CN108225304A - 基于多源传感器室内快速定位方法与系统 - Google Patents
基于多源传感器室内快速定位方法与系统 Download PDFInfo
- Publication number
- CN108225304A CN108225304A CN201810076013.5A CN201810076013A CN108225304A CN 108225304 A CN108225304 A CN 108225304A CN 201810076013 A CN201810076013 A CN 201810076013A CN 108225304 A CN108225304 A CN 108225304A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- signal
- course
- estimation
- positioning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000033001 locomotion Effects 0.000 claims abstract description 30
- 230000005021 gait Effects 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims abstract description 6
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000010354 integration Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; 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
- G01C21/16—Navigation; 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
- G01C21/165—Navigation; 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
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
本发明提供了一种基于多源传感器的快速定位方法和系统,包括:运动特征提取与分类:利用EMD和FFT进行能量频谱分析并通过经典的决策树模型‑NBC进行特征分类,以此构建基于加速计信号的行人运动特征;实时行进状态识别:利用模糊最小二乘向量机特征分类确切估计行人的运动模式;步态的参数模型估计:根据信号波峰与波谷的时间差和频谱能量变化,计算行人的步频和步长,结合行人本身的身高、体重,初步建立行人的步长估计模型;航向估计:基于启发式漂移消除法实现行人航向的可靠性估计。本发明精确推算行人运动方向,实现了高精度的室内快速定位,为智能导航系统的可靠性应用提供有益参考。
Description
技术领域
本发明涉及地理信息系统、大地测量工程技术领域,特别涉及一种基于多源传感器的高精度室内智能定位与导航技术。
背景技术
随着信息技术的发展以及人类活动的进程一体化,位置服务信息(LocationBased Service,LBS)占据了越来越重要的位置。人类活动进程一体化也得到满足,例如宾馆不仅可以解决住宿的问题,还可以完成饮食、娱乐、交友、工作、会议,甚至旅游。一些公共场所,如机场、写字楼、仓库、地下停车场甚至监狱和军事训练基地也都需要准确的定位、导航信息。精确的室内定位导航信息能够为普通百姓带来行程方便,提高生活质量。同时,地理信息系统以及移动通讯的发展,对人员、车辆、事件等移动目标的定位更有迫切的需求。
随着移动互联网的发展,手机成为了用户生活的一个主要载体,借助手机平台来提供LBS已经成为现代地理信息产业的重要组成部分。人们借助于手机的LBS可以随时、随地为手机携带者提供实时的位置信息,使他们的生产、生活变得更加方便。目前,根据定位条件和用户所处环境,基于手机LBS的定位方式有:辅助全球导航卫星技术(AssistedGlobal Navigation Satellite Service,A-GNSS),无线定位技术如无线宽带(WirelessFidelity,WIFI)、蓝牙(Beacon)、zigbee、无线射频识别(Radio FrequencyIdentification,RFID)、超宽带无线定位(Ultra Wideband,UWB)以及多传感器研究行人航位推算技术(Pedestrian Dead Reckoning,PDR)。
A-GNSS定位原理:终端向定位平台发起请求,定位平台向终端发送辅助GNSS定位信息,终端测量伪距,并提交给定位平台,平台计算终端的位置。具体由多种方法混合定位,其中常用的有结合GNSS卫星信号和码分多址(Code Division Multiple Access,CDMA)网络信号混合定位,即在终端能够接收到GPS卫星信号时采用GNSS定位方式,当终端在室内或者接受卫星信号不好的环境时采用CDMA基站接收的辅助GNSS卫星信号实现辅助定位,满足室内室外的全覆盖定位。定位精度达到5-50米,一次定位时间一般需要几秒到几十秒。
无线定位技术的基本定位原理是,采用测算节点之间连接信号强度的方法,利用无线信号的空间传输衰减模型估算出节点间传输距离。由于多径、绕射、障碍物等因素,无线电传播路径损耗与理论值相比有较大变化,不同的信号受其影响的程度亦不尽相同,产生的定位效果也有所区别。如在个别的大型办公区、大型超市、火车站、医院等室内环境下,采用辅助设施WIFI实现精度为2-10m的定位,在一些出入口或者厂房等小区域内Beacon、zigbee、RFID能实现小于1m的定位精度,目前系统复杂的、价格不菲的UWB估计网络覆盖内的定位,结果达到亚米的精度。
为确定行人的行进轨迹,将微型的测量单元(Inertial Measurement Unit,IMU)绑定于人身体的腿部,或者基于脚底、背部的穿戴IMU,其基本原理是:根据输出的加速度矢量经过两次积分得到位移矢量,陀螺仪输出的角速度值一次积分得到方向变化,方向变化值加上前一次的方向即为当前航向。已知当前的位移矢量和航向,结合初始位置和方向,即可得到当前的导航信息。由于各传感器信号存在噪声,定位误差会随着积分不断累积和传递,致使定位结果在很短的时间内失去应用的价值。
在室内、城市、峡谷或其他具有封闭性或遮挡性的环境下,卫星信号的可用性和有效性不能保证,基于辅助全球导航卫星系统的位置服务显得无能为力,并且部分公共场所尚未布设无线网络系统。
因此,目前需要一种能够摆脱卫星信号的精确定位技术。
发明内容
本发明的目的是提供一种基于多源传感器室内快速定位方法与系统,以解决上述提出的技术问题。
为达到上述目的,本发明提出一种基于多源传感器的快速定位方法,具体技术方案和步骤如下:
(S1)运动特征提取与分类:利用EMD(Empirical Mode Decomposition)和FFT(Fast Fourier Transformation)进行能量频谱分析并通过经典的决策树模型-NBC(NaiveBayes Classifier)进行特征分类,以此构建基于加速计信号的行人运动特征;
(S2)实时行进状态识别:利用模糊最小二乘向量机特征分类确切估计行人的运动模式;
(S3)步态的参数模型估计:根据信号波峰与波谷的时间差和频谱能量变化,计算行人的步频和步长,结合行人本身的身高、体重,初步建立行人的步长估计模型;
(S4)航向估计:基于启发式漂移消除法(Heuristic Drift Elimination,HDE)实现行人航向的可靠性估计。
进一步的,所述(S1)中,构建基于加速计信号提取行人运动特征的算法,具体为:
在利用扩展卡尔曼滤波对加速度计信号进行降噪的基础上,分析验证巴特沃斯低通滤波适合低能量谱信号的降噪,而扩展卡尔曼滤波更适合能量谱变化幅度大的信号降噪;借助于信号能量谱特征区分IMU处于静止或运动状态;借助于信号的时频变化规律和能量变化趋势,利用EMD和FFT进行能量频谱分析,对IMU信号根据运动特征进行分层,并通过经典的决策树模型--(Naive Bayes Classifier,NBC)进行模式识别,再借助于均方根、协方差、偏度、峰值或者过零率等多种时域特征识别参数有效区分慢走、走走停停、正常走、快走、跑和跳等运动类型,最终判断并提取与携带者位置变化紧密相关的信息量。
进一步的,所述(S2)中,基于加速度计和气压计信号确定行人行进状态的特征参数的估计算法,具体为:
利用最小二乘向量机(Least Squares Support Vector Machine,LS-SVM)特征分类确切估计行人的运动模式,确定不同运动模式的特征参数,进一步判断实时的运动方式;借助于气压计信号,基于降低计算复杂度的最大相关最小冗余特征选择算法提取不同梯度下、拥有高精度分类的特征子集,进而推断行人实时运动情形;其中,
LS-SVM是一种能识别行人前进、后退、侧走或者走走停停等状态的方法,此方法概括能力强,容易实现,其基本模型为:
其中,为超平面方程,b、c是实常数,N为样本数,ξk是松弛项;
依据下式拉格朗日函数,得到优化结果:
αk≥0、vk≥0为引入的拉格朗日系数,xk∈Rn是第k个输入样本,yk∈{-1,1}是第k个相应的输出;
上两式中,核函数是主要元素,核参数的选择对于提高模型的泛化能力至关重要,但如果核函数缺乏适当的正则化参数,也将影响LS-SVM的性能。
通过研究线性核函数、多项式核函数、径向基核函数、Sigmoid等核函数和相应的正则化模型与参数,选择各种情况下海量实测数据验证并优化,最终确定径向基作为最优的核函数,其公式为:
其中,δ为核函数宽度。
进一步的,所述(S3)中,建立基于加速度传感器信号估计携带者步态的参数模型:
通过对IMU原始信号降噪处理后,接下来确定与携带者行进情形吻合的分层信号,根据信号波峰与波谷的时间差和频谱能量变化,计算行人的步频和步长,结合行人本身的身高、体重,初步建立行人的步长估计模型为:
Lstep=a*h+b*f+c*w+s (4)
其中,Lstep为估计的步长,a,b,c为系数,h,f,w为行人的身高、步频和体重,ε为随机噪声。
进一步的,所述(S4)中,基于启发式漂移消除法(HDE)实现行人航向的可靠性估计:
以HDE算法作为理论基础,通过实际数据分析与研究,建立新的航向纠正算法,即:(1)增添了行走路径辨别条件,避免了错误修正;(2)将航向与主导方向的偏差和航向误差的标准偏差带入到卡尔曼滤波(Kalman Filter,KF)中对航向误差进行最优估计,并直接对航向进行纠正;(3)在纠正航向的同时校正四元数,消除航向解算中计算累积误差;新的航向纠正算法更好的消除陀螺仪漂移误差和航向解算中产生的计算累积误差,为实时航向提供可靠的理论与归算数据。
利用实验信号反复剖析和比较各轴信号的规律性,推断行人航向的主导轴向,比较欧拉角法、四元数法和方向余弦法等航向估计法的特性,在多传感器信号融合处理时,利用前0.3s-3s的点位数据判断抖动数据或者零漂引起的误差后,实现HDE对航向进行纠正,最终实现在直线为100m的距离内角度偏差在1.5°之内,达到行人行进方向的高精度估计。
进一步的,所述(S4)中,上述方法还包括:通过磁力传感器及其他辅助手段进行进一步高精度定位:
结合磁力传感器提供的基准方向、加速度传感器计算的步态和陀螺仪确定的航向,从而得到行人的行进轨迹。虽然随着误差的积累其轨迹偏离实际路线会越来越大,但是借助于目前辅助室内定位设施(如WIFI),在信号较好的情况下实现2m以内的高精度定位,并将它作为IMU定位的可靠起算坐标;或者通过与已有的电子地图匹配,充分借助室内平面图上特征点准确的位置信息,实现大型室内(50m*50m)2-5m的高精度定位。
在上述方法基础上,本发明专利提出了一种基于多源传感器的室内快速定位系统,该系统包括:
(a)加速度传感器:用于识别运动模式、识别实时运动状态以及估计步态的参数模型;
(b)气压传感器:用于实现高度测量,比如楼层高、台阶高;
(c)陀螺仪传感器:用于实现航向估计;
(d)磁力传感器:用于提供的基准方向。
(e)IMU信号单元:用于信号收集和传递。
本发明的技术效果:
本发明通过对行人物理行为的分类,识别出行人行进模式,确定步长,利用多源传感器,包括加速度传感器、气压传感器、陀螺仪传感器、磁力传感器与IMU信号单元,推算行人运动方向,实现了高精度的室内快速定位,为智能导航系统的可靠性应用提供有益参考。
本发明具有广泛适用性和可推广性,除常用手机等移动终端外,凡具有加速度计、陀螺仪、磁力计等基本元件的装置,搭载IMU单元后,均可按照本专利的相关方法和技术高效、快速地实现高精度的室内定位。
附图说明
图1是本发明的基本流程图。
图2是实施例中的系统设置结构图。
具体实施方式
下面结合附图和具体实施例,对本发明的具体实施方式作进一步详细描述。
实施例:
以手机为载体、基于其内嵌多源传感器实现室内快速定位的方法,基本流程如图1所示,具体包括以下步骤:
(a)基于加速计信号提取行人运动特征信息
手机携带方式和运动模式均具有一定的随机性。首先从手机携带来说,可能处于携带者的手中、裤兜、上衣兜、挎包等不同位置;从携带者运动来说,有静止、原地运动和前进等;速度有正常行走、慢走、快走、慢跑、快跑甚至小步移动等;在运动的过程中手机状态会发生变化,如手机从兜中取出并查看信息或者打电话等。
通过对行人各种物理行为与手机内嵌传感器信号的变化研究发现其存在较强的耦合性。首先将IMU信号单元固定于手机上,使IMU和手机传感器信号在运动的时频域内达到一致,在成功利用巴特沃斯低通滤波、扩展卡尔曼滤波(Extended Kalman Filter,EKF)对陀螺仪信号进行降噪的基础上,借助于信号能量谱特征区分IMU处于静止或运动状态。在此基础上,拟借助于信号的时频变化规律和能量变化趋势,利用EMD和FFT进行能量频谱分析,对IMU信号根据运动特征进行分层,并通过经典的决策树模型----NBC进行模式识别,再借助于均方根、协方差、偏度、峰值或者过零率等时域特征识别方法有效区分分慢走、走走停停、正常走、快走、跑和跳等运动类型,最终判断并提取与携带者位置变化紧密相关的信息量。
(b)基于加速度计和气压计信号估计携带者实时行进模式特征参数
人们在行进中行走的方式会有不同,如前进、后退、慢走、快跑等,而且在建筑体内行走路线会有上下坡或上下楼梯等。利用模糊最小二乘向量机特征分类确切估计行人的运动模式,确定不同运动模式的特征参数,进一步判断实时的运动方式;借助于内嵌气压计信号,基于降低计算复杂度的最大相关最小冗余特征选择算法提取不同楼梯梯度下、拥有高精度分类的特征子集,进而推断行人实时运动情形。在本实例中,使用LS-SVM较好识别了行人前进、后退、侧走或者走走停停等状态。
(c)建立基于加速度传感器信号估计携带者步态的参数模型,构建适用于不同人群、不同环境下行人步长的推算模型:
通过对IMU原始信号降噪处理后,接下来确定与携带者行进情形吻合的分层信号,根据信号波峰与波谷的时间差和频谱能量变化,计算行人的步频和步长,结合行人本身的身高、体重,初步建立行人的步长估计模型。在查阅有关文献的基础上,本专利初步建立的行人的步长估计模型为:Lstep=a*h+b*f+c*w+ε。其中,Lstep为估计的步长,a,b,c为系数,h,f,w为行人的身高、步频和体重,ε为随机噪声。
利用年龄在20-28岁、身高在1.72-1.80m、体重为55-75kg范围内的5名男实验者,在正常前进一段距离下,得到每一步的估计精度在5厘米内,平坦地区距离为50m直路线时,实验结果误差在1.5m以内,平坦地区距离为100m的矩形路线时,实验结果误差在3.0m以内。
实际上,成年女士、中老年人、青少年甚至少年,他们行走时产生的步频不同,引起的步长估计方法与上述建立的步长模型存在区别。在每种情况下选择一定数量的实验者,完善已有的模式,建立一系列与行人性别、年龄、身高、体重、步频和频谱能量相关的数值模型。
人群不同,其步态的估计参数或者数值模型会存在较大的差别,在已有估计方法的基础上,结合不同群体,反复分析该群体的步态特点和规律,找出与步态估计有关的参数,完善现有估计携带者步长的参数模型,建立适合该群体的步长估计算法,并自动建立步态指纹库。在行人使用手机时,根据初始3-5s的运动状态,确定正在使用的人群,从而自动调用与之相应的步态模型,实现自动识别功能,在100m的距离内步态测量偏差在3m之内。
(d)基于启发式漂移消除法(HDE)实现行人航向的可靠性估计
新的HDE航向纠正算法能够很好地消除陀螺仪漂移误差和航向解算中产生的计算累积误差,为实时航向提供可靠的理论与归算数据。本实例中,利用实验信号反复剖析和比较随机携带手机各轴信号的规律性,推断行人航向的主导轴向,比较欧拉角法、四元数法和方向余弦法等航向估计法的特性,在多传感器信号融合处理时,利用前0.3s-3s的点位数据判断抖动数据或者零漂引起的误差后,实现HDE对航向进行纠正,最终实现在直线为100m的距离内角度偏差在1.5°之内,达到手机随机携带下行人行进方向的高精度估计。
陀螺仪测得的仅是行人航向的相对变化量,需要结合磁力计测得的基准数据,才能得到行人的实时当地坐标系统下的航向。且随着时间的推移,其陀螺仪累积误差会成倍增大,所以需要陀螺仪、磁力计和加速度计数据多源融合,借助于扩展卡尔曼滤波实现室内高精度定位的功能,从而形成一种基于随身便携手机系统的多源传感器高精度室内智能导航的技术与系统。
在上述方法基础上,一种基于多源传感器的室内快速定位系统,如图2所示,该系统包括:
(a)加速度传感器:用于识别运动模式、识别实时运动状态以及估计步态的参数模型;
(b)气压传感器:用于实现高度测量,比如楼层高、台阶高;
(c)陀螺仪传感器:用于实现航向估计;
(d)磁力传感器:用于提供的基准方向。
(e)IMU信号单元:用于信号收集和传递。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (7)
1.一种基于多源传感器的快速定位方法,其特征在于,该定位方法包括如下步骤:
(S1)运动特征提取与分类:利用EMD和FFT进行能量频谱分析并通过经典的决策树模型-NBC进行特征分类,以此构建基于加速计信号的行人运动特征;
(S2)实时行进状态识别:利用模糊最小二乘向量机特征分类确切估计行人的运动模式;
(S3)步态的参数模型估计:根据信号波峰与波谷的时间差和频谱能量变化,计算行人的步频和步长,结合行人本身的身高、体重,初步建立行人的步长估计模型;
(S4)航向估计:基于启发式漂移消除法实现行人航向的可靠性估计。
2.如权利要求1所述的快速定位方法,其特征在于,所述(S1)中,构建基于加速计信号提取行人运动特征的算法,具体为:
在利用扩展卡尔曼滤波对加速度计信号进行降噪的基础上,分析验证巴特沃斯低通滤波适合低能量谱信号的降噪,而扩展卡尔曼滤波更适合能量谱变化幅度大的信号降噪;借助于信号能量谱特征区分IMU处于静止或运动状态;借助于信号的时频变化规律和能量变化趋势,利用EMD和FFT进行能量频谱分析,对IMU信号根据运动特征进行分层,并通过经典的决策树模型进行模式识别,再借助于均方根、协方差、偏度、峰值或者过零率等多种时域特征识别参数有效区分慢走、走走停停、正常走、快走、跑和跳等运动类型,最终判断并提取与携带者位置变化紧密相关的信息量。
3.如权利要求1所述的快速定位方法,其特征在于,所述(S2)中,基于加速度计和气压计信号确定行人行进状态的特征参数的估计算法,具体为:
利用LS-SVM特征分类确切估计行人的运动模式,确定不同运动模式的特征参数,进一步判断实时的运动方式;借助于气压计信号,基于降低计算复杂度的最大相关最小冗余特征选择算法提取不同梯度下、拥有高精度分类的特征子集,进而推断行人实时运动情形;其中,
LS-SVM基本模型为:
其中,为超平面方程,b、c是实常数,N为样本数,ξk是松弛项;
依据下式拉格朗日函数,得到优化结果:
αk≥0、vk≥0为引入的拉格朗日系数,xk∈Rn是第k个输入样本,yk∈{-1,1}是第k个相应的输出;
通过研究线性核函数、多项式核函数、径向基核函数、Sigmoid等核函数和相应的正则化模型与参数,选择各种情况下海量实测数据验证并优化,最终确定径向基作为最优的核函数,其公式为:
其中,δ为核函数宽度。
4.如权利要求1所述的快速定位方法,其特征在于,所述(S3)中,建立基于加速度传感器信号估计携带者步态的参数模型:
通过对IMU原始信号降噪处理后,确定与携带者行进情形吻合的分层信号,根据信号波峰与波谷的时间差和频谱能量变化,计算行人的步频和步长,结合行人本身的身高、体重,初步建立行人的步长估计模型为:
Lstep=a*h+b*f+c*w+ε (4)
其中,Lstep为估计的步长,a,b,c为系数,h,f,w为行人的身高、步频和体重,ε为随机噪声。
5.如权利要求1所述的快速定位方法,其特征在于,所述(S4)中,基于启发式漂移消除法实现行人航向的可靠性估计:
以启发式漂移消除算法作为理论基础,通过实际数据分析与研究,建立新的航向纠正算法,即:(1)增添了行走路径辨别条件;(2)将航向与主导方向的偏差和航向误差的标准偏差带入到卡尔曼滤波中对航向误差进行最优估计,并直接对航向进行纠正;(3)在纠正航向的同时校正四元数,消除航向解算中计算累积误差;
利用实验信号反复剖析和比较各轴信号的规律性,推断行人航向的主导轴向,比较欧拉角法、四元数法和方向余弦法等航向估计法的特性,在多传感器信号融合处理时,利用前0.3s-3s的点位数据判断抖动数据或者零漂引起的误差。
6.如权利要求1所述的快速定位方法,其特征在于,上述方法还包括:通过磁力传感器,及辅助定位设施进行进一步高精度定位。
7.一种基于多源传感器的室内快速定位系统,其特征在于,该系统包括:
(a)加速度传感器:用于识别运动模式、识别实时运动状态以及估计步态的参数模型;
(b)气压传感器:用于实现高度测量;
(c)陀螺仪传感器:用于实现航向估计;
(d)磁力传感器:用于提供的基准方向;
(e)IMU信号单元:用于信号收集和传递。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810076013.5A CN108225304A (zh) | 2018-01-26 | 2018-01-26 | 基于多源传感器室内快速定位方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810076013.5A CN108225304A (zh) | 2018-01-26 | 2018-01-26 | 基于多源传感器室内快速定位方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108225304A true CN108225304A (zh) | 2018-06-29 |
Family
ID=62667431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810076013.5A Pending CN108225304A (zh) | 2018-01-26 | 2018-01-26 | 基于多源传感器室内快速定位方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108225304A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341682A (zh) * | 2018-11-12 | 2019-02-15 | 浙江工业大学 | 一种提高地磁场定位精度的方法 |
CN109405832A (zh) * | 2018-10-18 | 2019-03-01 | 南京理工大学 | 一种目标步长估计方法 |
CN109597031A (zh) * | 2018-11-19 | 2019-04-09 | 桂林电子科技大学 | 一种基于svm和步行者航位推算融合的室内定位方法 |
CN109751998A (zh) * | 2019-01-14 | 2019-05-14 | 重庆邮电大学 | 一种基于动态时间规整的运动模式识别方法 |
CN110082716A (zh) * | 2019-04-29 | 2019-08-02 | 徐州医科大学 | 一种医院复杂环境室内定位系统及定位方法 |
CN110155124A (zh) * | 2019-05-21 | 2019-08-23 | 北京交通大学 | 列车定位系统及方法 |
CN110327054A (zh) * | 2019-07-17 | 2019-10-15 | 袁兴光 | 一种基于加速度和角速度传感器的步态分析方法及装置 |
CN110375741A (zh) * | 2019-07-09 | 2019-10-25 | 中移(杭州)信息技术有限公司 | 行人航位推算方法和终端 |
CN111243322A (zh) * | 2019-10-09 | 2020-06-05 | 朱柏雄 | 一种室内停车场反向寻找车辆的智能系统 |
CN111476078A (zh) * | 2019-02-28 | 2020-07-31 | 杭州芯影科技有限公司 | 基于毫米波步态生物特征的身份识别方法和系统 |
CN111505632A (zh) * | 2020-06-08 | 2020-08-07 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
CN111595344A (zh) * | 2020-06-01 | 2020-08-28 | 中国矿业大学 | 一种基于地图信息辅助的多姿态下行人行位推算方法 |
CN111649742A (zh) * | 2020-05-08 | 2020-09-11 | 北京航空航天大学 | 一种基于anfis辅助的高程估计方法 |
CN111722180A (zh) * | 2020-07-02 | 2020-09-29 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 |
CN111912406A (zh) * | 2020-08-14 | 2020-11-10 | 航天科工通信技术研究院有限责任公司 | 一种基于改进式hde的室内行人导航航向修正方法及系统 |
CN112472531A (zh) * | 2020-12-17 | 2021-03-12 | 大连理工大学 | 面向医疗复健和助力行走的下肢外骨骼机器人步态平稳算法 |
CN113029153A (zh) * | 2021-03-29 | 2021-06-25 | 浙江大学 | 基于智能手机多传感器融合和svm分类的多场景pdr定位方法 |
CN115426712A (zh) * | 2022-08-25 | 2022-12-02 | 浙江工业大学 | 一种基于深度学习的wifi精确鲁棒室内定位方法 |
CN115755910A (zh) * | 2022-11-17 | 2023-03-07 | 珠海城市职业技术学院 | 一种家庭服务机器人的控制方法及系统 |
CN117724035A (zh) * | 2024-02-07 | 2024-03-19 | 中国航天科工集团八五一一研究所 | 基于两级校正的干涉仪测向定位方法 |
CN113899369B (zh) * | 2021-09-26 | 2024-04-09 | 东南大学 | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 |
CN111476078B (zh) * | 2019-02-28 | 2024-06-25 | 杭州芯影科技有限公司 | 基于毫米波步态生物特征的身份识别方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256939A1 (en) * | 2009-04-03 | 2010-10-07 | The Regents Of The University Of Michigan | Heading Error Removal System for Tracking Devices |
US20110106449A1 (en) * | 2009-10-30 | 2011-05-05 | Mahesh Chowdhary | Methods and applications for altitude measurement and fusion of user context detection with elevation motion for personal navigation systems |
CN103983273A (zh) * | 2014-04-29 | 2014-08-13 | 华南理工大学 | 一种基于加速度传感器的实时步长估计方法 |
CN104268577A (zh) * | 2014-06-27 | 2015-01-07 | 大连理工大学 | 一种基于惯性传感器的人体行为识别方法 |
CN104977006A (zh) * | 2015-08-11 | 2015-10-14 | 北京纳尔信通科技有限公司 | 一种基于模糊理论和多传感器融合的室内定位方法 |
US20160338644A1 (en) * | 2013-09-17 | 2016-11-24 | Medibotics Llc | Smart Clothing for Ambulatory Human Motion Capture |
CN106500706A (zh) * | 2015-09-06 | 2017-03-15 | 中兴通讯股份有限公司 | 一种导航的方法和终端 |
-
2018
- 2018-01-26 CN CN201810076013.5A patent/CN108225304A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256939A1 (en) * | 2009-04-03 | 2010-10-07 | The Regents Of The University Of Michigan | Heading Error Removal System for Tracking Devices |
US20110106449A1 (en) * | 2009-10-30 | 2011-05-05 | Mahesh Chowdhary | Methods and applications for altitude measurement and fusion of user context detection with elevation motion for personal navigation systems |
US20160338644A1 (en) * | 2013-09-17 | 2016-11-24 | Medibotics Llc | Smart Clothing for Ambulatory Human Motion Capture |
CN103983273A (zh) * | 2014-04-29 | 2014-08-13 | 华南理工大学 | 一种基于加速度传感器的实时步长估计方法 |
CN104268577A (zh) * | 2014-06-27 | 2015-01-07 | 大连理工大学 | 一种基于惯性传感器的人体行为识别方法 |
CN104977006A (zh) * | 2015-08-11 | 2015-10-14 | 北京纳尔信通科技有限公司 | 一种基于模糊理论和多传感器融合的室内定位方法 |
CN106500706A (zh) * | 2015-09-06 | 2017-03-15 | 中兴通讯股份有限公司 | 一种导航的方法和终端 |
Non-Patent Citations (2)
Title |
---|
赵辉;李擎;李超;: "基于主方向的行人自主定位航向修正算法", 电子技术应用, no. 11, pages 1 - 12 * |
郑佳瑶;苏中;李擎;: "航向约束的行人导航算法研究", 现代电子技术, no. 24, pages 1 - 4 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405832A (zh) * | 2018-10-18 | 2019-03-01 | 南京理工大学 | 一种目标步长估计方法 |
CN109341682A (zh) * | 2018-11-12 | 2019-02-15 | 浙江工业大学 | 一种提高地磁场定位精度的方法 |
CN109597031A (zh) * | 2018-11-19 | 2019-04-09 | 桂林电子科技大学 | 一种基于svm和步行者航位推算融合的室内定位方法 |
CN109751998A (zh) * | 2019-01-14 | 2019-05-14 | 重庆邮电大学 | 一种基于动态时间规整的运动模式识别方法 |
CN111476078B (zh) * | 2019-02-28 | 2024-06-25 | 杭州芯影科技有限公司 | 基于毫米波步态生物特征的身份识别方法和系统 |
CN111476078A (zh) * | 2019-02-28 | 2020-07-31 | 杭州芯影科技有限公司 | 基于毫米波步态生物特征的身份识别方法和系统 |
CN110082716A (zh) * | 2019-04-29 | 2019-08-02 | 徐州医科大学 | 一种医院复杂环境室内定位系统及定位方法 |
CN110155124A (zh) * | 2019-05-21 | 2019-08-23 | 北京交通大学 | 列车定位系统及方法 |
CN110375741A (zh) * | 2019-07-09 | 2019-10-25 | 中移(杭州)信息技术有限公司 | 行人航位推算方法和终端 |
CN110327054A (zh) * | 2019-07-17 | 2019-10-15 | 袁兴光 | 一种基于加速度和角速度传感器的步态分析方法及装置 |
CN111243322A (zh) * | 2019-10-09 | 2020-06-05 | 朱柏雄 | 一种室内停车场反向寻找车辆的智能系统 |
CN111649742A (zh) * | 2020-05-08 | 2020-09-11 | 北京航空航天大学 | 一种基于anfis辅助的高程估计方法 |
CN111595344A (zh) * | 2020-06-01 | 2020-08-28 | 中国矿业大学 | 一种基于地图信息辅助的多姿态下行人行位推算方法 |
CN111595344B (zh) * | 2020-06-01 | 2023-02-24 | 中国矿业大学 | 一种基于地图信息辅助的多姿态下行人行位推算方法 |
CN111505632A (zh) * | 2020-06-08 | 2020-08-07 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
CN111505632B (zh) * | 2020-06-08 | 2023-03-03 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
CN111722180A (zh) * | 2020-07-02 | 2020-09-29 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 |
CN111722180B (zh) * | 2020-07-02 | 2021-08-13 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 |
CN111912406A (zh) * | 2020-08-14 | 2020-11-10 | 航天科工通信技术研究院有限责任公司 | 一种基于改进式hde的室内行人导航航向修正方法及系统 |
CN112472531A (zh) * | 2020-12-17 | 2021-03-12 | 大连理工大学 | 面向医疗复健和助力行走的下肢外骨骼机器人步态平稳算法 |
CN113029153A (zh) * | 2021-03-29 | 2021-06-25 | 浙江大学 | 基于智能手机多传感器融合和svm分类的多场景pdr定位方法 |
CN113029153B (zh) * | 2021-03-29 | 2024-05-28 | 浙江大学 | 基于智能手机多传感器融合和svm分类的多场景pdr定位方法 |
CN113899369B (zh) * | 2021-09-26 | 2024-04-09 | 东南大学 | 一种基于自适应降噪算法的超宽带/pdr室内定位方法 |
CN115426712A (zh) * | 2022-08-25 | 2022-12-02 | 浙江工业大学 | 一种基于深度学习的wifi精确鲁棒室内定位方法 |
CN115755910A (zh) * | 2022-11-17 | 2023-03-07 | 珠海城市职业技术学院 | 一种家庭服务机器人的控制方法及系统 |
CN115755910B (zh) * | 2022-11-17 | 2023-07-25 | 珠海城市职业技术学院 | 一种家庭服务机器人的控制方法及系统 |
CN117724035A (zh) * | 2024-02-07 | 2024-03-19 | 中国航天科工集团八五一一研究所 | 基于两级校正的干涉仪测向定位方法 |
CN117724035B (zh) * | 2024-02-07 | 2024-05-17 | 中国航天科工集团八五一一研究所 | 基于两级校正的干涉仪测向定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108225304A (zh) | 基于多源传感器室内快速定位方法与系统 | |
Liang et al. | A convolutional neural network for transportation mode detection based on smartphone platform | |
Radu et al. | HiMLoc: Indoor smartphone localization via activity aware pedestrian dead reckoning with selective crowdsourced WiFi fingerprinting | |
CN109525935A (zh) | 一种针对普适室内环境的智能楼层感知方法及控制系统 | |
CN109298389A (zh) | 基于多粒子群优化的室内行人组合位姿估计方法 | |
CN110118549A (zh) | 一种多源信息融合定位方法和装置 | |
Lee et al. | An experimental heuristic approach to multi-pose pedestrian dead reckoning without using magnetometers for indoor localization | |
CN106412839A (zh) | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 | |
CN109211229A (zh) | 一种基于手机传感器及WiFi特征的人员室内定位方法 | |
US20150063135A1 (en) | Client, server, and wireless signal map creating system using the same | |
Wang et al. | Recent advances in pedestrian inertial navigation based on smartphone: A review | |
Wang et al. | An adaptive indoor positioning method using multisource information fusion combing Wi-Fi/MM/PDR | |
CN109637126A (zh) | 一种基于v2x终端的交通对象识别系统及其方法 | |
Hassan et al. | A novel cascaded deep neural network for analyzing smart phone data for indoor localization | |
Nguyen-Huu et al. | A Multi‐Floor Indoor Pedestrian Localization Method Using Landmarks Detection for Different Holding Styles | |
Ding et al. | OGI-SLAM2: A hybrid map SLAM framework grounded in inertial-based SLAM | |
CN105142107B (zh) | 一种室内定位方法 | |
Xia et al. | Autonomous pedestrian altitude estimation inside a multi-story building assisted by motion recognition | |
CN105960011B (zh) | 基于传感网和贝叶斯方法的室内目标定位方法 | |
Tateno et al. | Improvement of pedestrian dead reckoning by heading correction based on optimal access points selection method | |
Ye et al. | Infrastructure-free floor localization through crowdsourcing | |
Wang et al. | Recent advances in floor positioning based on smartphone | |
Alaoui et al. | Points of interest detection for map-aided PDR in combined outdoor-indoor spaces | |
Li et al. | Pedestrian positioning in urban environment by integration of PDR and traffic mode detection | |
Yao et al. | BtPDR: Bluetooth and PDR-based indoor fusion localization using smartphones |
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 |