CN106017454B - 一种基于多传感器融合技术的行人导航装置和方法 - Google Patents

一种基于多传感器融合技术的行人导航装置和方法 Download PDF

Info

Publication number
CN106017454B
CN106017454B CN201610431107.0A CN201610431107A CN106017454B CN 106017454 B CN106017454 B CN 106017454B CN 201610431107 A CN201610431107 A CN 201610431107A CN 106017454 B CN106017454 B CN 106017454B
Authority
CN
China
Prior art keywords
imu
initial data
processing unit
hand
module
Prior art date
Application number
CN201610431107.0A
Other languages
English (en)
Other versions
CN106017454A (zh
Inventor
庄园
杨军
戚隆宁
李由
Original Assignee
东南大学
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 东南大学 filed Critical 东南大学
Priority to CN201610431107.0A priority Critical patent/CN106017454B/zh
Publication of CN106017454A publication Critical patent/CN106017454A/zh
Application granted granted Critical
Publication of CN106017454B publication Critical patent/CN106017454B/zh

Links

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

Abstract

本发明公开了一种基于多传感器融合技术的行人导航装置和方法,装置包括手持智能设备、观测量处理单元和融合滤波器;方法包括如下步骤:(1)手持智能设备利用自身硬件获取IMU、磁力计、压力计、WiFi、BLE和GNSS等的原始数据;(2)观测量处理单元处理手持智能设备提供的原始数据以提供位置或速度等观测量给融合滤波器;(3)融合滤波器利用运动学模型作为系统模型,观测量处理单元的结果建立观测模型,经过融合滤波器的处理最终得到行人导航结果。本发明克服了在没有其他辅助系统的情况下,导航误差会迅速累积的缺点;IMU处理模块考虑了手持智能设备的多种模式,突破了传统多传感器融合IMU需和载体固定的限制;提高了行人导航的精确度。

Description

一种基于多传感器融合技术的行人导航装置和方法

技术领域

[0001] 本发明涉及多传感器融合和行人导航领域,尤其是一种基于多传感器融合技术的 行人导航装置和方法。

背景技术

[0002] 随着移动互联网的发展,室内外的行人导航应用蓬勃发展,例如大型商场室内导 航、医院病人追踪、超市人流分析等。国内外多个市场分析报告一致认为行人导航将是一个 有巨大市场的研究方向。与此同时,便携式智能设备,例如:智能手机、平板电脑和智能手表 等在过去十年中一直超高速发展,已成为人们生活不可缺少的一部分。这些便携式设备大 多数具备强大的处理器、无线收发器、摄像头、全球导航卫星系统GNSS接收机和众多传感 器。因此,这些便携式智能设备已成为多传感器融合和行人导航相关应用的理想平台。

[0003] 目前单一行人导航技术都存在不同程度的缺陷。基于WiFi和蓝牙等无线系统的行 人导航技术通常具有无线信号强度在恶劣的环境下波动较大,无法提供完整的导航信息如 三维位置、速度和姿态,系统性能高度依赖于发射设备的分布和数量,位置信息不连续平滑 等缺陷。基于微惯性单元的行人导航技术短期精准,但导航误差累积较快。基于摄像头的视 觉定位在复杂环境下视觉传感器标定较慢、特征信息提取错误率高、导航信息计算慢等缺 陷。因此,多传感器融合已成为目前行人导航的主流方案。

[0004] 目前,现有的多传感器融合技术一般包括以下几个步骤:(1)以惯性单元(三轴加 速度计和三轴陀螺仪)的测量数据通过惯性机械编排算法计算跟踪物体的位置、速度和姿 态信息;(2)建立与惯性机械编排算法对应的误差模型,并作为融合滤波器的系统模型;(3) 将其他辅助系统(GPS、WiFi、蓝牙、RFID、GNSS等)建立为融合滤波器的观测模型;⑷通过融 合滤波器的预测和更新过程估计出系统状态量误差;和(5)将系统状态量误差补偿惯性单 元误差和基于惯性机械编排算法的位置、速度和姿态信息,得出最终的位置信息、速度和姿 态息。

[0005] 现有多传感器融合技术具有以下两个致命缺点(1)在没有其他辅助系统的情况 下,导航误差会迅速累积;(2)当惯性单元与载体不固定的情况下,例如:行人导航中的手机 和行人,传统的多传感器融合技术无法正确估计出载体的信息。因此,现有多传感器融合技 术在很多场景下无法提供准确的行人导航信息。

发明内容

[0006] 本发明所要解决的技术问题在于,提供一种基于多传感器融合技术的行人导航装 置和方法,达到提升行人导航精度和可用性的效果。

[0007] 为解决上述技术问题,本发明提供一种基于多传感器融合技术的行人导航装置和 方法,包括:手持智能设备、观测量处理单元以及融合滤波器;手持智能设备利用自身硬件 获取惯性测量单元(Inertial Measurement Unit,IMU)、磁力计、压力计、WiFi、低耗能蓝牙 (Bluetooth Low Energy,BLE)和全球导航卫星系统(Global Navigation Satellite SyStem,GNSS)的原始数据,观测量处理单元处理手持智能设备提供的原始数据以提供位置 和速度观测量给融合滤波器,融合滤波器利用运动学模型作为系统模型,观测量处理单元 的结果建立观测模型,经过融合滤波器的处理最终得到行人导航结果。

