CN111174791A - 一种基于双向长短期记忆网络的定位修正方法 - Google Patents

一种基于双向长短期记忆网络的定位修正方法 Download PDF

Info

Publication number
CN111174791A
CN111174791A CN202010020211.7A CN202010020211A CN111174791A CN 111174791 A CN111174791 A CN 111174791A CN 202010020211 A CN202010020211 A CN 202010020211A CN 111174791 A CN111174791 A CN 111174791A
Authority
CN
China
Prior art keywords
short term
term memory
speed
memory network
bidirectional long
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.)
Pending
Application number
CN202010020211.7A
Other languages
English (en)
Inventor
肖卓凌
杨明堃
王志轩
阎波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010020211.7A priority Critical patent/CN111174791A/zh
Publication of CN111174791A publication Critical patent/CN111174791A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于双向长短期记忆网络的定位修正方法，包括以下步骤：采集原始数据，并对原始数据进行预处理，得到处理数据；构建双向长短期记忆网络，并对其进行训练；将原始数据输入训练完成的双向长短期记忆网络，获取零速判断结果；当零速判断结果为零速时，根据处理数据，利用卡尔曼滤波器对导航坐标系下的速度和位置信息进行修正。本发明能够精准的进行零速判断，实施的复杂度低，具有高的计算效率和拥有良好的鲁棒性。

