CN103630147A - 一种基于hmm的个人自主导航系统零速检测方法 - Google Patents

Abstract

本发明公开了一种基于HMM的个人自主导航系统零速检测方法：采集个人自主导航系统微型惯性测量单元中Y轴陀螺的输出信息；利用函数将Y轴陀螺的输出信息进行初步分段，并将分段后Y轴陀螺输出值进行范围划分；将使用者一步运动时Y轴陀螺输出值进行分成段、命名，将其视为HMM过程的状态量；将一个输出范围作为HMM的一个输出，使零速检测问题转化为HMM解码问题；求出使用者一步运动过程中状态转移矩阵A及输出过程和状态过程的转换关系可以用矩阵B；利用Viterbi求取HMM的状态量Q_k；利用不等式判别个人自主导航系统使用者运动过程中的零速区间。本发明检测方法问题数学化、模型化，提高了检测的精度。

Description

一种基于HMM的个人自主导航系统零速检测方法

技术领域：

本发明属于惯性技术领域，具体的说是一种基于HMM(隐马尔可夫模型)的个人自主导航系统零速检测方法。

背景技术：

基于微型惯性测量单元(Micro Inertial Measurement Unit)的个人导航自主定位装置工作时，微机械系统(Micro-Electro-Mechanical System)惯性器件误差发散严重，若惯性器件误差不能得到有效补偿，位置误差会以时间三次方的趋势发散，系统最终将丧失导航功能，因此，MEMS惯性测量组件应用于个人导航系统的关键是设计有效的误差修正算法。零速校正是一种有效的误差补偿算法，将个人自主导航系统使用者脚步静止时导航解算得到的速度值作为滤波器的观测量对惯性器件测量结果和导航输出进行修正以提高导航精度。

零速检测是触发零速校正的前提，然而，现有的采用零速校正作为惯性解算误差修正算法的个人自主导航系统大都存在零速检测不准确的问题，以往的零速检测方案主要是利用阈值估计法，其阈值的选取缺少理论研究和公式推导。而且该方法使用了三轴陀螺或三轴加速度计的输出值，计算量大、耗时长，影响了零速状态的判断时间，继而使零速校正的时间也发生滞后。同时，以往的检测方法只能检测出正常行走时的零速区间，跑步时零速区间的检测相对困难，且已有的零速检测方法都是特定方式下的，并不是适用于所有单兵运动状态。

总体来说现有的零速检测的方法的计算量大、准确率低、稳定性差，致使零速校正后导航精度仍旧较低，难以满足个人导航精确可靠的要求。

发明内容：

本发明的目的在于提供一种基于HMM(隐马尔可夫模型)的个人自主导航系统零速检测方法，旨在解决现有的零速检测方法稳定性差、准确性低，计算量大、耗时长致使零速校正后导航精度较低，难以满足个人导航精确可靠的要求的问题。

为了解决背景技术所存在的问题，本发明采用以下技术方案：

一种基于HMM的个人自主导航系统零速检测方法，它包括如下步骤：

包括以下步骤：

步骤一：手持掌上电脑实时接收并存储个人自主导航系统中脚步微型惯性测量单元内Y轴陀螺仪的输出信息；

步骤二：利用函数将个人自主导航系统中Y轴陀螺的输出信息进行初步分段并将不满足分段条件的陀螺仪输出数据舍弃；

步骤三：利用步骤二中的分类函数将个人自主导航系统使用者行走过程中脚步一步运动时Y轴陀螺输出值分成四段，分别命名为Q_k(k＝1，2，3，4)，Q_k代表隐马尔可夫过程的四个状态量(状态1、状态2、状态3、状态4)，则行人一步运动时典型的状态转换为1→2→3→4→1；

步骤四：将步骤二中分类后的Y轴陀螺输出值进行范围划分，当连续采集到陀螺仪的某类输出值点不少于X个时，将这些连续输出点组成的范围定义为O_j(j＝1，2，3)，并将范围O_j作为隐马尔可夫模型的输出，进而将零速检测问题转化为隐马尔可夫模型解码问题，即，在已知参数模型和观测序列的情况下，求产生此观测序列的最佳状态序列；

