CN104296750A - 一种零速检测方法和装置以及行人导航方法和系统 - Google Patents

Abstract

本发明涉及行人导航技术领域，提供一种零速检测方法和装置以及行人导航方法和系统。所述零速检测方法综合利用人体行走时的加速度数据和角速度数据计算检测统计量，阈值参数分为检测阈值和修正阈值，检测阈值提前预设，用于步态时相的粗划分，修正阈值用于步态时相的精划分；通过将所述零速检测统计量与预设的检测阈值进行比较实现步态时相的粗划分；通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，自适应获得步态时相精划分的修正阈值；将所述步态时相的粗划分结果与修正阈值进行比较实现步态时相的精划分。本发明能够提高行人导航系统的精确性和可靠性。

Description

一种零速检测方法和装置以及行人导航方法和系统

技术领域

本发明涉及行人导航技术领域，尤其涉及一种零速检测方法和装置以及行人导航方法和系统。 

背景技术

目前，市场上基于GPS技术的定位设备发展迅速，市场占有率呈逐年上升趋势。但GPS技术易受工作环境的干扰，只适于室外没有遮挡的开阔环境，在室内、丛林、井下和洞穴等区域存在导航盲区，无法正常工作。因此，基于惯性传感器的行人导航技术得到了快速的发展。 

近年来，随着微机电(Micro-Electro-Mechanical Systems，MEMS)技术的不断发展，基于MEMS技术的惯性传感器(Inertial Measurement Unit，IMU)也有了很大的改进。基于MEMS技术的惯性传感器具有体积小、质量轻、功耗低、响应快、成本低、灵敏度高等优点，这使得MEMS IMU成为穿戴式行人导航技术的理想选择，成为一大研究热点。 

基于MEMS IMU的行人导航系统(Personal Navigation System，PNS)是在传统捷联式惯性导航系统(Strapdown Inertial Navigation System，SINS)的基础上，利用人体行走时足部运动的周期特性，通过基于扩展卡尔曼滤波器(Extended Kalman Filter，EKF)的零速校正(Zero Velocity Updates，ZUPT)算法，实现行人导航的误差估计和校正。行人导航系统主要用于确定行人的实时位置和记录行人的行走轨迹，实现行人定位和导航的功能。 

但是，市场上常见的MEMS IMU的精度大致在商业级和战术级水平，存在多种随机误差和系统误差。而惯性导航技术是一种相对定位技术，导航误差具有随时间不断积累的特点。若单独基于MEMS IMU进行纯惯性导航解算，导航信息的位置误差会以导航时间三次方的趋势迅速发散，严重偏离实际位置，使系统逐渐丧失导航功能，最终导致导航任务失败。这种固有的误差发散特性，使得MEMS IMU在实际的导航应用中受到很大的限制，其应用价值一度受到质疑。因此，在目前MEMS IMU技术的发展水平下，对导航误差的处理就显得异常重要。 零速检测方法是行人导航技术中的重要过程，现有的零速检测方法一般为单一检测阈值方法和固定时间阈值方法，现有的零速检测方法大都存在检测结果不准确(误检测和漏检测)、检测参数手动调节和对检测参数敏感等缺点，影响行人导航后续的零速校正算法的有效性，从而引入不同程度的行人导航误差，降低行人导航系统的导航精度和可靠性。 

发明内容

本发明的目的在于提出一种零速检测方法和装置以及行人导航方法和系统，以达到提高行人导航系统的精确性和可靠性的目的。 

本发明提供了一种零速检测方法，所述方法包括： 

综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量，阈值参数分为检测阈值和修正阈值，其中，检测阈值用于步态时相的粗划分，修正阈值用于步态时相的精划分； 

通过将所述零速检测统计量与预设的检测阈值进行比较实现步态时相的粗划分：当所述检测统计量小于预设的检测阈值时，检测时刻的人体步态处于支撑相；当所述检测统计量大于预设的检测阈值时，检测时刻的人体步态处于摆动相，得到步态时相划分的初步划分结果； 

通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，自适应获得步态时相精划分的修正阈值，其中，修正阈值包括幅值阈值和时间阈值； 

将所述步态时相的粗划分结果与修正阈值进行比较实现步态时相的精划分：当初步划分结果中的摆动相的摆动幅值小于幅值阈值时，所述摆动相为伪摆动相，将所述伪摆动相与相邻支撑相融合形成新的支撑相，得到步态时相划分的中间划分结果；当所述中间划分结果中的支撑相的持续时间小于时间阈值时，所述支撑相为伪支撑相，将所述伪支撑相与相邻摆动相融合形成新的摆动相，得到步态时相划分的最终划分结果。 

可选的，所述综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量，包括： 

通过公式 $T\left(\right\{a_k^b,{\mathrm{\ω}}_k^b\left\}\right|W)=\frac{1}{W}\underset{j=k}{\overset{k-W+1}{\mathrm{\Σ}}}(\frac{1}{{{\mathrm{\σ}}_a}^2}{\left|\right|a_j^b-{\stackrel{\‾}{a}}_k^b\left|\right|}^2+\frac{1}{{{\mathrm{\σ}}_{\mathrm{\ω}}}^2}{\left|\right|{\mathrm{\ω}}_j^b\left|\right|}^2)$ 获得基于人体 行走数据中的加速度数据和角速度数据的零速检测统计量，其中，W表示滑动时间窗口的大小，σ_a表示加速度计的测量噪声，σ_ω表示陀螺仪的测量噪声。 

可选的，所述通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，获得步态时相精划分的修正阈值，包括： 

对所述摆动相按照摆动幅值的大小进行分类，对所述支撑相按照持续时间的长短进行分类：在将所述摆动相和所述支撑相自动分为真伪两类的同时，自适应地获取用于步态时相精划分的修正阈值，修正阈值包括幅值阈值和时间阈值；幅值阈值用于对所述摆动相进行精划分，时间阈值用于对所述支撑相进行精划分，先进行摆动相的精划分再进行支撑相的精划分。 

对应地，本发明还提供了一种零速检测装置，所述装置包括： 

检测统计量计算模块，用于综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量； 

步态时相粗划分模块，用于通过将所述零速检测统计量与预设的检测阈值进行比较实现步态时相的粗划分：当所述检测统计量小于预设的检测阈值时，检测时刻的人体步态处于支撑相；当所述检测统计量大于预设的检测阈值时，检测时刻的人体步态处于摆动相，得到步态时相划分的初步划分结果； 

