CN108957510A - 基于惯性/零速/gps的行人无缝组合导航定位方法 - Google Patents

Abstract

本发明公开了一种基于惯性/零速/GPS的行人无缝组合导航定位方法，首先分析行人跑步步态下的惯性传感器输出特性并进行捷联解算，建立基于行人跑步步态的零速检测模型提高了行人跑步状态下零速检测的稳定性与可靠性；同时提出了一种基于BP神经网络的GPS可用信号筛选方法，有效剔除误差较大的GPS干扰信号，提高了GPS信息的可靠性与精准性；在以上技术的基础上，研究了基于可变量测的卡尔曼滤波器实现了惯性/零速信息/GPS信息的有效融合，显著提高了行人跑步状态下的导航定位精度；本发明很好地解决纯惯性解算下速度位置的发散问题，提高行人跑步状态下的无缝组合导航定位的精度和可靠性。

Description

基于惯性/零速/GPS的行人无缝组合导航定位方法

技术领域

本发明涉及一种基于惯性/零速/GPS的行人无缝组合导航定位方法，属于个人移动定位技术领域。

背景技术

随着社会的进步，国内外掀起了研究行人导航定位技术的热潮。目前较为成熟的行人导航定位服务系统主要依赖于GPS。针对大型商场、地下车库、消防救援等应用场景，GPS往往无法正常工作，这将给日常生活带来不便，更对救援任务造成极大的困难，甚至导致巨大的财产损失和人员伤亡。

针对GPS信号易受干扰的特性，基于微机电系统(Micro Electro MechanicalSystem，MEMS)的自主式惯性定位导航系统应运而生并迅速发展。其中，第一种较为典型的基于惯性传感器的行人导航定位方法为航位推算算法(PDR，Pedestrian DeadReckoning)，即利用惯性传感器数据信息实时检测出行人行走步数，通过预测的每步步长和利用磁传感器与陀螺仪估计的航向角共同决定行人的位置。第二种方法则是基于捷联解算的行人导航算法，即将惯性传感器固定在行人足部、腿部、腰部或头部等位置，通过处理输出的加速度与角速度值，预估行人的姿态信息和位置。其中，Eric Foxlin最早提出在足部放置惯性传感设备的行人导航定位系统，采用零速更新算法将速度置零，进行零速修正，能够抑制惯性系统误差，但不满足高精度定位的要求，且成本高昂，不利于推广应用。哈尔滨工程大学团队提出一种仅仅适用于缓慢行走情况下的基于足部的IMU/GPS组合导航系统，且实验在开阔的操场上进行，虽定位精度较好，但适用局限性较大。同时，近年来国内外专家学者主要针对行人正常行走步态下的行人导航定位方法及零速检测方法进行了相关研究，针对行人跑步状态下的行人导航定位及其零速检测方法研究较少，而在救援等应用背景下人体多为跑步步态；另外针对室内外连续定位在室内外过渡点精度低、不能平滑自动切换等问题，因此针对行人跑步室内外无缝组合导航定位技术亟待研究。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于惯性/零速/GPS的行人无缝组合导航定位方法，有效估计行人导航结果误差与传感器误差，抑制了捷联惯性导航系统的误差发散，并有效剔除误差较大的GPS干扰信号，提高了GPS信息的可靠性与精准性，实现行人跑步状态下的室内外高精度导航定位目标。

为了实现上述目标，本发明采用如下的技术方案：

一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，将GPS和IMU集成于器件中并安装在足部，定位方法包括如下步骤：

步骤1)采集并分析行人跑步步态下的惯性传感器输出特性并进行捷联解算，其中步态为人体跑步时足部与地面的相对运动情况，惯性传感器的输出为三轴加速度和三轴角速度；

步骤2)建立基于行人跑步步态的零速检测模型，其中零速检测模型利用三轴加速度模值与重力加速度的差值及所求差值的标准差以及三轴角速度的模值判断当前时刻是否为足部相对地面的静止时刻；

步骤3)利用GPS的特征量作为神经网络的输入，将GPS的有效性与否的标志值作为输出，构建基于BP神经网络的GPS可用信号筛选模型；

步骤4)建立基于惯性/零速/GPS信息的卡尔曼滤波器模型，利用卡尔曼滤波器实现惯性/零速/GPS信息的有效融合；

步骤5)保存捷联导航数据后进行导航数据更新，并进入下一次循环。

前述的一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，所述步骤1)中：

行人跑步步态下分为四个阶段：抬脚-脚尖着地、悬空-脚掌离地、落地-脚跟着地和支撑-脚掌着地，将传感器件固定于其中一只脚上，对其进行运动分析；

通过三轴加速度与三轴角速度曲线可以看出两者均具有周期性，分析其周期大小以及变化趋势，且结合惯性传感器相对于足部的固定安装位置得到相应的足部与地面相对静止阶段，即为零速阶段；

捷联惯性导航解算算法包括姿态解算、位置解算和速度解算，其中速度解算与位置解算分别为载体比力的一次积分与二次积分获得，姿态解算由四元数法进行求解。

前述的一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，所述步骤2)中建立模型的具体内容为：

在行人跑步过程中存在足部速度为零的一段时间，通过对三轴加速度模值与重力加速度的差值a_k及该差值的标准差σ_1k以及三轴角速度的模值g_k进行分析判断，采用滑动窗口法，根据跑步运动特性，将滑动窗口大小n定为10：

其中：f_kx、f_ky、f_kz为第k时刻加速度计采集得到的比力信息，g为重力加速度，ω_kx、ω_ky、ω_kz为第k时刻陀螺仪采集得到的角速度信息，ε_a1、ε_a2、ε_w1分别为a_k、σ_1k、g_k所对应的判别阈值，其中阈值ε_a1、ε_a2与ε_w1根据多组实验的a_k、σ_1k、g_k曲线与所对应的零速区间对比并结合经验值得到；

三轴加速度模值与重力加速度的差值及该差值的标准差以及三轴角速度的模值判断按逻辑“与”的关系进行组合，若以上三种值均小于所对应的阈值时，人为地将速度置零，对纯捷联惯性导航误差进行修正。

前述的一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，所述步骤3)中建立基于BP神经网络的GPS可用信号筛选模型的方法为：

构建4输入1输出与4个隐藏节点的神经网络，4个输入为Δp，Δv，Δh，pd，分别代表GPS位置变化量，速度变化量，航向角变化量及PDOP值，1个输出为flag，代表GPS标志位，其中1代表有效，0代表无效；

训练阶段：利用评估准确的GPS数据对该BP神经网络进行训练，形成神经网络；

测试阶段：输入实时GPS的位置变化量，速度变化量，航向角变化量及PDOP值，利用训练好的神经网络输出GPS标志位，判断实测GPS信息的有效性。

前述的一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，所述步骤4)中的建立基于惯性/零速/GPS信息的卡尔曼滤波器模型的方法为：

构建18维的卡尔曼滤波器状态量，具体如下：

其中，分别为惯导平台东北天三轴方向的误差角，下标e表示东，n表示北，u表示天；[δV_e；δV_n；δV_u]为东北天三轴方向的速度误差；[δL；δλ；δh]为卡尔曼滤波估计位置误差；[ε_bx；ε_by；ε_bz]为陀螺仪三轴的零偏，下标x表示x轴，y表示y轴，z表示z轴；[ε_rx；ε_ry；ε_rz]为陀螺一阶马尔科夫过程随机误差；为加速度计一阶马尔科夫过程随机误差；

采用可变量测模型，分为以下三种情况：

(1)当仅检测出零速区间时，鉴于零速区间位置不变，速度为零，6维量测信息为Z_zupt，量测方程如下，即惯导解算的位置信息与上一时刻惯导解算的位置信息的差值以及惯导解算的速度信息与零速的差值：

(2)当仅GPS信息有效时，6维量测信息为Z_GPS/INS，量测方程如下，即惯导系统与GPS接收机得到的位置信息的差值以及两者所得出的速度信息的差：

(3)当零速区间与有效GPS信息同时存在时，采用12维量测信息[Z_zupt；Z_GPS/INS]，量测方程如下：式中，H为量测矩阵；V为量测噪声矩阵；L为纬度；R_M和R_N分别为子午圈和卯酉圈半径；

[L_INS；λ_INS；h_INS]为惯导解算的位置信息；[L_ZUPT；λ_ZUPT；h_ZUPT]为上一时刻惯导解算的位置信息；[v_eINS；v_nINS；v_uINS]为惯导解算的速度信息；[v_eZUPT；v_nZUPT；v_uzUPT]为零速，即[0；0；0]；[λ_GPS；L_GPS；h_GPS]为GPS接收机所给的位置信息；[v_eGPS；v_nGPS；v_uGPS]为GPS接收机所给的速度信息。

本发明所达到的有益效果：本发明首先分析行人跑步步态下的惯性传感器输出特性并进行捷联解算，建立基于行人跑步步态的零速检测模型提高了行人跑步状态下零速检测的稳定性与可靠性；同时提出了一种基于BP神经网络的GPS可用信号筛选方法，有效剔除误差较大的GPS干扰信号，提高了GPS信息的可靠性与精准性；在以上技术的基础上，研究了基于可变量测的卡尔曼滤波器实现了惯性/零速信息/GPS信息的有效融合，显著提高了行人跑步状态下的导航定位精度；本发明很好地解决纯惯性解算下速度位置的发散问题，提高行人跑步状态下的无缝组合导航定位的精度和可靠性。

附图说明

图1是本发明行人无缝组合导航定位算法解算流程图；

图2是本发明行人跑步状态下陀螺仪三轴输出示意图；

图3是本发明行人跑步状态下加速度计三轴输出示意图；

图4是本发明采用所提出的零速检测方法的零速周期检测示意图；

图5是本发明BP神经网络结构示意图；

图6是本发明BP神经网络预测误差示意图；

图7是本发明针对具体5次实验的训练结果示意图；

图8是本发明室内、室内外行人实际行走路线图；

图9是本发明室外行人实际行走路线图；

图10是本发明室内行人轨迹相对位置仿真图；

图11是本发明室外行人轨迹相对位置仿真对比图；

图12是本发明室内外行人轨迹相对位置仿真对比图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明基于惯性/零速/GPS的行人无缝组合导航定位方法解算流程有以下步骤：

步骤1，惯性测量单元获取行人跑步时的加速度和角加速度信息，进行初始对准和扣除零偏等导航预处理过程；

步骤2，将实时的惯性数据进行捷联解算，求解惯性导航的位置速度信息；

步骤3，采用本发明提出的跑步零速检测方法对步态进行检测；

步骤4，采用本发明提出的基于神经网络的GPS可用信号筛选方法对GPS信号的有效性进行判断；

步骤5，采用基于可变量测的卡尔曼滤波器实现了惯性/零速信息/GPS信息的有效融合；

步骤6，将保存捷联导航数据后进行导航数据更新，并进入下一次循环到步骤2；

本发明的具体实施方式如下：

1、分析行人跑步步态下的惯性传感器输出特性并进行捷联解算

行人跑步过程中，足部运动分为四个阶段：抬脚(脚尖着地)、悬空(脚掌离地)、落地(脚跟着地)和支撑(脚掌着地)，将传感器件固定于其中一只脚上，对惯性传感器输出信息进行运动分析，如图2和图3所示，三轴加速度与三轴角速度数据具有周期性，图中含有7个完整的周期，每个周期为0.7秒，足部完全与地面接触的时间约为0.05-0.08秒之间，这个时间段内应对其进行零速修正。

2、建立基于行人跑步步态的零速检测模型

基于行人跑步特性分析，根据加速度计和陀螺仪的输出特性设置零速判定条件，在图4中，短虚线及实线分别代表加速度计三轴模值与重力加速度的差值及其标准差，长虚线曲线代表陀螺仪三轴模值，零速检测标志位为点实线曲线，为便于显示，采用双坐标轴画图法且将零速检测标志位乘以10。由图4可知，在零速阶段加速度计和陀螺仪的输出均达到了谷值，与运动状态时的惯性输出存在较明显的差异，当零速检测标志位为10时表示此段为零速区间，即成功检测到零速区间，经过多组实验可知该方法的准确率可达99％，具有较高的检测精度。该方法利用综合判断条件进行零速检测，比单一的零速检测方法适用性与准确性更高。

3、建立基于BP神经网络的GPS可用信号筛选模型

GPS在开阔的室外环境下精度较高，但信号容易受到高楼、高架等环境的干扰，为提高组合导航定位精度，实现室内外无缝导航，故提出一种基于BP神经网络的GPS可用信息筛选方法。BP神经网络已较为成熟，具有很强的非线性映射能力和柔性的网络结构。本发明构建的神经网络框架如图5所示，4个输入为Δp，Δv，Δh，pd，分别代表GPS位置变化量，速度变化量，航向角变化量及PDOP值，1个输出为flag，代表GPS标志位(1代表有效，0代表无效)。

利用评估准确的GPS数据对该BP神经网络进行训练，BP神经网络预测误差曲线如图6所示，由于网络输出为标志位flag(非0即1)，将实时输出flag与真实flag做差并取其绝对值，则形成的误差非0即1。输入实时GPS的位置变化量，速度变化量，航向角变化量及PDOP值，利用训练好的神经网络输出GPS标志位，判断实测GPS信息的有效性，将筛选后的有效GPS个数与实际有效GPS个数比较得到筛选结果成功比例，针对具体5次实验的训练结果如图7所示。该方法利用神经网络来预测GPS信息的有效性，智能化的进行GPS有效性判别，具有较高的准确率。

4、建立基于惯性/零速/GPS信息的卡尔曼滤波器模型

惯性/GPS组合导航利用具有绝对位置信息的GPS不断地修正惯导误差以抑制惯导误差的增长，同时利用惯导短时高精度特性弥补GPS短时间内的失锁和跳转问题，使组合后的导航精度得到显著提高。卡尔曼滤波是一种能够估计得到导航误差的最优估计方法，在导航领域得到广泛应用，故本文采用基于卡尔曼滤波方法的修正算法。本文构建18维的卡尔曼滤波器状态量，采用可变量测模型有效融合了惯性/零速/GPS信息。

实验分别针对室内与室外场景下进行测试，其中两组规划路径如图8与图12所示。图8黄线为室内方形，总路径长为200.46m。图9黄线为室外操场方形，总路径长为346m。室内外过渡场景如图8中的红色虚线所示，总路径长123.16m，其中，相对距离由高精度激光测距仪测量得到。

针对GPS信息无效的室内场景而言，纯捷联导航解算算法误差发散较快，误差约为6613米，导航结果与规划路径完全不一致；在捷联导航解算算法的基础上，加入零速修正算法，如图10所示，蓝色轨迹表示应用本发明零速检测方法的结果，蓝色轨迹基本与规划路线相匹配，且首尾误差约为1.5米。

针对GPS信息有效的室外场景而言，在捷联导航解算算法的基础上，仅加入零速修正算法。如图11所示，蓝色虚线轨迹表示本发明零速检测方法的结果，蓝色轨迹基本与规划路线相匹配，误差约为13.3米。若在加入零速修正的捷联导航解算算法的基础上，融合有效GPS进行组合导航解算，如图11中的红色实线轨迹所示，其与规划路径基本一致，同时误差也减少到3.13米。

针对GPS信息易受干扰的室内与室外过渡场景进行实验，如图12所示。蓝色虚线代表惯导与未经筛选的GPS进行组合的结果，红色实线表示惯导与经筛选的GPS进行组合的结果。由图12可知红色实线轨迹基本与规划路径一致，其路径误差根据实测点与路线起终点、拐点的平均误差所得；而蓝色虚线轨迹受到GPS的误修正导致与实际的轨迹相差较大。故证实采用基于BP神经网络的GPS可用信息筛选方法可以保证GPS的有效性，进而提高组合导航的精度，实现无缝导航。

由多组实验可知，该行人无缝导航定位方法满足室内外多种情况下的行人跑步导航定位精度，具有工程实践价值。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，将GPS和IMU集成于器件中并安装在足部，定位方法包括如下步骤：

步骤1)采集并分析行人跑步步态下的惯性传感器输出特性并进行捷联解算，其中步态为人体跑步时足部与地面的相对运动情况，惯性传感器的输出为三轴加速度和三轴角速度；

步骤2)建立基于行人跑步步态的零速检测模型，其中零速检测模型利用三轴加速度模值与重力加速度的差值及所求差值的标准差以及三轴角速度的模值判断当前时刻是否为足部相对地面的静止时刻；

步骤3)利用GPS的特征量作为神经网络的输入，将GPS的有效性与否的标志值作为输出，构建基于BP神经网络的GPS可用信号筛选模型；

步骤4)建立基于惯性/零速/GPS信息的卡尔曼滤波器模型，利用卡尔曼滤波器实现惯性/零速/GPS信息的有效融合；

步骤5)保存捷联导航数据后进行导航数据更新，并进入下一次循环。

2.根据权利要求1所述的一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，所述步骤1)中：

行人跑步步态下分为四个阶段：抬脚-脚尖着地、悬空-脚掌离地、落地-脚跟着地和支撑-脚掌着地，将传感器件固定于其中一只脚上，对其进行运动分析；

通过三轴加速度与三轴角速度曲线可以看出两者均具有周期性，分析其周期大小以及变化趋势，且结合惯性传感器相对于足部的固定安装位置得到相应的足部与地面相对静止阶段，即为零速阶段；

捷联惯性导航解算算法包括姿态解算、位置解算和速度解算，其中速度解算与位置解算分别为载体比力的一次积分与二次积分获得，姿态解算由四元数法进行求解。

3.根据权利要求1所述的一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，所述步骤2)中建立模型的具体内容为：

在行人跑步过程中存在足部速度为零的一段时间，通过对三轴加速度模值与重力加速度的差值a_k及该差值的标准差σ_1k以及三轴角速度的模值g_k进行分析判断，采用滑动窗口法，根据跑步运动特性，滑动窗口大小为n：

其中：f_kx、f_ky、f_kz为第k时刻加速度计采集得到的比力信息，g为重力加速度，ω_kx、ω_ky、ω_kz为第k时刻陀螺仪采集得到的角速度信息，ε_a1、ε_a2、ε_w1分别为a_k、σ_1k、g_k所对应的判别阈值，其中阈值ε_a1、ε_a2与ε_w1根据多组实验的a_k、σ_1k、g_k曲线与所对应的零速区间对比并结合经验值得到；

三轴加速度模值与重力加速度的差值及该差值的标准差以及三轴角速度的模值判断按逻辑“与”的关系进行组合，若以上三种值均小于所对应的阈值时，人为地将速度置零，对纯捷联惯性导航误差进行修正。

4.根据权利要求1所述的一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，所述步骤3)中建立基于BP神经网络的GPS可用信号筛选模型的方法为：

构建4输入1输出与4个隐藏节点的神经网络，4个输入为Δp，Δv，Δh，pd，分别代表GPS位置变化量，速度变化量，航向角变化量及PDOP值，1个输出为flag，代表GPS标志位，其中1代表有效，0代表无效；

训练阶段：利用评估准确的GPS数据对该BP神经网络进行训练，形成神经网络；

测试阶段：输入实时GPS的位置变化量，速度变化量，航向角变化量及PDOP值，利用训练好的神经网络输出GPS标志位，判断实测GPS信息的有效性。

5.根据权利要求1所述的一种基于惯性/零速/GPS的行人无缝组合导航定位方法，其特征是，所述步骤4)中的建立基于惯性/零速/GPS信息的卡尔曼滤波器模型的方法为：

构建18维的卡尔曼滤波器状态量，具体如下：

其中，分别为惯导平台东北天三轴方向的误差角，下标e表示东，n表示北，u表示天；[δV_e；δV_n；δV_u]为东北天三轴方向的速度误差；[δL；δλ；δh]为卡尔曼滤波估计位置误差；[ε_bx；ε_by；ε_bz]为陀螺仪三轴的零偏，下标x表示x轴，y表示y轴，z表示z轴；[ε_rx；ε_ry；ε_rz]为陀螺一阶马尔科夫过程随机误差；为加速度计一阶马尔科夫过程随机误差；

采用可变量测模型，分为以下三种情况：

(1)当仅检测出零速区间时，鉴于零速区间位置不变，速度为零，6维量测信息为Z_zupt，量测方程如下，即惯导解算的位置信息与上一时刻惯导解算的位置信息的差值以及惯导解算的速度信息与零速的差值：

(2)当仅GPS信息有效时，6维量测信息为Z_GPS/INS，量测方程如下，即惯导系统与GPS接收机得到的位置信息的差值以及两者所得出的速度信息的差：

(3)当零速区间与有效GPS信息同时存在时，采用12维量测信息[Z_zupt；Z_GPS/INS]，量测方程如下：式中，H为量测矩阵；V为量测噪声矩阵；L为纬度；R_M和R_N分别为子午圈和卯酉圈半径；

[L_INS；λ_INS；h_INS]为惯导解算的位置信息；[L_ZUPT；λ_ZUPT；h_ZUPT]为上一时刻惯导解算的位置信息；[v_eINS；v_nINS；v_uINS]为惯导解算的速度信息；[v_eZUPT；v_nZUPT；v_uZUPT]为零速，即[0；0；0]；[λ_GPS；L_GPS；h_GPS]为GPS接收机所给的位置信息；[v_eGPS；v_nGPS；v_uGPS]为GPS接收机所给的速度信息。