Description

一种基于双向长短期记忆网络的定位修正方法
技术领域
本发明属于行人导航定位修正领域，具体涉及一种基于双向长短期记忆网络的定位修正方法。
背景技术
近些年来，随着室内定位技术的不断发展，很大程度弥补了类似GPS等利用卫星信号进行定位而卫星信号穿透力较差导致室内定位不精确的问题。现有的室内定位技术大部分都利用已有的信号源进行高精度定位，如Wi-Fi信号定位技术，UWB定位技术等。但是现有技术存在以下问题：但是，由于利用惯性元器件进行定位过程中需要使用二次积分，导致系统在长距离、长时间的定位过程中出现目标轨迹发散的现象，难以维持较高的精度。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于双向长短期记忆网络的定位修正方法解决了现有技术存在的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于双向长短期记忆网络的定位修正方法，包括以下步骤：
S1、采集行人运动的原始数据，并对原始数据进行预处理，得到处理数据；
S2、构建双向长短期记忆网络，并对其进行训练；
S3、将原始数据输入训练完成的双向长短期记忆网络，获取零速判断结果；
S4、当零速判断结果为零速时，根据处理数据，利用卡尔曼滤波器对导航坐标系下的速度和位置信息进行修正。
进一步地，所述步骤S1包括以下分步骤：
S1.1、将惯性测量单元佩戴在使用者脚部，进行原始数据采集；
S1.2、根据原始数据中载体坐标系下的角速度，获取方向余弦矩阵；
S1.3、将原始数据中载体坐标系下的加速度经过固定窗口长度和步长的滑动窗口进行处理；
S1.4、将处理过后的加速度经过一次积分，得到在导航坐标系中的速度；
S1.5、将处理过后的加速度经过二次积分，得到在导航坐标系中的位置；
S1.6、将方向余弦矩阵、导航坐标系中的速度和导航坐标系中的位置作为处理数据。
进一步地，所述步骤S1.3中滑动窗口的步长为1，其窗口长度为256。
进一步地，所述双向长短期记忆网络包括依次串联的输入层、第一双向长短期记忆层、第二双向长短期记忆层、第一全连接层、第二全连接层和输出层。
进一步地，所述第一双向长短期记忆层的单元数为128，其输出为每一个方向的每一个时间步拼接在一起的结果；所述第二双向长短期记忆层的单元数为64，其输出为每一个方向的最后一个时间步拼接到一起的结果；所述的第一全连接层设置有32个神经元；所述第二全连接层设置有1个神经元，其输出为零速判断结果。
进一步地，所述步骤S2中对双向长短期记忆网络进行训练的具体方法为：
A1、根据原始数据中的加速度和角速度，采用人工标记的方式将零速时刻打上标签，得到标签数据；
A2、将原始数据和标签数据输入双向长短期记忆网络，将均方根误差作为损失值，并以损失值最小为目标对双向长短期记忆网络进行训练；
A3、采用ADAM算法作为网络参数优化算法，训练至损失值小于0.01时，将此时的网络参数保存为最终的网络参数，得到训练完成的双向长短期记忆网络。
进一步地，所述步骤S3具体为：将原始数据中载体坐标系下的加速度和角速度输入训练完成的双向长短期记忆网络，得到对应的零速判断结果。
进一步地，所述步骤S4包括以下分步骤：
S4.1、当零速判断结果为零速时，将此时导航坐标系中的速度、导航坐标系中的位置和速度观测量输入卡尔曼滤波器，得到速度误差向量、位置误差向量和姿态误差向量；
S4.2、根据速度误差向量、位置误差向量和姿态误差向量，对方向余弦矩阵以及导航坐标系下的速度和位置信息进行修正。
本发明的有益效果为：
(1)本发明能够精准的进行零速判断，实施的复杂度低，具有高的计算效率和拥有良好的鲁棒性。
(2)本发明成本低，通过对行人导航时进行零速检测，寻找出导航时产生的误差，最终通过位置误差进行定位修正，可以保证长时间的精准行人导航定位。
附图说明
图1为本发明提出的一种基于双向长短期记忆网络的定位修正方法流程图。
图2为本发明提出的双向长短期记忆网络结构图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示，一种基于双向长短期记忆网络的定位修正方法，包括以下步骤：
S1、采集行人运动的原始数据，并对原始数据进行预处理，得到处理数据；
S2、构建双向长短期记忆网络，并对其进行训练；
S3、将原始数据输入训练完成的双向长短期记忆网络，获取零速判断结果；
S4、当零速判断结果为零速时，根据处理数据，利用卡尔曼滤波器对导航坐标系下的速度和位置信息进行修正。
在本实施例中，原始数据包括行人运动的角速度、加速度和速度观测量。
其中，所述步骤S1包括以下分步骤：
S1.1、将惯性测量单元佩戴在使用者脚部，进行原始数据采集；
S1.2、根据原始数据中载体坐标系下的角速度，获取方向余弦矩阵；
S1.3、将原始数据中载体坐标系下的加速度经过固定窗口长度和步长的滑动窗口进行处理；
S1.4、将处理过后的加速度经过一次积分，得到在导航坐标系中的速度；
S1.5、将处理过后的加速度经过二次积分，得到在导航坐标系中的位置；
S1.6、将方向余弦矩阵、导航坐标系中的速度和导航坐标系中的位置作为处理数据。
其中，所述步骤S1.3中滑动窗口的步长为1，其窗口长度为256。
如图2所示，所述双向长短期记忆网络包括依次串联的输入层、第一双向长短期记忆层、第二双向长短期记忆层、第一全连接层、第二全连接层和输出层。
其中，所述第一双向长短期记忆层的单元数为128，其输出为每一个方向的每一个时间步拼接在一起的结果；所述第二双向长短期记忆层的单元数为64，其输出为每一个方向的最后一个时间步拼接到一起的结果；所述的第一全连接层设置有32个神经元；所述第二全连接层设置有1个神经元，其输出为零速判断结果。
在本实施例中，输入层的维度为(256，6)，其中256表示窗口大小，6表示陀螺仪和加速度计的三轴数据，输出层采用softmax函数进行零速判断结果的输出，输出1表示该时间戳对应的为零速时刻，0表示该时间戳对应的不是零速时刻。
其中，所述步骤S2中对双向长短期记忆网络进行训练的具体方法为：
A1、根据原始数据中的加速度和角速度，采用人工标记的方式将零速时刻打上标签，得到标签数据；
A2、将原始数据和标签数据输入双向长短期记忆网络，将均方根误差作为损失值，并以损失值最小为目标对双向长短期记忆网络进行训练；
A3、采用ADAM算法作为网络参数优化算法，训练至损失值小于0.01时，将此时的网络参数保存为最终的网络参数，得到训练完成的双向长短期记忆网络。
其中，所述步骤S3具体为：将原始数据中载体坐标系下的加速度和角速度输入训练完成的双向长短期记忆网络，得到对应的零速判断结果。
其中，所述步骤S4包括以下分步骤：
S4.1、当零速判断结果为零速时，将此时导航坐标系中的速度、导航坐标系中的位置和速度观测量输入卡尔曼滤波器，得到速度误差向量、位置误差向量和姿态误差向量；
S4.2、根据速度误差向量、位置误差向量和姿态误差向量，对方向余弦矩阵以及导航坐标系下的速度和位置信息进行修正。
在本实施例中，误差向量δxt为：
Figure BDA0002360447060000061
其中，
Figure BDA0002360447060000062
表示t时刻的姿态误差向量，
Figure BDA0002360447060000063
δθt表示t时刻的翻滚角，δγt表示t时刻的俯仰角，δψt表示t时刻的航向角，δpt表示t时刻的位置误差向量，δvt表示t时刻的速度误差向量。
根据姿态误差向量对t时刻的方向余弦矩阵的修正，修正公式为：
Figure BDA0002360447060000064
其中，
Figure BDA0002360447060000065
表示修正后的t时刻方向余弦矩阵，
Figure BDA0002360447060000066
表示t-1时刻的方向余弦矩阵，I3×3表示3×3的单位矩阵，δΩ表示姿态误差向量构成的反对称矩阵，b表示载体坐标系，n表示导航坐标系。
所述反对称矩阵δΩ为：
Figure BDA0002360447060000067
根据速度误差向量对t时刻的速度进行修正，修正的公式为：
Figure BDA0002360447060000068
其中，
Figure BDA0002360447060000069
表示t时刻的速度修正值，
Figure BDA00023604470600000610
表示t-1时刻的速度值。
根据位置误差向量对t时刻的位置进行修正，修正的公式为：
Figure BDA00023604470600000611
其中，
Figure BDA00023604470600000612
表示修正后t时刻的位置，
Figure BDA00023604470600000613
表示t-1时刻的位置。
本发明能够精准的进行零速判断，实施的复杂度低，具有高的计算效率和拥有良好的鲁棒性。本发明成本低，通过对行人导航时进行零速检测，寻找出导航时产生的误差，最终通过位置误差进行定位修正，可以保证长时间的精准行人导航定位。

Claims (8)

1.一种基于双向长短期记忆网络的定位修正方法，其特征在于，包括以下步骤：
S1、采集行人运动的原始数据，并对原始数据进行预处理，得到处理数据；
S2、构建双向长短期记忆网络，并对其进行训练；
S3、将原始数据输入训练完成的双向长短期记忆网络，获取零速判断结果；
S4、当零速判断结果为零速时，根据处理数据，利用卡尔曼滤波器对导航坐标系下的速度和位置信息进行修正。
2.根据权利要求1所述的基于双向长短期记忆网络的定位修正方法，其特征在于，所述步骤S1包括以下分步骤：
S1.1、将惯性测量单元佩戴在使用者脚部，进行原始数据采集；
S1.2、根据原始数据中载体坐标系下的角速度，获取方向余弦矩阵；
S1.3、将原始数据中载体坐标系下的加速度经过固定窗口长度和步长的滑动窗口进行处理；
S1.4、将处理过后的加速度经过一次积分，得到在导航坐标系中的速度；
S1.5、将处理过后的加速度经过二次积分，得到在导航坐标系中的位置；
S1.6、将方向余弦矩阵、导航坐标系中的速度和导航坐标系中的位置作为处理数据。
3.根据权利要求2所述的基于双向长短期记忆网络的定位修正方法，其特征在于，所述步骤S1.3中滑动窗口的步长为1，其窗口长度为256。
4.根据权利要求1所述的基于双向长短期记忆网络的定位修正方法，其特征在于，所述双向长短期记忆网络包括依次串联的输入层、第一双向长短期记忆层、第二双向长短期记忆层、第一全连接层、第二全连接层和输出层。
5.根据权利要求4所述的基于双向长短期记忆网络的零速检测方法，其特征在于，所述第一双向长短期记忆层的单元数为128，其输出为每一个方向的每一个时间步拼接在一起的结果；所述第二双向长短期记忆层的单元数为64，其输出为每一个方向的最后一个时间步拼接到一起的结果；所述的第一全连接层设置有32个神经元；所述第二全连接层设置有1个神经元，其输出为零速判断结果。
6.根据权利要求4所述的基于双向长短期记忆网络的定位修正方法，其特征在于，所述步骤S2中对双向长短期记忆网络进行训练的具体方法为：
A1、根据原始数据中的加速度和角速度，采用人工标记的方式将零速时刻打上标签，得到标签数据；
A2、将原始数据和标签数据输入双向长短期记忆网络，将均方根误差作为损失值，并以损失值最小为目标对双向长短期记忆网络进行训练；
A3、采用ADAM算法作为网络参数优化算法，训练至损失值小于0.01时，将此时的网络参数保存为最终的网络参数，得到训练完成的双向长短期记忆网络。
7.根据权利要求1所述的基于双向长短期记忆网络的定位修正方法，其特征在于，所述步骤S3具体为：将原始数据中载体坐标系下的加速度和角速度输入训练完成的双向长短期记忆网络，得到对应的零速判断结果。
8.根据权利要求2所述的基于双向长短期记忆网络的定位修正方法，其特征在于，所述步骤S4包括以下分步骤：
S4.1、当零速判断结果为零速时，将此时导航坐标系中的速度、导航坐标系中的位置和速度观测量输入卡尔曼滤波器，得到速度误差向量、位置误差向量和姿态误差向量；
S4.2、根据速度误差向量、位置误差向量和姿态误差向量，对方向余弦矩阵以及导航坐标系下的速度和位置信息进行修正。
CN202010020211.7A 2020-01-09 2020-01-09 一种基于双向长短期记忆网络的定位修正方法 Pending CN111174791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010020211.7A CN111174791A (zh) 2020-01-09 2020-01-09 一种基于双向长短期记忆网络的定位修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010020211.7A CN111174791A (zh) 2020-01-09 2020-01-09 一种基于双向长短期记忆网络的定位修正方法

Publications (1)

Publication Number Publication Date
CN111174791A true CN111174791A (zh) 2020-05-19

Family

ID=70654675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010020211.7A Pending CN111174791A (zh) 2020-01-09 2020-01-09 一种基于双向长短期记忆网络的定位修正方法

Country Status (1)

Country Link
CN (1) CN111174791A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111623797A (zh) * 2020-06-10 2020-09-04 电子科技大学 一种基于深度学习的步数测量方法
CN111693723A (zh) * 2020-05-29 2020-09-22 北京百度网讯科技有限公司 速度预测方法、装置和电子设备
CN111735478A (zh) * 2020-08-19 2020-10-02 中国人民解放军国防科技大学 基于lstm的行人实时导航零速检测方法
CN112197772A (zh) * 2020-12-08 2021-01-08 智道网联科技(北京)有限公司 一种确定车辆移动轨迹的方法及相关装置
CN112325877A (zh) * 2020-10-20 2021-02-05 北京嘀嘀无限科技发展有限公司 车辆属性确定方法、装置、存储介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190514A (zh) * 2018-08-14 2019-01-11 电子科技大学 基于双向长短期记忆网络的人脸属性识别方法及系统
CN110321560A (zh) * 2019-06-25 2019-10-11 北京邮电大学 一种从文本信息中确定位置信息的方法、装置及电子设备
CN110553643A (zh) * 2019-09-17 2019-12-10 电子科技大学 一种基于神经网络的行人自适应零速更新点选取方法
CN110599443A (zh) * 2019-07-02 2019-12-20 山东工商学院 一种使用双向长短期记忆网络的视觉显著性检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190514A (zh) * 2018-08-14 2019-01-11 电子科技大学 基于双向长短期记忆网络的人脸属性识别方法及系统
CN110321560A (zh) * 2019-06-25 2019-10-11 北京邮电大学 一种从文本信息中确定位置信息的方法、装置及电子设备
CN110599443A (zh) * 2019-07-02 2019-12-20 山东工商学院 一种使用双向长短期记忆网络的视觉显著性检测方法
CN110553643A (zh) * 2019-09-17 2019-12-10 电子科技大学 一种基于神经网络的行人自适应零速更新点选取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HOJIN JU ET AL.: "A Pedestrian Dead Reckoning System using a Foot Kinematic Constraint and Shoe Modeling for Various Motions", 《SENSORS & ACTUATORS: A. PHYSICAL 》 *
钱伟行等: "基于机器学习与步态特征辅助的行人导航方法", 《中国惯性技术学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111693723A (zh) * 2020-05-29 2020-09-22 北京百度网讯科技有限公司 速度预测方法、装置和电子设备
CN111693723B (zh) * 2020-05-29 2022-04-22 阿波罗智联(北京)科技有限公司 速度预测方法、装置和电子设备
CN111623797A (zh) * 2020-06-10 2020-09-04 电子科技大学 一种基于深度学习的步数测量方法
CN111623797B (zh) * 2020-06-10 2022-05-20 电子科技大学 一种基于深度学习的步数测量方法
CN111735478A (zh) * 2020-08-19 2020-10-02 中国人民解放军国防科技大学 基于lstm的行人实时导航零速检测方法
CN111735478B (zh) * 2020-08-19 2020-11-13 中国人民解放军国防科技大学 基于lstm的行人实时导航零速检测方法
CN112325877A (zh) * 2020-10-20 2021-02-05 北京嘀嘀无限科技发展有限公司 车辆属性确定方法、装置、存储介质和电子设备
CN112325877B (zh) * 2020-10-20 2022-09-02 北京嘀嘀无限科技发展有限公司 车辆属性确定方法、装置、存储介质和电子设备
CN112197772A (zh) * 2020-12-08 2021-01-08 智道网联科技(北京)有限公司 一种确定车辆移动轨迹的方法及相关装置
CN112197772B (zh) * 2020-12-08 2021-07-02 智道网联科技(北京)有限公司 一种确定车辆移动轨迹的方法及相关装置