步骤五：利用步骤一中采集的实验数据及公式，求出个人自主导航系统使用者一步运动过程中的状态转移矩阵A，以及隐马尔可夫输出过程O_j和状态过程Q_k的转换关系矩阵B；

步骤六：通过步骤五中得到的状态转移矩阵A和矩阵B，利用Viterbi算法求取隐马尔可夫模型的状态量Q_k；

步骤七：使用个人自主导航系统中Y轴陀螺的输出值及步骤五中得到的隐马尔可夫模型的状态量Q_k，利用不等式判别个人自主导航系统使用者运动过程中的零速区间。

进一步，在步骤一中，X轴指向载体前进方向，Z轴垂直于载体运动方向向上，Y轴与X轴、Z轴构成右手坐标系；任意时刻k接收到的个人自主导航系统中Y轴陀螺仪的输出信息为：

y_k＝ω_k。

进一步，在步骤二中，利用分类函数：

对Y轴陀螺仪的输出数据进行分类，

其中，γ₁和γ₂为常数，0＜γ₁＜γ₂。

进一步，在步骤四中，将Y轴陀螺仪的输出范围O_j作为隐马尔可夫模型的输出，其中，所使用的隐马尔可夫模型为：

M=(S，V，π，F，H)，

其中，S＝｛s₁，...，s_N｝为模型中Markov链的一组状态，数目为N，t时刻的状态为q_t∈｛s₁，...，s_N｝，Q为状态序列；V＝{v₁，...，v_W｝为一组观测量，W为各状态对应的观测值数目，t时刻观察值为o_t∈{v₁，...v_W｝；O为观测序列，π为初始状态概率分布；F为状态转移概率矩阵；H为观测量概率分布。对于本发明中给定的隐马尔可夫模型，其S和V是可确定的，因此其模型可简化为：

M＝(π，F，H)。

进一步，在步骤五中，考虑到在使用者一步运动过程中，存在某一状态丢失的情况，利用分段后的Y轴陀螺仪输出数据及公式：

$a_{\mathrm{ij}}=P(Q_{t+1}=j|Q_t=i),\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}=1$

$b_{\mathrm{ij}}=P(O_k=j|Q_k=i),\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}=1$

得到个人自主导航系统使用者一步运动过程中的状态转移矩阵A以及输出过程O_j和状态过程Q_k的转换关系可以用矩阵B；

其中，a_ij表示从状态i转移到状态j的概率，b_ij表示从输出过程O_j与状态过程Q_k的转换概率。

进一步，在步骤六中，在步骤中，利用Viterbi求取隐马尔可夫模型的状态量Q_k，其中Viterbi算法的详细步骤为：

当已知模型M和部分观测序列为o₁，o₂，...，o_t时，满足t时刻状态为q_t＝s₁，使状态为q₁，q₂，...，q_t-1的序列概率值最大值为δt(i)：

${\mathrm{\δ}}_t\left(i\right)=\underset{q_1,q_2...q_t}{\max }p(q_1,q_2,...q_t=s_1|o_1,o_2,...o_t,M)$

初始化：

δ₁(i)＝π_ib_i(o₁)，1≤i≤N

递归：

2≤t≤T，1≤j≤N。

结果：

最优总概率： $p^{*}=\underset{1\≤i\≤N}{\max }\[{\mathrm{\δ}}_T\left(i\right)\]$

最终选定： $q^{*}=\underset{1\≤i\≤N}{\arg \max }\[{\mathrm{\δ}}_T\]$

最优状态回溯：由q_t+1 ^*反查

记录，得知q_t ^*

其中t＝T-1，T-2，...，1。

最优路径：

Q^*＝(q₁ ^*，q₂ ^*，...，q_T ^*，)

