CN110657802A - 一种gps失效情况下的智能手环导航方法 - Google Patents

Abstract

一种GPS失效情况下的智能手环导航方法。本发明导航方法如下：检测手环中GPS信息是否可用，不可用则执行下述步骤；通过手环中的加速度计、陀螺仪和磁力计获取在手环坐标系下的加速度、角速度和地磁场强度信息并存储；利用手环中存储的加速度计信息与陀螺仪信息进行步伐探测与分割，得到步态分割结果；利用步态分割结果和手环中的加速度、角速度和地磁场强度信息实现当前步中行人行走方向的判断；利用步态分割结果和手环中的加速度信息实现当前步中行人行走步长的估算；利用步态分割、行人行走方向、行人行走步长估算的结果进行行人航迹递推。其有益效果是，有效解决GPS信息失效情况下的行人导航定位问题，实现全时段的连贯行人导航。

Description

一种GPS失效情况下的智能手环导航方法

技术领域

本发明涉及一种行人导航定位方法，尤其是涉及一种GPS失效情况下的智能手环导航方法，属于行人导航定位技术领域。

背景技术

近年来，得益于芯片技术和通信技术的飞速发展，各式各样的可穿戴设备开始逐渐进入人们的视野中，包括各种以小米手环为代表的智能手环，以Apple Watch为代表的智能手表等，他们的出现极大的丰富了我们的生活，甚至改变了我们的生活方式。对于智能手环而言，其核心功能之一便是进行人员位置的确定，进而提供基于位置的服务(LBS，Location-based Services)。作为获取空间位置信息的主要手段和LBS的核心技术，行人定位和导航技术至关重要。在以GPS为代表的卫星信号可以覆盖到的区域，可以直接利用GPS信息实现行人的导航定位，但是由于卫星信号到达地面时信号强度较弱，不能穿透建筑物等遮挡物，在城市环境内很容易出现因为无法接受到GPS信息或者GPS信息不足而导致GPS失效的问题，进而导致无法实现人员的连贯性、全时段导航定位。

发明内容

为了克服现有利用GPS信息实现行人的导航定位，由于卫星信号到达地面时信号强度较弱，不能穿透建筑物等遮挡物，在城市环境内容易出现因为无法接受到GPS信息或者GPS信息不足而导致GPS失效的问题，进而导致无法实现人员的连贯性、全时段导航定位的不足，本发明提供一种GPS失效情况下的智能手环导航方法。

本发明解决其技术问题所采用的技术方案是：

一种GPS失效情况下的智能手环导航方法，智能手环中设置有加速度计、陀螺仪和磁力计，还设置有步伐探测与分割模块、行走方向判别模块、行人步长估算模块，导航方法步骤如下：

步骤1：检测智能手环中GPS信息是否可用，可用则使用GPS进行导航定位，不可用则执行下述步骤；

步骤2：通过智能手环中的加速度计、陀螺仪和磁力计分别获取在手环坐标系下智能手环的加速度、角速度和地磁场强度信息并进行存储；

步骤3：利用智能手环中存储的加速度计信息与陀螺仪信息进行步伐探测与分割，得到步态分割结果；

步骤4：利用步骤3的步态分割结果，结合智能手环中存储的加速度、角速度和地磁场强度信息实现当前步中行人行走方向的判断；

步骤5：利用步骤3的步态分割结果，结合智能手环中存储的加速度信息实现当前步中行人行走步长的估算；

步骤6：利用步骤3的步态分割结果、步骤4的行人行走方向结果、步骤5的行人行走步长估算结果进行行人航迹递推；

设手环坐标系为b，以手环显示屏幕左上角的顶点为坐标原点，从该点向右为X轴正方向，该点向前为Y轴正方向，Z轴方向为垂直XY平面向上，三个轴构成手环坐标系；

设导航坐标系为n，X轴指东，Y轴指北，Z轴指天，坐标原点与手环坐标系一致。

所述步骤3，利用智能手环中存储的加速度计信息与陀螺仪信息进行步伐探测与分割，得到步态分割结果，具体如下：

首先，定义智能手环加速度计、陀螺仪所存储的一段时间序列内的

三轴加速度信息依序为：

三轴角速度信息依序为：

其中，

作为步态分割的起点；

基于上述信息计算得到：

合加速度信息序列为

合角速度信息序列为

以T_s作为步态的起点，进行第一步的分割，后续步的分割则依此做类推，具体计算流程如下：

首先，合加速度信息归一化计算：

其中，τ代表设定的延时长度，

μ_A(T_s,τ)代表序列{A(T_s),A(T_s+1),…,A(T_s+τ-1)}的均值，

μ_A(τ+T_s,τ)代表序列{A(τ+T_s),A(τ+T_s+1),…,A(T_s+2τ-1)}的均值，

σ_A(T_s,τ)代表序列{A(T_s),A(T_s+1),…,A(T_s+τ-1)}的标准差，

σ_A(τ+T_s,τ)代表序列{A(τ+T_s),A(τ+T_s+1),…,A(T_s+2τ-1)}的标准差；

然后，合角速度信息归一化计算：

其中，τ代表设定的延时长度，

μ_g(T_s,τ)代表序列{g(T_s),g(T_s+1),…,g(T_s+τ-1)}的均值，

μ_g(τ+T_s,τ)代表序列{g(τ+T_s),g(τ+T_s+1),…,g(T_s+2τ-1)}的均值，

σ_g(T_s,τ)代表序列{g(T_s),g(T_s+1),…,g(T_s+τ-1)}的标准差，

σ_g(τ+T_s,τ)代表序列{g(τ+T_s),g(τ+T_s+1),…,g(T_s+2τ-1)}的标准差,

进而，获得合相关值：

λ(τ)＝0.6*λ_a(τ)+0.4*λ_g(τ)

针对上述合相关值，将延迟τ从0.5s递进至2.2s，分别计算在不同延迟τ下的λ(τ)，确定其中的最大值以及使得λ(τ)取得最大值的τ(即：τ_best)；

不断重复上述过程，完成行人行走过程的步态分割。

所述步骤4，利用步骤3的步态分割结果，结合智能手环中存储的加速度、角速度和地磁场强度信息实现当前步中行人行走方向的判断，计算流程如下：

首先，行人当前步的起脚点时刻为T_s，落脚点时刻为T_s+τ_best，并获得在该时段内智能手环的加速度、角速度和地磁场强度在手环坐标系中的数值，将该时段内的加速度、角速度信息分别通过一个截止频率为10Hz的低通滤波器，再将滤波后的加速度、角速度信息与原始的地磁场强度信息提供给AHRS，从而通过AHRS获得该时间段内的手环坐标系b转换为导航坐标系n的姿态旋转矩阵，

依据下式计算得到在该时间段内的导航坐标系下的智能手环加速度三轴投影：

提取出在该时间段内的，

东向加速度

北向加速度

利用Ransnc算法进行数据提取，实现误差与噪声的抑制，利用PCA算法得到行人行走方向；

将Ransnc算法所筛选出的点利用PCA算法进行主成分分析，计算流程如下：

(1)利用

i∈R_s中的全部数据构建矩阵

其中，R_s为利用Ransnc算法所筛选出的加速度数据点的下标值构成数组；

R_s(1)代表R_s中的第一个元素，

R_s(end)代表R_s中的最后一个元素；

(2)对X进行零均值化操作：

其中，mean_x为序列

i∈R_s的均值，

mean_y为序列

i∈R_s的均值；

(3)计算

其中，l_s为R_s中数据的个数，

(4)对矩阵C进行特征值分解，得到最大特征值所对应的特征向量p；

(5)行人行走的航向结果为

其中，atan代表求取反正切，

p(1)、p(2)代表p中的第一个、第二个元素。

所述步骤5，利用步骤3的步态分割结果，结合智能手环中存储的加速度信息实现当前步中行人行走步长的估算，

首先，以行人起脚点时刻为T_s，落脚点时刻为T_s+τ_best，并获得在当前时间段内的行人的导航坐标系下的智能手环加速度三轴投影：

步长计算公式为：

其中，L为行人的当前步步长，

A_max为序列

的最大值，

A_min为序列

的最小值，

K为长度常数，该参数由实际数据拟合得到。

所述步骤6，利用所述步骤3、4、5获得的数据，利用航迹递推得到行人的行走航迹，具体如下：

第k步的终点位置坐标为(x_k,y_k)，由步骤3判断是否当前结束k+1步，当判断行人完成一步时，利用步骤4识别该步的行走方向θ，利用步骤5识别该步的行走步长L，则：

x_k+1＝x_k+Lcosθ

y_k+1＝y_k+Lsinθ

其中，(x_k+1,y_k+1)为第k+1步的终点位置坐标；

重复上述计算，实现行人的航迹的递推计算。

进一步，所述AHRS算法采用基于扩展Kalman滤波的9轴(3轴陀螺仪+3轴加速度计+3轴磁力计)的AHRS算法。

一种应用权利要求1所述GPS失效情况下导航方法的智能手环，包括加速度计、陀螺仪和磁力计，所述智能手环设置有如下模块：步伐探测与分割模块、行走方向判别模块和行人步长估算模块。

所述步伐探测与分割模块主要实现的是行人步态的分割，具体算法为利用行人的行走的加速度信息结合自相关算法实现步态的检测与分割，其中自相关算法以行人行走的加速度计信息和陀螺仪信息作为算法输入，对数据的相关性进行分析从而实现数据的分割，进而完成步态的分割；

所述行走方向判别模块主要实现的是行人行走方向的判断，利用加速度计信息、陀螺仪信息和磁力计信息完成加速度信息由手环坐标系b至导航坐标系n的转换，进而利用主成分(即PCA算法)分析算法与Ransnc算法对加速度信息的主成分进行提取，判断行人加速度变化幅度最大的方向，即为行人的行走方向；

所述行人步长估算模块主要实现的是行人步长的估算，其主要利用当前步态中的加速度特征信息作为算法输入，利用公式输出最终得到步长拟合结果。

本发明的有益效果是，

(1)本发明所设计的导航算法，无论GPS信息是否有效，均可以实现行人的导航定位，有效解决了GPS信息失效情况下的行人导航定位的问题，实现全时段的连贯行人导航，极大地扩展智能手环导航算法的应用范围。

(2)本发明仅依赖于智能手环自带的加速度计信息、陀螺仪信息和磁力计信息，无需在场景布放相关支撑设备(如蓝牙基站、WiFi基站等)或者采集场景的地理信息(如地图、地磁图等)，且不需要任何先验信息支撑，系统简便易行且硬件成本较低。

(3)本发明所设计的步伐探测与分割算法，利用行人相邻步态之间具有的相似性对行人步态进行自适应检测，与现有方法相比，不再依赖于预先设定的检测阈值和携带模态判断，具有较强的自适应能力，有效地克服不同人行走方式的差异性所带来的不利影响，显著地提高了算法的适用性和应用范围。

(4)本发明所设计的航向检测算法，采用误差抑制算法(Ransnc(Random SampleConsensus，随机抽样一致性)算法)进行数据提取与噪声抑制，可以有效地抑制传感器量测误差带来的影响，实现在误差存在情况下的航向检测，使得系统具有较强的适应性和应用范围。

附图说明

图1是本发明GPS失效情况下的智能手环导航系统流程图。

图2是行人行走一步示意图。

图3是本发明的步伐探测与分割算法流程图。

图4是合相关值λ(τ)随延时长度τ变化而变化的波形图。

图5是行人步态检测系统计算行人每步时长结果图。

图6是行人行走方向算法流程图。

图7是经过Ransnc算法筛选过的加速度采样值图。

图8是行人航向的判断实际运行结果图。

图9是步长实际估计结果图。

图10是行人航迹递推计算结果图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明一种GPS失效情况下的智能手环导航方法，在GPS有效期间，利用GPS信息进行行人导航；在GPS失效期间，仅利用智能手环中的加速度计、陀螺仪和磁力计进行行人自主导航定位，确保全时段的连贯行人导航。

本发明包括三个计算模块以实现GPS失效情况下的行人自主导航定位，分别是：步伐探测与分割模块、行走方向判别模块与行人步长估算模块。

所述步伐探测与分割模块主要实现的是行人步态的分割，其理论基础为行人行走过程中的手臂行为具有极高的重复性。具体算法为利用行人的行走的加速度信息结合自相关算法实现步态的检测与分割，其中自相关算法以行人行走的加速度计信息和陀螺仪信息作为算法输入，对数据的相关性进行分析从而实现数据的分割，进而完成步态的分割。

所述行走方向判别模块主要实现的是行人行走方向的判断，首先利用加速度计信息、陀螺仪信息和磁力计信息完成加速度信息由手环坐标系b至导航坐标系n的转换，进而利用主成分(即PCA)分析算法与Ransnc算法对加速度信息的主成分进行提取，判断行人加速度变化幅度最大的方向，即为行人的行走方向。

所述行人步长估算模块主要实现的是行人步长的估计，其主要利用当前步态中的加速度特征信息作为算法输入，利用经验公式输出最终得到步长拟合结果。

参见附图1，本发明GPS失效情况下的智能手环导航系统流程，包括以下步骤：

步骤1：检测智能手环中GPS信息是否可用，可用则使用GPS进行导航定位，不可用则执行下述步骤。

该步骤中，首先对GPS信息的可用性进行判别，如果GPS信息可用，则使用GPS信息进行导航；如果GPS信息不可用，则使用本专利所设计的方法进行导航。

步骤2：通过所述智能手环中的加速度计、陀螺仪和磁力计分别获取在手环坐标系下智能手环的加速度、角速度和地磁场强度信息并进行存储。

定义本专利所使用的手环坐标系为b系，以智能手环显示屏幕左上角的顶点为坐标原点，从该点向右为X轴正方向，该点向前为Y轴正方向，Z轴方向为垂直XY平面向上，三个轴构成手环坐标系。

定义本专利所使用的导航坐标系为n系：X轴指东，Y轴指北，Z轴指天，坐标原点与手环坐标系一致。

步骤3：利用所述智能手环中存储的加速度计信息与陀螺仪信息进行步伐探测与分割，得到步态分割结果。

其中，本专利中所定义的行人的一步，包含行人完成两次支撑脚切换的过程(如图2所示)，图2中的行人行走全过程对应为本专利中定义的行人行走一步。

为方便下文进行进一步介绍，首先定义智能手环加速度计、陀螺仪所存储的一段时间序列内的

三轴加速度信息依序为：

三轴角速度信息依序为：

其中，

作为步态分割的起点(即认为时刻T_s为行人一步的起始点)；

基于上述信息可以计算得到

合加速度信息序列为

合角速度信息序列为

步骤3中所采用的步伐探测与分割算法流程图如图3所示，具体计算流程如下(以T_s作为步态的起点，进行第一步的分割，后续步的分割则依此做类推)：

首先，针对合加速度计信息进行归一化相关算法计算：

其中，τ代表设定的延时长度，可根据需求进行调整，

μ_A(T_s,τ)代表序列{A(T_s),A(T_s+1),…,A(T_s+τ-1)}的均值，

μ_A(τ+T_s,τ)代表序列{A(τ+T_s),A(τ+T_s+1),…,A(T_s+2τ-1)}的均值；

σ_A(T_s,τ)代表序列{A(T_s),A(T_s+1),…,A(T_s+τ-1)}的标准差，

σ_A(τ+T_s,τ)代表序列{A(τ+T_s),A(τ+T_s+1),…,A(T_s+2τ-1)}的标准差。

进而针对合角速度信息进行归一化相关算法计算：

其中，τ代表设定的延时长度，可根据需求进行调整，

μ_g(T_s,τ)代表序列{g(T_s),g(T_s+1),…,g(T_s+τ-1)}的均值，

μ_g(τ+T_s,τ)代表序列{g(τ+T_s),g(τ+T_s+1),…,g(T_s+2τ-1)}的均值；

σ_g(T_s,τ)代表序列{g(T_s),g(T_s+1),…,g(T_s+τ-1)}的标准差，

σ_g(τ+T_s,τ)代表序列{g(τ+T_s),g(τ+T_s+1),…,g(T_s+2τ-1)}的标准差。

进而可以获得合相关值：

λ(τ)＝0.6*λ_a(τ)+0.4*λ_g(τ)

针对上述合相关值，将延迟τ从0.5s(需将其转换为采样个数，采样个数与采样频率相关，例如采样频率为50Hz，则需要25个数)递进至2.2s(考虑人的行走习惯，一般人的步频周期均在此范围内)，分别计算在不同延迟τ下的λ(τ)，确定其中的最大值以及使得λ(τ)取得最大值的τ(定义为τ_best)。

其中，λ(τ)随τ变化而变化的波形图如图4所示。从图4中可以看出，合相关值λ(τ)的最大值在延时为1.2s处获得，即可以认为行人当前步的时长为1.2s。定义τ_best对应行人当前步的步长，即认为当前步的起脚点时刻为T_s，落脚点时刻为T_s+τ_best；

重复进行上述操作，将T_s+τ_best+1作为步态的起点，再次重复上述计算过程，得到下一步的落脚时刻；

不断重复上述过程，从而实现行人行走过程的步态分割。

以行人正常稳定行走为例，行人步态的识别结果如图5所示。从图5中可以看出，行人步态检测系统可以较好的实现对行人步态(行人跨步时间)的识别与分割。

步骤4：利用所述步骤3获取的步态分割结果，结合智能手环中存储的加速度、角速度和地磁场强度信息实现当前步中行人行走方向的判断。

在步骤4中，所采用的行人行走方向算法流程图如图6所示，具体计算流程如下：

由步骤3可知，行人当前步的起脚点时刻为T_s，落脚点时刻为T_s+τ_best，则可获得在该时段内，智能手环的加速度、角速度和地磁场强度在手环坐标系b中的数值，同时为了提高数据的准确性，隔离噪声的干扰，将该时段内的加速度、角速度信息分别通过一个截止频率为10Hz的低通滤波器，将滤波后的加速度、角速度信息与原始的地磁场强度信息提供给AHRS(航姿参考系统，Automatic Heading Reference System)，从而通过AHRS获得该时间段内的手环坐标系(b系)转换为导航坐标系(n系)的姿态旋转矩阵，将姿态旋转矩阵定义为：

其中，AHRS算法是一种在无人机等领域应用十分广泛的姿态计算算法，本发明采用的是基于扩展Kalman滤波(Extended Kalman Filter，EKF)的9轴(3轴陀螺仪+3轴加速度计+3轴磁力计)的AHRS算法，其详细资料可以在相关公开文献中获得，本专利不对其进行详细说明。

可以依据下式计算得到在该时间段内的导航坐标系下的智能手环加速度三轴投影：

提取出在该时间段内的

东向加速度i＝T_s,T_s+1,…T_s+τ_best

北向加速度i＝T_s,T_s+1,…T_s+τ_best

利用Ransnc(Random Sample Consensus，随机抽样一致性)算法进行数据提取，从而实现误差与噪声的抑制，利用PCA(Principal Component Analysis，主成分分析)算法得到行人行走方向。

Ransnc算法简要介绍如下：Ransnc算法采用迭代的方式从一组包含离群的(异常的)被观测数据中估算出数学模型的参数。Ransnc算法假设数据中包含正确数据和异常数据(或称为噪声)。

正确数据记为内点(inliers)，异常数据记为外点(outliers)。

同时Ransnc也假设，给定一组正确的数据，存在可以计算出符合这些数据的模型参数的方法。

Ransnc算法的核心思想是随机性和假设性。

随机性是根据正确数据出现概率去随机选取抽样数据，根据大数定律，随机性模拟可以近似得到正确结果。

假设性是假设选取出的抽样数据都是正确数据，然后用这些正确数据通过问题满足的模型，去计算其他点，然后对这次结果进行一个评分。

针对加速度信息的Ransnc算法的主要流程如下所示：

(1)在所有的数据中随机选择两个点，选择方式为，

从序列i＝T_s,T_s+1,…T_s+τ_best中随机挑选两个点(例如选择结果为i₁,i₂)，进而根据挑选结果在序列

i＝T_s,T_s+1,…T_s+τ_best与序列

i＝T_s,T_s+1,…T_s+τ_best中选择对应的序列点(则对应的选择结果为

与

(2)通过这两个点，计算出这两个点所表示的模型方程y＝ax+b；

(3)将所有的数据点(

i＝T_s,T_s+1,…T_s+τ_best)套到这个模型中计算误差(即计算点到直线的距离)；

(4)找到所有满足(即上一步中，计算误差小于设定的误差阈值)的点，统计点的数目并存储；

(5)重复(1)～(4)，直到达到一定迭代次数后，选出那个被支持的最多的模型(满足误差阈值的点的数目最多)，作为最终输出的模型的解。所有支持该模型的点为内点，全部的内点即是Ransnc算法最终的挑选结果。

所述阈值误差是动态值，由设计者确定。

利用Ransnc算法对加速度数据进行分析，结果如图7所示。图7所示为在该时间段内的全部加速度采样值，经过Ransnc筛选后，带有十字的为在误差区间内的内点，将参与下一步的PCA计算；而不带有十字的为在误差区间外的外点(误差点)，将不参与下一步的PCA计算。

为方便下文进行介绍，假定Ransnc所筛选出的加速度数据点的下标值构成数组R_s，则Ransnc所筛选出的加速度数据点为

i∈R_s。

将Ransnc算法所筛选出的点利用PCA算法进行主成分分析。PCA算法旨在利用降维的思想，把多指标转化为少数几个综合指标。

PCA算法在本专利中的作用介绍如下：

在PCA算法中，数据将从原来的坐标系转换到新的坐标系，转换过程由数据本身统计特性决定。转换坐标系时，PCA会以方差最大的方向作为坐标轴方向，因为数据的最大方差给出了数据的最重要的信息。

第一个新坐标轴选择的是原始数据中方差最大的方向，也就是说利用PCA算法可以挑选出给定数据中方差最大的方向，利用PCA算法的这一特性，当给定水平内的加速度信息时，PCA算法可以挑选出给定加速度数据中变化幅度最大(方差最大)的方向，即行人行走的方向，从而实现行人的行走航向的判断。

具体计算流程如下：

(1)利用

i∈R_s中的全部数据构建矩阵

其中，R_s为利用Ransnc算法所筛选出的加速度数据点的下标值构成数组，

R_s(1)代表R_s中的第一个元素，

R_s(end)代表R_s中的最后一个元素。

(2)对X进行零均值化操作：

其中，mean_x为序列i∈R_s的均值，

mean_y为序列i∈R_s的均值。

(3)计算

其中，l_s为R_s中数据的个数。

(4)对矩阵C进行特征值分解(特征值分解为数学常用的一种矩阵分解方法)，得到最大特征值所对应的特征向量p。

(5)则行人行走的航向结果为

其中，atan代表求取反正切，

p(1)、p(2)代表p中的第一个、第二个元素。

行人航向的判断实际运行结果如图8所示。在此次行人行走过程中，行人向东(以指南针作为真实指向)进行直线行走。理论上而言，行人的航向角应为0度，其中行人航向角的定义为行人行走方向与地理坐标系下的东向轴的夹角，其范围为-180°至180°，以东偏北为正。考虑到行人行走时不可能走的十分精确且东向基准并不十分可靠，所以存在一个±3度的误差是在容许范围内的。

步骤5：利用所述步骤3步态分割结果，结合智能手环中存储的加速度信息实现当前步中行人行走步长的估算。

在步骤5中，采用基于经验公式的步长估计方法进行当前步的步长计算，算法如下：

仍然以行人起脚点时刻为T_s，落脚点时刻为T_s+τ_best的步态作为对象进行说明。

由所述步骤4可知，在当前时间段内的行人的导航坐标系下的智能手环加速度三轴投影：

则本专利所使用的步长估算经验公式为：

其中，L代表行人的当前步步长，

A_max代表序列

的最大值，

A_min代表序列

的最小值，

K代表长度常数，由实际数据拟合得到。

利用上述方法进行行人步长估计，步长实际估计结果如图9所示。

步骤6：利用步骤3中获得的步态分割结果、步骤4中获得的行人行走方向结果、步骤5中获得的行人行走步长估算结果进行行人航迹递推。

利用所述步骤3、4、5中各自的计算结果，利用航迹递推可以得到行人的行走航迹，具体如下：

以第k步的步长递推为例进行说明，定义第k步的终点位置坐标为(x_k,y_k)，由步骤3判断是否当前结束k+1步(行人完成一步的行走)，当判断行人完成一步时，则利用步骤4识别该步的行走方向(定义为θ)，利用步骤5识别该步的行走步长(定义为L)，则有：

x_k+1＝x_k+Lcosθ

y_k+1＝y_k+Lsinθ

其中，(x_k+1,y_k+1)为第k+1步的终点位置坐标。

重复上述计算，实现行人的航迹的递推计算，递推计算结果如图10所示(以坐标(0,0)作为行人行走的起点)，在此次行人行走过程中，行人向东(以指南针作为真实指向)(沿X轴正向)进行直线行走。从结果可以看出，在Y轴上仅存在最大为－0.3m左右的误差，考虑到行人行走的摇摆和指南针的指向误差等因素带来的不利影响，可以认为行人的行走路线与行人真实路线基本一致。

本发明GPS失效情况下的智能手环导航方法中，在所述步骤3之后，所述步骤4、步骤5可以同时进行，也可以分步进行。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种GPS失效情况下的智能手环导航方法，智能手环中设置有加速度计、陀螺仪和磁力计，还设置有步伐探测与分割模块、行走方向判别模块、行人步长估算模块，其特征是，导航方法步骤如下：

步骤1：检测智能手环中GPS信息是否可用，可用则使用GPS进行导航定位，不可用则执行下述步骤；

步骤2：通过智能手环中的加速度计、陀螺仪和磁力计分别获取在手环坐标系下智能手环的加速度、角速度和地磁场强度信息并进行存储；

步骤3：利用智能手环中存储的加速度计信息与陀螺仪信息进行步伐探测与分割，得到步态分割结果；

步骤4：利用步骤3的步态分割结果，结合智能手环中存储的加速度、角速度和地磁场强度信息实现当前步中行人行走方向的判断；

步骤5：利用步骤3的步态分割结果，结合智能手环中存储的加速度信息实现当前步中行人行走步长的估算；

步骤6：利用步骤3的步态分割结果、步骤4的行人行走方向结果、步骤5的行人行走步长估算结果进行行人航迹递推；

设手环坐标系为b，以手环显示屏幕左上角的顶点为坐标原点，从该点向右为X轴正方向，该点向前为Y轴正方向，Z轴方向为垂直XY平面向上，三个轴构成手环坐标系；

设导航坐标系为n，X轴指东，Y轴指北，Z轴指天，坐标原点与手环坐标系一致。

2.根据权利要求1所述GPS失效情况下的智能手环导航方法，其特征是：

所述步骤3，利用智能手环中存储的加速度计信息与陀螺仪信息进行步伐探测与分割，得到步态分割结果，具体如下：

首先，定义智能手环加速度计、陀螺仪所存储的一段时间序列内的

三轴加速度信息依序为：

三轴角速度信息依序为：

其中，

作为步态分割的起点；

基于上述信息计算得到：

合加速度信息序列为

合角速度信息序列为

以T_s作为步态的起点，进行第一步的分割，后续步的分割则依此做类推，具体计算流程如下：

首先，合加速度信息归一化计算：

其中，τ代表设定的延时长度，

μ_A(T_s,τ)代表序列{A(T_s),A(T_s+1),…,A(T_s+τ-1)}的均值，

μ_A(τ+T_s,τ)代表序列{A(τ+T_s),A(τ+T_s+1),…,A(T_s+2τ-1)}的均值，

σ_A(T_s,τ)代表序列{A(T_s),A(T_s+1),…,A(T_s+τ-1)}的标准差，

σ_A(τ+T_s,τ)代表序列{A(τ+T_s),A(τ+T_s+1),…,A(T_s+2τ-1)}的标准差；

然后，合角速度信息归一化计算：

其中，τ代表设定的延时长度，

μ_g(T_s,τ)代表序列{g(T_s),g(T_s+1),…,g(T_s+τ-1)}的均值，

μ_g(τ+T_s,τ)代表序列{g(τ+T_s),g(τ+T_s+1),…,g(T_s+2τ-1)}的均值，

σ_g(T_s,τ)代表序列{g(T_s),g(T_s+1),…,g(T_s+τ-1)}的标准差，

σ_g(τ+T_s,τ)代表序列{g(τ+T_s),g(τ+T_s+1),…,g(T_s+2τ-1)}的标准差,

进而，获得合相关值：

λ(τ)＝0.6*λ_a(τ)+0.4*λ_g(τ)

针对上述合相关值，将延迟τ从0.5s递进至2.2s，分别计算在不同延迟τ下的λ(τ)，确定其中的最大值以及使得λ(τ)取得最大值的τ，即τ_best；

不断重复上述过程，完成行人行走过程的步态分割。

3.根据权利要求2所述GPS失效情况下的智能手环导航方法，其特征是：

所述步骤4，利用步骤3的步态分割结果，结合智能手环中存储的加速度、角速度和地磁场强度信息实现当前步中行人行走方向的判断，计算流程如下：

首先，行人当前步的起脚点时刻为T_s，落脚点时刻为T_s+τ_best，并获得在该时段内智能手环的加速度、角速度和地磁场强度在手环坐标系中的数值，将该时段内的加速度、角速度信息分别通过一个截止频率为10Hz的低通滤波器，再将滤波后的加速度、角速度信息与原始的地磁场强度信息提供给AHRS，从而通过AHRS获得该时间段内的手环坐标系b转换为导航坐标系n的姿态旋转矩阵，

依据下式计算得到在该时间段内的导航坐标系下的智能手环加速度三轴投影：

提取出在该时间段内的，

东向加速度

北向加速度

利用Ransnc算法进行数据提取，实现误差与噪声的抑制，利用PCA算法得到行人行走方向；

将Ransnc算法所筛选出的点利用PCA算法进行主成分分析，计算流程如下：

(1)利用

i∈R_s中的全部数据构建矩阵

其中，R_s为利用Ransnc算法所筛选出的加速度数据点的下标值构成数组；

R_s(1)代表R_s中的第一个元素，

R_s(end)代表R_s中的最后一个元素；

(2)对X进行零均值化操作：

其中，mean_x为序列i∈R_s的均值，

mean_y为序列

i∈R_s的均值；

(3)计算

其中，l_s为R_s中数据的个数，

(4)对矩阵C进行特征值分解，得到最大特征值所对应的特征向量p；

(5)行人行走的航向结果为

其中，atan代表求取反正切，

p(1)、p(2)代表p中的第一个、第二个元素。

4.根据权利要求2或3任一所述GPS失效情况下的智能手环导航方法，其特征是：

所述步骤5，利用步骤3的步态分割结果，结合智能手环中存储的加速度信息实现当前步中行人行走步长的估算，

首先，以行人起脚点时刻为T_s，落脚点时刻为T_s+τ_best，并获得在当前时间段内的行人的导航坐标系下的智能手环加速度三轴投影：

步长计算公式为：

其中，L为行人的当前步步长，

A_max为序列

的最大值，

A_min为序列

的最小值，

K为长度常数，该参数由实际数据拟合得到。

5.根据权利要求4所述GPS失效情况下的智能手环导航方法，其特征是：

所述步骤6，利用所述步骤3、4、5获得的数据，利用航迹递推得到行人的行走航迹，具体如下：

第k步的终点位置坐标为(x_k,y_k)，由步骤3判断是否当前结束k+1步，当判断行人完成一步时，利用步骤4识别该步的行走方向θ，利用步骤5识别该步的行走步长L，则：

x_k+1＝x_k+Lcosθ

y_k+1＝y_k+Lsinθ

其中，(x_k+1,y_k+1)为第k+1步的终点位置坐标；

重复上述计算，实现行人的航迹的递推计算。

6.根据权利要求3所述GPS失效情况下的智能手环导航方法，其特征是：所述AHRS算法采用基于扩展Kalman滤波的9轴(3轴陀螺仪+3轴加速度计+3轴磁力计)的AHRS算法。

7.一种应用权利要求1所述GPS失效情况下导航方法的智能手环，包括加速度计、陀螺仪和磁力计，其特征是：

所述智能手环设置有如下模块：步伐探测与分割模块、行走方向判别模块和行人步长估算模块，

所述步伐探测与分割模块主要实现的是行人步态的分割，具体算法为利用行人的行走的加速度信息结合自相关算法实现步态的检测与分割，其中自相关算法以行人行走的加速度计信息和陀螺仪信息作为算法输入，对数据的相关性进行分析从而实现数据的分割，进而完成步态的分割；

所述行走方向判别模块主要实现的是行人行走方向的判断，利用加速度计信息、陀螺仪信息和磁力计信息完成加速度信息由手环坐标系b至导航坐标系n的转换，进而利用主成分(即PCA算法)分析算法与Ransnc算法对加速度信息的主成分进行提取，判断行人加速度变化幅度最大的方向，即为行人的行走方向；

所述行人步长估算模块主要实现的是行人步长的估算，其主要利用当前步态中的加速度特征信息作为算法输入，利用公式输出最终得到步长拟合结果。

Images