修正阈值计算模块，用于通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，自适应获得步态时相精划分的修正阈值，其中，修正阈值包括幅值阈值和时间阈值； 

步态时相精划分模块，用于将所述步态时相的粗划分结果与修正阈值进行比较实现步态时相的精划分：当初步划分结果中的摆动相的摆动幅值小于幅值阈值时，所述摆动相为伪摆动相，将所述伪摆动相与相邻支撑相融合形成新的支撑相，得到步态时相划分的中间划分结果；当所述中间划分结果中的支撑相的持续时间小于时间阈值时，所述支撑相为伪支撑相，将所述伪支撑相与相邻摆动相融合形成新的摆动相，得到步态时相划分的最终划分结果。 

可选的，所述检测统计量计算模块，具体用于： 

通过公式T $T\left(\right\{a_k^b,{\mathrm{\ω}}_k^b\left\}\right|W)=\frac{1}{W}\underset{j=k}{\overset{k-W+1}{\mathrm{\Σ}}}(\frac{1}{{{\mathrm{\σ}}_a}^2}{\left|\right|a_j^b-{\stackrel{\‾}{a}}_k^b\left|\right|}^2+\frac{1}{{{\mathrm{\σ}}_{\mathrm{\ω}}}^2}{\left|\right|{\mathrm{\ω}}_j^b\left|\right|}^2)$ 获得基于人体行走数据中加速度数据和角速度数据的零速检测统计量，其中，W表示滑动时间窗口的大小，σ_a表示加速度计的测量噪声，σ_ω表示陀螺仪的测量噪声。 

可选的，所述修正阈值计算模块，具体用于： 

通过聚类分析方法对所述步态时相的粗划分结果进行分类，包括对所述摆动相按照摆动幅值的大小进行分类，对所述支撑相按照持续时间的长短进行分类：在将所述摆动相和所述支撑相自动分为真伪两类的同时，自适应地获取用于步态时相精划分的修正阈值，修正阈值包括幅值阈值和时间阈值；幅值阈值用于对所述摆动相进行精划分，时间阈值用于对所述支撑相进行精划分，先进行摆动相的精划分再进行支撑相的精划分。 

本发明还提供了一种行人导航方法，所述方法包括： 

采集人体行走数据，其中，所述人体行走数据包括人体行走时的加速度数据和角速度数据； 

对所述加速度数据和角速度数据进行误差建模，分别得到加速度数据和角速度数据的误差模型，并通过所述加速度数据的误差模型和所述角速度数据的误差模型分别对所述加速度数据和角速度数据进行误差校正，以得到误差补偿后的加速度数据和角速度数据； 

根据误差补偿后的加速度数据和角速度数据，利用捷联式惯性导航解算公式获得初步的导航信息，其中，所述导航信息包括人体行走时的三维姿态向量、三维速度向量和三维位置向量； 

根据权利要求1-3任一项所述的零速检测方法，获得人体行走时的支撑相和摆动相，并根据获得的所述支撑相和所述初步的导航信息，获得所述支撑相内的速度误差； 

根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差； 

根据获得的所述初步的导航信息和所述导航误差，获得最终的导航信息。 

可选的，所述根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差，包括： 

通过公式获得导航误差模型，其中，上标n表示导航坐标系，上标b表示载体坐标系；为姿态误差，δvⁿ为速度误差，δpⁿ为东北天坐标系三个方向的位置误差；为陀 螺仪的测量误差，其中ε^b为陀螺仪随机常值零漂，为陀螺仪的测量噪声；δa^b为加速度计的测量误差，其中为加速度计随机常值零偏，为加速度计的测量噪声； 

根据公式获得人体行走时的导航误差，其中，X表示所述导航误差模型的状态向量。 

对应地，本发明还提供了一种行人导航系统，所述系统包括： 

数据采集模块，用于采集人体行走数据，其中，所述人体行走数据包括人体行走时的加速度数据和角速度数据； 

传感器误差校正模块，用于对所述加速度数据和角速度数据进行误差建模，分别得到加速度数据和角速度数据的误差模型，并通过所述加速度数据的误差模型和所述角速度数据的误差模型分别对所述加速度数据和角速度数据进行误差校正，以得到误差补偿后的加速度数据和角速度数据； 

捷联惯导模块，用于根据误差补偿后的加速度数据和角速度数据，利用捷联式惯性导航解算公式获得初步的导航信息，其中，所述导航信息包括人体行走时的三维姿态向量、三维速度向量和三维位置向量； 

零速检测模块，用于根据权利要求1-3任一项所述的零速检测方法，获得人体行走时的支撑相和摆动相，并根据获得的所述支撑相和所述初步的导航信息，获得所述支撑相内的速度误差； 

卡尔曼滤波模块，用于根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差； 

零速校正模块，用于根据获得的所述初步的导航信息和所述导航误差，获得最终的导航信息。 

可选的，所述卡尔曼滤波模块，具体用于： 

通过公式获得导航误差模型，其中，上标n表示导航坐标系，上标b表示载体坐标系；为姿态误差，δvⁿ为速度误差，δpⁿ为东北天坐标系三个方向的位置误差；为陀 螺仪的测量误差，其中ε^b为陀螺仪随机常值零漂，为陀螺仪的测量噪声；δa^b为加速度计的测量误差，其中为加速度计随机常值零偏，为加速度计的测量噪声； 

根据公式获得人体行走时的导航误差，其中，X表示所述导航误差模型的状态向量。 

本发明提供的一种零速检测方法和装置以及行人导航方法和系统，根据人体行走时足部运动的周期特性，利用加速度和角速度的测量值来联合计算零速检测统计量，通过合理预设检测阈值和自动获取修正阈值，实现足部运动的零速检测，得到步态周期的支撑相，通过基于扩展卡尔曼滤波器的零速校正算法，实现行人导航过程中的误差估计和校正。本发明提供的行人导航方法能够克服现有技术导航误差随时间三次方不断积累的缺点，采用本发明实施例提供的零速检测方法可以有效的避免由测量波动引起支撑相的误检测和漏检测，有效地消除测量波动对零速检测的影响，提高零速检测的可靠性，降低零速检测过程对参数选择的敏感性，扩大行人导航方法可行的参数空间，从而提高行人导航系统的精确性和可靠性。 