Similar Documents

Publication Publication Date Title
CN111174791A (zh) 一种基于双向长短期记忆网络的定位修正方法
CN110160542B (zh) 车道线的定位方法和装置、存储介质、电子装置
CN113311411B (zh) 一种用于移动机器人的激光雷达点云运动畸变校正方法
CN107449444A (zh) 一种多星图姿态关联的星敏感器内参数标定方法及其装置
CN108132053B (zh) 一种行人轨迹构建方法、系统及惯性测量装置
CN109059907A (zh) 轨迹数据处理方法、装置、计算机设备和存储介质
CN114136315B (zh) 一种基于单目视觉辅助惯性组合导航方法及系统
CN114526745A (zh) 一种紧耦合激光雷达和惯性里程计的建图方法及系统
EP4345421A2 (en) Method for calibrating sensor parameters based on autonomous driving, apparatus, storage medium, and vehicle
CN112378399A (zh) 基于捷联惯导和数字全站仪的煤矿巷道掘进机器人精确定位定向方法
CN113175933A (zh) 一种基于高精度惯性预积分的因子图组合导航方法
CN107727061A (zh) 一种自主气象改正的光电测距系统及方法
CN114323033A (zh) 基于车道线和特征点的定位方法、设备及自动驾驶车辆
CN109992894B (zh) 一种考虑感知信息误差的无人艇局部环境建模方法
CN110395297B (zh) 列车定位方法
CN104121930B (zh) 一种基于加表耦合的mems陀螺漂移误差的补偿方法
CN108007457B (zh) 一种基于细分时间片的监控导航系统异步数据融合方法
CN116796119B (zh) 一种基于无人机运动平台的单目测距精度计算方法
CN115855063A (zh) 基于绝对姿态递推修正的交会对接敏感器数据预处理方法
CN115683170A (zh) 基于雷达点云数据融合误差的校准方法
CN116481543A (zh) 一种移动机器人多传感器融合双层滤波定位方法
CN116380070A (zh) 一种基于时间戳优化的视觉惯性定位方法
CN109074407A (zh) 多源数据建图方法、相关装置及计算机可读存储介质
CN113077515B (zh) 一种水下视觉惯导压力定位的紧耦合初始化方法
CN115540854A (zh) 一种基于uwb辅助的主动定位方法、设备和介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication