CN109883429A - 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 - Google Patents

Abstract

本公开提出了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，包括：对人体的步态进行周期划分；获得行人在行走过程中三轴的加速度数据、三轴角速度数据及三轴磁力强度；定义人体的步态的状态值及观测值，初始化状态转移概率矩阵，将对行人在行走过程中的零速度检测抽象为隐马尔可夫模型；通过基于卡尔曼滤波器的零速修正算法对隐马尔可夫模型进行优化，检测行人正处于站立阶段角速度为零时刻，对人步行运动下一阶段的状态进行预测。本公开技术方案提出的零速度检测算法采用了隐马尔科夫模型，对人体的行走周期进行准确划分，避免出现误检测和漏检测的情况。使用基于卡尔曼滤波器的零速修正算法对系统状态进行最优估计。

Description

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

技术领域

本公开涉及导航技术领域，特别是涉及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。

背景技术

高精度的导航系统越来越重要，导航成为人们出行借助的有利工具，借助于导航工具的人们可以毫不费力地在移动媒体云中享受大量的基于位置的服务。其中GPS在户外导航定位中发挥着关键作用，但是它有一个缺点就是GPS信号无法穿透建筑物，导致室内导航的精度差，准确性低，从而使基于MEMS(微电机系统)技术的室内行人惯性导航系统(PINS)近年来得到了广泛的关注。PINS具有许多优点，如小尺寸，低成本，良好的隐蔽性能和高度独立性，PINS在没有GPS信号时可以充分发挥其在环境中的优势，比如在大型的商场，火灾而摧毁的建筑物中可以做到精准定位。

惯性导航系统就是利用惯性传感器、基准方向及最初的位置信息来确定行人的方位、位置和速度的自主式航位推算导航系统。由于传感器的精度问题和行人运动的不确定性以及周围环境的影响，如何提高这个系统的准确度以及降低漂移误差成为目前研究的重要方向。

发明人在研究中发现，近年来，研究人员提出了多种零速修正方法来进行导航误差的校正。然而，零速修正方法利用了支撑相内＂速度为零＂的步态信息，其有效性依赖于步态时相的正确检测。步态检测是行人导航系统进行误差校正的基础和前提，步态时相的误检测和漏检测都将引入不同程度的导航误差。可见，目前，国内外在惯性行人导航领域的算法研究主要集中在两个方面，一是步态周期中支撑相的检测，二是支撑相内零速修正的实现，但是对于现有技术的漂移误差累计和长期导航精度不足的问题并没有相应的解决方案。

相关名词进行解释说明如下：行人惯性导航系统(Pedestrian InertialNavigation System，PINS)，隐马尔可夫模型(Hidden Markov Model,HMM),航位推算(DeadReckoning),捷联惯导(Strapdown Inertial Navigation System,SINS),微机电系统(Microelectro Mechanical Systems,MEMS)。

发明内容

本说明书实施方式的目的之一是提供基于隐马尔科夫模型的零速检测方法，将隐马尔可夫模型应用到零速度检测算法，可准确地划分人体的步态周期，确定行人行走周期的四种状态(特别是站立阶段的准确检测)，从而有效降低漂移误差和提高长期导航的精度。

本说明书实施方式提供基于隐马尔科夫模型的零速检测方法，采用以下技术方案来实现：

包括：

对人体的步态进行周期划分，四个阶段定义相应的四个状态，分别为脚尖离地定义为状态A，摆动状态定义为状态B，脚跟触地状态为状态C，站立的状态为D；

获得行人在行走过程中三轴加速度数据、三轴角速度数据及三轴磁力强度；

定义人体步态的状态值及观测值，初始化状态转移概率矩阵，将对行人在行走过程中的零速度检测抽象为隐马尔可夫模型；

通过基于卡尔曼滤波器的零速修正算法对隐马尔可夫模型进行优化，当检测到行人处于站立阶段之后，可周期性地估计和校正导航误差，提供下一阶段更为准确的步态状态。

本说明书实施方式的目的之二提供行人惯性导航系统，采用以下技术方案来实现：

包括：

惯性测量单元，用于测量行人在行走过程中三轴加速度数据、三轴角速度数据及三轴磁力强度；

隐马尔可夫模型建立单元，定义人体步态的状态值及观测值，初始化状态转移概率矩阵，将对行人在行走过程中的零速度检测抽象为隐马尔可夫模型；

修正单元，通过基于卡尔曼滤波器的零速修正算法对隐马尔可夫模型进行优化，当检测到行人处于站立阶段之后，可周期性地估计和校正导航误差，提供下一阶段更为准确的步态状态。