附图说明

图1为本发明实施例提供的零速检测方法的实现流程图； 

图2为本发明实施例提供的零速检测装置的结构示意图； 

图3为本发明实施例提供的行人导航方法的实现流程图； 

图4为本发明实施例提供的行人导航方法中MEMS IMU传感器的安装方式示意图； 

图5是本发明实施例提供的行人导航方法得到的平面路径估计结果图； 

图6是本发明实施例提供的行人导航方法得到的三维路径估计结果图； 

图7为本发明实施例提供的行人导航系统的结构示意图。 

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚， 下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。 

图1为本发明实施例提供的零速检测方法的实现流程图。本发明实施例提供的零速检测方法可以由本发明实施例提供的零速检测装置来执行，该装置可以由软件和/或硬件来实现。如图1所示，本发明实施例提供的零速检测方法包括： 

步骤101，综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量。 

其中，所述人体行走数据包括人体行走时的加速度数据和角速度数据，人体行走时的加速度数据和角速度数据可以分别通过三轴的加速度计和三轴的陀螺仪来采集。 

可选的，所述综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量可以包括： 

通过公式 $T\left(\right\{a_k^b,{\mathrm{\ω}}_k^b\left\}\right|W)=\frac{1}{W}\underset{j=k}{\overset{k-W+1}{\mathrm{\Σ}}}(\frac{1}{{{\mathrm{\σ}}_a}^2}{\left|\right|a_j^b-{\stackrel{\‾}{a}}_k^b\left|\right|}^2+\frac{1}{{{\mathrm{\σ}}_{\mathrm{\ω}}}^2}{\left|\right|{\mathrm{\ω}}_j^b\left|\right|}^2)$ 获得基于人体行走数据中的加速度数据和角速度数据的零速检测统计量，其中，W表示滑动时间窗口的大小，滑动窗口W的大小可以根据采样频率和行走速度选取，σ_a表示加速度计的测量噪声，σ_ω表示陀螺仪的测量噪声。即所述零速检测统计量由加速度数据的移动方差值和角速度数据的移动均方值加权求和而得，权重由加速度计和陀螺仪的测量噪声σ_a和σ_ω进行调节。 

其中，阈值参数是零速检测方法中涉及到的比较判定阈值，分为检测阈值和修正阈值，检测阈值用于步态时相的粗划分，修正阈值用于步态时相的精划分，检测阈值提前预设，修正阈值通过聚类分析方法自适应获得。 

步骤102，通过将所述零速检测统计量与预设的检测阈值进行比较实现步态时相的粗划分：当所述零速检测统计量小于预设的检测阈值时，检测时刻的人体步态处于支撑相；当所述零速检测统计量大于预设的检测阈值时，检测时刻的人体步态处于摆动相，得到步态时相划分的初步划分结果,即步态时相的粗划分结果。 

具体的，通过将所述零速检测统计量与预设的检测阈值进行比较判断实现步态时相的粗划分，判断的条件为： $C=\left\{\begin{array}{cc}1,& T<T_d\\ 0,& T>T_d\end{array}\right.,$ 其中，1表示支撑相，0表示摆动相，T表示检测统计量，T_d表示预设的检测阈值。通过步骤102的判断，得到步态时相的粗划分结果，即初步划分结果。其中，在人的行走过程中，从一侧足跟接地起到同侧足跟再次接地止称为一个步态周期，由支撑相和摆动相构成，支撑相是指足底与地面相接的时期，摆动相为足底离开地面的时期。 

步骤103，通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，自适应获得用于步态时相精划分的修正阈值，其中，修正阈值包括幅值阈值和时间阈值。 

具体的，对所述摆动相按照摆动幅值的大小进行分类，对所述支撑相按照持续时间的长短进行分类。在将所述摆动相和所述支撑相自动分为真伪两类的同时，自适应地获取用于步态时相精划分的修正阈值，修正阈值包括幅值阈值和时间阈值。幅值阈值用于对所述摆动相进行精划分，时间阈值用于对所述支撑相进行精划分，先进行摆动相的精划分再进行支撑相的精划分。 

步骤104，将所述步态时相的粗划分结果与修正阈值进行比较实现步态时相的精划分：当初步划分结果中的摆动相的摆动幅值小于幅值阈值时，所述摆动相为伪摆动相，将所述伪摆动相与相邻支撑相融合形成新的支撑相，得到步态时相划分的中间划分结果；当所述中间划分结果中的支撑相的持续时间小于时间阈值时，所述支撑相为伪支撑相，将所述伪支撑相与相邻摆动相融合形成新的摆动相，得到步态时相划分的最终划分结果。 

其中，所述中间划分结果是初步划分结果和最终划分结果之间的过渡结果,通过对初步划分结果中的摆动相进行摆动幅值的验证,消除由支撑相内测量值的局部上升波动而导致的伪摆动相,避免支撑相的漏检测,保证支撑相的完整性；但步态时相的中间划分过程未对初步划分结果中的支撑相进行验证，中间划分结果中可能包含由摆动相内测量值的局部下降波动而导致的伪支撑相，需要进一步对中间划分结果中的支撑相进行时间阈值的验证，消除伪支撑相，避免支撑相的误检测，保证摆动相的完整性。由于测量值局部波动的存在，初步划分结果中包含伪摆动相和伪支撑相，中间划分结果消除了初步 划分结果中的伪摆动相，保证了支撑相的完整性，最终划分结果消除了初步划分结果中的伪支撑相，保证了摆动相的完整性，从而实现了步态时相的精确划分。 

其中，所述最终划分结果即为步态时相的精划分结果；在导航过程中，根据步态时相的精划分结果，摆动相内只执行EKF时间更新，支撑相内同时执行EKF时间更新和量测更新，保证了零速校正算法的正确性和可靠性。 

其中，先进行摆动相的精划分再进行支撑相的精划分，是因为支撑相内的伪摆动相将一个完整的支撑相阻断为多个不相邻的短支撑相，而这些短支撑相与摆动相内的伪支撑相通过幅值阈值和时间阈值都很难精确地鉴别出来，如果先进行支撑相的精划分，容易造成支撑相的局部漏检测和完整漏检测。相反地，支撑相内的伪摆动相摆动幅值有限，通过幅值阈值可以精确地鉴别出摆动相的真伪。先进行摆动相的精划分，在消除伪摆动相的同时，避免了支撑相的漏检测，保证了支撑相的完整性，在此基础上再对支撑相进行时间阈值的验证，即可得到步态时相划分的最终划分结果。 

具体的，当初步划分结果中的摆动相的摆动幅值小于幅值阈值时，所述摆动相为伪摆动相，将所述伪摆动相与相邻支撑相融合形成新的支撑相，判断的条件为：其中1表示支撑相，0表示摆动相，T表示检测统计量，T_d表示检测阈值，Γ表示摆动相的摆动幅值，Γ_d表示幅值阈值。设C_n-1、C_n和C_n+1分别表示粗划分结果中第n-1、第n和第n+1个相邻的步态时相，因为双足步态始终在摆动相和支撑相之间交替转换，令C_n-1＝1，C_n＝0，C_n+1＝1，即C_n-1和C_n+1分别为摆动相C_n的相邻支撑相。如果C_n被判断为伪摆动相，则将C_n还原到支撑相内与相邻的支撑相C_n-1和C_n+1融合，形成新的支撑相C＝C_n-1∪C_n∪C_n+1＝1，从而避免了支撑相的漏检测。 

具体的，当所述中间划分结果中的支撑相的持续时间小于时间阈值时，所述支撑相为伪支撑相，将所述伪支撑相与相邻摆动相融合形成新的摆动相，判断的条件为：其中1表示支撑相，0表示摆动相，T表示 检测统计量，T_d表示检测阈值,△表示支撑相的持续时间，△_d表示时间阈值。设C_n-1、C_n和C_n+1分别表示粗划分结果中经摆动幅值验证后的第n-1、第n和第n+1个相邻的步态时相，令C_n-1＝0，C_n＝1，C_n+1＝0，即C_n-1和C_n+1分别为支撑相C_n的相邻摆动相。如果C_n被判断为伪支撑相，则将C_n还原到摆动相内与相邻的摆动相C_n-1和C_n+1融合，形成新的摆动相C＝C_n-1∪C_n∪C_n+1＝0，从而避免了支撑相的误检测。 

零速检测方法是行人导航方法的关键技术之一，是行人导航方法中后续进行误差估计和校正的必要前提，零速检测的可靠性直接关系到零速校正算法的正确性。由于步骤102中得到的步态时相的粗划分结果，没有考虑测量波动对零速检测结果的影响，容易将摆动相内测量值的局部下降波动检测为支撑相而形成伪支撑相；容易将支撑相内测量值的局部上升波动检测为摆动相而形成伪摆动相，这两种情况分别造成支撑相的误检测和漏检测。 

因此，需要对步态时相粗划分的结果进行验证，判断出伪摆动相和伪支撑相，并将伪摆动相和伪支撑相分别还原到支撑相和摆动相中。步骤103根据步态时相的粗划分结果，由聚类分析方法自适应地获得用于步态时相精划分的修正阈值。步骤104通过将步态时相的粗划分结果与修正阈值进行比较实现步态时相的精划分，能够将伪摆动相与相邻的支撑相融合形成新的支撑相，避免支撑相的局部漏检测和完整漏检测，并能够将伪支撑相还原到所属的摆动相内，避免了支撑相的误检测，从而得到最终的零速检测结果，保证了支撑相检测的完整性和精确性。本实施例提供的零速检测方法可以自动地获取用于划分摆动相的幅值阈值和用于划分支撑相的时间阈值，避免人工设定的主观性及随意性。 

本实施例提供的零速检测方法，通过对摆动相和支撑相分别进行摆动幅值和持续时间的验证，自动判断出伪摆动相和伪支撑相，进而将伪摆动相还原到支撑相，将伪支撑相还原到摆动相，能够有效地消除测量波动对零速检测的影响，避免支撑相的误检测和漏检测，保证支撑相的完整性和可靠性，降低零速检测过程对参数选择的敏感性，扩大可行的参数空间，从而提高零速检测的精确性和鲁棒性，降低行人导航的导航误差。 

图2为本发明实施例提供的零速检测装置的结构示意图。如图2所示，本发明实施例提供的零速检测装置包括：检测统计量计算模块201、步态时相粗划分模块202、修正阈值计算模块203和步态时相精划分模块204。 

其中，所述检测统计量计算模块201，用于综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量。 

所述步态时相粗划分模块202，用于通过将所述零速检测统计量与预设的检测阈值进行比较实现步态时相的粗划分：当所述零速检测统计量小于预设的检测阈值时，检测时刻的人体步态处于支撑相；当所述零速检测统计量大于预设的检测阈值时，检测时刻的人体步态处于摆动相，得到步态时相划分的初步划分结果。 

所述修正阈值计算模块203，用于通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，自适应获得步态时相精划分的修正阈值，其中，修正阈值包括幅值阈值和时间阈值； 

所述步态时相精划分模块204，用于将所述步态时相的粗划分结果与修正阈值进行比较实现步态时相的精划分：当初步划分结果中的摆动相的摆动幅值小于幅值阈值时，所述摆动相为伪摆动相，将所述伪摆动相与相邻支撑相融合形成新的支撑相，得到步态时相划分的中间划分结果；当所述中间划分结果中的支撑相的持续时间小于时间阈值时，所述支撑相为伪支撑相，将所述伪支撑相与相邻摆动相融合形成新的摆动相，得到最终划分结果的最终划分结果。 

其中，阈值参数是零速检测方法中涉及到的比较判定阈值，分为检测阈值和修正阈值，检测阈值用于步态时相的粗划分，修正阈值用于步态时相的精划分，检测阈值提前预设，修正阈值通过聚类分析方法自适应获得。 

在上述方案中，可选的，所述检测统计量计算模块201，具体用于：通过公式 $T\left(\right\{a_k^b,{\mathrm{\&omega;}}_k^b\left\}\right|W)=\frac{1}{W}\underset{j=k}{\overset{k-W+1}{\mathrm{\&Sigma;}}}(\frac{1}{{{\mathrm{\&sigma;}}_a}^2}{\left|\right|a_j^b-{\stackrel{\&OverBar;}{a}}_k^b\left|\right|}^2+\frac{1}{{{\mathrm{\&sigma;}}_{\mathrm{\&omega;}}}^2}{\left|\right|{\mathrm{\&omega;}}_j^b\left|\right|}^2)$ 获得基于人体行走数据中加速度数据和角速度数据的零速检测统计量，其中，W表示滑动时间窗口的大小，σ_a表示加速度计的测量噪声，σ_ω表示陀螺仪的测量噪声。 

在上述方案中，可选的，所述修正阈值计算模块203，具体用于：通过聚类分析方法对所述步态时相的粗划分结果进行分类，包括对所述摆动相按照摆动 幅值的大小进行分类，对所述支撑相按照持续时间的长短进行分类。在将所述摆动相和所述支撑相自动分为真伪两类的同时，自适应地获取用于步态时相精划分的修正阈值，修正阈值包括幅值阈值和时间阈值。幅值阈值用于对所述摆动相进行精划分，时间阈值用于对所述支撑相进行精划分，先进行摆动相的精划分再进行支撑相的精划分。 

本实施例提供的零速检测装置，能够通过检测统计量计算模块综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量，通过步态时相粗划分模块得到步态时相的初步划分结果，通过修正阈值计算模块获得步态时相精划分的修正阈值，通过步态时相精划分模块将伪摆动相还原到支撑相，将伪支撑相还原到摆动相，能够有效地消除测量波动对零速检测的影响，避免支撑相的误检测和漏检测，保证支撑相的完整性和可靠性，降低零速检测过程对参数选择的敏感性，扩大可行的参数空间，从而提高零速检测的精确性和鲁棒性，降低行人导航的导航误差。 

图3为本发明实施例提供的行人导航方法的实现流程图。本发明实施例提供的行人导航方法可以由本发明实施例提供的行人导航系统来执行，该系统可以由软件和/或硬件来实现。如图3所示，本发明实施例提供的行人导航方法包括： 

步骤301，采集人体行走数据。 

其中，所述人体行走数据包括人体行走时的加速度数据和角速度数据。所述采集人体行走数据可以包括：分别通过三轴的加速度计和三轴的陀螺仪来采集人体行走数据中的加速度数据和角速度数据。 

具体的，可以将微机电(Micro-Electro-Mechanical Systems，MEMS)惯性传感器(Inertial Measurement Unit，IMU)在封装时集成一个三轴的加速度计和一个三轴的陀螺仪，MEMS IMU传感器可以同时测量物体在三维空间中的加速度数据和角速度数据。为了充分利用人体行走时足部运动特有的周期特性，MEMS IMU传感器固联在行人的足部。MEMS IMU传感器的安装方式可以是嵌入式和非嵌入式。非嵌入式安装方式又可以是捆绑式或粘贴式两种。图4为本发明实施例提供的行人导航方法中MEMS IMU传感器的安装方式示意图。例如，如图4所示通过嵌入式安装方式将MEMS IMU传感器内置于靴子的 鞋跟内部，具有结构紧凑、可靠性高和不影响人体运动性能等优点，适合于单一的终端用户使用。非嵌入式安装方式又可分为捆绑式或粘贴式两种，将MEMS IMU传感器外置于靴子的外部，具有安装拆卸方便、安装位置灵活和易于系统扩展移植等优点，适合于不同的测试人员使用。为了避免传感器与双足之间的干涉而影响行人的正常行走，非嵌入式安装方式一般安装在脚尖、脚背、脚跟和脚外侧等位置。 

其中，随着微机电(Micro-Electro-Mechanical Systems，MEMS)技术的不断发展，使得基于MEMS技术的惯性传感器(Inertial Measurement Unit，IMU)也有了很大的改进，基于MEMS技术的惯性传感器具有体积小、质量轻、功耗低、响应快、成本低、灵敏度高等优点，精度也在逐步提高，这使得MEMS IMU成为穿戴式行人导航系统的理想选择，成为一大研究热点。目前基于MEMS IMU的行人导航技术已经取得了一些初步的研究成果，可用于单兵、消防员和井下作业人员的导航定位，用于医院和家庭中病人和老人的日常监护，用于盲人或视力障碍者的出行导航，用于购物、参观和旅游等的陌生环境中的路径导航，在医疗卫生、休闲娱乐、体育竞技和军事安全等军用和民用领域有具有广阔的应用前景。 

步骤302，对所述加速度数据和角速度数据进行误差建模，分别得到加速度数据和角速度数据的误差模型，并通过所述加速度数据的误差模型和所述角速度数据的误差模型分别对所述加速度数据和角速度数据进行误差校正，以得到误差补偿后的加速度数据和角速度数据。 

根据MEMS IMU传感器采集的人体行走数据，针对加速度数据和角速度数据的主要误差项进行误差建模和校正，得到经过误差补偿后的加速度数据和角速度数据，用于后续的捷联式惯性导航解算。 

具体的，对所述加速度数据和角速度数据进行误差建模，分别得到加速度数据和角速度数据的误差模型，包括：通过公式得到所述加速度数据的误差模型，其中，K_A表示加速度计的刻度系数矩阵，表示加速度计的等效常值偏置，a^′b表示经过误差补偿后的加速度数据；通过公式ω^′b＝K_Gω^b-ε^b得到所述角速度数据的误差模型，其中，K_G表示陀螺仪的刻度系数矩阵，ε^b表示陀螺仪的等效常值漂移，ω^′b表示经过误差补偿后的角速度数据。 

步骤303，根据误差补偿后的加速度数据和角速度数据，利用捷联式惯性导航解算公式获得初步的导航信息。 

其中，捷联式惯性导航是一种相对定位方式，在行人导航过程开始之前需要对MEMS IMU传感器进行初始对准，确定行人开始行走时MEMS IMU传感器的初始姿态数据和行走路径的初始位置数据。因此，在行人导航过程开始之后，需要使MEMS IMU传感器保持几秒的静止状态进行初始对准。获得行人的初始姿态和初始位置后，通过步骤302中得到的经过误差补偿后的加速度数据a^′b和角速度数据ω^′b，利用捷联式惯性导航解算公式，解算出初步的导航信息，其中，所述导航信息包括人体行走时的三维姿态向量三维速度向量vⁿ和三维位置向量pⁿ。 

步骤304，根据权利要求1-3任一项所述的零速检测方法，获得人体行走时的支撑相和摆动相，并根据获得的所述支撑相和所述初步的导航信息，获得所述支撑相内的速度误差。 

由于本发明任意实施例提供的零速检测方法能够避免支撑相的误检测和漏检测，保证支撑相的完整性，因此，根据本发明任意实施例提供的零速检测方法，获得的人体行走时的支撑相的零速检测结果更可靠。 

