CN111197974B - 一种基于Android惯性平台的无气压计高度测算方法 - Google Patents

Abstract

本发明请求保护一种基于Android惯性平台的无气压计高度测算方法，该算法包括：1.对终端内自带加速度计、陀螺仪、磁力计进行误差校准和补偿；2.检测加速度计X轴峰值特征和Z轴四分位距值特征，进行上楼、下楼、平走行为模式判定；3.实时判定行人运动模式，采集行人运动过程中加速度计数据并进行零速状态检测，从而判别行人当前上下楼动作是否处于跨步完成状态；4.若处于跨步完成状态，使用基于惯性传感器数据的动态姿态解算算法计算Android智能终端俯仰角；5.分别构建行人上楼、下楼运动节点模型，利用节点模型几何关系结合俯仰角实时计算上下楼时每一步的步高，从而进行室内高度测算。该高度测算方法不需要气压计，适用于各种室内环境复杂的场景。

Description

一种基于Android惯性平台的无气压计高度测算方法

技术领域

本发明属于惯性传感器测算高度领域，特别涉及一种无需气压计、仅利用Android智能终端中自带惯性传感器进行室内高度测算的方法。

背景技术

随着移动通信技术的发展，基于室内的位置服务受到越来越多的青睐，比如商场定位、火灾救援等，同时随着室内建筑愈发复杂，如何确定行人室内高度尤为重要，也是室内三维定位关键所在。由于在室内建筑内无法接收到卫星信号或卫星信号弱，因此无法使用传统室外的GPS测高法进行高度测量。

目前室内人员定位技术中，应用最为广泛的是基于气压计的高度定位技术以及基于气压计与WiFi、UWB等辅助技术融合的高度定位技术。基于气压计的高度定位技术自主性较好，但是易受定位环境的温度、风速等因素影响，当环境比较复杂时，气压计的高度解算结果可能存在几米甚至几十米的误差，无法满足室内人员定位精度要求。基于气压计与辅助技术融合的高度定位技术，高度解算精度较高，但是需要预先在建筑内安装辅助设备，只适用于特定环境，自主性和适应性较差。目前仅依靠惯性传感器进行高度测算的算法还比较少，比如基于垂直方向的加速度计双重积分的高度算法，这种算法存在较大累计误差，对加速度计的精度要求很高，成本也较大，推广价值不高。

基于以上问题，本发明提出了一种仅依靠Android智能终端内置惯性传感器即可完成实时室内高度测算的方法，该方法不依靠气压计及其他辅助设备，无需搭建专有硬件或软件系统，自主性高不易受外界环境影响，同时成本低且可靠性高，适用于各种室内环境复杂的场景。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种可完成实时室内高度测算，成本低且可靠性高的基于Android惯性平台的无气压计高度测算方法。本发明的技术方案如下：

一种基于Android惯性平台的无气压计高度测算方法，其包括以下步骤：

步骤1，对Android终端内自带加速度计、陀螺仪、磁力计进行误差校准和补偿，主要包括：零偏误差校准、温度补偿以及滑动平均滤波，并将Android智能终端放置于被测对象身上，实时采集处理后的被测对象加速度计、陀螺仪、磁力计数据；

步骤2，检测加速度计X轴峰值特征和Z轴四分位距值特征，分别表示为Ax_max和Az_IQR，利用阈值法消除伪波峰干扰，再根据Ax_max和Az_IQR特征对行人的上楼、下楼、平走行为模式进行判定；

步骤3，当行人处于上楼、下楼行为模式时，采集行人运动过程中加速度计数据并进行零速状态检测，从而判别行人当前上下楼动作是否处于跨步完成状态；

步骤4，若处于跨步完成状态，使用基于惯性传感器数据的动态姿态解算算法计算Android智能终端俯仰角；

步骤5，分别构建行人上楼、下楼运动节点模型，在已知行人腿长的情况下，利用节点模型几何关系结合俯仰角实时计算上下楼时每一步的步高，从而进行室内高度测算。

进一步的，所述步骤1中对Android智能终端内自带惯性传感器进行零偏误差校准、温度补偿以及滑动平均滤波的数据处理步骤，具体包括：

(1)选定惯性传感器中安装有自主开发的数据采集APP的谷歌Pixel2智能终端，打开数据采集APP；

(2)选定二自由度及以上的旋转控制系统；

(3)对步骤(2)选定的旋转控制系统进行主轴和俯仰轴归零操作；

(4)将Android智能终端垂直放置并固定于旋转控制系统上，采集加速度计、陀螺仪、磁力计输出数据，计算零位偏移并进行校准工作，得到零偏误差校准后的数据；

(5)选定高低温箱，在Android智能终端的工作温度范围内对步骤(4)的输出数据进行温度补偿，得到温度补偿后的数据；

(6)设计滑动平均滤波器，对步骤(5)得到的数据进行滤波处理，该方法利用开窗口的思维，取固定长度为n的采样值个数，并将其作为一个循环队列，每次采样获得一个新数据放入队尾，并丢弃原本队首的一个数据，滤波器计算队列中n个数据的算术平均值并将其作为输出。记第i次滤波输出为O_i，计算方法如式(1)所示：

式中，n为窗口数，x_j为待滤波数据集中的第j个数据。

进一步的，所述步骤1中将Android智能终端放置于被测对象身上，实时采集处理后的被测对象加速度计、陀螺仪、磁力计数据，具体包括：

(1)被测对象将Android智能终端紧贴大腿放置于裤兜，静止采集1s内经数据预处理之后的加速度计三个轴向在当地的重力加速度分量，并分别求均值；

(2)将被测对象行走过程中的X、Y、Z轴加速度计数据减去步骤(1)中的重力加速度均值，得到行人的运动加速度数据分别记为A_x、A_y、A_z，并将此运动加速度计数据作为后续步骤的研究对象；

(3)实时采集被测对象运动过程中预处理后的陀螺仪、磁力计数据，分别记为G_x、G_y、G_z和M_x、M_y、M_z。

进一步的，所述步骤2中检测加速度计X轴峰值特征和Z轴四分位距值特征，并对行人的上楼、下楼、平走行为模式进行判定，分别设定上楼、下楼、平走行为模式下的算法标志位为2、1、0，具体包括：

(1)记X轴加速度计的波峰值和波谷值分别为Ax_max、Ax_min，记录行人平走1s时间内X轴加速度计的波峰值均值和波谷值均值分别为av_Ax_max、av_Ax_min；

(2)设定一个峰值检测时间阈值T_Th，当检测到第一个峰值后，间隔时间ΔT大于T_Th时再进行下一次峰值检测；同时，设定最小波峰阈值A_Th和最大波谷阈值A_Tl，当此时波峰值大于A_Th且波谷值小于A_Tl时，判定当前波峰是有效的，阈值的条件如式(2)所示：

(3)记行人Z轴加速度四分位距值为Az_IQR，间隔1s采集行走时Z轴加速度计数据，并选取其中前100组数据按照从小到大的顺序排列，前50组数据的中位值记为Q₁，后50组数据的中位值记为Q₃，Az_IQR计算如式(3)所示：

Az_IQR＝Q₃-Q₁ (3)

(4)设定上下楼的X轴加速度峰值和Z轴加速度四分位距值判断阈值，分别记为T_Ax和

(5)行人上下楼以及平走的判断条件如式(4)所示：

进一步的，所述步骤3中当行人处于上楼、下楼行为模式时，采集行人运动过程中加速度计数据并进行零速状态检测，从而判别行人当前上下楼动作是否处于跨步完成状态，具体包括：

(1)通过检测Android智能终端的三轴加速度模值是否处于零速状态，从而判断行人是否处于跨步完成状态，三轴加速度模值记为acc_norm，计算方法如式(5)：

A_x、A_y、A_z分别表示加速度计x轴、y轴、z轴数据。

(2)设定阈值修正零速状态检测误差，记加速度模值阈值为T_{acc_norm}，则判断是否处于跨步完成状态条件如式(6)所示：

acc_norm-T_{acc_norm}≤0 (6)

进一步的，所述步骤4中若处于跨步完成状态，使用基于惯性传感器数据的动态姿态解算算法计算Android智能终端俯仰角，具体包括：

(1)当行人双腿处于跨步完成状态，即左腿或右腿处于当前台阶，右腿或左腿处于当前台阶的上(下)一级台阶，双腿间会形成夹角；

(2)通过Android智能终端实时采集行人运动过程中预处理之后的加速度计、陀螺仪、磁力计数据，分别记为A_x、A_y、A_z，G_x、G_y、G_z和M_x、M_y、M_z；

(3)初始阶段，行人静止站立1s，采集A_x、A_y、A_z和M_x、M_y、M_z数据代入式(7)并结合式(5)解算初始姿态角即参考姿态角：

式中，pitch₁、roll₁、yaw₁分别表示初始俯仰角、横滚角、航向角；

(4)行人处于运动状态时，通过G_x、G_y、G_z数据结合四元数姿态解算算法实时更新姿态角信息，记四元数信息分别为q₀、q₁、q₂、q₃，则更新后的姿态角计算公式如式(8)所示：

式中，pitch₂、roll₂、yaw₂分别表示更新后的俯仰角、横滚角、航向角；

(5)将更新姿态角信息与参考姿态角信息作差得到姿态角的变换信息，计算方法如式(9)所示：

式中，pitch为行人跨步间夹角，将作为后续计算的研究对象。

进一步的，所述步骤5中分别构建行人上楼、下楼运动节点模型，在已知行人腿长的情况下，利用节点模型几何关系结合俯仰角实时计算上下楼时每一步的步高，从而进行室内高度测算，具体包括：

(1)记行人腿长为L，其中大腿长记为L_h，小腿长记为L_l，踝关节至足底的垂直长度记为d₁，踝关节垂直线至脚趾的垂直长度记为d₂，则每一步的步高Δh计算如式(10)所示：

(2)记前一时刻高度值为H₁，则当前时刻高度值H₂计算如式(11)所示：

本发明的优点及有益效果如下：

本发明能准确有效的识别行人的上楼、下楼、平走行为模式，并且能实时解算室内高度，创新点具体是步骤2与步骤5，在此过程中可以实现以下有益效果：

(1)自主性强、可靠性高：本发明使用Android智能终端内自带加速度计、磁力计、陀螺仪进行上楼、下楼、平走行为模式判定，不依赖其他任何辅助设备；同时，本发明不使用气压计，不会受到外界环境影响，特别适用于一些无法接收外界信号的场景，比如火场救援、野外救援等，自主性与可靠性较高。

(2)算法精度高：本发明利用行人运动状态下的节点模型关系解算高度信息，不受惯性传感器累计误差的影响，并且针对传感器底层的误差进行了校准和补偿，算法精度较高。

(3)便携、成本低：本发明仅依靠Android智能终端内置惯性传感器即可完成实时室内高度测算，无需搭建专有硬件或软件系统，具有便携和成本低的优点。

附图说明

图1是本发明提供优选实施例算法流程图。

图2是上楼行为模式时佩戴方式和运动节点模型图。

图3是下楼行为模式时佩戴方式和运动节点模型图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明公开了一种基于Android惯性平台的无气压计高度测算方法，技术方案流程图如图1所示，具体如下：

第一，对Android终端(当然，苹果终端也可以，只要里面有内置的加速度计、陀螺仪、磁力计即可，所有的算法实现是一致的，本文以Android终端为例)内自带加速度计、陀螺仪、磁力计进行数据预处理：

(1)选定惯性传感器性能良好、且安装有自主开发的数据采集APP的谷歌Pixel2智能终端，打开数据采集APP；

(2)选定双轴转台并进行主轴和俯仰轴归零操作，使转台处于水平状态；

(3)将Android智能终端垂直放置并固定于双轴转台上，采集加速度计、陀螺仪、磁力计输出数据，计算零位偏移并进行校准工作，得到零偏误差校准后的数据；

(5)选定高低温箱，将Android智能终端放置于温箱中，设置温度范围为0℃-35℃，每间隔5℃采集一组加速度计和陀螺仪数据，并对数据进行温度补偿；

(6)设计滑动平均滤波器，对步骤(5)得到的数据进行滤波处理，该方法利用开窗口的思维，取固定长度为n的采样值个数，并将其作为一个循环队列，每次采样获得一个新数据放入队尾，并丢弃原本队首的一个数据，滤波器计算队列中n个数据的算术平均值并将其作为输出。记第i次滤波输出为O_i，计算方法如式(1)所示：

式中，n为窗口数，x_j为待滤波数据集中的第j个数据。

第二，行人上楼、下楼、平走行为模式识别：

(1)行人将Android智能终端紧贴大腿放置于裤兜，如图2所示，静止采集1s内经数据预处理之后的加速度计三个轴向在当地的重力加速度分量，并分别求均值；

(2)将行人行走过程中的X、Y、Z轴加速度计数据减去步骤(1)中的重力加速度均值，得到行人的运动加速度数据分别记为A_x、A_y、A_z，并将此运动加速度计数据作为后续步骤的研究对象。

(3)记X轴加速度计的波峰值和波谷值分别为Ax_max、Ax_min，记录行人平走1s时间内X轴加速度计的波峰值均值和波谷值均值分别为av_Ax_max、av_Ax_min；

(4)由于行人行走时身体或多或少会出现一些抖动，使得在一个运动周期内会产生伪波峰，因此设定一个峰值检测时间阈值T_Th，当检测到第一个峰值后，间隔时间ΔT大于T_Th时再进行下一次峰值检测；同时，设定最小波峰阈值A_Th和最大波谷阈值A_Tl，当此时波峰值大于A_Th且波谷值小于A_Tl时，判定当前波峰是有效的，阈值的条件如式(2)所示：

(5)记行人Z轴加速度四分位距值为Az_IQR，间隔1s采集行走时Z轴加速度计数据，并选取其中前100组数据按照从小到大的顺序排列，前50组数据的中位值记为Q₁，后50组数据的中位值记为Q₃，Az_IQR计算如式(3)所示：

Az_IQR＝Q₃-Q₁ (3)

(6)设定上下楼的X轴加速度峰值和Z轴加速度四分位距值判断阈值，分别记为T_Ax和

(7)行人上下楼以及平走的判断条件如式(4)所示：

第三，行人行走时室内高度解算：

(1)由于一台Android智能终端只能放置于左腿或者右腿裤兜，当行人上下楼时，若未放置Android智能终端的大腿处于接近静止的状态，则放置Android智能终端的大腿处于运动状态，此时可通过检测Android智能终端的三轴加速度模值是否处于零速状态，从而判断行人是否处于跨步完成状态，三轴加速度模值记为acc_norm，计算方法如式(5)：

A_x、A_y、A_z分别表示加速度计x轴、y轴、z轴数据。

(2)设定阈值修正零速状态检测误差，记加速度模值阈值为T_{acc_norm}，则判断是否处于跨步完成状态条件如式(6)所示：

acc_norm-T_{acc_norm}≤0 (6)

(3)当行人双腿处于跨步完成状态，即左腿(右腿)处于当前台阶，右腿(左腿)处于当前台阶的上(下)一级台阶，双腿间会形成夹角；

(4)通过Android智能终端实时采集行人运动过程中预处理之后的加速度计、陀螺仪、磁力计数据，分别记为A_x、A_y、A_z，G_x、G_y、G_z和M_x、M_y、M_z；

(5)初始阶段，行人静止站立1s，采集A_x、A_y、A_z和M_x、M_y、M_z数据代入式(7)并结合式(5)解算初始姿态角(参考姿态角)：

式中，pitch₁、roll₁、yaw₁分别表示初始俯仰角、横滚角、航向角。

(6)行人处于运动状态时，通过G_x、G_y、G_z数据结合四元数姿态解算算法实时更新姿态角信息，记四元数信息分别为q₀、q₁、q₂、q₃，则更新后的姿态角计算公式如式(8)所示：

式中，pitch₂、roll₂、yaw₂分别表示更新后的俯仰角、横滚角、航向角。

(7)将更新姿态角信息与参考姿态角信息作差可以得到姿态角的变换信息，计算方法如式(9)所示：

式中，pitch为行人跨步间夹角，将作为后续计算的研究对象。

(8)分别构建行人上楼、下楼运动节点模型，如图2和图3所示，记行人腿长为L，其中大腿长记为L_h，小腿长记为L_l，踝关节至足底的垂直长度记为d₁，踝关节垂直线至脚趾的垂直长度记为d₂，则每一步的步高Δh计算如式(10)所示：

(9)记前一时刻高度值为H₁，则当前时刻高度值H₂计算如式(11)所示：

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于Android惯性平台的无气压计高度测算方法，其特征在于，包括以下步骤：

步骤1，对Android终端内自带加速度计、陀螺仪、磁力计进行误差校准和补偿，主要包括：零偏误差校准、温度补偿以及滑动平均滤波，并将Android智能终端放置于被测对象身上，实时采集处理后的被测对象加速度计、陀螺仪、磁力计数据，其中加速度计、陀螺仪、磁力计构成了惯性传感器；

步骤2，检测加速度计X轴峰值特征和Z轴四分位距值特征，分别表示为Ax_max和Az_IQR，利用阈值法消除伪波峰干扰，再根据Ax_max和Az_IQR特征对行人的上楼、下楼、平走行为模式进行判定；

步骤3，当行人处于上楼、下楼行为模式时，采集行人运动过程中加速度计数据并进行零速状态检测，从而判别行人当前上下楼动作是否处于跨步完成状态；

步骤4，若处于跨步完成状态，使用基于惯性传感器数据的动态姿态解算算法计算Android智能终端俯仰角；

步骤5，分别构建行人上楼、下楼运动节点模型，在已知行人腿长的情况下，利用节点模型几何关系结合俯仰角实时计算上下楼时每一步的步高，从而进行室内高度测算；

所述步骤1中对Android智能终端内自带惯性传感器进行零偏误差校准、温度补偿以及滑动平均滤波的数据处理步骤，具体包括：

(1)选定惯性传感器中安装有自主开发的数据采集APP的谷歌Pixel2智能终端，打开数据采集APP；

(2)选定二自由度及以上的旋转控制系统；

(3)对步骤(2)选定的旋转控制系统进行主轴和俯仰轴归零操作；

(4)将Android智能终端垂直放置并固定于旋转控制系统上，采集加速度计、陀螺仪、磁力计输出数据，计算零位偏移并进行校准工作，得到零偏误差校准后的数据；

(5)选定高低温箱，在Android智能终端的工作温度范围内对步骤(4)的输出数据进行温度补偿，得到温度补偿后的数据；

(6)设计滑动平均滤波器，对步骤(5)得到的数据进行滤波处理，该方法利用开窗口的思维，取固定长度为n的采样值个数，并将其作为一个循环队列，每次采样获得一个新数据放入队尾，并丢弃原本队首的一个数据，滤波器计算队列中n个数据的算术平均值并将其作为输出，记第i次滤波输出为O_i，计算方法如式(1)所示：

式中，n为窗口数，x_j为待滤波数据集中的第j个数据；

所述步骤2中检测加速度计X轴峰值特征和Z轴四分位距值特征，并对行人的上楼、下楼、平走行为模式进行判定，分别设定上楼、下楼、平走行为模式下的算法标志位为2、1、0，具体包括：

(1)记X轴加速度计的波峰值和波谷值分别为Ax_max、Ax_min，记录行人平走1s时间内X轴加速度计的波峰值均值和波谷值均值分别为av_Ax_max、av_Ax_min；

(2)设定一个峰值检测时间阈值T_Th，当检测到第一个峰值后，间隔时间ΔT大于T_Th时再进行下一次峰值检测；同时，设定最小波峰阈值A_Th和最大波谷阈值A_Tl，当此时波峰值大于A_Th且波谷值小于A_Tl时，判定当前波峰是有效的，阈值的条件如式(2)所示：

(3)记行人Z轴加速度四分位距值为Az_IQR，间隔1s采集行走时Z轴加速度计数据，并选取其中前100组数据按照从小到大的顺序排列，前50组数据的中位值记为Q₁，后50组数据的中位值记为Q₃，Az_IQR计算如式(3)所示：

Az_IQR＝Q₃-Q₁ (3)

(4)设定上下楼的X轴加速度峰值和Z轴加速度四分位距值判断阈值，分别记为T_Ax和T_ZIQR；

(5)行人上下楼以及平走的判断条件如式(4)所示：

2.根据权利要求1所述的一种基于Android惯性平台的无气压计高度测算方法，其特征在于，所述步骤1中将Android智能终端放置于被测对象身上，实时采集处理后的被测对象加速度计、陀螺仪、磁力计数据，具体包括：

(1)被测对象将Android智能终端紧贴大腿放置于裤兜，静止采集1s内经数据预处理之后的加速度计三个轴向在当地的重力加速度分量，并分别求均值；

(2)将被测对象行走过程中的X、Y、Z轴加速度计数据减去步骤(1)中的重力加速度均值，得到行人的运动加速度数据分别记为A_x、A_y、A_z，并将此运动加速度计数据作为后续步骤的研究对象；

(3)实时采集被测对象运动过程中预处理后的陀螺仪、磁力计数据，分别记为G_x、G_y、G_z和M_x、M_y、M_z。

3.根据权利要求1所述的一种基于Android惯性平台的无气压计高度测算方法，其特征在于，所述步骤3中当行人处于上楼、下楼行为模式时，采集行人运动过程中加速度计数据并进行零速状态检测，从而判别行人当前上下楼动作是否处于跨步完成状态，具体包括：

(1)通过检测Android智能终端的三轴加速度模值是否处于零速状态，从而判断行人是否处于跨步完成状态，三轴加速度模值记为acc_norm，计算方法如式(5)：

A_x、A_y、A_z分别表示加速度计x轴、y轴、z轴数据；

(2)设定阈值修正零速状态检测误差，记加速度模值阈值为T_{acc_norm}，则判断是否处于跨步完成状态条件如式(6)所示：

acc_norm-T_{acc_norm}≤0 (6)。

4.根据权利要求3所述的一种基于Android惯性平台的无气压计高度测算方法，其特征在于，所述步骤4中若处于跨步完成状态，使用基于惯性传感器数据的动态姿态解算算法计算Android智能终端俯仰角，具体包括：

(1)当行人双腿处于跨步完成状态，即左腿或右腿处于当前台阶，右腿或左腿处于当前台阶的上或下一级台阶，双腿间会形成夹角；

(2)通过Android智能终端实时采集行人运动过程中预处理之后的加速度计、陀螺仪、磁力计数据，分别记为A_x、A_y、A_z，G_x、G_y、G_z和M_x、M_y、M_z；

(3)初始阶段，行人静止站立1s，采集A_x、A_y、A_z和M_x、M_y、M_z数据代入式(7)并结合式(5)解算初始姿态角即参考姿态角：

式中，pitch₁、roll₁、yaw₁分别表示初始俯仰角、横滚角、航向角；

(4)行人处于运动状态时，通过G_x、G_y、G_z数据结合四元数姿态解算算法实时更新姿态角信息，记四元数信息分别为q₀、q₁、q₂、q₃，则更新后的姿态角计算公式如式(8)所示：

式中，pitch₂、roll₂、yaw₂分别表示更新后的俯仰角、横滚角、航向角；

(5)将更新姿态角信息与参考姿态角信息作差得到姿态角的变换信息，计算方法如式(9)所示：

式中，pitch为行人跨步间夹角，将作为后续计算的研究对象。

5.根据权利要求4所述的一种基于Android惯性平台的无气压计高度测算方法，其特征在于，所述步骤5中分别构建行人上楼、下楼运动节点模型，在已知行人腿长的情况下，利用节点模型几何关系结合俯仰角实时计算上下楼时每一步的步高，从而进行室内高度测算，具体包括：

(1)记行人腿长为L，其中大腿长记为L_h，小腿长记为L_l，踝关节至足底的垂直长度记为d₁，踝关节垂直线至脚趾的垂直长度记为d₂，则每一步的步高Δh计算如式(10)所示：

(2)记前一时刻高度值为H₁，则当前时刻高度值H₂计算如式(11)所示：

Images