与现有技术相比，本公开的有益效果是：

本公开技术方案提出的零速度检测算法采用了隐马尔科夫模型，对人体的行走周期进行准确划分，避免出现误检测和漏检测的情况。

本公开技术方案在零速度修正的过程中主要用到了卡尔曼滤波器进行最后的校正，校正姿态误差、速度误差、位置误差，可充分利用速度误差与姿态误差、位置误差之间的耦合关系，最后得到了一个可靠性高的室内行人导航系统。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例子的室内行人导航系统的框架；

图2为本公开实施例子的导航坐标系和载体坐标系的初始空间姿态；

图3为本公开实施例子的三轴加速度、角速度、磁力强度采集界面；

图4为本公开实施例子的行人步态周期的划分示意图；

图5为本公开实施例子的HMM定义的状态观测值；

图6为本公开实施例子使用MATLAB软件模拟测试的结果示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例子一

1)本公开实施例子公开了基于隐马尔科夫模型的零速检测方法，该方法中将隐马尔可夫模型应用到零速度检测算法，零速度检测将被抽象成具有4个状态的隐马尔可夫模型，对人体的步态进行周期划分，对样本的参数使用Baum Welch算法进行分析和优化，使用基于卡尔曼滤波器的零速修正算法对系统状态进行最优估计。

可参见附图1所示，基于隐马尔科夫模型的零速检测方法，具体步骤包括：

首先通过惯性测量单元获得行人行走过程中三轴的加速度数据，三轴的角速度数据，三轴的磁力强度，数据采集界面见附图3所示；随后对角速度数据进行单独分析，根据Y轴的角速度数据划分行人的步态周期；将零速度检测抽象成具有4个状态的隐马尔可夫模型。

根据行人的步行运动的特征进行阶段划分，行人具有速度低、质量小、惯性小、易于观察和周期运动等特点。对于正常行人的步行运动，运动取决于两只脚。准确地说，两只脚交替的向前摆动，行人的重心随着小尺度的升降而水平移动。四个阶段存在，第一个阶段可以称为脚尖离地(A)，它是发生在站立阶段之后，脚跟先离地，接下来的状态是脚尖即将离地；第二个阶段，一只脚从行人后面抬起并摆动进入它的站立阶段称为摆动阶段(B)；第三个阶段是脚跟触地阶段(C)，它是从摆动阶段之后紧跟着的运动状态，脚跟触地但脚尖并没有接触地面；第四个阶段是脚牢固的在地面上被称为站立阶段(D)，脚被称为支持脚，提供一个支点用来支撑。从而形成了步态的周期行动，即A—>B—>C—>D—>A，参见附图4所示。

利用零速度检测算法来检测行人步态周期的站立阶段，当行人处于站立阶段的时候，实际速度为0，在该实施例子中，零速度检测抽象为隐马尔科夫模型。

下面介绍关于隐马尔科夫模型的相关内容，隐马尔科夫模型(HMM)是统计模型，它用来描述一个含有隐含未知参数的马尔科夫过程，HMM是关于时序的概率模型，描述一个隐藏的马尔科夫链随机产生不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程，状态不是直接可见的，但是输出依赖于状态，输出是可见的。每个状态都有可能的输出概率分布。对于行人步行运动的零速度检测，存在两个随机过程：一个是惯性传感器测量的加速度和角速度，这是一个可见的过程；另一个是四种不可见的步行运动的转移过程。

隐马尔可夫模型是描述随机过程统计特性的一种概率模型，具有模型参数的特点。HMM是由初始概率分布π，状态转移概率矩阵T以及观测概率矩阵U确定，其中π和T决定状态序列，U决定观测序列，为了完全定义一个HMM，需要以下元素：

(1)N：模型的状态数；

(2)M：每个状态中的观测数；

(3)T＝{t_ij}_N×N,T＝{t_ij}_N×N，状态转移概率矩阵

t_ij＝p(i_t+1＝q_j|i_t＝q_i),1＜i,j＜N

t_ij是在时刻t处于状态q_i的条件下时刻t+1转移到状态q_j的概率。

(4)U：观测概率矩阵

U＝[u_ik]_N×M

其中，u_ik是在时刻t处于状态q_i的条件下生成观测v_k的概率，V是所有可能的观测的集合。

(5)π＝{π_j},初始状态分布用来描述观测符号在t＝1初始时刻的概率分布。

本公开将零速度检测转换为该模型，对应的以下元素分别是:

N是模型的状态数，代表行人步行运动周期的4个状态，即前文定义的：脚尖离地，摆动阶段，脚跟触地，站立阶段。M是对应的传感器收集的三轴的角速度的观测值。

T是状态转移概率矩阵，它代表的是行人行走的4种状态下的转换关系，我们定义的步态周期是A—>B—>C—>D—>A，根据这个关系得到状态转移概率矩阵，

U代表的是观测概率矩阵，对应的是输出行人的四种状态的概率分布。

π是在理想情况下的，行人步行运动的四种状态的初始转移概率。

在本公开的上述实施例子中，为了将零速度检测抽象为隐马尔可夫模型，定义了状态值和观测值，初始化了状态转移概率。在行人正常的步行运动中，理想的状态是一个A→B→C→D→A，所以理想状态转移概率矩阵是T。矩阵T表示在理想的状态下由A—>B的概率是1，到A，C，D的概率为0，用这种方法得到了状态转移概率矩阵

通过观测值来得出行人运动的步态周期，结合捷联惯导系统，来推算出行人最后的行走轨迹，本公开实施例中关于观测值的后续使用，没有进行详细说明，重点是零速度检测上。状态矩阵参数优化是为了得到更加准确的观测值。

观察值概率表示每个状态产生的每个观察值的概率。为了获得初始观测概率，采用统计分析的方法对样本集中的观测数据进行处理。样本集是由惯性传感器中陀螺仪测量的原始角速度。

参数优化。由于人的行走运动受到多种因素的影响，实际的状态转换并不是与理想状态一样，因此需要调整T中的参数。如上所述，转移概率和观察概率的状态已经初始化。为了优化模型参数，采用Baum Welch算法和样本集对模型参数进行训练，在实验中收集了所采用的样本集。Baum-Welch算法首先对HMM的参数进行一个初始的估计，HMM的参数包括：转移概率tij，观测概率uik，然后通过给定的数据来评估这些参数的价值并减少它们所引起的误差，再重新定义HMM的参数算法过程如下：

(1)定义后向变量：

α_t(i)＝P(O₁O₂……O_t,q_t＝S_i|λ)

β_t(i)＝P(O_t+1O_t+2……O_T|q_t＝S_i,λ)

其中，λ是模型参数，它可以定义为λ＝(T,U,π)，O为观测序列，α_t(i)是状态转移概率，β_t(i)是观测概率，P为观测序列概率函数，S此处定义的是行人行走时的状态序列，q代表的是S中的状态序列的元素。

此处是利用Baum Welch算法对转移概率和观察概率进行优化，这里的后向变量实际上是重新定义的这些参数，目的是为了减少因参数而引起的误差，比如定义的行人的步态周期是从A到B到C到D最后回到A，一个步态周期结束，但是由于行人行走的不确定性，有可能A之后突然是D，因此需要对转移概率矩阵中的参数进行优化，得到最佳的结果。

(2)给定观察序列O及HMM，定义t时刻位于隐藏状态Si的概率变量为：

γ_t(t)＝P(q_t＝S_i|O,λ)

其中，O是观察序列，这个是可见的，对于本公开实施例子中的系统来说，观察序列指的是传感器测得的数据，具体为传感器测得的三轴的角速度数据。HMM是隐马尔可夫模型的简称，它是一个模型，其中包含参数。

给定观察序列O及HMM，定义t时刻位于隐藏状态S_i及t+1时刻位于隐藏状态S_j的概率变量为：

ξ_t(i,j)＝P(q_t＝S_i,q_t+1＝S_i|O,λ)

其中，其中，γ_t(t)为t时刻位于状态S_i的概率变量；ξ_t(i,j)为定义t时刻位于隐藏状态S_i及t+1时刻位于隐藏状态S_j的概率变量；O(t)是观测序列；为状态i到j优化后的转移概率；为状态i到状态k优化后的观测概率。

通过Baum-Welch算法优化后的状态转移概率如下所示：

本公开实施例子中，通过上述方法优化了状态转移概率矩阵，从而优化了观测矩阵U。

所谓零速度检测是通过隐马尔科夫模型将行人的行走状态进行分类，由于人在行走的过程中，当脚处于接触地面的这一时刻，大约0.3s至0.5s左右的时间，速度是为0的，本公开实施例子利用这一信息，来观测传感器测得的沿y轴的角速度数据，当角速度数据为0时，可以判断此时行人正处于站立阶段，从而完成零速检测，之后对行人行走的周期进行划分。本公开实施例子的目的是检测到这个状态，从而可以更加精确地得到下一阶段的步行运动状态。行人的速度和位置分别是对加速度数据进行一次积分和二次积分而获得，零速检测目的是为了减少积累误差，提高行人的定位精度。

2)导航坐标系和载体坐标系。室内行人惯性导航系统中需要用到两个坐标系：导航坐标系n和载体坐标系b，在实际计算中需要将载体坐标系的坐标转换为导航坐标系中的坐标才可以进行计算，根据b系和n系之间的角位移关系，可定义并确定载体的三个姿态角，即航向角ψ、俯仰角θ和横滚角γ,图2为导航坐标系和载体坐标系之间的初始时空间姿态。实现由载体坐标系到导航坐标系坐标旋转矩阵应该满足如下的矩阵方程：

导航坐标系到载体坐标系的转换关系，开始时，载体坐标系O-X_bY_bZ_b与导航坐标系O-X_nY_nZ_n完全重合。O-X_bY_bZ_b经过三次旋转可以到达O-X_nY_nZ_n的位置，它可以通过下述顺序的三次旋转来表示：

其中航向角ψ、俯仰角θ和横滚角γ，根据上述的旋转顺序，可以得到由导航坐标系到载体坐标系的关系，即：

由于坐标旋转矩阵为正交矩阵，故令于是

3)基于卡尔曼滤波器的零速修正算法。卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。卡尔曼滤波算法将站立阶段内的速度输出视为速度误差的伪观测值，利用速度误差与姿态误差、位置误差以及传感器误差之间的耦合关系，可估计出更多的导航误差和传感器误差。在本导航系统中，导航的参数为位置、速度和姿态角信息，故本卡尔曼滤波状态量取9维状态向量，其中包括三维的位置估计s_n,三维的速度估计v_n和三维的姿态角估计θ_n，X_k为状态方程，可以表示为

(1)系统初始化

首先，对卡尔曼滤波的一步预测协方差矩阵P进行初始化：

在上式中，P₁₁、P₂₂、P₃₃分别为行人导航参数的初始协方差的经验值，这些经验值不需要我们另行计算，O_i*j代表i*j的矩阵，且矩阵各元素均为0，I_i*j代表i*j的矩阵，且矩阵对角元素为1，其余元素均为0。

其次，初始化过程噪声矩阵Q：其中，Q₁₁、Q₂₂为加速度计和陀螺仪过程噪声的初始协方差矩阵经验值。

最后，初始化伪测量噪声方差矩阵R以及观测矩阵H：

R＝10^-4*I_3*3

H＝[O_3*3 I_3*3 O_3*3]

(2)预测阶段

根据惯性传感器测得的加速度和角速度，通过捷联解算，进行导航的结算，更新当前时刻行人导航参数X_k以及相应的四元数q，并根据结果计算卡尔曼滤波中的状态转移矩阵F和系统的噪声增益矩阵β：

上式中，为角速度向量，组成的反对称矩阵：

在该实施例子中，四元数是由一个实数单位1和三个虚数单位i，j，k组成的含有四个元的数，可以准确且唯一地表示出一个坐标系相对另一个坐标系之间的关系。

四元数是用来表示一个坐标系相对另一个坐标系的转动，在捷联惯性导航系统中需要用到两个坐标系，一个是导航坐标系n，一个是载体坐标系b，实际计算中需要将载体坐标系中的数据转换为导航坐标系，这里就用到了四元数。状态转移矩阵F和系统的噪声增益矩阵β里面的参数用到了捷联惯导系统中的行人导航参数X_k，关于X_k上文中有定义，包括三维的位置估计s_n，三维的速度估计v_n和三维的姿态角估计θ_n。

(3)修正阶段

通过零速检测算法，首先计算出卡尔曼滤波增益K，K是通过上文中的观测矩阵H和系统的噪声增益矩阵β，计算得出；然后根据当前时刻的速度信息作为系统的速度误差的外部测量值Z，重新对行人的位置和速度重新进行估计。

是实现由载体坐标系b到导航坐标系n转换的矩阵，可以得到导航系统中的加速度，它的微分方程可以得到位置相关的信息，只要给定初始值航向角ψ、俯仰角θ和横滚角γ，在姿态角速率已知的情况下通过求解，即可确定坐标转换矩阵中的元素值，进而确定人的姿态角。

通过以上设计可以直接有效消除系统的漂移误差，但针对惯性传感器的零速偏差，目前常采用的补偿方法都较为简单，一般采用在静态条件下测定系统的零偏常量，并在应用中对其进行一次补偿。

在另一实施例子中，公开了进行补偿的具体例子，该实施例子采用卡尔曼滤波的方法对零偏误差进行补偿。首先，将卡尔曼滤波状态量从原先的9维扩充至15维，除了原先包括的三维的位置估计s_n，三维的速度估计v_n，三维的姿态角估计θ_n，又加入了三维的陀螺仪零偏误差ε_b和三维的加速度零偏误差a_b，即：

然后，将求解出的加速度零偏误差α_b和陀螺仪零偏误差ε_b返回给导航系统，对下一时刻的加速度和角速度进行修正，以消除零偏误差。

在此基础上，又对初始预测协方差矩阵P，过程噪声方差矩阵Q，观测矩阵H进行了扩充：

其中，P₄₄，P₅₅分别为加速度计和陀螺仪零偏误差的初始均方误差；Q₃₃,Q₄₄分别为加速度计和陀螺仪零偏误差的过程噪声协方差矩阵。

同时在时间更新阶段，扩充了状态转移矩阵F和过程噪声增益矩阵G

实施例子二

在该实施例中公开了室内行人惯性导航系统，该系统技术上基于隐马尔科夫模型的零速检测方法来实现，包括：惯性测量单元，用于测量行人在行走过程中三轴的加速度数据、三轴角速度数据及三轴磁力强度；

隐马尔可夫模型建立单元，定义人体的步态的状态值及观测值，初始化状态转移概率矩阵，将对行人在行走过程中的零速度检测抽象为隐马尔可夫模型；

修正单元，通过基于卡尔曼滤波器的零速修正算法对隐马尔可夫模型进行优化，当检测到行人处于站立阶段之后，可周期性地估计和校正导航误差，提供下一阶段更为准确的步态状态。

具体的，数据测量是基于安装在脚背部上的LPMS-B2惯性传感器，通过蓝牙和计算机连接，在蓝牙的有效传输距离内，可以实时地传送数据(三轴的加速度，三轴的角速度，三轴的磁力大小)。系统的整体架构图如图1所示。系统包括：数据采集，行人步行运动的特征，零速度检测算法，基于卡尔曼滤波的零速修正算法，测试分析。

在该实施例子中，LPMS-B2惯性传感器是一个全面的±50m/s²的加速度计和全面的±1200°陀螺仪的标准模型。大小为39×39×39毫米，12克的重量，具有高精度测量，高采样率，无线通讯接口，支持多种控制应用等优点，可以方便地安装在人体的脚背上。

在一实施例中，将惯性传感器固联于行人的左脚脚背上，通过蓝牙与计算机连接，上位机软件LpmsControl可以实时地获得行人在行走过程中三轴加速度数据，三轴角速度数据，三轴磁力强度，之后通过MATLAB软件对采集到的数据进行处理。

在一实施例中，由于角速度数据中Y轴的角速度周期特征提取更为明显，因此将Y轴的角速度数据通过零速度检测，并将零速度检测抽象为隐马尔可夫模型，之后通过基于卡尔曼滤波器的零速修正进行优化，修正姿态误差，速度误差，位置误差，与加速度数据、磁力强度数据进行捷联解算，从而形成一个完整的室内行人惯性导航系统。

关于零速度检测及卡尔曼滤波器的零速修正参见实施例子一中的基于隐马尔科夫模型的零速检测方法，此处不再详细描述。

本公开实施例子将隐马尔可夫模型应用到零速度检测算法上，对人体行走过程的步态周期进行精确划分，更加准确地检测到行人的步态阶段。正常行人在行走的过程中，有一只脚处于站立阶段的时间为0.3s至0.5s，这一阶段的实际速度为0，通过零速度检测算法可以更加精确地检测到零速度间隔，进而进行零速修正，从而有效降低漂移误差和提高长期导航的精度。

隐马尔可夫模型应用到零速度检测技术中，对样本的参数使用Baum Welch算法进行分析和优化，进而基于卡尔曼滤波器的零速修正对系统状态进行最优估计，最后，开发了一个有效的室内行人导航系统，不仅消除了零速度间隔引起的积累误差，而且定位误差低于总距离的0.35％，是一个高精度的室内行人导航系统。

零速度检测部分。行人在正常行走的周期中，两只脚交替地接触地面，地面停留时间约0.3s至0.5s，接触地面的短间隔称为零速度间隔。由于零速度间隔的实际速度为零，如果准确地检测到零速度状态，则可以消除速度误差。零速度检测算法是利用行走特性来检测零速度间隔。本专利提出的零速度检测算法采用了隐马尔科夫模型，对人体的行走周期进行准确划分，避免出现误检测和漏检测的情况。

卡尔曼滤波器对系统状态进行最优估计。在零速度修正的过程中主要用到了卡尔曼滤波器进行最后的校正，校正姿态误差、速度误差、位置误差，可充分利用速度误差与姿态误差、位置误差之间的耦合关系，最后得到了一个高可靠性的室内行人导航系统。

为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实验例子详细说明本公开的技术方案。

本次试验者是一身高175cm,体重65kg的成年男性，选择的实验路径是一个相对复杂的8字形路径，总距离是52米，将LPMS-B2惯性传感器安装在脚背的位置，通过蓝牙连接到计算机上，进行测试的过程中，惯性传感器测得的数据会实时地传送到计算机上。测试过程通过MATLAB模拟测试，进行了数次实验，找了三次的实验结果进行分析，如图6所示。对陀螺仪测得的角速度的Y轴数据进行周期划分，根据数据值的大小来确定行人行走的四个阶段，比如角速度数据为0时，可判断此时行人处于站立阶段。图5是HMM定义的状态观测值。通过观测大量的数据发现，角速度绕Y轴的数据特征，周期性特征较明显，因此将Y轴的数据作为观测值，显示一个行走周期的角速度变化。通过Y轴角速度可以用来观测行人的步态状态，但由于行走运动具有随机性的特点，每个状态在不同的周期都会有不同的值，提取了行人行走的两个周期的角速度数据，并进行了划分，如图5所示，通过对行人步行运动的分析，将行人的运动分为四个状态，在行走过程中依次交替这四种状态，脚尖离地定义为状态A，摆动状态定义为状态B，脚跟触地状态为状态C，站立的状态为D。用A、B、C、D分别代表行走运动的四种状态，以便后续分析。

本次验证是一个8字形的实验路径，从所采集的数据中随机挑选了三组数据，可以看到，三次的行走仿真轨迹与实际路线几乎重合，系统的误差小，误差小于总距离的0.35％。

可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.基于隐马尔科夫模型的零速检测方法，其特征是，包括：

对人体的步态进行周期划分，四个阶段定义相应的四个状态，分别为脚尖离地定义为状态A，摆动状态定义为状态B，脚跟触地状态为状态C，站立的状态为D；

获得行人在行走过程中三轴加速度数据、三轴角速度数据及三轴磁力强度；

定义人体步态的状态值及观测值，初始化状态转移概率矩阵，将对行人在行走过程中的零速度检测抽象为隐马尔可夫模型；

通过基于卡尔曼滤波器的零速修正算法对隐马尔可夫模型进行优化，当检测到行人处于站立阶段之后，周期性地估计和校正导航误差，提供下一阶段更为准确的步态状态。

2.基于权利要求1所述的基于隐马尔科夫模型的零速检测方法，其特征是，状态转移概率矩阵中，在理想的状态下由A—>B的概率是1，到A,C,D的概率为0。

3.基于权利要求1所述的基于隐马尔科夫模型的零速检测方法，其特征是，针对隐马尔可夫模型，采用Baum Welch算法和样本集对模型参数进行训练，样本集是测量的原始角速度的集合。

4.基于权利要求3所述的基于隐马尔科夫模型的零速检测方法，其特征是，Baum-Welch算法中，首先对隐马尔可夫模型HMM的参数进行一个初始的估计，然后通过对于给定的数据评估这些参数的价值并减少它们所引起的错误，来重新定义隐马尔可夫模型HMM的参数。

5.基于权利要求4所述的基于隐马尔科夫模型的零速检测方法，其特征是，Baum-Welch算法的具体过程为：

定义后向变量；

给定观察序列O及HMM，定义t时刻位于隐藏状态S_i的概率变量；

给定观察序列O及HMM，定义t时刻位于隐藏状态S_i及t+1时刻位于隐藏状态S_j的概率变量；

获得优化后的状态转移概率。

6.基于权利要求1所述的基于隐马尔科夫模型的零速检测方法，其特征是，基于卡尔曼滤波器的零速修正算法将站立阶段内的速度输出视为速度误差的伪观测值，利用速度误差与姿态误差、位置误差以及传感器误差之间的耦合关系，估计出更多的导航误差和传感器误差。

7.基于权利要求1所述的基于隐马尔科夫模型的零速检测方法，其特征是，导航的参数为位置、速度和姿态角信息，卡尔曼滤波状态量取9维状态向量，其中包括三维的位置估计,三维的速度估计和三维的姿态角估计。

8.基于权利要求1所述的基于隐马尔科夫模型的零速检测方法，其特征是，

基于卡尔曼滤波器的零速修正算法的具体步骤为：

对卡尔曼滤波的一步预测协方差矩阵进行初始化；

根据测得的加速度和角速度，通过捷联解算算法，进行导航的解算，更新当前时刻行人导航参数以及相应的四元数,并根据结果计算卡尔曼滤波中的状态转移矩阵和系统的噪声增益矩阵；

通过零速检测算法，首先计算出卡尔曼滤波增益，然后根据当前时刻的速度信息作为系统的速度误差的外部测量值,对行人的位置和速度重新进行估计。

9.基于权利要求1所述的基于隐马尔科夫模型的零速检测方法，其特征是，

还包括：采用卡尔曼滤波的方法对零偏误差进行补偿：

将卡尔曼滤波状态量从原先的9维扩充至15维，除了三维的位置估计,三维的速度估计,三维的姿态角估计，又加入了三维的加速度零偏误差和三维的陀螺仪零偏误差；

求解出的加速度零偏误差和三维的陀螺仪零偏误差返回给导航系统中，对下一时刻的加速度和角速度进行修正，以消除零偏误差。

10.室内行人惯性导航系统，其特征是，包括：

惯性测量单元，用于测量行人在行走过程中三轴的加速度数据、三轴角速度数据及三轴磁力强度；

隐马尔可夫模型建立单元，定义人体的步态的状态值及观测值，初始化状态转移概率矩阵，将对行人在行走过程中的零速度检测抽象为隐马尔可夫模型；

修正单元，通过基于卡尔曼滤波器的零速修正算法对隐马尔可夫模型进行优化，当检测到行人处于站立阶段之后，可周期性地估计和校正导航误差，提供下一阶段更为准确的步态状态。