步骤305，根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差。 

在本发明实施例中，可选的，所述根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差，包括：通过公式 获得导航误差模型，其中，上标n表示导航坐标系，上标b表示载体坐标系；为姿态误差，δvⁿ为速度误差，δpⁿ为东北天坐标系三个方向的位置误差；为陀螺仪的测量误差，其中ε^b为陀螺仪随机常值零漂，为陀螺仪的测量噪声；δa^b为加速度计的测量误差，其中为加速度计随机常值零偏，为加速度计的测量噪声；根据公式获得人体行走时的导航误差，其中，X表示所述导航误差模型的状态向量。 

其中，捷联式惯性导航用于行人导航时，由于人的行走速度很低，行走 距离有限，且滤波周期为小量，所以实际使用中导航误差模型可简化为： 

卡尔曼滤波器的量测变量选取为支撑相内由步骤303中解算出的速度vⁿ，因为支撑相内足底与地面保持相对静止，MEMS IMU传感器的对地绝对速度为零，支撑相内系统的速度输出视为上一个步态周期内积累的速度误差，即δvⁿ＝vⁿ-0＝vⁿ。卡尔曼滤波器的系统方程为：  $\stackrel{\&CenterDot;}{X}=\left(t\right)=F\left(t\right)X\left(t\right)+W\left(t\right),$ 其中， $F=\left[\begin{array}{ccc}{0}_{3\&times;3}& 0_{3\&times;3}& 0_{3\&times;3}\\ 0_{3\&times;3}& 0_{3\&times;3}& I_{3\&times;3}\\ [\left(C_b^n{a}^b\right)\&times;]& 0_{3\&times;3}& 0_{3\&times;3}\end{array}\right].$ 卡尔曼滤波器的量测方程为：Z(t)＝HX(t)+V(t)，其中，H＝[0_3×3 0_3×3 I_3×3]。 

另外，在导航过程中，每一次惯性导航解算后都要执行EKF时间更新，而只有在检测到的支撑相内才将当前时刻的速度输出视为速度误差作为伪测量提供给卡尔曼滤波器，执行EKF量测更新。一个完整的EKF模块，作用相当于一个导航误差的估计器，在每一个支撑相内估计出上一个步态周期中积累的姿态、速度和位置误差。 

步骤306，根据获得的所述初步的导航信息和所述导航误差，获得最终的导航信息。 

将步骤305中获得人体行走时的导航误差前馈到步骤303中获得初步的导航信息，进行误差校正，得到最终的导航信息，即：姿态向量通过公式 得到，速度向量通过公式v^′n＝vⁿ-δvⁿ得到，位置向量通过公式p^′n＝pⁿ-δpⁿ得到，其中，vⁿ和pⁿ分别为步骤303中获得的三维姿态向量、三维速度向量和三维位置向量，δvⁿ和δpⁿ分别为步骤305中获得的姿态误差、速度误差和东北天坐标系三个方向的位置误差。基于卡尔曼滤波器的零速校正算法，不仅能够对速度误差进行校正，还能够对姿态误差和位置误差进行校正。零速校正的频率由人体行走时的步频决定，正常成人步频约为110～120步/分，快步可至140步/分。因此，基于零速校正的行人导航方法， 每隔一秒左右就会进行一次误差估计和校正，及时有效地消除速度误差并约束位置误差。经过零速校正后，导航信息的位置误差不再以导航时间三次方的趋势发散，而是与行走的步数成正比例关系。 

零速校正算法不是直接将支撑相内的速度重置为零，仅仅达到消除速度误差的目的，而是充分利用速度与姿态和位置之间耦合关系，在零速校正阶段估计和校正更多的导航误差。为此，本发明实施例根据导航系统误差模型设计了基于扩展卡尔曼滤波器的零速校正算法。零速校正算法的有效性取决于零速检测方法的精确度。对于行人导航系统而言，零速检测是判断当前时刻足部是否处于步态周期中的支撑相，从而正确适时地进行零速校正。为了合理地利用零速校正算法进行误差补偿，需要正确地检测出行走过程中每一个步态周期的支撑相。 

本发明实施例中卡尔曼滤波器的状态变量选取为惯性导航过程的导航误差状态向量，而没有对传感器的测量误差状态向量进行建模和估计。因为MEMS IMU传感器的精度较低，而用于零速校正的卡尔曼滤波器无法估计得到较为精确的传感器误差。对于零速校正而言，如果将传感器的测量误差作为增广的状态向量引入卡尔曼滤波器进行建模和估计，所引起的建模误差对系统性能的影响甚至大于测量误差本身对系统性能的影响，导致系统性能下降。因此，在基于MEMS IMU的行人导航系统中，应当尽量避免在用于零速校正的卡尔曼滤波器中对传感器误差进行建模和估计。 

另外，本实施例提供的行人导航方法可通过无线通讯方式将行人的相关位置信息传输给现场或远程的监控中心，以使现场或远程的监控中心能够监测行人的位置变化情况。即由MEMS IMU传感器采集人体行走数据，由便携式上位机对采集到的人体行走数据进行存储和处理，以确定行人的实时位置和记录行人的行走轨迹，实现行人定位和导航的功能。便携式上位机包括便携式PC、PDA、智能手机等终端设备，便携式上位机具有简洁直观的人机界面，可以支持行人导航软件的安装和应用。MEMS IMU传感器与上位机之间可以通过RS232、RS422、RS485和RS644等串行通信方式进行有线连接，也可以通过蓝牙、Zigbee、WIFI和GPRS等无线通信方式进行无线连接。上位机的数据传输模块可将上述导航信息通过无线通讯的方式传输给现场或远程的监控中心，实时监测行人的位置变化情况。 

下面以实例的形式对本实施例提供的方案进行说明： 

示例性的，采用Memsense公司生产的Nano IMU传感器来验证本发明实施例提供的行人导航方法。行人导航系统在启动后，实验人员需要在路径起点位置保持静止状态几秒，用以进行IMU传感器的初始对准。 

例如，设计为二维平面内的八字结行走路径，该八字结路径相当于两个矩形路径的组合，每个矩阵的长为18.6米，宽为11.4米，八字结路径的总长度为120米。实验过程中，路径起始位置固定，不对实验人员的步速和步频做具体要求，实验人员沿闭合八字结路径行走一圈回到路径起始位置，一次实验结束。图5是本发明实施例提供的行人导航方法得到的平面路径估计结果图。以一次实验数据为例，利用本发明中的行人导航系统对实验的行走路径进行估计，估计出的路径如图5所示。通过图5可以看出如果能够精确地检测每个步态周期的支撑相，能够合理地利用基于扩展卡尔曼滤波器的零速校正算法，基于MEMS IMU传感器的惯性行人导航方法可以取得理想的导航定位结果。 

或者例如，设计为三维平面内的上下楼行走路径，该上下楼路径包含三个楼层。实验过程中，路径起始位置固定，实验人员行走的楼层次序为：一楼→二楼→三楼→二楼→一楼，每个楼层内进行一个矩阵路径的行走，该矩形路径与实验1中的矩形路径相同，实验结束后回到路径起始位置。图6是本发明实施例提供的行人导航方法得到的三维路径估计结果图。以一次实验数据为例，利用本发明中的行人导航系统对行走路径进行估计，估计出的三维空间路径如图6所示。通过图6可以看出采用本发明实施例提供的行人导航方法得到的导航定位结果误差较小，导航定位结果较理想。 

本实施例提供的行人导航方法，利用人体行走时足部运动的周期特性，利用加速度和角速度的联合检测统计量，通过设置检测阈值，实现足部运动的零速检测，得到步态周期的支撑相，通过基于扩展卡尔曼滤波器的零速校正算法，实现行人导航的误差估计和校正。本发明任意实施例提供的行人导航方法能够克服现有技术导航误差随时间三次方不断积累的缺点，采用本发明任意实施例提供的零速检测方法可以有效的避免由测量波动引起支撑相的误检测和漏检测，有效地消除测量波动对零速检测的影响，提高零速检测的可靠性，降低零速检测过程对参数选择的敏感性，扩大行人导航方法可行的参数空间，从而提高行人导航系统的精确性和可靠性。 

图7为本发明实施例提供的行人导航系统的结构示意图。如图7所示，本发明实施例提供的行人导航系统包括：数据采集模块701、传感器误差校正模块702、捷联惯导模块703、零速检测模块704、卡尔曼滤波模块705和零速校正模块706。 

其中，所述数据采集模块701，用于采集人体行走数据，其中，所述人体行走数据包括人体行走时的加速度数据和角速度数据；所述传感器误差校正模块702，用于对所述加速度数据和角速度数据进行误差建模，分别得到加速度数据和角速度数据的误差模型，并通过所述加速度数据的误差模型和所述角速度数据的误差模型分别对所述加速度数据和角速度数据进行误差校正，以得到误差补偿后的加速度数据和角速度数据；所述捷联惯导模块703，用于根据误差补偿后的加速度数据和角速度数据，利用捷联式惯性导航解算公式获得初步的导航信息，其中，所述导航信息包括人体行走时的三维姿态向量、三维速度向量和三维位置向量；所述零速检测模块704，用于根据权利要求1-3任一项所述的零速检测方法，获得人体行走时的支撑相和摆动相，并根据获得的所述支撑相和所述初步的导航信息，获得所述支撑相内的速度误差；所述卡尔曼滤波模块705，用于根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差；所述零速校正模块706，用于根据获得的所述初步的导航信息和所述导航误差，获得最终的导航信息。 

进一步的，所述传感器误差校正模块702，具体用于：通过公式得到所述加速度数据的误差模型，其中，K_A表示加速度计的刻度系数矩阵，表示加速度计的等效常值偏置，表示经过误差补偿后的加速度数据；通过公式得到所述角速度数据的误差模型，其中，K_G表示陀螺仪的刻度系数矩阵，ε^b表示陀螺仪的等效常值漂移，表示经过误差补偿后的角速度数据。 

进一步的，所述卡尔曼滤波模块705，具体用于：通过公式 获得导航误差模型，其中，上标n表示导航坐标系，上标b表示载体坐标系；为姿态误差，δvⁿ为速度误差，δpⁿ为东北天坐标系三个方向的位置误差；为陀螺仪的测 量误差，其中ε^b为陀螺仪随机常值零漂，为陀螺仪的测量噪声；δa^b为加速度计的测量误差，其中为加速度计随机常值零偏，为加速度计的测量噪声；根据公式获得人体行走时的导航误差，其中，X表示所述导航误差模型的状态向量。 

本实施例提供的行人导航系统，通过数据采集模块采集人体行走数据，通过传感器误差校正模块进行传感器误差建模和校正，通过捷联惯导模块获得初步的导航信息，通过零速检测模块获得人体行走时的支撑相以及支撑相内的速度误差，通过卡尔曼滤波模块估计人体行走时每个步态周期内积累的导航误差，通过零速校正模块实现导航误差的校正得到最终的导航信息。本发明实施例提供的行人导航系统能够克服现有技术导航误差随时间三次方不断积累的缺点，有效地消除测量波动对零速检测的影响，提高零速检测的可靠性，降低零速检测过程对参数选择的敏感性，扩大行人导航方法可行的参数空间，从而提高行人导航系统的精确性和可靠性。 

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。 

Claims (10)

1.一种零速检测方法，其特征在于，所述零速检测方法包括： 

综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量，阈值参数分为检测阈值和修正阈值，其中，检测阈值用于步态时相的粗划分，修正阈值用于步态时相的精划分； 

通过将所述零速检测统计量与预设的检测阈值进行比较实现步态时相的粗划分：当所述检测统计量小于预设的检测阈值时，检测时刻的人体步态处于支撑相；当所述检测统计量大于预设的检测阈值时，检测时刻的人体步态处于摆动相，得到步态时相划分的初步划分结果； 

通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，自适应获得步态时相精划分的修正阈值，其中，修正阈值包括幅值阈值和时间阈值； 

将所述步态时相的粗划分结果与修正阈值进行比较实现步态时相的精划分：当初步划分结果中的摆动相的摆动幅值小于幅值阈值时，所述摆动相为伪摆动相，将所述伪摆动相与相邻支撑相融合形成新的支撑相，得到步态时相划分的中间划分结果；当所述中间划分结果中的支撑相的持续时间小于时间阈值时，所述支撑相为伪支撑相，将所述伪支撑相与相邻摆动相融合形成新的摆动相，得到步态时相划分的最终划分结果。 

2.根据权利要求1所述的零速检测方法，其特征在于，所述综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量，包括： 

通过公式获得基于人体行走数据中的加速度数据和角速度数据的零速检测统计量，其中，W表示滑动时间窗口的大小，σ_a表示加速度计的测量噪声，σ_ω表示陀螺仪的测量噪声。 

3.根据权利要求1或2所述的零速检测方法，其特征在于，所述通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，获得步态时相精划分的修正阈值，包括： 

对所述摆动相按照摆动幅值的大小进行分类，对所述支撑相按照持续时间的长短进行分类：在将所述摆动相和所述支撑相自动分为真伪两类的同时，自 适应地获取用于步态时相精划分的修正阈值，修正阈值包括幅值阈值和时间阈值；幅值阈值用于对所述摆动相进行精划分，时间阈值用于对所述支撑相进行精划分，先进行摆动相的精划分再进行支撑相的精划分。 

4.一种零速检测装置，其特征在于，所述零速检测装置包括： 

检测统计量计算模块，用于综合利用人体行走数据中的加速度数据和角速度数据计算零速检测统计量； 

步态时相粗划分模块，用于通过将所述零速检测统计量与预设的检测阈值进行比较实现步态时相的粗划分：当所述检测统计量小于预设的检测阈值时，检测时刻的人体步态处于支撑相；当所述检测统计量大于预设的检测阈值时，检测时刻的人体步态处于摆动相，得到步态时相划分的初步划分结果； 

修正阈值计算模块，用于通过聚类分析方法对初步划分结果中的所述摆动相的摆动幅值和所述支撑相的持续时间进行分类，自适应获得步态时相精划分的修正阈值，其中，修正阈值包括幅值阈值和时间阈值； 

步态时相精划分模块，用于将所述步态时相的粗划分结果与修正阈值进行比较实现步态时相的精划分：当初步划分结果中的摆动相的摆动幅值小于幅值阈值时，所述摆动相为伪摆动相，将所述伪摆动相与相邻支撑相融合形成新的支撑相，得到步态时相划分的中间划分结果；当所述中间划分结果中的支撑相的持续时间小于时间阈值时，所述支撑相为伪支撑相，将所述伪支撑相与相邻摆动相融合形成新的摆动相，得到步态时相划分的最终划分结果。 

5.根据权利要求4所述的零速检测装置，其特征在于，所述检测统计量计算模块，具体用于： 

通过公式获得基于人体行走数据中加速度数据和角速度数据的零速检测统计量，其中，W表示滑动时间窗口的大小，σ_a表示加速度计的测量噪声，σ_ω表示陀螺仪的测量噪声。 

6.根据权利要求4或5所述的零速检测装置，其特征在于，所述修正阈值计算模块，具体用于： 

通过聚类分析方法对所述步态时相的粗划分结果进行分类，包括对所述摆动相按照摆动幅值的大小进行分类，对所述支撑相按照持续时间的长短进行分类：在将所述摆动相和所述支撑相自动分为真伪两类的同时，自适应地获取用 于步态时相精划分的修正阈值，修正阈值包括幅值阈值和时间阈值；幅值阈值用于对所述摆动相进行精划分，时间阈值用于对所述支撑相进行精划分，先进行摆动相的精划分再进行支撑相的精划分。 

7.一种行人导航方法，其特征在于，所述行人导航方法包括： 

采集人体行走数据，其中，所述人体行走数据包括人体行走时的加速度数据和角速度数据； 

对所述加速度数据和角速度数据进行误差建模，分别得到加速度数据和角速度数据的误差模型，并通过所述加速度数据的误差模型和所述角速度数据的误差模型分别对所述加速度数据和角速度数据进行误差校正，以得到误差补偿后的加速度数据和角速度数据； 

根据误差补偿后的加速度数据和角速度数据，利用捷联式惯性导航解算公式获得初步的导航信息，其中，所述导航信息包括人体行走时的三维姿态向量、三维速度向量和三维位置向量； 

根据权利要求1-3任一项所述的零速检测方法，获得人体行走时的支撑相和摆动相，并根据获得的所述支撑相和所述初步的导航信息，获得所述支撑相内的速度误差； 

根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差； 

根据获得的所述初步的导航信息和所述导航误差，获得最终的导航信息。 

8.根据权利要求7所述的行人导航方法，其特征在于，所述根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差，包括： 

通过公式获得导航误差模型，其中，上标n表示导航坐标系，上标b表示载体坐标系；为姿态误差，δvⁿ为速度误差，δpⁿ为东北天坐标系三个方向的位置误差；为陀螺仪的测量误差，其中ε^b为陀螺仪随机常值零漂，为陀螺仪的测量噪声；δa^b为加速度计的测量误差，其中为加速度计随机常 值零偏，为加速度计的测量噪声； 

根据公式获得人体行走时的导航误差，其中，X表示所述导航误差模型的状态向量。 

9.一种行人导航系统，其特征在于，所述行人导航系统包括： 

数据采集模块，用于采集人体行走数据，其中，所述人体行走数据包括人体行走时的加速度数据和角速度数据； 

传感器误差校正模块，用于对所述加速度数据和角速度数据进行误差建模，分别得到加速度数据和角速度数据的误差模型，并通过所述加速度数据的误差模型和所述角速度数据的误差模型分别对所述加速度数据和角速度数据进行误差校正，以得到误差补偿后的加速度数据和角速度数据； 

捷联惯导模块，用于根据误差补偿后的加速度数据和角速度数据，利用捷联式惯性导航解算公式获得初步的导航信息，其中，所述导航信息包括人体行走时的三维姿态向量、三维速度向量和三维位置向量； 

零速检测模块，用于根据权利要求1-3任一项所述的零速检测方法，获得人体行走时的支撑相和摆动相，并根据获得的所述支撑相和所述初步的导航信息，获得所述支撑相内的速度误差； 

卡尔曼滤波模块，用于根据获得的所述支撑相内的速度误差，利用扩展卡尔曼滤波器获得人体行走时的导航误差； 

零速校正模块，用于根据获得的所述初步的导航信息和所述导航误差，获得最终的导航信息。 

10.根据权利要求9所述的行人导航系统，其特征在于，所述卡尔曼滤波模块，具体用于： 

通过公式获得导航误差模型，其中，上标n表示导航坐标系，上标b表示载体坐标系；为姿态误差，δvⁿ为速度误差，δpⁿ为东北天坐标系三个方向的位置误差；为陀螺仪的测量误差，其中ε^b为陀螺仪随机常值零漂，为陀螺仪的 测量噪声；δa^b为加速度计的测量误差，其中为加速度计随机常值零偏，为加速度计的测量噪声； 

根据公式获得人体行走时的导航误差，其中，X表示所述导航误差模型的状态向量。