[0008] 优选的,手持智能设备包括现有智能设备常见的IMU、磁力计、压力计、WiFi、低耗 能蓝牙和GNSS; IMU提供加速度和角速度的原始数据;所述磁力计提供地磁的原始数据;压 力计提供大气气压的原始数据;WiFi提供WiFi接收信号强度(Received Signal Strength, RSS)的原始数据;BLE提供BLERSS的原始数据;GNSS接收机提供GNSS的原始数据;智能设备 平台任何可以提供观测信息的其他传感器都可以包含在所提出的多传感器融合算法中。 [0009] 优选的,观测量处理单元包括:IMU处理单元、磁力计处理单元、压力计处理单元、 WiFi处理单元、BLE处理单元和GNSS处理单元;IMU处理单元处理所述IMU提供的加速度和角 速度的原始数据以得到頂U位置信息并传送给所述融合滤波器;磁力计处理单元处理所述 磁力计提供的地磁的原始数据以得到地磁位置信息并传送给所述融合滤波器;压力计处理 单元处理所述压力计提供的大气气压的原始数据以得到高程信息并传送给所述融合滤波 器;WiFi处理单元处理所述WiFi提供的RSS原始数据以得到WiFi位置信息并传送给所述融 合滤波器;BLE处理单元处理所述BLE提供的RSS原始数据以得到BLE位置信息并传送给所述 融合滤波器;GNSS处理单元处理所述GNSS接收机提供的位置和速度信息并传送给所述融合 滤波器。观测量处理单元还包括其他处理单元以处理智能设备平台的其他传感器来得到位 置或速度信息并传送给融合滤波器。

[0010] 优选的,融合滤波器包括系统模型和观测模型;系统模型使用运动学模型对待测 目标的位置和速度信息进行预测,并传送给观测模型;观测模型将系统模型预测的位置、速 度信息与观测量处理单元提供的基于頂U、磁力计、压力计、WiFi、BLE和GNSS的位置、速度信 息结合,更新待测目标的的最终位置和速度信息。

[0011] 优选的,頂u处理单元包括用户运动模式和设备使用模式识别模块、航向角偏差估 计模块、改进航位推算算法模块,用户运动模式和设备使用模式识别模块根据所述手持智 能设备的IMU和其他可选的硬件(例如磁力计)提供的原始数据识别出静止、行走、跑步用户 运动模式和手持、短信、电话、导航、口袋、背包设备使用模式;航向角偏差估计模块根据所 述用户运动模式和设备使用模式识别模块输出的用户运动模式和设备使用模式和所述手 持智能设备的IMU和其他可选的硬件(例如磁力计)提供的原始数据估计出航向角偏差;改 进航位推算算法模块根据所述航向角偏差估计模块输出的航向角偏差和所述手持智能设 备的IMU和其他可选的硬件(例如磁力计)提供的原始数据得到IMU位置信息并传送给所述 融合滤波器。

[0012] 优选的,改进航位推算算法模块包括测姿系统模块、航向角偏差补偿模块、步伐检 测模块、步长估计模块、航位推算算法模块,测姿系统模块根据所述手持智能设备的IMU和 其他可选磁力计提供的原始数据识别出手持智能设备的姿态信息;航向角偏差补偿模块读 取航向角偏差估计模块输出的航向角偏差并补偿给行人航向角、输出给航位推算算法;步 伐检测模块算法模块根据所述手持智能设备的IMU的原始数据检测出行人的步数反馈给步 长估计模块;步长估计模块根据所述步伐检测模块的结果和所述手持智能设备的IMU的原 始数据估计出行人的步长,并反馈给所述的航位推算算法模块;航位推算算法模块根据所 述步长估计模块输出的步长信息和所述航向角偏差补偿模块输出的行人航向角信息计算 出IMU位置观测量并反馈给所述的融合滤波器。

[0013] 相应地,本发明还提供了一种基于多传感器融合技术的行人导航方法,包括以下 步骤:

[0014] (1)手持智能设备利用自身硬件获取MU、磁力计、压力计、WiFi、BLE和GNSS的原始 数据;(2)观测量处理单元处理手持智能设备提供的原始数据以提供位置和速度观测量给 融合滤波器;(3)融合滤波器利用运动学模型作为系统模型,观测量处理单元的结果建立观 测模型,经过融合滤波器的处理最终得到行人导航结果。

[0015] 优选的,观测量处理单元处理手持智能设备提供的原始数据以提供位置和速度观 测量给融合滤波器包括如下步骤:

[0016] (I)MU处理单元处理MU提供的加速度和角速度的原始数据以得到MU位置信息 并传送给融合滤波器;(2)磁力计处理单元处理磁力计提供的地磁的原始数据以得到地磁 位置信息并传送给融合滤波器;(3)压力计处理单元处理压力计提供的大气气压的原始数 据以得到高程信息并传送给融合滤波器;⑷WiFi处理单元处理WiFi提供的RSS原始数据以 得到WiFi位置信息并传送给融合滤波器;(5) BLE处理单元处理BLE提供的RSS原始数据以得 至IjBLE位置信息并传送给融合滤波器;(6) GNSS处理单元处理GNSS芯片提供的GNSS的原始数 据以得到GNSS的位置和速度信息并传送给融合滤波器。

[0017] 优选的,頂U处理单元处理IMU提供的加速度和角速度的原始数据以得到IMU位置 信息并传送给融合滤波器包括如下步骤:

[0018] (1)用户运动模式和设备使用模式识别模块根据手持智能设备的IMU和其他可选 的硬件(例如磁力计)提供的原始数据识别出静止、行走、跑步用户运动模式和手持、短信、 电话、导航、口袋、背包设备使用模式;

[0019] (2)航向角偏差估计模块根据用户运动模式和设备使用模式识别模块输出的用户 运动模式和设备使用模式和手持智能设备的MU和其他可选的硬件(例如磁力计)提供的原 始数据估计出航向角偏差;

[0020] (3)改进航位推算算法模块根据航向角偏差估计模块输出的航向角偏差和手持智 能设备的IMU和其他可选的硬件(例如磁力计)提供的原始数据得到IMU位置信息并传送给 所述融合滤波器。

[0021] 优选的,所述改进航位推算算法模块包括如下步骤:

[0022] (1)测姿系统模块根据手持智能设备的IMU和其他可选磁力计提供的原始数据识 别出手持智能设备的姿态信息;

[0023] (2)航向角偏差补偿模块读取航向角偏差估计模块输出的航向角偏差并补偿给行 人航向角、输出给航位推算算法;

[0024] (3)步伐检测模块算法模块根据手持智能设备的IMU的原始数据检测出行人的步 数反馈给步长估计模块;

[0025] (4)步长估计模块根据步伐检测模块的结果和手持智能设备的IMU的原始数据估 计出行人的步长,并反馈给航位推算算法模块;

[0026] (5)航位推算算法模块根据步长估计模块输出的步长信息和航向角偏差补偿模块 输出的行人航向角信息计算出IMU位置观测量并反馈给融合滤波器。

[0027] 本发明的有益效果为:本发明优化了传统行人导航中MU的使用方法,将其从融合 滤波器的系统模型解放出来变成观测模型,克服了将传统多传感器融合在没有其他辅助系 统的情况下,导航误差会迅速累积的缺点。本发明中的MU处理模块考虑了日常生活中手持 智能设备的多种模式,突破了传统多传感器融合IMU需和载体固定的限制。因此,本发明大 大提高了行人导航的精确度和可用性。

附图说明

[0028] 图1为本发明基于多传感器融合的行人导航装置的结构示意图。

[0029] 图2为本发明中惯性单元处理模块的结构示意图。

[0030] 图3为本发明中高斯内核支持向量机非线性分类器示意图。

[0031] 图4为本发明中用户运动模式和智能设备使用模式识别支持向量机示意图。

[0032] 图5为本发明中改进的行人航位推测算法示意图。

具体实施方式

[0033] 如图1所示,一种基于多传感器融合的行人导航装置,包括:手持智能设备1、观测 量处理单元2以及融合滤波器3。手持智能设备1利用自身硬件获取惯性测量单元(Inertial Measurement Unit,IMU) 11、磁力计 12、压力计 13、WiFi 14、低耗能蓝牙(Bluetooth Low Energy,BLE) 15和GNSS接收机16的原始数据,观测量处理单元2处理手持智能设备1提供的 原始数据以提供位置或速度等观测量给融合滤波器3,融合滤波器3利用运动学模型作为系 统模型31,观测量处理单元的结果建立观测模型32,经过融合滤波器3的处理最终得到行人 导航结果。上述多传感器融合行人导航装置可以用于各种手持智能设备(包括智能手机、平 板电脑、智能手表等),手持智能设备可以手持或固定于行人身上。图1所示的多传感器融合 的行人导航系统颠覆了传统行人导航中IMU的使用方法,将其从融合滤波器的系统模型31 解放出来变成观测模型32,克服了将传统多传感器融合行人导航装置在没有其他辅助系统 的情况下,导航误差会迅速累积的缺点。

[0034] 上述手持智能设备1包括现有智能设备常见的MU 11、磁力计12、压力计13、WiFi 14、蓝牙BLE 15和GNSS接收机16等;IMU 11提供加速度和角速度的原始数据;磁力计12提供 地磁的原始数据;所述压力计13提供大气气压的原始数据;WiFi 14提供WiFi接收信号强度 (Received Signal Strength,RSS)的原始数据;蓝牙BLE 15提供BLERSS的原始数据;GNSS 接收机16提供GNSS的原始速度和位置数据。手持智能设备1任何可以提供观测信息的其他 传感器都可以包含在所提出的多传感器融合算法中。

[0035] 上述观测量处理单元2包括:IMU处理单元21、磁力计处理单元22、压力计处理单元 23、WiFi处理单元24、BLE处理单元25和GNSS处理单元26等。頂U处理单元21处理所述頂U 11 提供的加速度和角速度的原始数据以得到IMU位置信息并传送给所述融合滤波器3;磁力计 处理单元22处理所述磁力计12提供的地磁的原始数据以得到地磁位置信息并传送给所述 融合滤波器3;压力计处理单元23处理所述压力计13提供的大气气压的原始数据以得到高 程信息并传送给所述融合滤波器3; WiFi处理单元24处理所述WiFi 14提供的RSS原始数据 以得到WiFi位置信息并传送给所述融合滤波器3; BLE处理单元25处理所述蓝牙BLE 15提供 的RSS原始数据以得到BLE位置信息并传送给所述融合滤波器3;GNSS处理单元26处理所述 GNSS接收机16原始数据以得到图像位置信息并传送给所述融合滤波器3。观测量处理单元2 还包括其他处理单元以处理手持智能设备1的其他传感器来得到位置或速度信息并传送给 融合滤波器3。

[0036] 上述融合滤波器3包括系统模型31和观测模型32。系统模型31使用运动学模型对 待测目标的位置和速度信息进行预测,并传送给观测模型32;观测模型32将系统模型31预 测的位置、速度信息与观测量处理单元提供的基于頂U 11、磁力计12、压力计13、WiFi 14、 蓝牙BLE 15和GNSS接收机16等的位置、速度等信息结合,更新待测目标的的最终位置和速 度信息。