进一步，在步骤七中，使用个人自主导航系统中Y轴陀螺的输出值及步骤五中得到的隐马尔可夫模型的状态量Q_k，利用不等式：

(1)|y_k|≤γ₃，Q_k-1＝1，Q_k＝2，且0.95s_k-1+0.05e_k-1≤k≤0.95e_k-1-0.05s_k-1

(2)|y_k|≤γ₃，Q_k-1＝4，Q_k＝2，且0.578s_k+0.422s_k-1≤k≤s_k

(3)|y_k|≤γ₃，Q_k-1＝3，Q_k＝2，且0.753s_k+0.247s_k-1≤k≤s_k

判别个人自主导航系统使用者运动过程中的零速区间；若k满足以上三种情况之一，则k为零速区间；

其中，不等式系数的选取由多组试验数据中s_k-1与s_k的比例确定的，s_k和e_k分别代表第k分段的开始点和结束点。

本发明对比现有技术有如下的有益效果：本发明提供的基于隐马尔可夫模型的个人自主导航系统零速检测方法，将个人自主导航系统中模糊的零速检测问题隐马尔可夫模型的解码问题，对Y轴陀螺输出值进行分段，定义隐马尔可夫模型观测量、状态量，使用Veterbi算法估计出状态量，通过状态量判断“导航鞋”中MIMU的零速区间。克服了传统阈值检测方案中理论性差、稳定性低的缺点，在不增加系统成本的条件下，提高了检测的精度；本发明采用假设检验等统计检测理论分析检测结果，使基于隐马尔可夫模型的个人自主导航系统零速检测方法适用于多种运动情况下的零速检测，克服了传统的零速检测方法在突变机动模式下准确性低的缺点。本发明方法简单，稳定性和可靠性高，提高了一种便捷检测零速的方法，有效的提高了零速校正技术的准确性。

附图说明：

图1是本发明方法的流程图。

图2是本发明实施例提供的基于HMM的个人自主导航系统零速检测方法中一步运动时Y轴陀螺输出的分段示意图；

图3是本发明实施例提供基于HMM的个人自主导航系统零速检测方法中使用的隐马尔可夫模型；

图4是本发明实施例提供的基于HMM的个人自主导航系统零速检测方法检测与传统零速检测方法的对比结果；

具体实施方式：

下面结合附图和具体实施方式对本发明作进一步描述：

图1是本发明方法的流程图。

一种基于HMM的个人自主导航系统零速检测方法，它包括如下步骤：

包括以下步骤：

步骤一：手持掌上电脑实时接收并存储个人自主导航系统中脚步微型惯性测量单元内Y轴陀螺仪的输出信息；

步骤二：利用函数将个人自主导航系统中Y轴陀螺的输出信息进行初步分段并将不满足分段条件的陀螺仪输出数据舍弃；

步骤三：利用步骤二中的分类函数将个人自主导航系统使用者行走过程中脚步一步运动时Y轴陀螺输出值分成四段，分别命名为Q_k(k＝1，2，3，4)，Q_k代表隐马尔可夫过程的四个状态量(状态1、状态2、状态3、状态4)，则行人一步运动时典型的状态转换为1→2→3→4→1；

步骤四：将分类后的Y轴陀螺输出值进行范围划分，当连续采集到陀螺仪某类输出值点不少于X个时，将这些连续输出点组成的范围定义为Q_j(j＝1，2，3)，并将范围O_j作为隐马尔可夫模型的输出，进而将零速检测问题转化为隐马尔可夫模型解码问题，即，在已知参数模型和观测序列的情况下，求产生此观测序列的最佳状态序列；

步骤五：利用步骤一中采集的实验数据及公式，求出个人自主导航系统使用者一步运动过程中的状态转移矩阵A，以及隐马尔可夫输出过程O_j和状态过程Q_k的转换关系矩阵B；

步骤六：通过步骤五中得到的状态转移矩阵A和矩阵B，利用Viterbi求取隐马尔可夫模型的状态量Q_k；

步骤七：使用个人自主导航系统中Y轴陀螺的输出值及步骤五中得到的隐马尔可夫模型的状态量Q_k，利用不等式判别个人自主导航系统使用者运动过程中的零速区间。

进一步，在步骤一中，X轴指向载体前进方向，Z轴垂直于载体运动方向向上，Y轴与X轴、Z轴构成右手坐标系；任意时刻k接收到的个人自主导航系统中Y轴陀螺仪的输出信息为：

y_k＝ω_k。

进一步，在步骤二中，利用分类函数：

对Y轴陀螺仪的输出数据进行分类，

其中，γ₁和γ₂为常数，0＜γ₁＜γ₂。

进一步，在步骤三中，利用函数：

将一步运动时Y轴陀螺输出值进行分成四段；并将其命名为四个状态；

其中，γ₁和γ₂为常数，0＜γ₁＜γ₂；如图2所示，一步行走时Y轴陀螺输出为y_k，被y＝γ₁与y＝-γ₁截出状态1，被y＝-γ₂截出状态3，被y＝γ₂截出状态2和状态4。

进一步，在步骤四中，将Y轴陀螺仪的输出范围O_j作为隐马尔可夫模型的输出，其中，所使用的隐马尔可夫模型为：

M＝(S，V，π，F，H)，

其中，S＝{s₁，...，s_N｝为模型中Markov链的一组状态，数目为N，t时刻的状态为q_t∈｛s₁，...，s_N}，Q为状态序列；V＝｛v₁，...，v_W}为一组观测量，W为各状态对应的观测值数目，t时刻观察值为o_t∈｛v₁，...，v_W｝；O为观测序列，π为初始状态概率分布；F为状态转移概率矩阵；H为观测量概率分布。对于本发明中给定的隐马尔可夫模型，其S和V是可确定的，因此其模型可简化为：

M＝(π，F，H)。

图3为本发明中使用的隐马尔可夫模型示意图，任意t_k时刻系统的观测量为O_k，O_k对应的内部状态量为q_k，状态量间的状态转移矩阵为A，状态量与观测量间的转移矩阵为B。

进一步，在步骤五中，考虑到在使用者一步运动过程中，存在某一状态丢失的情况，利用分段后的Y轴陀螺仪输出数据及公式：

$a_{\mathrm{ij}}=P(Q_{t+1}=j|Q_t=i),\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}=1$

$b_{\mathrm{ij}}=P(O_k=j|Q_k=i),\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}=1$

得到个人自主导航系统使用者一步运动过程中所有转换可能的状态转移矩阵A以及可表示输出过程O_k和状态过程Q_k的转换矩阵B；

其中，a_ij表示从状态i转移到状态j的概率，b_ij表示从输出过程O_j与状态过程Q_k的转换概率。

进一步，在步骤六中，在步骤中，利用Viterbi求取隐马尔可夫模型的状态量Q_k，其中Viterbi算法的详细步骤为：

当已知模型M和部分观测序列为o₁，o₂，...，o_t时，满足t时刻状态为q_t＝s₁，使状态为q₁，q₂，...，q_t-1的序列概率值最大值为δt(i)：

${\mathrm{\δ}}_t\left(i\right)=\underset{q_1,q_2...q_t}{\max }p(q_1,q_2,...q_t=s_1|o_1,o_2,...o_t,M)$

初始化：

δ₁(i)＝π_ib_i(o₁)，1≤i≤N

递归：

2≤t≤T，1≤j≤N。

结果：

最优总概率： $p^{*}=\underset{1\≤i\≤N}{\max }\[{\mathrm{\δ}}_T\left(i\right)\]$

最终选定： $q^{*}=\underset{1\≤i\≤N}{\arg \max }\[{\mathrm{\δ}}_T\]$

最优状态回溯：由q_t+1 ^*反查

记录，得知q_t ^*

其中t＝T-1，T-2，...，1。

最优路径：

Q^*＝(q₁ ^*，q₂ ^*，…，q_T ^*，)。

进一步，在步骤七中，使用个人自主导航系统中Y轴陀螺的输出值及步骤五中得到的隐马尔可夫模型的状态量Q_k，利用不等式：

(1)|y_k|≤γ₃，Q_k-1＝1，Q_k＝2，且0.95s_k-1+0.05e_k-1≤k≤0.95e_k-1-0.05s_k-1

(2)|y_k|≤γ₃，Q_k-1＝4，Q_k＝2，且0.578s_k+0.422s_k-1≤k≤s_k

(3)|y_k|≤γ₃，Q_k-1＝3，Q_k＝2，且0.753s_k+0.247s_k-1≤k≤s_k

判别个人自主导航系统使用者运动过程中的零速区间；若k满足以上三种情况之一，则k为零速区间；

其中，不等式系数的选取由多组试验数据中s_k-1与s_k的比例确定的，s_k和e_k分别代表第k分段的开始点和结束点。

结合以下实验对本发明的优益效果做进一步的说明：

利用自研三轴惯性测量组件(集成了微机械系统三轴磁力计、加速度计、陀螺仪)搭建真实个人导航系统模型，设备参数如表1所示，通过合理的零速检测试验本发明提出的基于HMM的个人自主导航系统零速检测方法在真实环境中的可靠性、实用性、准确性，试验场景选在室外空旷的哈尔滨工程大学军工操场，

表1自研微型惯性测量单元惯性测量组件各传感器性能指标

实验过程中相关参数设置如下：

个人导航自主定位系统采样频率：100Hz

分段函数参数：γ₁＝γ₂＝0.7

判断不等式参数：γ₃＝0.7

范围划分参数：X＝10

实验开始前，测试者在实验场进行15分钟的系统静止预热，完成系统的初始化；

试验1：

测试者在操场的轨道上跑步2分钟，实验过程中实时采集并保存微型惯性测量单元的输出数据，作为参考，将观测陀螺输出值得出的零速区间视为真实的零速区间；

将实验数据进行离线分析，为了比较验证本发明的实验结果，同时给出传统的传统方差阈值零速检测方法及本发明提出的基于隐马尔可夫模型的零速检测方法的检测结果；

从图4可以看出，本发明所提到的算法能准确地检测出零速区间，而传统方法失效；

试验2：

为了在数量上对比各种方法的性能，设计个人自主导航系统使用者以“步行(1.05m/s)”、“跑步(3.50m/s)”等速度行走或跑50步，其中每一步都有一个零速区间，共有50个真实零速区间，方差阈值脚步零速检测方法与本发明提出的基于隐马尔可夫模型的个人自主导航系统零速检测方法检测的零速区间数量如表2所示，当行走时，两种算法都能准确的检测出零速区间；当跑步时，方差阈值零速检测方法失效，本发明的算法无论走或跑均能准确地检测出零速区间的数量，

表2不同方法检测到的零速区间数目(真实零速区间数目为50)

表3给出了各种算法零速区间的错误检测数量，即将非零速区间错误的检测为零速区间的数量，从表3可以看出，方差阈值零速检测方法有时会错误地检测零速区间，而本发明所提到的基于隐马尔可夫模型的个人自主导航系统零速检测方法无论是步行状态还是跑步状态均能准确可靠地检测出零速区间，此算法对于正常行走和跑步时的零速检测均有效，可靠性高、稳定性好；

表3不同方法检测出的错误零速区间的数目

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于HMM的个人自主导航系统零速检测方法，其特征在于，包括以下步骤： 

步骤一：手持掌上电脑实时接收并存储个人自主导航系统中脚步微型惯性测量单元内Y轴陀螺仪的输出信息； 

步骤二：利用函数将个人自主导航系统中Y轴陀螺的输出信息进行初步分段并将不满足分段条件的陀螺仪输出数据舍弃； 

步骤三：利用步骤二中的分类函数将个人自主导航系统使用者行走过程中脚步一步运动时Y轴陀螺输出值分成四段，分别命名为Q_k(k＝1，2，3，4)，Q_k代表隐马尔可夫过程的四个状态量(状态1、状态2、状态3、状态4)，则行人一步运动时典型的状态转换为1→2→3→4→1； 

步骤四：将步骤二中分类后的Y轴陀螺输出值进行范围划分，当连续采集到陀螺仪某类输出值点不少于X个时，将这些连续输出点组成的范围定义为O_j(j=1，2，3)，并将范围O_j作为隐马尔可夫模型的输出，进而将零速检测问题转化为隐马尔可夫模型解码问题，即，在已知参数模型和观测序列的情况下，求产生此观测序列的最佳状态序列； 

步骤五：利用步骤一中采集的试验数据及公式，求出个人自主导航系统使用者一步运动过程中状态转移矩阵A，以及隐马尔可夫输出 过程O_j和状态过程Q_k的转换关系矩阵B； 

步骤六：通过步骤五中得到的状态转移矩阵A和矩阵B，利用Viterbi算法求取隐马尔可夫模型的状态量Q_k； 

步骤七：使用个人自主导航系统中Y轴陀螺的输出值及步骤五中得到的隐马尔可夫模型的状态量Q_k，利用不等式判别个人自主导航系统使用者运动过程中的零速区间。 

2.如权利要求1所述的一种基于HMM的个人自主导航系统零速检测方法，其特征在于，在步骤一中，X轴指向载体前进方向，Z轴垂直于载体运动方向向上，Y轴与X轴、Z轴构成右手坐标系；任意时刻k接收到的个人自主导航系统中Y轴陀螺仪的输出信息为： 

y_k＝ω_k。 

3.如权利要求1所述的一种基于HMM的个人自主导航系统零速检测方法，其特征在于，在步骤二中，利用分类函数： 

对Y轴陀螺仪的输出数据进行分类， 

其中，γ₁和γ₂为常数，0＜γ₁＜γ₂。 

4.如权利要求1所述的一种基于HMM的个人自主导航系统零速检测方法，其特征在于，在步骤四中将Y轴陀螺仪的输出范围O_j作为隐马尔可夫模型的输出，其中，所使用的隐马尔可夫模型为： 

M＝(S，V，π，F，H)， 

式中，S＝{s₁，...，s_N｝为模型中Markov链的一组状态，数目为N，t时刻的状态为q_t∈{s₁，...s_N｝，Q为状态序列；V＝{v₁，...，v_W｝为一组观测量，W为各状态对应的观测值数目，t时刻观察值为o_t∈{v₁，...，v_W｝；O为观测序列，π为初始状态概率分布；F为状态转移概率矩阵；H为观测量概率分布；对于本发明中给定的隐马尔可夫模型，其S和V是可确定的，因此其模型可简化为： 

M＝(π，F，H)。 

5.如权利要求1所述的一种基于HMM的个人自主导航系统零速检测方法，其特征在于，在步骤五中，考虑到在使用者一步运动过程中，存在某一状态丢失的情况，利用分段后的Y轴陀螺仪输出数据及公式： 

得到个人自主导航系统使用者一步运动过程中状态转移矩阵A 以及可表示输出过程O_k和状态过程Q_k的转换矩阵B； 

其中，a_ij表示从状态i转移到状态j的概率，b_ij表示从输出过程O_j与状态过程Q_k的转换概率。 

6.如权利要求1所述的基于隐马尔可夫模型的个人自主导航系统零速检测方法，其特征在于，在步骤六中，利用Viterbi算法求取隐马尔可夫模型的状态量Q_k，其中Viterbi算法的详细步骤为： 

当已知模型M和部分观测序列为o₁，o₂，...，o_t时，满足t时刻状态为q_t＝s₁，使状态为q₁，q₂，...，q_t-1的序列概率值最大值为δt(i)： 

(1)初始化： 

δ₁(i)＝π_ib_i(o₁)，1≤i≤N 

(2)递归： 

2≤t≤T，1≤j≤N 

(3)结果： 

最优总概率：

最终选定：

(4)最优状态回溯：由q_t+1 ^*反查

记录，得知q_t ^*

其中t＝T-1，T-2，...，1 

(5)最优路径： 

Q^*＝(q₁ ^*，q₂ ^*，...，q_T ^*，) 。

7.如权利要求1所述的基于隐马尔可夫模型的个人自主导航系统零速检测方法，其特征在于，在步骤七中，使用个人自主导航系统中Y轴陀螺的输出值及步骤五中得到的隐马尔可夫模型的状态量Q_k，利用不等式： 

(1)|y_k|≤γ₃，Q_k-1＝1，Q_k＝2，且0.95s_k-1+0.05e_k-1≤k≤0.95e_k-1-0.05s_k-1

(2)|y_k|≤γ₃，Q_k-1＝4，Q_k＝2，且0.578s_k+0.422s_k-1≤k≤s_k

(3)|y_k|≤γ₃，Q_k-1＝3，Q_k＝2，且0.753s_k+0.247s_k-1≤k≤s_k

判别个人自主导航系统使用者运动过程中的零速区间；若k满足以上三种情况之一，则k为零速区间； 

其中，不等式系数的选取由多组试验数据中s_k-1与s_k的比例确定的，s_k和e_k分别代表第k分段的开始点和结束点。 

Images