CN109459028A - 一种基于梯度下降的自适应步长估计方法 - Google Patents

Abstract

本发明公开一种基于梯度下降的自适应步长估计方法，包括如下步骤：步骤1，通过加速度计采集的数据进行步态检测，计算步数；步骤2，根据互补滤波算法，利用加速度计数据和磁力计数据修正陀螺仪数据，然后求解四元素微分方程，进行姿态解算，解算出航向角；步骤3，建立自适应步长估计模型，采集大量样本对模型进行训练，使用梯度下降算法迭代计算出步长估计模型的参数；步骤4，采用航迹推测算法推测出行人的位置。此种方法可解决不同行人状态下使用固定步长估计模型和EKF解算姿态时运算量比较大的问题。

Description

一种基于梯度下降的自适应步长估计方法

技术领域

本发明属于室内导航定位领域，特别涉及一种利用基于梯度下降的自适应步长PDR算法进行步长估计的方法。

背景技术

随着室内定位服务需求的激增，受到建筑物的遮挡和多径效应的影响，全球导航卫星系统(GNSS)定位精度急剧降低，无法满足室内定位服务需要，近年来，室内定位技术开始成为了研究人员的开发热点。目前已公开的室内定位技术主要有：WIFI定位、蓝牙定位、超宽带定位、惯性导航定位、RFID定位、超声波定位、计算机视觉定位等。

惯性导航室内定位技术是最近多年来比较流行的一种室内导航定位手段，其突出优势在于其可抗扰，并能提供实时、连续的位置信息。但是由于一般的PDR算法步长估计模型在行人的不同运动状态下是固定的，不够合理，随着时间变长，总的位置推算信息会存在着比较大的累计误差，在这样的背景下本专利提出了自适应步长估计模型，很好的解决这个问题，大大提升了步长估计的精度，提升行人航迹推算的总体精度。

在一般的PDR算法中，航向估计都是采用扩展卡尔曼滤波(EKF)对各传感器数据进行融合，然后求解四元素微分方程求得航向角，但是由于EKF计算复杂，运算量比较大，比较耗费智能手机的电量，有待改进。

发明内容

本发明的目的，在于提供一种基于梯度下降的自适应步长估计方法，其可解决不同行人状态下使用固定步长估计模型和EKF解算姿态时运算量比较大的问题。

为了达成上述目的，本发明的解决方案是：

一种基于梯度下降的自适应步长估计方法，包括如下步骤：

步骤1，通过加速度计采集的数据进行步态检测，计算步数；

步骤2，根据互补滤波算法，利用加速度计数据和磁力计数据修正陀螺仪数据，然后求解四元素微分方程，进行姿态解算，解算出航向角；

步骤3，建立自适应步长估计模型，采集大量样本对模型进行训练，使用梯度下降算法迭代计算出步长估计模型的参数；

步骤4，采用航迹推测算法推测出行人的位置。

上述步骤1的具体过程是：

步骤11，使用智能手机采集自带的IMU传感器的数据，包括加速度计的数据；

步骤12，对加速度计的三轴数据进行归一化处理：其中，a_x、a_y、a_z分别为x、y、z轴的加速度数据；然后减去重力加速度的影响，得到总加速度a；

步骤13，采用均值滤波对总加速度a进行平滑处理；

步骤14，采用过零检测进行步态检测，进而计算步数。

上述步骤2的具体过程是：

步骤21，采用四元素进行姿态解算，四元素 表示绕向量(v_x,v_y，v_z)旋转θ角的三维旋转；

步骤22，姿态解算的核心是求解四元素的微分方程：

式中，分别表示机体坐标系相对于地理坐标系沿各个轴向的角速度分量；

步骤23，采用加速度计的数据对姿态的俯仰角pitch，横滚角roll使用互补滤波进行补偿，采用磁力计的数据对姿态的偏航角yaw进行补偿，再将陀螺仪的数据代入四元素的微分方程，求解四元素q；

步骤24，得到四元素后，按照以下公式对q进行转化：

β＝sin^-1(-2*(q₁*q₃-q₀*q₂))

其中，α为横滚角roll，β为俯仰角pitch，γ为偏航角yaw，其中的偏航角就是航向角。

上述步骤3的具体过程是：

步骤31，根据行人行走过程中的加速度数据，判断行人的行走状态；

步骤32，对步长进行建模，步长其中，F代表行人行走的步频，Av代表加速度的方差，ω代表误差，a，b为步长估计模型的参数；

步骤33，采集不同行人不同状态的大量样本，对步长模型使用梯度下降算法对参数进行训练，得出不同状态下的自适应步长估计模型。

上述步骤31中，首先进行步态检测，检测到后，判断加速度计的方差是否大于阈值，若大于阈值则使用跑状态下的步长估计模型计算步长，小于阈值则使用走状态下的步长估计模型计算步长。

上述步骤4中，设初始坐标为(N₀，E₀)，则下一步的坐标表示为：

其中S(t₀)为第一步的步长，α₀(t₀)为第一步的航向角；

依次类推：

根据上式，根据每一步的步长与方向推算出相对于起始点的位置，其中S(t_i)为第i+1步的步长，α_i(t_i)为第i+1步的航向角。

采用上述方案后，本发明使步长估计模型能够随着不同行人状态的切换进行自适应调整步长，进而使得行人在运动过程中的步长估计更为准确，减少了总体位置推算的累积误差。采用较为简单的滤波算法融合原始传感器数据，使得姿态解算的运算量大大降低，减少了PDR算法对智能手机电池的消耗。

附图说明

图1是本发明的整体流程图；

图2是PDR算法步态检测的流程图；

图3是互补滤波姿态解算的算法框图；

图4是自适应步长估计算法的流程图；

图5是航迹推算算法的原理图。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

如图1所示，本发明提供一种基于梯度下降的自适应步长估计方法，首先使用智能手机采集自带的IMU传感器的数据，其中包括陀螺仪的数据、加速度计的数据，磁力计的数据，然后利用加速度计的数据进行步态检测，利用加速度计的数据以及步态检测对自适应步长估计模型进行建模，使用梯度下降算法训练出较为精确的自适应步长估计模型的参数，利用陀螺仪、加速度计、磁力计的数据进行航向角解算，最后利用航位推算的原理推算出当前行人所在的位置。

包括如下步骤：

步骤1，通过加速度计进行步态检测，计算步数；通过使用智能手机操作系统传感器驱动的API采集智能手机内部惯性测量单元(IMU)的数据，包括加速度计的数据、陀螺仪的数据、磁力计的数据，在步骤1中，首先利用加速度计的数据进行步态检测，配合图2所示，是PDR算法中步态检测的算法流程，首先采集加速度计x,y,z轴上的加速度数据，然后将各个轴上的加速度进行归一化计算紧接着减去重力加速度g(9.8m/s²)的数值，消除重力加速度的影响。由于白噪声等各种噪声的影响，使加速度计的波形不够平滑，波形上出现较多毛刺，不利于后面的步态检测，因此首先使用均值滤波对加速度进行平滑处理，紧接着根据加速度与横轴的交点来进行步态检测和步数计算，至此步态检测结束。

步骤2，根据互补滤波算法，利用加速度计数据和磁力计数据修正陀螺仪数据，然后求解四元素微分方程，进行姿态解算，解算出航向角；

具体包括如下步骤：

(21)姿态解算采用四元素，一个四元素 可以表示绕向量(v_x,v_y,v_z)旋转θ角的一个三维旋转。

(22)姿态解算的核心是求解一个四元素的微分方程：

式中，分别表示机体坐标系相对于地理坐标系沿各个轴向的角速度分量。

(23)但是由于长时间对陀螺仪积分获得的角度存在累计误差，因此采用加速度计的数据对姿态的俯仰角pitch，横滚角roll使用互补滤波进行补偿，采用磁力计的数据对姿态的偏航角yaw进行补偿。体现在计算过程中，就是先使用加速计的数据和磁力计的数据对陀螺仪的数据进行修正，然后再将陀螺仪的数据代入四元素的微分方程，求解四元素q。

(24)得到四元素后，要想获得智能终端的姿态，只需按照以下公式对q进行转化即可。

β＝sin^-1(-2*(q₁*q₃-q₀*q₂))

其中，α为横滚角roll，β为俯仰角pitch，γ为偏航角yaw，其中的偏航角就是我们所要求的航向角。

如图3所示，是用于解算航向角的互补滤波算法整体流程。(0，0，1)代表将加速度计标准化之后的向量，地理坐标系下重力在加速度计上三轴的理论输出，然后利用地理坐标系到机体坐标系的转换矩阵

将(0，0，1)向量转化为(v_x,v_y,v_z)，然后和机体坐标系中测出的加速度计数据(a_x,a_y,a_z)做叉乘求出误差值error₁，这个误差是为了修正智能手机姿态的俯仰角pitch和横滚角roll。首先读出磁力计的数据(m_x,m_y,m_z)，然后乘上旋转矩阵得出磁力计在水平坐标系下的输出(h_x,h_y，h_z)，此时姿态已经在水平上，只是偏航角与地磁北极存在偏差，因此在将其转换到标准的地理坐标系下得出(0,b_y,b_z)，其中b_y＝h_x+h_y，b_z＝h_z，然后将其从地理坐标系转换到机体坐标系，乘上转换矩阵

得到(w_x,w_y,w_z)，这个向量是地理坐标系中的理想磁力线在机体坐标系下的输出。然后与机体坐标系下的磁力计向量做叉乘，得出向量积误差error₂。这个误差是为了修正偏航角yaw。将error₁和error₂进行相加得到和向量积的误差(e_x,e_y,e_z)，然后使用PI控制器消除向量积的误差，对机体坐标系下的陀螺仪数据(g_x,g_y,g_z)进行负补偿，将陀螺仪的数据代入四元素微分方程，求解微分方程得出姿态四元素q＝(q₀,q₁,q₂,q₃)，最后根据公式求出所需要的航向角。

步骤3，建立自适应步长估计模型，采集大量样本对模型进行训练，使用梯度下降算法迭代计算出步长估计模型的参数，使步长估计更为准确；

如图4所示，是自适应步长估计的流程图，首先进行步态检测，如果检测到后，判断加速度计的方差是否大于阈值，这里加速度的方差会随着脚步受力的加大而增大，如果a_var大于阈值则使用跑状态下的步长估计模型计算步长，如果小于阈值则使用走状态下的步长估计模型计算步长。在对不同状态下的步长进行建模时发现，步长与步频和加速度的方差成线性关系，因此建立线性模型，另外通过加速度的方差对不同运动状态进行判断和区分。最后可以采集大量的样本，使用梯度下降算法对不同状态下的步长估计模型的参数进行训练，最后计算出合理的模型参数，其中，F代表行人行走的步频，Av代表加速度的方差，ω代表误差；a，b为步长估计模型的参数，也就是需要训练计算的参数。

步骤4，采用航迹推测算法推测出行人的位置；

如图5所示，是航迹推算的原理图，初始坐标为(N₀,E₀)，则下一步的坐标表示为：

其中S(t₀)为第一步的步长，α₀(t₀)为第一步的航向角；

依次类推：

根据上式，就可以根据每一步的步长与方向推算出相对于起始点的位置，其中S(t_i)为第i+1步的步长，α_i(t_i)为第i+1步的航向角。

综合上述，本发明一种基于梯度下降的自适应步长估计方法，对不同行人在不同行走状态下的加速度计数据进行研究，找出不同状态下，加速度计方差的阈值，从而通过加速度计数据区分不同行人状态，进而进行不同行人不同运动状态下的步长估计建模，然后根据采集的样本值对各模型使用梯度下降算法进行训练，计算出行人不同运动状态下不同步长估计模型的合理参数值，采用互补滤波对智能手机的姿态进行快速的解算。

本发明利用智能手机内置的传感器实现室内导航定位，并且根据对人体行走状态的观察与研究，对步长估计进行合理建模，总结出自适应步长估计模型，使步长估计更为准确，从而提升PDR算法的整体精度；另外，由于本发明使用较为简单的互补滤波解算航向，因此大大降低了智能手机在运行PDR算法期间的功耗。

以上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 (6)

1.一种基于梯度下降的自适应步长估计方法，其特征在于包括如下步骤：

步骤1，通过加速度计采集的数据进行步态检测，计算步数；

步骤2，根据互补滤波算法，利用加速度计数据和磁力计数据修正陀螺仪数据，然后求解四元素微分方程，进行姿态解算，解算出航向角；

步骤3，建立自适应步长估计模型，采集大量样本对模型进行训练，使用梯度下降算法迭代计算出步长估计模型的参数；

步骤4，采用航迹推测算法推测出行人的位置。

2.如权利要求1所述的一种基于梯度下降的自适应步长估计方法，其特征在于：所述步骤1的具体过程是：

步骤11，使用智能手机采集自带的IMU传感器的数据，包括加速度计的数据；

步骤12，对加速度计的三轴数据进行归一化处理：其中，a_x、a_y、a_z分别为x、y、z轴的加速度数据；然后减去重力加速度的影响，得到总加速度a；

步骤13，采用均值滤波对总加速度a进行平滑处理；

步骤14，采用过零检测进行步态检测，进而计算步数。

3.如权利要求1所述的一种基于梯度下降的自适应步长估计方法，其特征在于：所述步骤2的具体过程是：

步骤21，采用四元素进行姿态解算，四元素 表示绕向量(v_x,v_y,v_z)旋转θ角的三维旋转；

步骤22，姿态解算的核心是求解四元素的微分方程：

式中，分别表示机体坐标系相对于地理坐标系沿各个轴向的角速度分量；

步骤23，采用加速度计的数据对姿态的俯仰角pitch，横滚角roll使用互补滤波进行补偿，采用磁力计的数据对姿态的偏航角yaw进行补偿，再将陀螺仪的数据代入四元素的微分方程，求解四元素q；

步骤24，得到四元素后，按照以下公式对q进行转化：

β＝sin^-1(-2*(q₁*q₃-q₀*q₂))

其中，α为横滚角roll，β为俯仰角pitch，γ为偏航角yaw，其中的偏航角就是航向角。

4.如权利要求1所述的一种基于梯度下降的自适应步长估计方法，其特征在于：所述步骤3的具体过程是：

步骤31，根据行人行走过程中的加速度数据，判断行人的行走状态；

步骤32，对步长进行建模，步长其中，F代表行人行走的步频，Av代表加速度的方差，ω代表误差，a，b为步长估计模型的参数；

步骤33，采集不同行人不同状态的大量样本，对步长模型使用梯度下降算法对参数进行训练，得出不同状态下的自适应步长估计模型。

5.如权利要求4所述的一种基于梯度下降的自适应步长估计方法，其特征在于：所述步骤31中，首先进行步态检测，检测到后，判断加速度计的方差是否大于阈值，若大于阈值则使用跑状态下的步长估计模型计算步长，小于阈值则使用走状态下的步长估计模型计算步长。

6.如权利要求1所述的一种基于梯度下降的自适应步长估计方法，其特征在于：所述步骤4中，设初始坐标为(N₀,E₀)，则下一步的坐标表示为：

其中S(t₀)为第一步的步长，α₀(t₀)为第一步的航向角；

依次类推：

根据上式，根据每一步的步长与方向推算出相对于起始点的位置，其中S(t_i)为第i+1步的步长，α_i(t_i)为第i+1步的航向角。