[0037] 如图2所示,頂U处理单元21包括用户运动模式和设备使用模式识别模块211、航向 角偏差估计模块212、改进航位推算算法模块213,用户运动模式和设备使用模式识别模块 211根据所述手持智能设备的IMU 11和其他可选的硬件(例如磁力计12)提供的原始数据识 别出静止、行走、跑步等用户运动模式和手持、短信、电话、导航、口袋、背包等设备使用模 式。航向角偏差估计212模块根据所述用户运动模式和设备使用模式识别模块211输出的用 户运动模式和设备使用模式和所述手持智能设备的MU 11和其他可选的硬件(例如磁力计 12)提供的原始数据估计出航向角偏差。改进航位推算算法模块213根据所述航向角偏差估 计模块212输出的航向角偏差和所述手持智能设备IIMU 11和其他可选的硬件(例如磁力计 12)提供的原始数据得到IMU位置信息并传送给所述融合滤波器3。图2中的所述IMU处理单 元考虑了行人多种运动模式和智能设备的多种使用模式,设计了针对多种使用场景的IMU 数据处理方法,突破了传统算法中MU需要和载体固定的限制,提高了行人导航系统的可用 性。

[0038] 用户运动模式和设备使用模式识别模块211使用现有的手持智能设备1相关传感 器输出:頂U 11,磁强计12,测距传感器(可选),光传感器(可选)<JMU 11和磁强计12更新频 率为50-200HZ;后两种传感器的输出为标量,更新为用户行为触发。用户运动模式和设备使 用模式识别算法提取1-3秒内传感器统计数据,做出分类决定。用户运动模式和设备使用模 式识别算法可以有多种实现方式。本发明用高斯内核对偶型支持向量机作为实现的示例。

[0039] 如图3所示,基于高斯内核的支持向量机可以隐含的将特征向量映射到无限维线 性空间,从而达到或超越非线性分类(如传统的KNN)的效果。I1范数软边际支持向量机原型 如下:

[0040] 训练公式(1):

[0041]

Figure CN106017454BD00091

[0042] s.t.yi (ψτΦ (xi) +b) ^1-ξί,

[0043] Ci^O.

[0044] 其中,^£#,71,1 = 1,2,...,1^为训练集合中的特征向量与分类结果^£1?(1为权 重向量,C为可控规范化常量用以平衡对于训练集合中数据的拟合过度与不足,Φ ( ·)为特 征向量映射函数。

[0045] 分类公式⑵:

[0046] f (X) =wT<}) (X)+b.

[0047] 由于满足KKT条件,I1范数软边际支持向量机对偶型如下:

[0048] 训练公式(3):

[0049]

Figure CN106017454BD00101

[0050] s.t.O^ai^C,

[0051]

Figure CN106017454BD00102

[0052] 分类公式⑷:

[0053]

Figure CN106017454BD00103

[0054] 引入高斯内核作为高效计算映射与内积的方式如下⑸:

[0055] k (x,x〇 = Φ (χ) ΤΦ (χ〇 =exp (- | | x~x' \ \ 2/2〇2) ,〇>〇.

[0056] 则对偶型转可以化为如下形式:

[0057] 训练公式⑹:

[0058]

Figure CN106017454BD00104

[0059] s.t.O^ai^C,

[0060]

Figure CN106017454BD00105

[0061] 分类公式(7):

[0062]

Figure CN106017454BD00106

[0063] 与传统的分类器KNN不同,支持向量机对偶型的最优解ai,i = 1,2, . . .,N只存在少 部分非零值,因此只需保留少部分训练特征向量(即支持向量)参与在线的分类计算(例如, 实现如图3所示的基于随机产生数据的非线性分类器,KNN需要存储并使用1000个原始训练 特征向量,支持向量机则只需142个支持向量),从而在很大程度上降低了对于处理器电池 消耗与系统内存的需求,比较适合于手持智能设备的应用。

[0064] 用户运动模式和设备使用模式识别模块211将行人行为模式分为5类:1.静止;2. 行走;3.跑步;4.自行车;5.驾驶汽车。行人行为模式的识别可以用于应用零速矫正,调节跟 踪滤波器过程噪声的方差,以及调节动态系统马尔可夫过程的相关时间。所述用户运动模 式和设备使用模式识别模块211将设备使用模式分为4类:1.前端平置;2.耳侧竖置;3 .背 包;4.臂章。手机姿态模式的识别可以用于前进方向的确定(坐标变换),以及调节跟踪滤波 器过程噪声的方差。

[0065] 如图4所示,为应用二级分类器的用户运动模式和设备使用模式识别支持向量机 示意图,包括加速度统计量2111、角速度统计量2112、转动角和倾斜角统计量2113、光和距 离统计量2114、速度反馈统计量2115、特征规范化模块2116、主成分分析模块2117、支持向 量机模块2118、用户运动模式一级分类器2119和设备使用模式二级分类器2110。具体实现 步骤有:线下收集具有代表性的数据集,进行特征向量规范化与主成分分析,应用公式(5) 与(6)进行训练,提取并存储支持向量;在线计算传感器输出统计量,进行特征向量规范化 与主成分提取(与训练集中系数相同),应用存储的支持向量,以及公式(5)与⑺进行二级 分类,决定用户运动模式和设备使用模式。

[0066] 本发明中的航向角偏差估计模块212包含多种不同的方法。当只有IMU 11可用时, 我们采用基于主成分分析方法(Principle Component Analysis,PCA)。行人运动的一个特 征是行人加速和减速的方向都在行进方向。因此可以通过PCA分析加速度计的数据得到行 人的行进方向。当GNSS接收机16可用时,行人行进的方向可以通过GNSS的速度计算得来。当 磁力计12可用的时候,行人行进的方向也可以通过磁力计12计算得来。手持智能设备的航 向角则通过九轴融合或者六轴融合得来。因此,航向角偏差可以通过各种方法得来的行人 行进方向的融合解和手持智能设备的航向角相减得到,并输出到航向角偏差补偿模块 2132〇

[0067] 如图5所示,为上述改进航位推算算法模块213示意图,包括测姿系统模块2131、航 向角偏差补偿模块2132、步伐检测模块2133、步长估计模块2134、航位推算算法模块2135, 测姿系统模块2131根据所述手持智能设备1的IMU 11和其他可选磁力计12提供的原始数据 识别出手持智能设备1的姿态信息。航向角偏差补偿模块2132读取航向角偏差估计模块212 输出的航向角偏差并补偿给行人航向角、输出给航位推算算法模块2135。步伐检测模块 2133根据所述手持智能设备的IMU 11的原始数据检测出行人的步数反馈给步长估计模块 2134。步长估计模块2134根据所述步伐检测模块的结果和所述手持智能设备1的IMU 11的 原始数据估计出行人的步长,并反馈给所述的航位推算算法模块2135。航位推算算法模块 2135根据所述步长估计模块2134输出的步长信息和所述航向角偏差补偿模块2132输出的 行人航向信息计算出IMU位置观测量并输出给所述的融合滤波器3。

[0068] 测姿系统模块2131根据所述手持智能设备1的頂U 11和其他可选磁力计12提供的 原始数据识别出手持智能设备1的姿态信息。测姿系统模块2131采用的算法根据地磁信息 是否可用,选择九轴测姿算法或六轴测姿算法。最终,测姿系统模块2131输出智能设备1的 航向角给航向角偏差补偿模块2132。

[0069] 所述航向角偏差补偿模块2132读取航向角偏差估计模块212输出的航向角偏差并 补偿给行人航向角、输出给航位推算算法模块2135。具体计算公式如下:

[0070] 0p = 0d+0〇ffSet .(1)

[0071] 式中0[)是行人航向角,0(1是设备航向角,Qciffse3t是航向角偏差。

[0072] 步伐检测模块2133根据所述手持智能设备1的IMU 11的原始数据检测出行人的步 数反馈给步长估计模块2134。步伐检测可以通过峰值检测、过零检测、相关检测和功率谱检 测等方法检测步伐。本发明考虑到多种用户运动模式和设备使用模式,步伐检测算法采用 峰值检测同时检测IMU 11的加速度数据和陀螺仪数据。

[0073] 步长估计模块2134根据所述步伐检测模块2133的结果和所述手持智能设备1的 IMU 11的原始数据估计出行人的步长,并输出给所述的航位推算算法模块2135。步长估算 可以通过加速度积分、钟摆模型、线性模型、经验模型等不同方法计算。本发明考虑到多种 用户运动模式和设备使用模式,步长估算采用如下线性模型:

[0074] Sk-l,k = A · (fk-l+fk)+B · (〇acc,k-l+〇acc,k)+C (2)

[0075] 式中A,B和C是常数,fk-i和fk是k-1时刻和k时刻的步频,〇_,15-1和〇_,1{是1^-1时刻 和k时刻的加速度计的方差。

[0076] 航位推算算法模块2135根据k-1时刻的位置[re,k-i rn,η] τ、步长估计模块2134输 出的步长信息sk-u和航向角偏差补偿模块2132输出的航向角信息推算出k时刻的位置 [re,k rn,k]T。对应的计算公式如下:

Figure CN106017454BD00121

[0077] (3)

[0078] 最终,航位推算算法模块2135输出IMU位置观测量给所述的融合滤波器3。

[0079] 融合滤波器3包括系统模型31和观测模型32。传统的多传感器融合结构一般通过 惯性机械编排算法处理頂U测量数据,并建立相关的融合滤波器系统模型。由于惯性机械编 排中存在很多积分操作,因此当没有外在辅助系统的情况下,传统的多传感器融合结构的 定位误差会迅速累积。本发明克服传统的多传感器融合结构的缺陷,以行人的运动模型作 为系统模型,而IMU相关数据和其他系统一样作为观测模型。

[0080] 融合滤波器3可以采用卡尔曼滤波(Kalman Filter,KF)、自适应卡尔曼滤波 (Adaptive Kalman Filter,AKF)、UKF无损卡尔曼滤波(Unscented Kalman Filter,UKF)或 粒子滤波(Particle Filter,PF)。本发明给出KF的设计范例。其他的滤波器可以参考KF的 设计。融合滤波器3实现为KF的状态向量定义如下:

[0081] X= [re rn ru ve vn vu]T ⑷

[0082] 式中re,rn和ru是三维位置(东北天坐标系),ve,vn和vu是对应的三维速度组成。 该KF系统模型32采用经典的运动学模型,定义如下:

[0083] xk+ik=〇k,k+i xk|k+«k (5)

[0084] 式中xk+ik是预测的状态向量,XkIk是在k时刻先前的状态向量,Φk,k+i是一个6 X 6转 移矩阵:

[0085]

Figure CN106017454BD00122

[0086] 式中At是两个时刻的时间差。cok是协方差矩阵

Figure CN106017454BD00123

的处理噪声,定义如 下:

[0087]

Figure CN106017454BD00124

:(7)

[0088] 式中%气,和:15¾是在k时刻东向天坐标系下的速度噪声,按随机游走建模。

Figure CN106017454BD00125

[0089] ⑻

[0090] 式中

Figure CN106017454BD00126

Figure CN106017454BD00127

是在k~l时刻东向天坐标系的速度噪声,ne,nn和riu是尚斯 白噪声,At是两个时刻的时间差。

[0091] 融合滤波器3实现为KF的测量模型31定义如下:

[0092] zk=HkXkk+Uk (9)

[0093] 式中zk是测量向量,Hk是决策矩阵。uk是测量噪声以高斯白噪声为模型,其协方差 矩阵为

Figure CN106017454BD00131

zk和Hk随观测量的不同而变化。当观测量来自于IMU 11时,典型的Zk和 Hk定义如下:

Figure CN106017454BD00132

[0094]

[0095] (10)

[0096] 当观测量来自于磁力计12时,典型的Z4PHk定义如下: [0097]

Figure CN106017454BD00133

[0098] (H)

[0099] 当观测量来自于压力计13时,典型的现和也定义如下:

[0100] zk=ru

[0101] Hk= [0 0 1 0 0 0] (12)

[0102] 当观测量来自于WiFi 14时,典型的Zk和Hk定义如下:

Figure CN106017454BD00134

[0105] 当观测量来自于蓝牙BLE15时,典型的Zk和Hk定义如下: [0106]

[0103]

[0104] (13)

Figure CN106017454BD00135

[0107] (H)

[0108] 当观测量来自于GNSS接收机16时,典型的MPHk定义如下:

Figure CN106017454BD00136

[0109]

[0110] (15):

[0111] KF处理过程有两个阶段:预测和更新。在预测过程,根据系统模型预测出状态向量 和协方差矩阵。

[0112]

Figure CN106017454BD00141

(16) [0113] 在更新过程中,根据测量模型更新状态向量和协方差矩阵:

Figure CN106017454BD00142

[0114] Π7)

[0115] 式中Kk称为卡尔曼增益。

[0116] 尽管本发明就优选实施方式进行了示意和描述,但本领域的技术人员应当理解, 只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改。

Claims (12)

1. 一种基于多传感器融合技术的行人导航装置,其特征在于,包括:手持智能设备(I)、 观测量处理单元(2)以及融合滤波器(3);所述的手持智能设备(1)利用自身硬件获取观测 量原始数据,所述观测量处理单元(2)处理手持智能设备(1)提供的原始数据以提供位置和 速度观测量给融合滤波器(3),所述融合滤波器(3)利用运动学模型作为系统模型(32),观 测量处理单元的结果建立观测模型(33),经过融合滤波器(3)的处理最终得到行人导航结 果。
2. 如权利要求1所述的基于多传感器融合技术的行人导航装置,其特征在于,所述手持 智能设备1自身硬件包括:惯性测量单元MU(Il)、磁力计(12)、压力计(13)、WiFi (14)、低耗 能蓝牙BLE (15)和GNSS接收机(16);所述惯性测量单元IMU (11)提供加速度和角速度的原始 数据;所述磁力计(12)提供地磁的原始数据;所述压力计(13)提供大气气压的原始数据;所 述WiFi (14)提供WiFi接收信号强度RSS的原始数据;所述蓝牙BLE (15)提供BLERSS的原始数 据;所述GNSS接收机(16)提供GNSS的原始数据;手持智能设备⑴还包括提供观测信息的其 他传感器。
3. 如权利要求1所述的基于多传感器融合技术的行人导航装置,其特征在于,观测量处 理单元(2)包括:IMU处理单元(21)、磁力计处理单元(22)、压力计处理单元(23)、WiFi处理 单元(24)、BLE处理单元(25)和GNSS处理单元(26);所述MU处理单元(21)根据所述惯性测 量单元IMU (11)的加速度和角速度的原始数据以得到IMU位置信息并传送给所述融合滤波 器(3);所述磁力计处理单元(22)根据所述磁力计(12)的地磁的原始数据以得到地磁位置 信息并传送给所述融合滤波器(3);所述压力计处理单元(23)根据所述压力计(13)的大气 气压的原始数据以得到高程信息并传送给所述融合滤波器(3);所述WiFi处理单元(24 ) 根据所述WiFi (14)的RSS原始数据以得到WiFi位置信息并传送给所述融合滤波器(3);所述 BLE处理单元(25)根据所述蓝牙BLE (15)的RSS原始数据以得到BLE位置信息并传送给所述 融合滤波器(3);所述GNSS处理单元(26)根据所述GNSS接收机(16)的位置和速度信息并传 送给所述融合滤波器(3);观测量处理单元(2)还包括其他处理单元以处理智能设备平台的 其他传感器来得到位置或速度信息并传送给融合滤波器(3)。
4. 如权利要求3所述的基于多传感器融合技术的行人导航装置,其特征在于,所述IMU 处理单元(21)包括用户运动模式和设备使用模式识别模块、航向角偏差估计模块、改进航 位推算算法模块,所述用户运动模式和设备使用模式识别模块根据所述手持智能设备的 MU提供的原始数据识别出静止、行走、跑步用户运动模式和手持、短信、电话、导航、口袋、 背包设备使用模式;所述航向角偏差估计模块根据所述用户运动模式和设备使用模式识别 模块输出的用户运动模式和设备使用模式和所述手持智能设备的IMU提供的原始数据估计 出航向角偏差;改进航位推算算法模块根据所述航向角偏差估计模块输出的航向角偏差和 所述手持智能设备的IMU提供的原始数据得到IMU位置信息并传送给所述融合滤波器(3)。
5. 如权利要求4所述的基于多传感器融合技术的行人导航装置,其特征在于,所述改进 航位推算算法模块包括测姿系统模块、航向角偏差补偿模块、步伐检测模块、步长估计模 块、航位推算算法模块,所述测姿系统模块根据所述手持智能设备的MU和磁力计提供的原 始数据识别出手持智能设备的姿态信息;所述航向角偏差补偿模块读取航向角偏差估计模 块输出的航向角偏差并补偿给行人航向角、输出给航位推算算法模块;步伐检测模块算法 模块根据所述手持智能设备的IMU的原始数据检测出行人的步数反馈给步长估计模块;步 长估计模块根据所述步伐检测模块的结果和所述手持智能设备的IMU的原始数据估计出行 人的步长,并反馈给所述的航位推算算法模块;航位推算算法模块根据所述步长估计模块 输出的步长信息和所述航向角偏差补偿模块输出的行人航向角信息计算出IMU位置观测量 并反馈给所述的融合滤波器(3)。
6. 如权利要求4所述的基于多传感器融合技术的行人导航装置,其特征在于,所述用户 运动模式和设备使用模式识别模块采用一种基于高斯内核对偶型支持向量机的二级分类 器,在周期性时间间隔中提取手持智能设备的传感器输出,运用支持向量与高斯内核对用 户运动模式与手机使用模式进行识别与分类。
7. 如权利要求1所述的基于多传感器融合技术的行人导航装置,其特征在于:计算IMU, 磁力计,测距,光传感器的输出统计量,及其衍生统计量,以其为特征向量进行规范化与主 成分分析,截取相应于保留绝大多数数据方差的特征值的特征向量参与支持向量机的线下 训练。
8. 如权利要求1所述的基于多传感器融合技术的行人导航装置,其特征是:手持智能设 备的在线分类计算,只需存储并运用降维后的少数支持向量,进行用户运动模式与设备使 用模式的二级分类。
9. 一种基于多传感器融合技术的行人导航方法,其特征在于,包括如下步骤: (1) 手持智能设备利用自身硬件获取IMU、磁力计、压力计、WiFi、BLE和GNSS的原始数 据; (2) 观测量处理单元处理手持智能设备提供的原始数据以提供位置和速度观测量给融 合滤波器(3); (3) 融合滤波器⑶利用运动学模型作为系统模型,观测量处理单元的结果建立观测模 型,经过融合滤波器(3)的处理最终得到行人导航结果。
10. 如权利要求9所述的一种基于多传感器融合技术的行人导航方法,其特征在于,观 测量处理单元处理手持智能设备提供的原始数据以提供位置和速度观测量给融合滤波器 (3)包括如下步骤: MU处理单元处理頂U提供的加速度和角速度的原始数据以得到頂U位置信息并传送给 融合滤波器(3); 磁力计处理单元处理磁力计提供的地磁的原始数据以得到地磁位置信息并传送给融 合滤波器(3); 压力计处理单元处理压力计提供的大气气压的原始数据以得到高程信息并传送给融 合滤波器(3); WiFi处理单元处理WiFi提供的RSS原始数据以得到WiFi位置信息并传送给融合滤波器 (3); BLE处理单元处理BLE提供的RSS原始数据以得到BLE位置信息并传送给融合滤波器 (3); GNSS处理单元处理GNSS芯片提供的GNSS的原始数据以得到GNSS的位置和速度信息并 传送给融合滤波器(3)。
11. 如权利要求10所述的一种基于多传感器融合技术的行人导航方法,其特征在于, 頂U处理单元处理MU提供的加速度和角速度的原始数据以得到MU位置信息并传送给融合 滤波器⑶包括如下步骤: 用户运动模式和设备使用模式识别模块根据手持智能设备的IMU提供的原始数据识别 出静止、行走、跑步用户运动模式和手持、短信、电话、导航、口袋、背包设备使用模式; 航向角偏差估计模块根据用户运动模式和设备使用模式识别模块输出的用户运动模 式和设备使用模式和手持智能设备的IMU提供的原始数据估计出航向角偏差; 改进航位推算算法模块根据航向角偏差估计模块输出的航向角偏差和手持智能设备 的IMU提供的原始数据得到IMU位置信息并传送给融合滤波器(3)。
12.如权利要求11所述的一种基于多传感器融合技术的行人导航方法,其特征在于,改 进航位推算算法模块包括如下步骤: 测姿系统模块根据手持智能设备的IMU和磁力计提供的原始数据识别出手持智能设备 的姿态信息; 航向角偏差补偿模块读取航向角偏差估计模块输出的航向角偏差并补偿给行人航向 角、输出给航位推算算法模块; 步伐检测模块算法模块根据手持智能设备的IMU的原始数据检测出行人的步数反馈给 步长估计模块; 步长估计模块根据步伐检测模块的结果和手持智能设备的IMU的原始数据估计出行人 的步长,并反馈给航位推算算法模块; 航位推算算法模块根据步长估计模块输出的步长信息和航向角偏差补偿模块输出的 行人航向角信息计算出IMU位置观测量并反馈给融合滤波器(3)。
CN201610431107.0A 2016-06-16 2016-06-16 一种基于多传感器融合技术的行人导航装置和方法 CN106017454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610431107.0A CN106017454B (zh) 2016-06-16 2016-06-16 一种基于多传感器融合技术的行人导航装置和方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610431107.0A CN106017454B (zh) 2016-06-16 2016-06-16 一种基于多传感器融合技术的行人导航装置和方法
PCT/CN2016/087281 WO2017215024A1 (zh) 2016-06-16 2016-06-27 一种基于新型多传感器融合技术的行人导航装置和方法

Publications (2)

Publication Number Publication Date
CN106017454A CN106017454A (zh) 2016-10-12
CN106017454B true CN106017454B (zh) 2018-12-14

Family

ID=57089015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610431107.0A CN106017454B (zh) 2016-06-16 2016-06-16 一种基于多传感器融合技术的行人导航装置和方法

Country Status (2)

Country Link
CN (1) CN106017454B (zh)
WO (1) WO2017215024A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106767784B (zh) * 2016-12-21 2019-11-08 上海网罗电子科技有限公司 一种蓝牙训练惯导的消防精确室内定位方法
CN107990901A (zh) * 2017-11-28 2018-05-04 元力云网络有限公司 一种基于传感器的用户方向定位方法
CN107943042A (zh) * 2017-12-06 2018-04-20 东南大学 一种地磁指纹数据库自动化构建方法与装置
CN108413968B (zh) * 2018-07-10 2018-10-09 上海奥孛睿斯科技有限公司 一种运动识别的方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175463A (zh) * 2011-02-12 2011-09-07 东南大学 一种基于改进卡尔曼滤波的汽车路试制动性能检测方法
CN103759730A (zh) * 2014-01-16 2014-04-30 南京师范大学 一种基于导航信息双向融合的行人与智能移动载体的协同导航系统及其导航方法
CN103968827A (zh) * 2014-04-09 2014-08-06 北京信息科技大学 一种可穿戴式人体步态检测的自主定位方法
CN104613963A (zh) * 2015-01-23 2015-05-13 南京师范大学 基于人体运动学模型的行人导航系统与导航定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201500411D0 (en) * 2014-09-15 2015-02-25 Isis Innovation Determining the position of a mobile device in a geographical area
US9410979B2 (en) * 2014-09-23 2016-08-09 Fitbit, Inc. Hybrid angular motion sensors
CN104931049A (zh) * 2015-06-05 2015-09-23 北京信息科技大学 一种基于运动分类的行人自主定位方法
CN105588566B (zh) * 2016-01-08 2019-09-13 重庆邮电大学 一种基于蓝牙与mems融合的室内定位系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175463A (zh) * 2011-02-12 2011-09-07 东南大学 一种基于改进卡尔曼滤波的汽车路试制动性能检测方法
CN103759730A (zh) * 2014-01-16 2014-04-30 南京师范大学 一种基于导航信息双向融合的行人与智能移动载体的协同导航系统及其导航方法
CN103968827A (zh) * 2014-04-09 2014-08-06 北京信息科技大学 一种可穿戴式人体步态检测的自主定位方法
CN104613963A (zh) * 2015-01-23 2015-05-13 南京师范大学 基于人体运动学模型的行人导航系统与导航定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三维复杂运动模式航迹推算惯性导航室内定位;陈兴秀等;《应用科学学报》;20140731;第32卷(第4期);349-356 *
基于PDR、WiFi指纹识别、磁场匹配组合的室内行人导航定位;张鹏等;《测绘地理信息》;20160605;第41卷(第3期);29-32,37 *

Also Published As

Publication number Publication date
CN106017454A (zh) 2016-10-12
WO2017215024A1 (zh) 2017-12-21

Similar Documents

Publication Publication Date Title
Shu et al. Last-mile navigation using smartphones
Chen et al. Smartphone inertial sensor-based indoor localization and tracking with iBeacon corrections
US9078104B2 (en) Utilizing magnetic field based navigation
US20190086211A1 (en) Methods of attitude and misalignment estimation for constraint free portable navigation
TWI500003B (zh) 基於虛擬地標之定位及地圖繪製技術
Deng et al. Extended Kalman filter for real time indoor localization by fusing WiFi and smartphone inertial sensors
CA2878241C (en) System and method for localizing a trackee at a location and mapping the location using inertial sensor information
Qian et al. An improved indoor localization method using smartphone inertial sensors
Zhou et al. Activity sequence-based indoor pedestrian localization using smartphones
Zhang et al. A handheld inertial pedestrian navigation system with accurate step modes and device poses recognition
US9326103B2 (en) Indoor location-finding using magnetic field anomalies
EP2909582B1 (en) Map-assisted sensor-based positioning of mobile devices
EP3090407B1 (en) Methods and systems for determining estimation of motion of a device
Zhuang et al. Tightly-coupled integration of WiFi and MEMS sensors on handheld devices for indoor pedestrian navigation
US9292936B2 (en) Method and apparatus for determining location
EP2769574B1 (en) Tracking activity, velocity, and heading using sensors in mobile devices or other systems
US10502576B2 (en) Determining the position of a mobile device in a geographical area
Zhuang et al. PDR/INS/WiFi integration based on handheld devices for indoor pedestrian navigation
Perttula et al. Distributed indoor positioning system with inertial measurements and map matching
Afzal et al. Use of earth’s magnetic field for mitigating gyroscope errors regardless of magnetic perturbation
US20200077235A1 (en) Navigation method and device
CN102798877B (zh) 确定移动设备在人身上的位置的分层状况检测方法
Tian et al. A multi-mode dead reckoning system for pedestrian tracking using smartphones
US8027803B2 (en) Traveling direction measuring apparatus and traveling direction measuring method
Chen et al. Ionet: Learning to cure the curse of drift in inertial odometry

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
GR01 Patent grant