CN109059910A - 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 - Google Patents
基于惯性和肌电信息并结合机器学习的行人导航系统和方法 Download PDFInfo
- Publication number
- CN109059910A CN109059910A CN201810824404.0A CN201810824404A CN109059910A CN 109059910 A CN109059910 A CN 109059910A CN 201810824404 A CN201810824404 A CN 201810824404A CN 109059910 A CN109059910 A CN 109059910A
- Authority
- CN
- China
- Prior art keywords
- foot
- machine learning
- inertia
- navigation
- pedestrian
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003183 myoelectrical effect Effects 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000002567 electromyography Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 7
- 230000030279 gene silencing Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 230000013016 learning Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000002003 electrode paste Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 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
- G01C21/10—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
-
- 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
- G01C21/20—Instruments for performing navigational calculations
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
本发明公开了基于惯性和肌电信息并结合机器学习的行人导航系统和方法。该系统包括至少一组设置在行人足部的惯性/地磁测量组件、若干组设置在人体足部以外部位的惯性测量组件、若干组设置在人体各部位的肌电信号传感器以及设置在人体任意位置的微型导航计算机和机器学习处理计算机,足部的惯性/地磁测量组件与微型导航计算机构成足部惯性导航系统,各惯性测量组件和肌电信号传感器采集的有效数据作为机器学习算法模型的输入,足部惯性导航系统输出的导航信息变化量作为输出,在线构建模型并实现行人导航。本发明在足部未安装惯导系统或分布于人体的部分传感器件、系统发生故障时,仍能精确实现行人导航定位,提高行人导航系统的可靠性与稳定性。
Description
技术领域
本发明属于行人导航技术领域,特别涉及了基于惯性和肌电信息并结合机器学习的行人导航系统和方法。
背景技术
行人导航是导航定位领域中的一个重要分支。现有行人导航研究方向主要可分为以下两类:一是基于各类无线网络的源头定位,然而这类方法依赖额外设备(如WIFI、蓝牙等),定位精度受环境影响较大,易受干扰;二是基于惯性传感器的行人导航定位,以惯性器件为核心,具有短时高精度和高稳定性的特点,是一种完全自主的导航系统,然而该方案在长时间下误差会积累而迅速发散。
为克服以上缺点,可结合人体运动特征实现行人导航功能,将惯性测量组件和其他传感器安装于人体各部位,基于人体不同状态的运动信号,通过对人体运动学机理的分析和机器学习算法来构建足部惯性导航系统的输出模型。
近年来的研究表明,单一运动信号可能无法满足不同模式下人的导航需求,因此需要引入多种输入信号体现不同运动模式之间的差异。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供基于惯性和肌电信息并结合机器学习的行人导航系统和方法,采集人体各部位的肌电信号和惯性信息构建机器学习模型,提高行人导航系统的可靠性与稳定性。
为了实现上述技术目的,本发明的技术方案为:
基于惯性和肌电信息并结合机器学习的行人导航系统,包括至少一组设置在行人足部的惯性/地磁测量组件、若干组设置在人体除足部以外其他部位的惯性测量组件、若干组设置在人体各部位的肌电信号传感器以及设置在人体任意位置的微型导航计算机和机器学习处理计算机,足部的惯性/地磁测量组件与微型导航计算机之间通过有线或无线的方式连接而构成足部惯性导航系统,人体各部位的惯性测量组件、肌电信号传感器、微型导航计算机分别与机器学习处理计算机通过有线或无线的方式连接。
进一步地,所述若干组惯性测量组件安装于人体除足部以外其他部位的衣物或皮肤表面位置。
进一步地,所述若干组肌电信号传感器安装于人体各部位皮肤表面。
基于上述行人导航系统的行人导航方法,将人体除足部以外其他部位的惯性测量组件和人体各部位的肌电信号传感器采集的有效信号传送给机器学习处理计算机,作为机器学习算法模型的输入,将足部惯性导航系统输出的导航信息变化量传送给机器学习处理计算机,作为机器学习算法模型的输出,经训练得到输入与输出之间的非线性数学模型映射关系,通过在线构建完成的机器学习算法模型实现行人导航。
进一步地,在构建完成机器学习算法模型之后,根据实际情况采用不同的导航方法:
(1)行人足部不再安装惯性/地磁测量组件,此时直接利用已构建完成的机器学习算法模型,通过人体其他部位的有效的传感器信息生成虚拟足部惯性导航信息变化量,并根据前一时刻的导航信息进行导航信息更新,以代替实际足部惯性导航信息;
(2)行人足部仍然安装惯性/地磁测量组件且足部惯性导航系统未发生故障,此时直接使用足部惯性导航系统输出的导航信息;
(3)行人足部仍然安装惯性/地磁测量组件且检测到足部惯性导航系统发生故障,此时有如下两种方案:
方案一:屏蔽足部惯性导航系统,直接利用已构建完成的机器学习算法模型,通过人体其他部位的有效的传感器信息生成虚拟的足部惯性导航信息变化量进行导航信息更新,以代替实际的足部惯性导航信息;
方案二:将足部惯性导航系统输出的实际足部惯性导航信息,与机器学习算法模型的输出对导航信息更新得到的虚拟足部惯性导航信息进行融合,将融合结果作为最终输出的导航信。
进一步地,在构建机器学习算法模型之前,是信息采集与处理阶段,该阶段的具体步骤如下:
步骤1:在人体不同运动状态下,以相同或不同的频率同步采集人体除足部以外其他部位的惯性测量组件、人体各部位的肌电信号传感器以及足部的惯性/地磁测量组件的信息;
步骤2:对肌电信号传感器采集的人体皮肤表面肌电信号进行预处理,包括信号有效性检测、信号消噪和信号活动段加强;
步骤3:对人体除足部以外其他部位的惯性测量组件以及足部的惯性/地磁测量组件中的惯性传感器进行信号有效性检测,然后对有效信号进行随机误差实时建模与校正;
步骤4:在足部的惯性/地磁测量组件信息均有效的前提下对足部惯性导航系统进行初始对准,否则重启惯性/地磁测量组件,返回至步骤3;
步骤5:对足部惯性导航系统进行姿态解算和速度、位置解算。
进一步地,在步骤2中,所述信号消噪方法包括但不限于采用小波模极大值算法。
进一步地,步骤3的具体过程为,对于安装于足部和人体其他部位的惯性传感器进行信号有效性检测,对于有效的惯性传感器信号,在陀螺仪和加速度计的零位偏置随时间变化明显的情况下,分别建立符合陀螺仪和加速度计的零位偏置趋势项模型,对数据的零偏趋势项进行实时校正;分别建立随机误差模型,将零偏趋势项校正后的输出作为观测量,将理想输出的估计值作为状态量,建立基于随机误差模型的卡尔曼滤波器,实时估计陀螺仪和加速度计的理论输出。
采用上述技术方案带来的有益效果:
本发明引入肌电信号以体现不同运动模式之间的差异,人体肌电信号包含大量与人体运动状态有关的生理信息,体现了运动模式的组合及分解关系,并且预示肢体运动意图。同时,安装于人体各个部位的惯性测量组件可以采集到加速度和角速度等运动信息,利用这些采集到的有效的信息通过在线构建机器学习算法训练模型实现行人导航。本发明实现了在足部未安装惯导系统,或者分布于人体的部分传感器件、系统发生故障时,仍然能够精确地实现行人导航定位的功能,有效提高了行人导航系统的可靠性与稳定性。
附图说明
图1是本发明的在线机器学习系统的硬件组成示意图;
图2是本发明的在线机器学习系统的工作流程图;
图3是本发明的行人导航系统工作流程图;
图4是本发明中肌电信号消噪的原理图;
图5是本发明中实际、虚拟足部惯性导航系统进行组合导航的原理图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
如图1所示,本发明提出了一种基于惯性和肌电信息并结合机器学习的行人导航系统。其中,肌电信号传感器和惯性测量组件安装在人体各个部位,具体为:肌电信号传感器安装于人体各部位皮肤表面,实际应用中可采用中低精度的传感器,安装位置可选择股四头肌,比目鱼肌等肌肉群表面。惯性测量组件可安装于人体除足部以外其他部位的衣物或皮肤表面位置,实际应用中可采用中低精度的惯性测量单元,如MPU-6050型,MPU-9250型传感组件等。惯性/地磁测量组件安装于人体足部位置,微型导航计算机与机器学习处理计算机可安装于人体任意位置,与上述传感器组件之间可通过电缆连接,或采用无线通讯完成数据传输。
如图2、图3所示,基于上述系统的机器学习与行人导航过程的具体步骤如下。
1、肌电信号的采集和预处理:
该肌电信号为表面肌电信号,通过粘贴在皮肤表面的电极贴采集。预处理包括信号有效性检测、信号消噪、活动段加强等。
由于表面电极与皮肤的接触阻抗的变化、电极的移动以及环境中电磁信号等的干扰会引入噪声,因此预处理阶段需要对已检测为有效的肌电信号进行消噪处理,原理图如图4所示。在比较常见消噪方法特点的基础上,可以采用小波模极大值算法但不仅限于该算法对肌电信号进行消噪,使得消噪后信号既保留肌电信号本身特性,又增大了消噪比,波形曲线更加光滑,有利于后续特征提取和模式识别。其次由于步态肌电信号的变化呈现出周期性的活动段,活动段内信号幅值明显增大,而其他时间信号很小或没有信号,因此步态分析时肌电信号的活动段是重要的研究对象。信号采集时引入的各种噪声和系统性能的限制,信号活动段有时没有那么明显,在数据处理之前往往需要对活动段增强。
2、人体除足部以外其他部位的惯性测量组件的信号采集:
采集人体除足部以外其他部位惯性传感器组件中陀螺仪、加速度计的输出信号,得到x,y,z三轴角速度和加速度。
3、足部惯性/地磁测量组件的信号采集:
采集足部惯性/地磁测量组件中陀螺仪、加速度计及磁传感器的输出信号,得到角速度、比力和磁场强度。并将这些信息通过通信电缆或无线传输给微型导航计算机。
4、惯性传感器的有效性检测以及随机误差的实时建模与校正:
对于安装于足部和人体其他部位的惯性传感器进行信号有效性检测,对于有效惯性传感器信号,在陀螺仪和加速度计的零位偏置随时间变化明显的情况下,分别建立符合陀螺仪和加速度计的零位偏置趋势项模型,对数据的零偏趋势项进行实时校正;
分别建立随机误差模型,将零偏趋势项校正后的输出作为观测量,将理想输出的估计值作为状态量,建立基于随机误差模型的卡尔曼滤波器,分别实时估计陀螺仪与加速度计的理论输出。
5、足部惯性导航系统的初始对准:
在足部惯性传感器信息均有效的前提下对足部惯性导航系统进行初始对准:系统启动后在静态条件下,利用加速度计数据,在导航计算机中通过水平自对准得到足部惯性传感组件初始横滚角与俯仰角,结合初始横滚角与俯仰角计算得到足部惯性传感组件的初始航向角;否则重启惯性/地磁测量组件,返回至步骤3。
6、基于足部惯性/地磁传感组件的捷联惯性导航系统的惯性导航解算:
该步骤应用于足部惯性/地磁传感组件所构成的足部捷联惯性导航系统。足部捷联惯性导航系统的惯性导航解算步骤分为姿态解算和速度、位置解算。
(1)姿态解算
捷联惯性导航系统的姿态解算有欧拉角法、方向余弦法和四元数法,而四元数法具有可以全姿态工作、计算工作量小等特点,故本发明采用四元数法进行姿态解算,主要步骤如下:
1)载体相对导航坐标系角速度的计算:
其中,为陀螺仪输出数据,可通过行进速度在导航坐标系中的投影、地球自转角速度以及上个周期的姿态转移矩阵求得。
2)四元数微分方程的求解。
3)四元数规范化:
姿态解算中计算误差的存在使得计算的变换四元数的范数不再等于1,即计算的四元数失去规范性,因此对计算的四元数必须周期性地进行规范化处理。
4)由四元数计算姿态转移矩阵
5)由姿态转移矩阵提取姿态角。
(2)速度、位置解算:
因为输出是载体相对于惯性空间的比力在载体坐标系中的投影,因此需要把加速度计数据通过姿态转移矩阵转换到导航坐标系中,记为即
从而可以解算出载体在地理系中的速度其微分方程为:
其中,fn为加速度计输出在导航坐标系中的投影,为地球自转角速度在导航坐标系中的投影,为导航坐标系相对于地球坐标系的角速度在导航坐标系中投影,gn为当地重力加速度在导航坐标系中的投影。
对载体在地理系中的速度进行积分运算,就可以得到载体在地理系中的位置信息。
7、机器学习算法模型构建:
在人体不同运动状态下,包括但不仅限于水平行走、上楼、下楼、跑步、跳跃等步态,以相同或者不同的频率同步采集人体各部位的肌电传感器和人体除足部以外其他部位的惯性测量组件以及足部惯性/地磁测量组件的信息并进行数据预处理,将有效的肌电信号和惯性信息序列(加速度、角速度)作为输入量,足部惯性导航系统输出的导航信息变化量序列(速度变化量、位置变化量、姿态角变化量)作为目标输出量,采用深度学习等机器学习算法(如卷积神经网络等)训练模型,搜索输出与输入存在的某种非线性关系并把这些学习到的关系放入知识库中,指导学习机的建立,把执行过程中获得的信息反馈给学习环节,以改进下一步的学习,通过减少学习机的预测输出与有标准输入值的目标输出之间的误差来校正学习机以提高预测精度,从而通过在线构建完成的模型实现行人导航,并可进一步应用于足部惯导系统的故障检测与行人导航系统重构。
8、基于机器学习算法模型的行人导航系统构建:
在利用机器学习算法模型的输出对导航信息更新得到的虚拟足部惯性导航信息的基础上,可采取多种方案构建行人导航系统。
方案一:足部不再安装惯性/地磁测量组件,直接利用已构建完成的机器学习算法模型,通过人体其他部位的有效的传感器信息生成虚拟足部惯性导航信息变化量,并根据前一时刻的导航信息进行导航信息更新,以代替实际足部惯性导航信息,从而实现利用安装于人体各部位的传感器组件代替足部惯性导航系统实现行人导航功能。
方案二:足部仍然安装惯性/地磁测量组件,因捷联惯性导航系统的惯性/地磁测量组件与足部直接固连,易受足部震动等影响而出现故障,因此需要对足部惯性导航系统进行故障检测。将虚拟足部惯性导航信息与实际足部惯性导航信息作比较,判断实际足部惯性/地磁测量组件是否出现故障。对于无故障的情形,则直接输出由足部惯性导航系统采集的惯性导航信息;对于有故障的情形,则进行行人导航系统重构,此时有如下两种方案:
(1)屏蔽足部惯性导航系统,即用虚拟足部惯性导航信息变化量进行导航信息更新,以代替实际的足部惯性导航信息,具体步骤如下:
采用机器学习算法模型将人体各部位的有效的传感器信息作为输入量,生成虚拟足部惯性导航信息变化量进行导航信息更新,并将其与实际足部惯性导航系统的导航信息作比较,当一轴或多轴导航信息出现故障时,将实际足部惯性导航信息屏蔽,利用虚拟足部惯性导航信息进行导航,实现惯性导航系统出现故障时的基于机器学习模型的行人导航系统构建。
(2)应用卡尔曼滤波等最优估计方法进行组合导航,将足部惯性导航系统输出的实际足部惯性导航信息,与机器学习算法模型的输出对导航信息更新得到的虚拟足部惯性导航信息进行融合,将融合结果作为最终输出的导航信息,从而实现故障情况下的行人导航功能。具体步骤如下:
将实际足部惯性导航系统和虚拟足部惯性导航系统进行组合导航,采用全信息组合的松组合等方式,原理图如图5所示。
用实际足部惯性导航系统和虚拟足部惯性导航系统输出的位置、速度和姿态信息的差值作为观测量,经卡尔曼滤波器等系统误差估计方法实时估计实际与虚拟惯性导航系统的系统级与器件级误差,然后对实际与虚拟惯性导航系统进行校正。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.基于惯性和肌电信息并结合机器学习的行人导航系统,其特征在于,所述行人导航系统包括至少一组设置在行人足部的惯性/地磁测量组件、若干组设置在人体除足部以外其他部位的惯性测量组件、若干组设置在人体各部位的肌电信号传感器以及设置在人体任意位置的微型导航计算机和机器学习处理计算机,足部的惯性/地磁测量组件与微型导航计算机之间通过有线或无线的方式连接而构成足部惯性导航系统,人体各部位的惯性测量组件、肌电信号传感器、微型导航计算机分别与机器学习处理计算机通过有线或无线的方式连接。
2.根据权利要求1所述基于惯性和肌电信息并结合机器学习的行人导航系统,其特征在于,所述若干组惯性测量组件安装于人体除足部以外其他部位的衣物或皮肤表面位置。
3.根据权利要求1所述基于惯性和肌电信息并结合机器学习的行人导航系统,其特征在于,所述若干组肌电信号传感器安装于人体各部位皮肤表面。
4.基于权利要求1-3中任意一项所述行人导航系统的行人导航方法,其特征在于,将人体除足部以外其他部位的惯性测量组件和人体各部位的肌电信号传感器采集的有效信号传送给机器学习处理计算机,作为机器学习算法模型的输入,将足部惯性导航系统输出的导航信息变化量传送给机器学习处理计算机,作为机器学习算法模型的输出,经训练得到输入与输出之间的非线性数学模型映射关系,通过在线构建完成的机器学习算法模型实现行人导航。
5.根据权利要求4所述行人导航方法,其特征在于,在构建完成机器学习算法模型之后,根据实际情况采用不同的导航方法:
(1)行人足部不再安装惯性/地磁测量组件,此时直接利用已构建完成的机器学习算法模型,通过人体其他部位的有效的传感器信息生成虚拟足部惯性导航信息变化量,并根据前一时刻的导航信息进行导航信息更新,以代替实际足部惯性导航信息;
(2)行人足部仍然安装惯性/地磁测量组件且足部惯性导航系统未发生故障,此时直接使用足部惯性导航系统输出的导航信息;
(3)行人足部仍然安装惯性/地磁测量组件且检测到足部惯性导航系统发生故障,此时有如下两种方案:
方案一:屏蔽足部惯性导航系统,直接利用已构建完成的机器学习算法模型,通过人体其他部位的有效的传感器信息生成虚拟的足部惯性导航信息变化量进行导航信息更新,以代替实际的足部惯性导航信息;
方案二:将足部惯性导航系统输出的实际足部惯性导航信息,与机器学习算法模型的输出对导航信息更新得到的虚拟足部惯性导航信息进行融合,将融合结果作为最终输出的导航信。
6.根据权利要求4所述行人导航方法,其特征在于,在构建机器学习算法模型之前,是信息采集与处理阶段,该阶段的具体步骤如下:
步骤1:在人体不同运动状态下,以相同或不同的频率同步采集人体除足部以外其他部位的惯性测量组件、人体各部位的肌电信号传感器以及足部的惯性/地磁测量组件的信息;
步骤2:对肌电信号传感器采集的人体皮肤表面肌电信号进行预处理,包括信号有效性检测、信号消噪和信号活动段加强;
步骤3:对人体除足部以外其他部位的惯性测量组件以及足部的惯性/地磁测量组件中的惯性传感器进行信号有效性检测,然后对有效信号进行随机误差实时建模与校正;
步骤4:在足部的惯性/地磁测量组件信息均有效的前提下对足部惯性导航系统进行初始对准,否则重启惯性/地磁测量组件,返回至步骤3;
步骤5:对足部惯性导航系统进行姿态解算和速度、位置解算。
7.根据权利要求6所述行人导航方法,其特征在于,在步骤2中,所述信号消噪方法包括但不限于采用小波模极大值算法。
8.根据权利要求6所述行人导航方法,其特征在于,步骤3的具体过程为,对于安装于足部和人体其他部位的惯性传感器进行信号有效性检测,对于有效的惯性传感器信号,在陀螺仪和加速度计的零位偏置随时间变化明显的情况下,分别建立符合陀螺仪和加速度计的零位偏置趋势项模型,对数据的零偏趋势项进行实时校正;分别建立随机误差模型,将零偏趋势项校正后的输出作为观测量,将理想输出的估计值作为状态量,建立基于随机误差模型的卡尔曼滤波器,实时估计陀螺仪和加速度计的理论输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810824404.0A CN109059910B (zh) | 2018-07-25 | 2018-07-25 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810824404.0A CN109059910B (zh) | 2018-07-25 | 2018-07-25 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109059910A true CN109059910A (zh) | 2018-12-21 |
CN109059910B CN109059910B (zh) | 2021-05-18 |
Family
ID=64836064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810824404.0A Active CN109059910B (zh) | 2018-07-25 | 2018-07-25 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109059910B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210366A (zh) * | 2019-07-05 | 2019-09-06 | 青岛理工大学 | 装配拧紧过程样本采集系统、深度学习网络及监测系统 |
CN111123340A (zh) * | 2020-02-10 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
CN111811507A (zh) * | 2020-04-08 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 移动设备姿态的确定方法、装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104656112A (zh) * | 2015-01-28 | 2015-05-27 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
CN108168548A (zh) * | 2018-02-13 | 2018-06-15 | 南京师范大学 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
-
2018
- 2018-07-25 CN CN201810824404.0A patent/CN109059910B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104656112A (zh) * | 2015-01-28 | 2015-05-27 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
CN108168548A (zh) * | 2018-02-13 | 2018-06-15 | 南京师范大学 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
Non-Patent Citations (2)
Title |
---|
射小雨: ""基于肌电信号和加速度信号的动态手势识别方法"", 《计算机应用》 * |
罗志增: ""基于Hermite插值的小波模极大值重构滤波的肌电信号消噪方法"", 《电子与信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210366A (zh) * | 2019-07-05 | 2019-09-06 | 青岛理工大学 | 装配拧紧过程样本采集系统、深度学习网络及监测系统 |
CN111123340A (zh) * | 2020-02-10 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
CN111123340B (zh) * | 2020-02-10 | 2024-05-28 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
CN111811507A (zh) * | 2020-04-08 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 移动设备姿态的确定方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109059910B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104757976B (zh) | 一种基于多传感器融合的人体步态分析方法和系统 | |
Bai et al. | A high-precision and low-cost IMU-based indoor pedestrian positioning technique | |
US6826477B2 (en) | Pedestrian navigation method and apparatus operative in a dead reckoning mode | |
Zhou et al. | Reducing drifts in the inertial measurements of wrist and elbow positions | |
CN104296750B (zh) | 一种零速检测方法和装置以及行人导航方法和系统 | |
US10330491B2 (en) | Robust step detection using low cost MEMS accelerometer in mobile applications, and processing methods, apparatus and systems | |
US20130311134A1 (en) | Method for step detection and gait direction estimation | |
CN103968827A (zh) | 一种可穿戴式人体步态检测的自主定位方法 | |
Cavallo et al. | A step toward GPS/INS personal navigation systems: real-time assessment of gait by foot inertial sensing | |
CN109059910A (zh) | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 | |
CN108168548B (zh) | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 | |
KR20160031246A (ko) | 보행 환경 인식 방법 및 장치 | |
Chen et al. | Sensing strides using EMG signal for pedestrian navigation | |
CN109883429A (zh) | 基于隐马尔科夫模型的零速检测方法以及室内行人惯性导航系统 | |
CN102445200A (zh) | 微小型个人组合导航系统及其导航定位方法 | |
CN104897158B (zh) | 一种步行者室内双层定位方法及系统 | |
CN106052686A (zh) | 基于dsptms320f28335的全自主捷联惯性导航系统 | |
CN108338791A (zh) | 失稳运动数据的检测装置及检测方法 | |
CN107490378A (zh) | 一种基于mpu6050与智能手机的室内定位与导航的方法 | |
Wu et al. | Indoor positioning system based on inertial MEMS sensors: Design and realization | |
CN108974054A (zh) | 无缝列车定位方法及其系统 | |
CN110672095A (zh) | 一种基于微惯导的行人室内自主定位算法 | |
CN104546391B (zh) | 一种用于盲杖的陀螺稳定装置及其互补滤波方法 | |
Li et al. | An Autonomous Waist-Mounted Pedestrian Dead Reckoning System by Coupling Low-Cost MEMS Inertial Sensors and GPS Receiver for 3D Urban Navigation. | |
CN113229806A (zh) | 可穿戴人体步态检测及导航系统及其运行方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |