设备坐标系下的加速度信息,
Figure BDA0002518187700000134
表示用户i时刻在参考坐标系下加速度信息。则航向角可通过
Figure BDA0002518187700000135
计算得到,其公式如下:
Figure BDA0002518187700000136
步骤S40102,事实上,由于手机传感器质量差、运算能力有限以及行走时身体的抖动,导致很难从式(3)获得准确地航向,因此利用步态检测算法所获得的行人步态信息,可以通过式(5)获得一步内的航向信息:
Figure BDA0002518187700000141
Figure BDA0002518187700000142
式中,
Figure BDA0002518187700000143
表示第j步行人的步进式航向;
Figure BDA0002518187700000144
为水平加速度积分得到的速度矢量;Stepj和Stepj+1分别表示步态检测算法所获取的第j和j+1步的时刻。
步骤S402,全局式航向。
室内环境下由于建筑的限制,行人轨迹随机性大幅度降低,其往往呈现一定的规律。陀螺仪数据表示设备沿某方向角速度的变化量,因此可以利用智能手机在不同姿态下特定轴的角速度信息来判断用户的运动特征,如转弯或直行等。图9表示在短信模式下陀螺仪的三轴特征,Z轴表示用户在行进方向的角速度变化量,其中出现四个奇异点,分别代表了用户在移动过程中的四次转弯。
四分位数进行异常探测具有较好的鲁棒性,本发明利用四分位数异常值探测算法获取行人的转弯信息,将用户轨迹划分为若干个线性阶段(认为用户近似沿直线行走)。用户实时航向可利用线性阶段水平加速度的积分求得,实现用户航向的不断修正,公式为:
Figure BDA0002518187700000151
式中,
Figure BDA0002518187700000152
表示第j步的全局航向,Stepk表示上次用户转弯的时刻。
步骤S403,粒子滤波和地图匹配辅助的航向估计算法。
步骤S40301,粒子滤波通过寻找一组状态空间中的样本(称为粒子),对概率密度函数进行近似,获得状态的最小方差估计,其公式为:
Figure BDA0002518187700000153
Figure BDA0002518187700000154
式中,p(xl|z1:l)代表后验概率,
Figure BDA0002518187700000155
为狄拉克函数;
Figure BDA0002518187700000156
代表第i个粒子对应的权值;xl代表观测值,即利用全局航向解算的坐标值;
Figure BDA0002518187700000157
代表第i个粒子在l时刻的先验估计值。其之间可由转换式9得到:
Figure BDA0002518187700000158
式中,Ni(l)和Ei(l)表示北方向和东方向的先验坐标值;
Figure BDA0002518187700000159
Figure BDA00025181877000001510
表示北方向和东方向速度值;Δt为步态检测算法获取的两步时间间隔;aN(l)和aE(l)代表北方向和东方向加速速度值,服从正态分布N~(0,σ2)。
步骤S40302,粒子滤波算法优点在于适用于非线性和噪声非高斯问题的解决,但其存在粒子转移不当等问题,例如粒子转移到不可到达的区域或穿墙到另一个室内区域。建筑地图通常包含大量有用的信息,例如门、墙壁或拐角的位置。这些信息不仅可以用来约束粒子的转移,并有效减少无效的粒子数,从而提供更可靠的位置信息。如图10a所示,当粒子转移到不可达区域时,将其权值设置为0。相反,可以利用高斯分布的钟形曲线右侧来计算粒子的权重,从而获得更真实的轨迹其公式为:
Figure BDA0002518187700000161
步骤S40303,对于拐角易出现的轨迹穿墙的问题,利用陀螺仪提供的转角时刻,感知最近的地标信息(如图10b所示的点P),以轨迹的切边为依据,得到每一步的修正值,从而对轨迹进行修正,避免轨迹穿过不可通行区域。
步骤S40304,粒子权值确定后,还需要归一化处理,公式为:
Figure BDA0002518187700000162
Figure BDA0002518187700000163
步骤S40305,粒子筛选采用随机重采样方式,尽可能保留高权重粒子,去除低系统当前的位置可更新为:
Figure BDA0002518187700000164
式中,ΔEglobal和ΔNglobal代表全局式航向计算的行人在该步东方向和北方向的位移值,由此可以判断行人前进的主方向。
步骤S40306,此时根据滤波确定的概率位置可以计算该步的航向角:
Figure BDA0002518187700000171
步骤S40307,该方法确定的航向角,除在拐角和极少数点存在较大波动,在多数位置都能够与真实行人方向吻合。全局式航向虽然精度低于基于地图匹配的粒子滤波所解算的航向角,但其稳定性较好,因此一种融合航向的计算方法可由下式得到:
Figure BDA0002518187700000172
式中,θglobal和θstepwise代表上节所提全局式和步进式航向;ρ1和ρ2代表权值,可根据实际情况做自适应调整,以提高模型的航向估计能力。δ表示粒子滤波确定航向偏差的阈值,本发明设置为15°;d1和d2代表θparticle与θglobal和θstepwise的差值。
本方法的整体流程如图1所示,PDR系统的整体结构由数据预处理、步态检测、模式识别和航向估计组成。内置在智能手机上的低成本惯性传感器不仅会受到自身特性引起的漂移影响,还会受到环境干扰的影响。因此,在使用前需要对得到的原始信号进行滤波和校正。反映行为的特征数据提取自惯性传感器,作为分类器的输入,结合有限状态机FSM和决策树DT算法对手机模式进行实时监控和识别。该方法在FSM算法检测到设备姿态变化后,使用DT算法识别用户当前模式。最后,根据分类器的结果调整步态检测检测和转角检测的参数,并通过粒子滤波算法更新PDR的位置。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。

Claims (5)

1.一种基于地图信息辅助的多姿态下行人行位推算方法,其特征在于,所述推算方法包括如下步骤:
步骤1,对智能手机内嵌的低成本传感器所获取的加速度原始信号,进行低通滤波和平滑预处理,以减弱传感器噪声、抖动对模式识别和定位的不利影响;对智能手机的磁力计在室内环境下进行校正,降低内部误差和外部干扰的影响;
步骤2,通过一种轻量级的设备姿态监测与识别算法,其主要分为特征提取模块和模式监测与分类模块,实现典型场景下手机使用模式的识别;
步骤2中,所述特征提取模块使用滑动窗口进行数据切片,提取各个窗口的数据特征,窗口大小设置为128个样本,重叠度为50%;
通过行人实时的平均加速度信息实现设备姿态的分类,其计算公式为:
Figure FDA0003866763740000011
式中,
Figure FDA0003866763740000012
表示第k个滑动窗口三轴加速度均值,WinSize为滑动窗口的大小;
步骤2中,所述模式监测与分类模块,利用有限向量机FSM和决策树DT算法相结合实现设备姿态的实时监测与识别,仅在FSM算法检测到设备姿态发生改变时,利用DT算法识别行人的当前的模式;
步骤3,利用预处理后的加速度信号及设备姿态监测与识别算法输出的设备使用姿态,基于波峰检测算法对伪波峰/伪波谷进行甄别,实现PDR算法的步态识别;
步骤4,通过引入陀螺仪信息计算行人线性阶段的全局航向,基于地图匹配的粒子滤波算法辅助获得一种鲁棒性强的融合航向,并通过感知行人移动中的行为特征地标修正轨迹穿墙问题;
所述步骤4中,包括计算全局式航向和通过粒子滤波和地图匹配辅助的航向估计两步骤;
所述计算全局式航向,具体的,采用Madgwick-AHRS算法实时获取行人在行走过程中所持智能设备的姿态;利用设备姿态计算由载体坐标系至参考坐标系的转换矩阵,得到行人在参考坐标系下的水平加速度:
Figure FDA0003866763740000021
式中
Figure FDA0003866763740000022
表示用户i时刻在设备坐标系下的加速度信息,
Figure FDA0003866763740000023
表示用户i时刻在参考坐标系下加速度信息;
步态检测算法所获得的行人步态信息,计算一步内的航向信息:
Figure FDA0003866763740000024
Figure FDA0003866763740000025
式中,
Figure FDA0003866763740000026
表示第j步行人的步进式航向;
Figure FDA0003866763740000027
为水平加速度积分得到的速度矢量;Stepj和Stepj+1分别表示步态检测算法所获取的第j和j+1步的时刻;
智能手机在不同姿态下特定轴的角速度信息来判断行人的运动特征;利用四分位数异常值探测算法获取行人的转弯信息,将行人轨迹划分为若干个线性阶段,利用线性阶段水平加速度的积分求得行人实时全局航向,实现行人航向的不断修正:
Figure FDA0003866763740000031
式中,
Figure FDA0003866763740000032
表示第j步的全局航向,Stepk表示上次用户转弯的时刻;
所述通过粒子滤波和地图匹配辅助的航向估计,具体的,粒子滤波通过寻找一组状态空间中的样本,即粒子,对概率密度函数进行近似,获得状态的最小方差估计,并通过北方向和东方向加速速度值得到北方向和东方向速度值;
根据地图包含的边界信息,约束粒子的转移并减少无效的粒子数,当粒子转移至不可到达区域,则将它的权值赋值为0;否则,利用高斯分布的钟形曲线右侧来计算粒子的权重:
Figure FDA0003866763740000033
式中,N(l)和E(l)表示l时刻观测方程所获取的北方向和东方向的坐标值,Ni(l)和Ei(l)表示第i个粒子北方向和东方向的先验坐标值;
粒子权重计算还包括粒子的重采样:粒子重采样采用随机重采样的方法,尽可能保留高权重粒子,去除低权重粒子;
为了使轨迹波动最小化,行人的位置的更新可以由下式计算得到:
Figure FDA0003866763740000041
式中,ΔEglobal和ΔNglobal为全局航向所计算的用户在东方向和北方向的位移;
步骤5,通过步态检测、手机使用模式识别和航向估计,进行行人行位推算,最终得到可靠性高的行人位置信息。
2.根据权利要求1所述的一种基于地图信息辅助的多姿态下行人行位推算方法,其特征在于,在步骤1中,对加速计和磁力计采集的数据进行预处理包括:
使用一个截止频率为8Hz的四阶巴特沃斯低通滤波器消除高频噪声的影响,随后采用滑动平均算法平滑数据并剔除不必要的毛刺;
在室内环境下将智能手机在空间内绕手机坐标系的三轴旋转,将获得的磁力计样本数据采用最小二乘拟合椭球体方法对磁力计信号进行校正,降低传感器内部误差和外部干扰的影响。
3.根据权利要求1所述的一种基于地图信息辅助的多姿态下行人行位推算方法,其特征在于:步骤2的FSM算法中,将设备的状态总共分为6种,包含5种典型的主模式:Message、Video、Calling、Swing、Pocket,和1种桥接主模式的过渡模式TRANS,起始模式为Message模式,当未监测到设备模式切换时,设备总处于当前主状态,否则切换至TRANS状态;当系统进入TRANS模式,算法自动提取下一滑动窗口加速度信息,利用决策树算法得到切换后准确的模式信息DT Mode,在此期间行人的状态临时被认为是Rough Mode。
4.根据权利要求1所述的一种基于地图信息辅助的多姿态下行人行位推算方法,其特征在于,在步骤3中,利用预处理后的信号及模式识别算法输出的设备使用姿态,提取设备竖轴预处理后的加速度信号用于步态检测,并针对不同姿态调整峰值阈值、邻峰时间阈值和邻峰挑选机制,利用多条件对伪波峰/伪波谷进行甄别,实现步态自适应识别。
5.根据权利要求1所述的一种基于地图信息辅助的多姿态下行人行位推算方法,其特征在于:步骤4中,还包括利用陀螺仪提供的转角时刻,感知最近的地标信息,以轨迹的切边为依据,得到每一步的修正值,从而对轨迹进行修正,避免轨迹穿过不可通行区域;
根据滤波确定的概率位置,反算出滤波后的航向角:
Figure FDA0003866763740000051
进一步提高航向的鲁棒性,融合的航向由下式计算得到:
Figure FDA0003866763740000052
式中,θglobal和θstepwise代表上节所提全局式和步进式航向;ρ1和ρ2代表权值,根据实际情况做自适应调整,以提高模型的航向估计能力;δ表示粒子滤波确定航向偏差的阈值,设置为15°;d1和d2代表θparticle与θglobal和θstepwise的差值。
CN202010483376.8A 2020-06-01 2020-06-01 一种基于地图信息辅助的多姿态下行人行位推算方法 Active CN111595344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010483376.8A CN111595344B (zh) 2020-06-01 2020-06-01 一种基于地图信息辅助的多姿态下行人行位推算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010483376.8A CN111595344B (zh) 2020-06-01 2020-06-01 一种基于地图信息辅助的多姿态下行人行位推算方法

Publications (2)

Publication Number Publication Date
CN111595344A CN111595344A (zh) 2020-08-28
CN111595344B true CN111595344B (zh) 2023-02-24

Family

ID=72189829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010483376.8A Active CN111595344B (zh) 2020-06-01 2020-06-01 一种基于地图信息辅助的多姿态下行人行位推算方法

Country Status (1)

Country Link
CN (1) CN111595344B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819916B (zh) * 2020-12-29 2022-08-19 同济大学 工人在车间移动停留时间概率峰谷图的绘制方法及其应用
CN113218357A (zh) * 2021-05-19 2021-08-06 广西电网有限责任公司电力科学研究院 一种高压隔离开关的在线监测系统
CN114577210B (zh) * 2022-02-24 2024-07-09 哈尔滨工程大学 基于地图信息矩阵的跨区域检测算法
CN115420288B (zh) * 2022-07-19 2024-05-17 北京航空航天大学 一种轻量地图信息鲁棒约束pdr的室内定位方法
CN115235455B (zh) * 2022-09-19 2023-01-13 中国人民解放军国防科技大学 一种基于智能手机pdr与视觉修正的行人定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108225304A (zh) * 2018-01-26 2018-06-29 青岛美吉海洋地理信息技术有限公司 基于多源传感器室内快速定位方法与系统
CN109164411A (zh) * 2018-09-07 2019-01-08 中国矿业大学 一种基于多数据融合的人员定位方法
CN110487273A (zh) * 2019-07-15 2019-11-22 电子科技大学 一种水平仪辅助的室内行人轨迹推算方法
CN111189443A (zh) * 2020-01-14 2020-05-22 电子科技大学 一种在线校准步长、修正运动偏差角和自适应能量管理的行人导航方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10508920B2 (en) * 2014-11-04 2019-12-17 Xsens Holding B.V. Pedestrian dead reckoning position tracker

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108225304A (zh) * 2018-01-26 2018-06-29 青岛美吉海洋地理信息技术有限公司 基于多源传感器室内快速定位方法与系统
CN109164411A (zh) * 2018-09-07 2019-01-08 中国矿业大学 一种基于多数据融合的人员定位方法
CN110487273A (zh) * 2019-07-15 2019-11-22 电子科技大学 一种水平仪辅助的室内行人轨迹推算方法
CN111189443A (zh) * 2020-01-14 2020-05-22 电子科技大学 一种在线校准步长、修正运动偏差角和自适应能量管理的行人导航方法

Also Published As

Publication number Publication date
CN111595344A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111595344B (zh) 一种基于地图信息辅助的多姿态下行人行位推算方法
Pei et al. Optimal heading estimation based multidimensional particle filter for pedestrian indoor positioning
CN107396321B (zh) 基于手机传感器和iBeacon的无监督式室内定位方法
CN108632761B (zh) 一种基于粒子滤波算法的室内定位方法
JP6411917B2 (ja) 自己位置推定装置および移動体
WO2018068771A1 (zh) 目标跟踪方法、系统、电子设备和计算机存储介质
WO2019061949A1 (zh) 一种运动行为辅助的室内融合定位方法及装置、存储介质
CN110579207B (zh) 基于地磁信号结合电脑视觉的室内定位系统及方法
US20140378159A1 (en) Using movement patterns to anticipate user expectations
CN104180805A (zh) 基于智能手机的室内行人定位与跟踪方法
Wang et al. Pedestrian heading estimation based on spatial transformer networks and hierarchical LSTM
CN105674984A (zh) 一种无约束使用移动终端获取行人前进方向的方法
CN109540143B (zh) 多传感源动态峰值融合的行人非常规动作方向识别方法
CN110068322A (zh) 一种基于终端的行人定位方法及行人定位装置
CN108106613B (zh) 基于视觉辅助的定位方法与系统
CN106606407A (zh) 一种室内高精度盲人导航系统
Wu et al. CWIWD-IPS: A crowdsensing/walk-surveying inertial/Wi-Fi data-driven indoor positioning system
CN116448111A (zh) 一种基于多源信息融合的行人室内导航方法、装置及介质
CN114593735B (zh) 一种位姿预测方法及装置
CN114323008B (zh) 基于机器学习分类的融合航向角估计方法及系统
CN112087728B (zh) 获取Wi-Fi指纹空间分布的方法、装置和电子设备
US10551195B2 (en) Portable device with improved sensor position change detection
CN111435083A (zh) 行人航迹推算方法、导航方法及装置、手持终端及介质
Yao et al. A magnetic interference detection-based fusion heading estimation method for pedestrian dead reckoning positioning
CN115235455B (zh) 一种基于智能手机pdr与视觉修正的行人定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant